基于YOLO智能网络的红外弱小多目标检测技术
钮赛赛1,2，周华伟1,2，朱婧文1,2，邵艳明1,2，李少毅3
(1. 上海航天控制技术研究所，上海 201109； 2. 中国航天科技集团公司 红外探测技术研发中心，上海 201109； 3. 西北工业大学 航天学院，陕西 西安 710072)
摘 要 ：复杂背景下的红外弱小多目标检测是红外目标检测的难点，现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究，提出一种基于YOLO(you only look once)网络的智能目标检测方法，通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析，验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明：YOLO算法的检测概率可达92.2%，平均检测精度为0.844，与传统的模板匹配方法相比，YOLO具有明显的优势。
关键词 ：红外弱小目标； 深度学习； 目标检测； YOLO
0 引言
弹载红外图像序列中包含多个弱小目标时，存在目标数量和位置不确定、信噪比低、缺乏背景统计的先验信息等问题。因此，复杂环境下的弱小多目标检测是一个具有挑战性的研究课题[1]。
卷积神经网络(CNN)因其强大的特征表征能力[2]，已被成功应用于目标检测和识别领域，并获得了极好的效果[3]。2016年REDMON等[4]提出了YOLO(you only look once)网络，其实质是单个神经网络的目标检测系统，将目标探测问题看作是一个回归问题，在保证检测精度的同时，检测速度得到显著提升。YOLO网络为红外弱小多目标的检测和跟踪提供了新思路。
近年来，国内外学者针对红外弱小多目标检测和跟踪问题进行了深入研究。龚俊亮等[5]结合弱小目标描述模型，提出了基于尺度空间的红外弱小多目标检测算法, 该算法对强杂波背景及高梯度边缘目标检测具有良好的效果，但是对原始数据要求较高，容易将图像序列中存在变化的目标识别为新目标。聂洪山等[6]利用自适应目标分割和目标聚类，设计了一种针对红外弱小目标的检测方法，实现了信噪比大于4的目标检测，但是当信噪比小于4时，无法有效检测出目标。陈静等[7]利用空域能量积累提高信噪比，实现弱小目标检测，但是该方法只适用于天空背景。陆福星等[8]提出了形态学Top-hat变换结合改进的非线性扩散模型的滤波算法，用于增强红外弱小目标信号，抑制复杂背景和噪声，有效提高了红外目标的检测概率。王靖宇等[9]提出了一种基于多隐含层深度神经网络的弱小无人机目标检测模型，设计了包含多个隐含层的多通道深度神经网络。吴帅等[10]系统总结了深度卷积网络在目标检测领域的发展和应用情况，该研究对于红外弱小目标检测具有一定的启示。深度学习算法在可见光目标检测领域取得了理想的效果，目前关于利用深度学习进行红外弱小目标检测的研究仍然较少。
本文借鉴YOLO目标检测算法，提出一种适合复杂环境下红外弱小多目标智能检测的改进模型，利用经典的模板匹配算法和基于YOLO的智能网络进行红外弱小多目标检测，通过实验对比分析了两种方法的检测性能。本文首次针对弹载环境的红外图像场景开展了基于典型深度学习网络模型的目标识别应用研究，相对于传统模板匹配算法，基于深度学习的高维特征学习表征和推理可提升对红外弱小目标及多目标的识别能力，促进弹载智能信息处理技术发展。
1 模板匹配的目标检测算法
1.1 红外图像预处理
对于弱小目标而言，目标本身能量较弱，对杂波和噪声较敏感，因此弱小多目标检测中图像预处理环节对于检测效果的影响显著。现有的图像预处理方法众多，常见的主要有中值滤波法、高通滤波法和自适应滤波法等[11-12]。本文采用杂波抑制和图像增强对图像进行预处理，然后将图像作为模板匹配算法的输入。
斯洛文尼亚共和国，简称斯洛文尼亚，是一个“小而美”的国家。斯洛文尼亚的国土面积只有2万多平方公里，人口数量也只有200多万。如果从首都卢布尔雅那出发，驱车25 分钟可以抵达雪山脚下，30分钟能够到达布莱德湖畔划船，1 个多小时就可以去海滨城市皮兰晒太阳，开车两三个小时已然跨出国境进入邻国——意大利。然而，就是这样一个“袖珍”国家，却拥有精致的山川湖泊和悠久的人文历史，是名副其实的“小而美”的国家。
对于杂波和噪声的抑制，可有效消除图像中的麻点噪声。邻域平均法过程比较简单，运算速度快，但会使目标边缘模糊，因而本文采用邻域平均法的一种改进方法——超限像素平滑法，对红外图像中的杂波进行抑制[13-14]。该方法可表示为
(1)
式(6)中等式右边第一项是边界框中心坐标的误差项，第二项是边界框的高与宽的误差项，第三项是包含目标的边界框的置信度误差项，第四项是不包含目标的边界框置信度误差项，最后一项是包含目标的单元格的分类误差项。
1.2 模板匹配算法原理
模板匹配算法是一种基于图像相似度的识别跟踪算法，将两幅或多幅图像在空间上对准，在整个图像中搜索最接近目标模板的图像，进而实现对目标的跟踪。这种方法不需要对图像进行分割和特征提取，保留了整幅图的所有信息，对于信息不丰富的弱小目标检测具有一定的优势。
目标检测过程就是利用已有的目标模板在整个图像上平移，并评估模板与子图的相似程度，选取子图中与模板最为接近的部分作为目标检测结果，输出目标位置。模板匹配法原理如图1所示，图像大小为N ×N 。子图在整个图像上滑动，动态搜索与目标最相似的子图，并确定该子图区域为目标位置。
图1 模板匹配算法示意图
Fig.1 Diagram of template matching algorithm
2)训练YOLO网络。利用训练集中的数据，根据式(6)中的损失函数，对YOLO网络的参数进行调整，完成对YOLO网络的训练。在训练过程中，对模型中的超参数进行调整，结合弱小目标的尺寸特征，设置置信度。
医学留学生的教育与国内医学生相比要求更高，难度更大，对于医学留学生的临床教学模式的探究，有利于留学生对于课程的掌握，也有利于提高我国留学生医学高等教育水平，加速国内医学教育的国际化进程。我们在留学生先天性心脏病的教学中积累了一定的经验，更发现了自身的许多不足，因此也在不断的完善与提升，加强教师队伍培养，以满足不断增加的留学生医学教育需求，提高留学生医学教育质量。
(2)
式中：T (m ,n )代表模板；M 是模板大小；S i,j (m ,n )代表模板覆盖下的候选区域图；(i ,j )代表区域图左上角像素点在测试图上的坐标；(m ,n )代表区域图内坐标。
1.3 匹配模板选择和多目标检测实现
在目标检测开始前，选定图像中的8个小目标作为匹配模板，通过实验确定最佳模板。选择的模板是经过滤波增强处理的红外图像，对于目标探测的效果较好。
针对多红外目标，应用模板匹配算法进行了多次检测。在仿真中，匹配超过两次，则无法从模板中找出目标，因此本文采用经两次匹配得到的结果作为目标。
2 基于YOLO的弱小目标检测算法
2.1 YOLO模型简介
通过选择目标模板，利用传统的模板匹配算法进行目标检测，检测结果如图5所示。图5(a)为选定的目标模板，图5(b)为模板匹配算法的检测结果。可发现，模板匹配算法不能很好地检测所有目标，漏检率较高，其主要原因是目标在飞行过程中姿态变化较大，特征模板不匹配。同理，模板匹配算法也不适用于目标被云层遮挡、目标相互遮挡等情况。
2.2 基于YOLO的弱小多目标检测模型
根据YOLO网络的特点，结合红外多目标检测的具体实际，建立了基于YOLO的红外弱小多目标检测模型。原始的YOLO模型将图像分为7×7个方格,每个方格用于预测两个目标，输出置信度和坐标。对于尺寸较小的目标，方格过于粗糙，对于弱小目标则误差较大，因此本文将图像分为14×14个方格，从而提高对于弱小目标的检测效果。YOLO网络的主要结构如图2所示。
图2 YOLO网络结构
Fig.2 Structure of YOLO network
2.2.3 模型训练
1963年11月22日，毛泽东同志对在社会主义教育运动中诸暨枫桥干部群众创造的“在党的领导下，发动和依靠群众，坚持矛盾不上交，就地解决，实现捕人少、治安好”[1]101的经验，亲笔做出批示，“要各地仿效，经过试点，推广去做”[1]101。从此，“枫桥经验”成为全国政法综治战线的一面旗帜。50年来，绍兴各级党委、政府始终坚持“枫桥经验”的基本精神不动摇，并紧跟时代发展步伐，不断丰富和发展“枫桥经验”。50年的实践充分证明，“枫桥经验”是践行党的群众路线的鲜活“样本”，是预防化解社会矛盾的一颗“常青树”，是推动科学发展的一笔宝贵财富，使其在新时期愈发呈现出蓬勃的生机和旺盛的活力。
P =P classi |object×P object×P IoU=P classi ×P IoU
(3)
式中：P classi |object为边界框置信度下的条件概率；P object是边界框概率；P classi 是目标类别概率；P IoU为检测框与目标的真实框之间的交并比，可表示为
(4)
式中：B d为检测框；B gt为真实框。
2.2.1 红外图像预处理
我看在眼里，急在心上，趁娟儿巡视走到我身边，我悄悄跟她商量：“你还是讲课孩子听吧，要不时间不够用了。”
红外数据集中的数据格式为640×512的灰度图像，为便于输入YOLOv1，提高模型运算速度，对输入图像进行简单的预处理，将图像大小调整为448×448。
在劳动活动这种新的生存模式中，原始人类先民们通过不断地摸索、不断地试错，产生了人类与自然界的对象性的模糊的朦胧意识，在劳动活动新的生存模式中不断地累积“经验”，原始人类依据“本悟”、“体悟”[4]、“感悟”[5]及“领悟”思维形式去感知周边的现实世界，去处理新的生存模式中的劳动活动与生活里各种各样的问题。虽然人类原始先民们对周边现实世界的感知度极其低下，但是，人类原始先民们依然能够以最低的水平适应自然界的环境，同时伴随着劳动活动范围的逐渐拓展和应对恶劣自然环境压迫的需要，人类原始祖先们的思维能力和水平也不断地得到提升。
2.2.2 网络结构的调整
YOLO网络结构的基础核心是Google-Net模型，它有深层和浅层两个版本。深层结构含有24个卷积层，如图3(a)所示；浅层结构含有9个卷积层，如图3(b)所示。它们的卷积核主要为3×3、1×1的小卷积核，这对于捕捉图像中的细节信息有一定的帮助。浅层YOLO可提升目标检测速度，因此本文采用Fast YOLO(浅层YOLO)模型作为目标检测模型的基础模型，该模型包含9个级联的卷积层和2个全连接层。
图3 YOLO内部详细结构
Fig.3 Internal detailed structure of YOLO
每个检测框中有5个参数用于描述检测框中目标位置和类别，5个参数分别为(x ,y ,w ,h ,C )，其中(x ,y )代表检测框对应的最小网格中心，w 、h 分别代表检测框的宽度和高度，C 代表置信度。Bounding box的中心位置坐标是对某个网格的位置坐标的归一化，因此(x ,y ,w ,h )均介于0～1之间。该区域存在目标的概率P 为
对Fast YOLOv1网络模型进行训练，首先在ImageNet上进行预训练，然后在对训练好的网络在红外目标训练集上进行训练。为使输出值范围为[0,1]，需要对参数(x ,y ,w ,h ,C )进行归一化处理。训练的激励函数在ReLU的基础上进行了改进，主要是对产生的负数不再按零计，而是赋予一个0.1斜率的值，可表示为
(5)
训练中的损失函数采用YOLO原文模型中提取的损失函数，即
政府对食品质量安全的监督与管理不足。食品生产的链条很长，因此关乎食品质量安全的部门较多。现如今，我国在监管食品质量安全时，将九大部门联合在一起，有机结合分段管理和品种管理，该方式能够为食品质量安全监管全面性提供相应保障，不过仍有多种不良现象出现，比如交叉执法等。此外，当相关问题出现的时候，相互推诿的现象也比较容易出现，导致食品安全管理出现漏洞。商业机构和政府部门之间的联系十分密切，正因为如此，食品质量安全管理腐败现象比较容易发生。而且目前我国的食品质量安全法律法规，也无法全面覆盖食品安全问题。
(6)
式中：λ coord为坐标误差权重值；
为检测框中心坐标；S 为边界框区域的栅格数；B 为检测框数量；ω i 为真实目标框的宽；
为预测框的宽；h i 为真实目标框的高；
为预测框的高；C i 为目标对象实际边界框置信度；
为目标对象预测框置信度；p i (c )为已知目标类别的置信度；
为预测目标类别的置信度；
为目标对象标志符；
为非目标对象标志符；λ nppbj为分类误差权重值；c 为预估目标类别；A 为待检测对象的种类。
式中：T 为选定的一个非负阈值；S 为以图像中每个像素为中心分别选取的一个邻域；M 为S 域内包含的像素个数；f (x ,y )代表处理前的图像；g (x ,y )代表杂波抑制后的图像。
黑龙江农业的特殊性决定了它受自然灾害影响最大，自然灾害发生频率高，种类繁多，导致因灾返贫成为常态，使贫困户失去脱贫信心。因病返贫、因学返贫、因市场风险返贫、因老返贫等很多问题也是屡见不鲜。受到旧习俗旧风气的影响，黑龙江偏远地区因婚返贫、因赌返贫也是返贫因素中不可乎视的一项。
2.3 算法流程
YOLO网络将目标检测问题看作一个回归问题，不需要选择滑窗或提取proposal的方式训练网络，而是直接选用全图训练模型。本文基于YOLO网络的弱小目标检测算法的基本过程为：
1)图像初始化。将输入图像进行初始化，将其转换为448×448的灰度图像。
一般利用测度D (i ,j )来衡量模板与子图的相似程度，即
响应面图能直观的反映实验参数与响应值的关系，其等高线图也能表明因素之间的交互作用。如图4所示，图（a）是以甘露糖酶和β-葡聚糖酶为变量生成的响应面图，方差分析中AB（P=0.523 3）大于0.05，表明甘露糖酶和β-葡聚糖酶之间有一定的交互作用。以甘露糖酶和木聚糖酶为变量生成的响应面图在图（b）中呈现，方差分析中 AC（P=0.667 6）大于0.05，表明其交互作用不显著。图（c）为β-葡聚糖酶和木聚糖酶为变量生成的响应面图，且方差分析中BC（P=0.727 4）大于0.05，表明β-葡聚糖酶和木聚糖酶之间交互作用不明显。之后对回归模型方差分析，结果见表6。
3 实验及结果分析
3.1 目标检测效果评价
3.1.1 目标检测率
极限是微积分中最基本的概念，理解好极限的概念和掌握极限的计算方法是学习微积分的基础。本文首先介绍了极限的基本概念，其次介绍了几种常用的极限计算方法，但并不是极限计算的全部方法。从上述方法中可以看到，熟练的掌握极限的基本概念和灵活的运用极限计算方法，能够有效的解决不同形式的极限问题；能够将导数、积分、级数等知识点综合的应用起来。
检测率代表在图像中目标被检测出来的比例，是目标检测性能的重要依据。检测率P D的计算式为
(7)
式中：N D为算法成功检测出的目标数量；N T为图像中的目标总数。
3.1.2 平均识别精度
平均识别精度是用于衡量目标检测算法准确率的重要指标。通过对每个检测框的交并比P IoU进行统计，获得平均识别精度
(8)
式中：N 为检测框的数量。
3.2 图像预处理结果分析
原始红外图像的灰度图如图4(a)所示，背景中有亮云、噪声等复杂背景干扰，弱小目标已经难以分辨，对原始红外图像进行预处理后的结果如图4(b)所示，需要检测的目标特征更加明显，大部分杂波干扰被抑制。因此本文所使用的图像预处理方法对于红外弱小目标检测是有效的。
3)测试。针对每张图像，预测得到196(14×14)个bounding box及其概率。通常利用一个cell可直接预测出一个物体对应的bounding box，但是对于某些尺寸较大或靠近图像边界的物体，需要通过非极大抑制处理生成多个网格预测的结果。
图4 图像预处理效果
Fig.4 Image preprocessing effect
3.3 传统算法的检测结果
YOLO网络突出的优势是网络结构简洁，一个CNN可同时预测多个边界框，并且可给出每个边界框中目标的置信概率。相比于其他高性能的目标检测网络，YOLO网络在精度方面略有下降，但在速度方面远胜于其他目标检测网络，如Faster RCNN等[15-16]。这对于军用红外探测跟踪设备，尤其是红外成像导弹等具有重要意义。YOLO网络的另一个显著优点是其对于较小目标的检测也具有良好的效果。
图5 模板匹配算法结果
Fig.5 Result of template matching algorithm
3.4 实验平台及数据集介绍
实验平台操作系统为Ubuntu 16.04LTS, 配置两块Nvidia GPU(GTX 1080Ti)，16GB内存，2TB硬盘。
在文献[2]基础上进行了优化，使用乙腈替代流动相中的甲醇，不仅钠离子和硫酸根离子分离良好，还可以检出后相邻杂质，尽量避免由于硫酸根在C18柱上保留较弱，可能出现和其它离子共流出的现象，提高了测定准确度。
实验数据集源于基于某红外成像导引头在航展上的测试数据，背景为多亮云环境下的9个典型飞机目标。采用一个目标跟踪序列中的4 500幅图片作为训练集，另外500幅作为测试集。测试中，设置置信度阈值为0.8。
老一辈创业者当初在创业时，也是受到各种压力的阻挠，但坚定的信念让他们得以克服各种困难，最终实现了成功。如今，新生代正以自己的方式接受着各种挑战，试图用自己的力量，来帮助企业更好的向前发展，这种热情与信心是难能可贵的，老一辈不应该轻易地就将他们否定，应该合理地加以引导，从知识和关系予以传承，教导他们融入中国情境，同时给予新生代更多的理解与包容，放手让他们自己去尝试与历练，实现企业的可持续发展。
3.5 YOLO的检测结果
在采用YOLO网络进行测试实验时，将外场测试数据分为3种典型场景类型：1) 无云层遮蔽且无相互遮挡；2) 部分目标被云层遮蔽；3) 部分目标之间相互遮挡。
3.5.1 无云层遮蔽且无相互遮挡
在无云层遮蔽且无相互遮挡的情况下，基于YOLO算法可将图像中所有的目标较为准确地识别出来，识别效果明显优于传统的模板匹配算法。YOLO算法的目标检测结果如图6所示。
在中职教育以及旅游业快速发展的过程中，中职旅游专业教育也进一步扩张。当前，中职旅游管理专业已经慢慢发展成为较为成熟的发展体系，不过在教学过程中并没有彻底摆脱传统的灌输式教学模式，这样就导致培养的人才不能满足社会发展需要。因此，旅游业重点关注的问题是各院校如何培养适应社会需要的旅游管理专业人才。通过实践调查研究发现，我国当前在旅游管理专业人才培养以及教育改革方面的研究比较少，特别是在“互联网+”时代，更应该加强此方面的探索。
图6 目标检测结果1
Fig.6 Target detection result 1
3.5.2 部分目标被云层遮蔽
在部分目标被云层遮蔽的情况下，YOLO算法可将未被遮蔽的目标检测出来，但是对于目标被云层完全遮蔽或者部分遮蔽的情况，则不能正确地检测出目标，此时YOLO算法的目标检测结果如图7所示。
图7 目标检测结果2
Fig.7 Target detection result 2
3.5.3 部分目标相互遮挡
医院科研经费支出的内部控制，首先应完善各管理系统，以制度建设为基础，综合运用预算控制、加强资产管理、完善信息共享等内部控制方法，加强科研项目经费的全过程管理。
在部分目标相互遮挡的情况下，YOLO算法容易将多个相互遮挡的目标识别为同一目标，但是检测框范围没有超出相互遮挡目标组合的范围，且图像中所有目标都被识别，此时YOLO算法的目标检测结果如图8所示。
图8 目标检测结果3
Fig.8 Target detection result 3
3.6 仿真结果对比分析
根据仿真结果，分别统计模板匹配算法和基于YOLO网络检测算法的检测率和平均识别精度，统计结果如表1所示。通过数据对比可看出，基于YOLO的红外弱小多目标识别性能均优于传统的模板匹配方法。
表1 检测效果对比
Tab.1 Comparison of detection results
4 结论
基于YOLO对红外弱小多目标进行了检测，并对比了传统的模板匹配算法，可得出以下结论：1)YOLO算法在目标之间无相互遮挡且没有云层遮蔽的情况下，可实现对红外弱小多目标的准确识别；2)在相同情况下，YOLO算法的目标识别效果明显好于传统的模板匹配算法；3)在目标之间相互遮挡或者云层遮蔽的情况下，传统的模板匹配算法和YOLO都无法准确地识别出图像中的所有目标。因此，针对图像劣化或目标部分被遮挡的红外弱小目标检测还需要做进一步研究：一方面是通过样本增广方法研究扩大训练/测试集的样本容量，提升网络模型的泛化能力；另一方面是设计针对弹载有限样本红外图像的专用网络模型，进一步提升红外弱小多目标智能检测识别能力，并在上述研究基础上，开展深度学习网络模型的嵌入式硬件实现研究。
参考文献
[1] 张祥越, 丁庆海, 罗海波,等. 基于改进LCM的红外小目标检测算法[J]. 红外与激光工程, 2017, 46(7): 0726002.
[2] 罗海波, 许凌云, 惠斌,等. 基于深度学习的目标跟踪方法研究现状与展望[J]. 红外与激光工程, 2017, 46(5)：0502002.
[3] SHI W Z, CABALLERO J, HUSZAR F, et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network[C]// IEEE Conference on Computer Vision and Pattern Recognition. 2016: 1874-1883.
[4] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition. 2016: 779-788.
[5] 龚俊亮. 红外弱小多目标实时检测跟踪技术研究[D].长春:中国科学院长春光学精密机械与物理研究所, 2013.
[6] 聂洪山, 盛维正, 赵军锁,等. 红外弱小目标检测跟踪算法研究[J]. 飞行器测控学报, 2009, 28(1): 38-40.
[7] 陈静. 红外弱小目标检测[D]. 南京:东南大学, 2016.
[8] 陆福星, 李夜金, 陈忻,等. 基于Top-hat变换的PM模型弱小目标检测[J]. 系统工程与电子技术, 2018，40(7): 1417-1422.
[9] 王靖宇, 王霰禹, 张科,等. 基于深度神经网络的低空弱小无人机目标检测研究[J]. 西北工业大学学报, 2018,36(2): 258-263.
[10] 吴帅, 徐勇, 赵东宁. 基于深度卷积网络的目标检测综述[J]. 模式识别与人工智能, 2018, 31(4): 335-346.
[11] 孙慧婷. 红外弱小多目标实时处理[D]. 苏州:苏州科技大学, 2017.
[12] 豆根生. 红外弱小目标图像预处理及分割方法的研究[J]. 科学技术与工程, 2008, 8(18): 5313-5317.
[13] 张晓杰. 红外图像预处理及弱小目标检测方法研究[D]. 南京:南京航空航天大学, 2011.
[14] 靳永亮, 王延杰, 刘艳滢, 等. 红外弱小目标的分割预检测[J]. 光学精密工程, 2012, 20(1): 171-178.
[15] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transaction Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.
[16] PAUL H, FERRARI V. End-to-end training of object class detectors for mean average precision[C]//13th Asian Conference on Compute Vision. 2016: 198-213.
Infrared Dim -small Multi -target Detection Technology Based on YOLO Intelligent Network
NIU Saisai1,2， ZHOU Huawei1,2， ZHU Jingwen1,2， SHAO Yanming1,2， LI Shaoyi3
(1. Shanghai Aerospace Control Technology Institute, Shanghai 201109, China； 2. Research and Development Center of Infrared Detection Technology, China Aerospace Science and Technology Corporation, Shanghai 201109, China； 3. School of Astronautics, Northwestern Polytechnical University, Xi’an 710072, Shaanxi, China)
Abstract ：Infrared dim-small multi-target detection under complex background is a difficulty, and the robustness of existing algorithms is difficult to meet the actual application requirements of missile load. In this paper, the target detection application research based on a typical deep learning network model is carried out for infrared scene images under the missile environment. An intelligent target detection method based on YOLO (you only look once)network is proposed, which is realized by learning and representing of high-dimensional features and reasoning. The traditional template matching algorithm and the YOLO deep learning algorithm are used for the comparative analysis of recognition performance, which verifies the good performance of the YOLO network in the infrared dim-small multi-target detection. The experimental results show that the detection probability of the YOLO algorithm can reach 92.2% and the average detection accuracy is 0.844. Compared with the traditional template matching method, YOLO has obvious advantages.
Keywords ：infrared dim-small target; deep learning; target detection; YOLO
中图分类号 ：TP 391.4
文献标志码： A
DOI :10.19328/j.cnki.1006-1630.2019.05.004
收稿日期 ：2019-03-21；修回日期： 2019-05-28
基金项目 ：国家自然科学基金(61703337)；上海航天科技创新基金(SAST2017-082)
作者简介 ：钮赛赛(1984-)，男，博士，高级工程师，主要研究方向为红外目标特性、智能化导引头等。
(本文编辑：姚麒伟)
标签：红外弱小目标论文; 深度学习论文; 目标检测论文; YOLO论文; 上海航天控制技术研究所论文; 中国航天科技集团公司红外探测技术研发中心论文; 西北工业大学航天学院论文;