刘 芬,程勇策,郑 尧,赵 涛

(1.中煤科工集团重庆研究院有限公司,重庆 400039；2.中国电子科技集团公司第三研究所,北京 100015；3.陆航研究所,北京 101121)

1 引 言

随着红外成像技术的逐渐成熟,基于红外目标的检测或跟踪方法已被广泛应用于诸多领域中。其中,红外小目标的检测尤其重要[1-6]。在过去几十年中,学者们提出了许多不同的检测算法,但这些方法仅仅依赖的是图像底层特征。当背景变得复杂时,使用传统方法得到的结果可能并不理想,如图1所示。从图中可得知,当红外图像模糊不清,存在大量噪声时,有些方法不能检测出小目标。传统方法存在以下不足:1.依赖的结构化特征缺乏鲁棒性,导致在复杂场景下不能区分背景和小目标；2.虽然已有一些方法采用了局部对比,但这些对比是在低层的视觉特征上进行的,缺乏高层特征的认知和理解。

图1 不同方法的检测结果

近年来,深度学习技术已被应用到许多计算机视觉中,包括图像分类,目标跟踪和目标检测[7-8]。其中,深度卷积神经网络能够提取高层特征,大大提高了目标检测的性能。通过一定样本的训练,CNN能够学习到丰富的语义特征,相比于传统底层特征,这些特征更能准确代表物体的本质。因此将CNN应用到红外小目标检测是可行的。但由于红外小目标不是十分明显,并且只有灰度信息,与自然图像的目标存在巨大差异,所以一些基于CNN的自然图像目标检测方法并不适用于红外小目标的检测,这要求我们寻求新的方法。……