申请/专利权人:杭州越达图谱科技有限公司
申请日:2023-05-29
公开(公告)日:2024-04-09
公开(公告)号:CN117853760A
主分类号:G06V10/70
分类号:G06V10/70;G06V10/40
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明公开了一种基于表示学习的红外小目标检测方法及装置。包括:1将原始热红外图像序列,构造非重叠块时空张量;2考虑背景、目标和噪声的特性,搭建基于低秩稀疏张量表示学习的架构;3利用全连接张量环分解,定义全连接张量核范数,建立低秩背景表示学习模型;4设计三维时空加权全变分正则化项,保护不同背景区域的边缘结构并去除噪声,降低背景对目标检测的影响;5在上述步骤的基础上,建立基于低秩稀疏表示学习的时空张量模型;6利用ADMM算法优化求解模型,获得目标检测结果,实现红外弱小目标检测。本发明利用设计的低秩稀疏表示学习模型和基于ADMM优化算法能够有效实现红外弱小目标的检出。
主权项:1.一种基于表示学习的红外小目标检测方法,其特征在于,包括如下步骤:步骤1:对于原始热红外图像序列D,按照图像帧的顺序依次堆叠图像帧,实现从原始图像序列D到时空张量的转化;步骤2:考虑背景张量目标张量和噪声张量的特性,构造背景字典和系数张量对背景张量进行低秩表示,对目标张量进行稀疏估计,并搭建基于低秩稀疏张量表示学习的架构;步骤3:对系数张量进行全连接张量环分解得到系数张量因子集合其包含三个系数张量因子和利用所有系数张量因子的张量核范数的加权和,构建非凸低秩估计范数,即全连接张量核范数以度量系数张量的低秩性质,并建立低秩背景表示学习模型;步骤4:设计加权各向同性与异性的全变分正则化项,构建背景张量的三维时空加权全变分范数保护红外图像背景中不同区域的边缘结构,去除噪声,降低背景对目标检测的影响;步骤5:结合步骤3、步骤4以及稀疏度加权策略,在步骤2的基于低秩稀疏张量表示学习的架构的基础上,建立基于低秩稀疏表示学习的时空张量模型;步骤6:求解基于低秩稀疏表示学习的时空张量模型,获得目标张量并重构红外目标检测结果图,得到小目标检测结果图序列T,实现热红外小目标检测。
全文数据:
权利要求:
百度查询: 杭州越达图谱科技有限公司 一种基于表示学习的红外小目标检测方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。