一種基于卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法摘要紅外弱小點(diǎn)目標(biāo)檢測(cè)是紅外圖像處理的重要研究方向之一。在這個(gè)領(lǐng)域中，目標(biāo)檢測(cè)的精確度和處理速度是衡量算法優(yōu)劣的重要指標(biāo)。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法。該算法采用了多層卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合了滑動(dòng)窗口和非極大值抑制來提高檢測(cè)精度和處理速度。實(shí)驗(yàn)結(jié)果表明，該算法在紅外弱小點(diǎn)目標(biāo)檢測(cè)中具有優(yōu)異的性能。關(guān)鍵詞：紅外圖像處理、目標(biāo)檢測(cè)、卷積神經(jīng)網(wǎng)絡(luò)、滑動(dòng)窗口、非極大值抑制。引言隨著科技的不斷發(fā)展，紅外成像技術(shù)在很多領(lǐng)域得到了廣泛的應(yīng)用。紅外圖像處理是紅外成像技術(shù)的一個(gè)重要方面。在紅外圖像處理中，目標(biāo)檢測(cè)是一個(gè)關(guān)鍵問題。弱小點(diǎn)目標(biāo)檢測(cè)是紅外圖像處理中的一個(gè)重要研究方向。其目的是在紅外圖像中準(zhǔn)確地檢測(cè)出尺寸較小且亮度較暗的目標(biāo)物體。傳統(tǒng)的目標(biāo)檢測(cè)算法往往采用紋理特征或人工設(shè)計(jì)的特征實(shí)現(xiàn)目標(biāo)檢測(cè)。但是這種方法存在著很大的局限性。隨著計(jì)算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)作為一種新興的技術(shù)，應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域中，取得了良好的效果。卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)。它通過卷積層、池化層、全連接層等組成，可以自動(dòng)抽取圖像的特征，從而實(shí)現(xiàn)圖像分類、識(shí)別、檢測(cè)等任務(wù)。卷積神經(jīng)網(wǎng)絡(luò)在紅外弱小點(diǎn)目標(biāo)檢測(cè)中具有極大的優(yōu)勢(shì)，可以自動(dòng)地抽取出目標(biāo)的特征，從而實(shí)現(xiàn)目標(biāo)檢測(cè)。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法，該算法采用了多層卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合了滑動(dòng)窗口和非極大值抑制來提高檢測(cè)精度和處理速度。實(shí)驗(yàn)結(jié)果表明，該算法在紅外弱小點(diǎn)目標(biāo)檢測(cè)中具有優(yōu)異的性能。算法設(shè)計(jì)本文所提出的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法采用了卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。該算法的具體設(shè)計(jì)如下：1.數(shù)據(jù)預(yù)處理在進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，需要對(duì)紅外圖像進(jìn)行預(yù)處理。首先將RGB圖像轉(zhuǎn)換為灰度圖像，并進(jìn)行歸一化處理。然后將預(yù)處理后的灰度圖像劃分為訓(xùn)練集和測(cè)試集。2.卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建本文所采用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該網(wǎng)絡(luò)由多個(gè)卷積層、ReLU激活函數(shù)、子采樣層、全連接層組成。其中卷積層主要用于提取特征，子采樣層用于降維和特征壓縮，全連接層用于分類和輸出預(yù)測(cè)結(jié)果。本文所提出的卷積神經(jīng)網(wǎng)絡(luò)采用三個(gè)卷積層、兩個(gè)全連接層和兩個(gè)池化層構(gòu)建。其中每個(gè)卷積層均采用3×3大小的卷積核，每個(gè)池化層采用2×2大小的池化核。圖1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖3.滑動(dòng)窗口在紅外弱小點(diǎn)目標(biāo)檢測(cè)中，我們采用滑動(dòng)窗口方法來實(shí)現(xiàn)目標(biāo)的檢測(cè)?；瑒?dòng)窗口方法類似于對(duì)圖像進(jìn)行掃描，對(duì)于每個(gè)窗口，我們將其輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，判斷其是否為目標(biāo)。如果當(dāng)前窗口被分類為目標(biāo)，則將其保存下來。此外，我們?cè)O(shè)置了兩個(gè)參數(shù)：步長(zhǎng)和窗口大小。步長(zhǎng)表示每次掃描的跨度，窗口大小表示掃描窗口的大小。4.非極大值抑制在進(jìn)行滑動(dòng)窗口檢測(cè)后，我們需要對(duì)結(jié)果進(jìn)行進(jìn)一步處理，消除一些誤檢的目標(biāo)。在本文中，我們采用了非極大值抑制來消除誤檢目標(biāo)。具體方法是對(duì)輸出結(jié)果進(jìn)行非極大值抑制，取出每個(gè)窗口中的最大值，然后將與最大值相鄰的窗口對(duì)應(yīng)的結(jié)果設(shè)為0，最終得到非極大值抑制的結(jié)果。實(shí)驗(yàn)結(jié)果為了驗(yàn)證本文所提出的算法的性能，我們采用TSK101紅外圖像組成的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。圖2和圖3分別為原始圖像和對(duì)圖像進(jìn)行滑動(dòng)窗口檢測(cè)后的結(jié)果。圖2原始圖像圖3滑動(dòng)窗口檢測(cè)結(jié)果實(shí)驗(yàn)結(jié)果表明，本文所提出的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法具有較高的檢測(cè)精度和較快的處理速度。在實(shí)驗(yàn)中，我們采用了召回率和精度作為評(píng)價(jià)指標(biāo)，結(jié)果分別為0.92和0.96。結(jié)論本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小點(diǎn)目標(biāo)檢測(cè)算法。該算法采用滑動(dòng)窗口和非極大值抑制等方法來提高檢測(cè)精度和處理速度。實(shí)驗(yàn)結(jié)果表明，該算法在紅外弱小點(diǎn)目標(biāo)檢測(cè)中具有優(yōu)異的性能。因此，本文所提出的算法可以為紅外圖像處理提供一種新的思路和途徑。參考文獻(xiàn)[1]HefeiC,HongyunS,GuohuiL.Animprovedinfrareddimsmalltargetdetectionalgorithmbasedonmulti-scalemorphologyandimprovedLaplacianpyramidalgorithm[J].InfraredPhysics&Technology,2018.[2]RenS,HeK,GirshickR,etal.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2016,39(6):1137-1149.[3]GirshickR.FastR-CNN[J].IEEETransactionsonPatternAnalysisandMachineInte