1.一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,包括如下步骤:
S1,通过红外夜视仪对夜晚道路目标的可见光图像进行处理,得到其对应的夜视红外图像;
S2,运用深度学习网络对可见光图像进行特征提取;
S3,基于增量编码长度衡量显著性值的方法,对可见光图像的特征提取图像进行显著性区域的提取,得到可见光图像的显著性图像;
S4,对可见光图像对应的夜视红外图像,运用GBVS模型(基于图论的图像显著性分析算法)进行显著性区域的粗提取,得到夜视红外图像的显著性图像CC;
S5,运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取,得到夜视红外图像的显著性图像ZZ;
S6,将可见光图像的显著性图像和夜视红外图像的显著性图像ZZ融合,得到夜晚道路目标的显著性图像。
2.根据权利要求1所述的一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,所述S2中运用深度学习网络对可见光图像进行特征提取的具体步骤为:
S2.1,任意选取可见光图像一小块区域;
S2.2,运用图像空间金字塔法对S2.1的一小块区域进行多尺度的划分,得到可见光图像的多尺度图像;
S2.3,利用栈式自编码得到可见光图像的多尺度图像的稀疏响应图;
S2.4,对可见光图像的多尺度图像的稀疏响应图运用卷积进行特征提取,得到多尺度图像的稀疏响应特征图;
S2.5,按照稀疏响应值最大的原则,从多尺度图像的稀疏响应特征图中的某个尺度图像上选取一个LxL区域,并针对所选取的区域进行不同尺度上的空间池化,以整合不同尺度图像上的稀疏响应特征;
S2.6,在S2.5中某个尺度图像上一个LxL区域的竖直方向的相同位置选取若干个区域,并对若干个区域进行多尺度的区域融合,得到一个融合区域图像;
S2.7,采用S2.2-S2.5处理可见光图像的步骤对融合区域图像进行处理,得到融合区域图像的稀疏响应特征;
S2.8,运用解码器对融合区域图像的稀疏响应特征进行解码,得到可见光图像的多尺度特征图,再对可见光图像的多尺度特征图进行多尺度的融合,得到一幅特征图;
S2.9,利用SVM分类器(支持向量机算法)对S2.8得到特征图的进行特征分类,最终获取可见光图像的特征提取图像。
3.根据权利要求1所述的一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,所述S5中运用基于超复数频域的谱尺度空间的方法,基于全局特征,对显著性图像CC进行显著性区域的再提取的具体步骤为:
S5.1,通过对显著性图像CC的红绿蓝三个分量组合计算,得到显著性图像CC的三个特征图U,RG,BY;
S5.2,对特征图U,RG,BY进行整合,计算得到显著性图像CC的超复数矩阵f(x,y);
S5.3,先对超复数矩阵f(x,y)进行超复数傅立叶变换,然后计算显著性图像CC的幅值谱A,相位谱p,特征轴谱kk;
S5.4,对幅值谱A进行卷积,从而得到显著性图像CC的谱尺度空间{AAk};
S5.5,基于显著性图像CC的谱尺度空间{AAk}计算得到显著性图像CC的显著图序列{Zi};
S5.6,运用基于最大方差的原则选取显著图序列{Zi}中的一个显著图序列作为夜视红外图像的显著性图像ZZ。
4.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,所述S5.2中超复数矩阵f(x,y)的计算公式为其中向量分别为在三维空间直角坐标系中与x、y、z轴方向相同的单位向量。
5.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,所述S5.3中幅值谱A的计算公式为A=|F(f(x,y))|,其中||表示求幅值,F()表示超复数傅立叶变换。
6.根据权利要求3所述的一种融合可见光图像与对应夜视红外图像的检测方法,其特征在于,所述S5.5中显著图序列{Zi}的计算公式为:Zi=g*|F-1{AAk(x,y)ekk×p(x,y)}|2,其中相位谱特征轴谱||表示求幅值,F()表示超复数傅立叶变换,表示相位,g表示高斯核,*表示卷积,×表示乘积,F-1表示傅立叶反变换,v()表示取傅立叶变换后的矢量部分,||||表示求矢量的模。