(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210377446.0 (22)申请日 2022.04.12 (71)申请人 西北工业大 学 地址 710002 陕西省西安市友谊西路127号 申请人 中国航空工业 集团公司洛阳电光设 备研究所 (72)发明人 陈振国　聂青凤　掲斐然　李国强　 翟正军　万锦锦　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 傅晓 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/772(2022.01)G06K 9/62(2022.01) (54)发明名称 基于集成融合特征的红外弱小目标检测方 法 (57)摘要 本发明公开了基于集成融合特征的红外弱 小目标检测方法， 涉及机器学习领域， 其包括获 取红外弱小目标的初始图像作为训练集， 建立分 类器， 得到训练好的模型； 获取待检测图像并通 过高通滤波器对其进行滤波； 对 滤波后的图像进 行恒虚警阈值分割； 对分割后的二值图像进行候 选目标区域标记， 并计算其中心坐标； 根据每个 候选目标的中心坐标， 在待检测图像中取图像 块； 提取每个待测图像块的特征参数； 通过训练 好的模型对待测图像块的特征参数进行分类， 得 到并输出目标的中心坐标， 完成目标检测。 本发 明融合特征的分类能力更强， 不仅能够提高分类 精度， 还可以加快收敛速度从而实现减少分类器 参数的目的； 面对复杂应用场景由足够的适应 性， 便于工程应用。 权利要求书3页 说明书8页 附图4页 CN 114463619 A 2022.05.10 CN 114463619 A 1.一种基于集成融合特 征的红外弱小目标检测方法， 其特 征在于， 包括以下步骤： S1、 获取红外弱小目标的初始图像作为训练集， 构建字典滤波器对训练集进行多尺度 中心字典特 征提取； S2、 基于多尺度中心字典特 征建立分类 器， 得到训练好的模型； S3、 获取待检测图像并通过高通滤波器对其进行 滤波， 得到滤波后的图像； S4、 对滤波后的图像进行恒虚警阈值分割， 得到分割后的二 值图像； S5、 对分割后的二值图像进行候选目标区域标记， 并计算得到候选目标区域的中心坐 标； S6、 根据每 个候选目标的中心坐标， 在待检测图像中取图像块； S7、 提取每 个待测图像块的特 征参数； S8、 通过训练好的模型对待测图像块的特征参数进行分类， 得到并输出目标的中心坐 标， 完成目标检测。 2.根据权利要求1所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S1的具体方法为： S1‑1、 获取红外弱小目标的初始图像作为训练集， 并对训练集中的图像进行候选目标 区域标记， 计算得到候选目标区域的中心坐标； S1‑2、 根据候选目标的中心坐标， 提取19 ×19的分图像块； S1‑3、 构建字典滤波器， 并对分图像块进行卷积得到分图像块的特征图， 并将所有的特 征图拉伸为向量， 合并形成特 征列向量， 即完成多尺度中心字典特 征提取。 3.根据权利要求2所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S1‑3中构建字典滤波器的具体过程 为： S1‑3‑1、 对每一个19 ×19大小的图像块， 以像素坐标 （10,10） 为中心取不同尺寸的9个 分图像块； 其中9个分图像块的尺寸分别为3 ×3， 5×5， 7×7， 9×9， 11×11， 13×13， 15×15， 17× 17， 19×19； S1‑3‑2、 对尺寸 为3×3的分图像块进行聚类， 得到 3个字典滤波器； S1‑3‑3、 对尺寸 为5×5的分图像块进行聚类， 得到 3个字典滤波器； S1‑3‑4、 对尺寸 为7×7的分图像块进行聚类， 得到 3个字典滤波器； S1‑3‑5、 对尺寸9 ×9， 11×11， 13×13， 15×15， 17×17， 19×19的分图像块进行聚类， 分 别得到1个字典滤波器； 共计得到15个字典滤波器。 4.根据权利要求2所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S2中的具体过程 为： S2‑1、 将训练集中所有分图像块的多尺度中心字典特 征表示为 ； 其中 为第i个分图像块的特征列向量； 为第i个分图像块的标签， +1表 示正样本，‑1表示负样本；m为训练集中分图像块的总数； S2‑2、 根据计算式 初始化第 i个分图像块的权 重； S2‑3、 对权重进行归一 化； S2‑4、 通过归一化后的权重计算得到第 i个分图像块的特征行向量， 基于第 i个分图像权　利　要　求　书 1/3 页 2 CN 114463619 A 2块的特征列向量和特 征行向量， 计算得到特 征参数； S2‑5、 构建弱分类 器， 并根据弱分类 器计算得到特 征参数的分值； S2‑6、 基于负 样本数量和正样本数量比和特 征符号函数构建 分类器； S2‑7、 根据分值更新图像块的权 重； S2‑8、 基于更新后图像块的权重， 重复步骤S2 ‑3到步骤S2 ‑7， 进行T次迭代， 得到集成弱 分类器的强分类 器， 即得到训练好的模型。 5.根据权利要求4所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S2‑4中的具体过程 为： S2‑4‑1、 根据公式： 得到第i个分图像块的第 t轮迭代的特征行向量 ； 其中 为求最小值函数， 为归一化后的权重， 为截距， 为用于控制范数约束的超参数， 为中间式， 为用于 调节两种不同范 数约束比重的超参， 为二范数， 为零范数； S2‑4‑2、 根据公式： 得到第i个分图像块的特 征参数 。 6.根据权利要求5所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S2‑5中的具体过程 为： S2‑5‑1、 根据公式： 得到第t轮迭代的特征行向量的弱分类器 ； 其中 和 为待求参数， 为符 号函数； S2‑5‑2、 根据公式： 得到第i个分图像块的分值 ； 其中 为第u个弱分类 器。 7.根据权利要求6所述的基于集成融合特征的红外弱小目标检测方法， 其特征在于， 步 骤S2‑7中更新权 重的具体过程 为： 根据公式： 权　利　要　求　书 2/3 页 3 CN 114463619 A 3