1.基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于，包括以下步骤：步骤1：构建基于改进YOLO v3的红外图像弱小目标检测模型，搭建轻量级特征提取网络；所述的步骤1包括以下步骤：步骤1.1：在轻量级特征提取网络中使用深度可分离卷积改进YOLOv3残差模块中的标准卷积操作；

步骤1.2：在轻量级特征提取网络每一个残差模块中引入通道自注意力机制；

步骤1.3：在轻量级特征提取网络每一个残差模块中引入空间自注意力机制；

步骤1.4：在轻量级特征提取网络中使用H‑swish激活函数加速网络训练；

步骤2：定义损失函数Loss，具体的：

用边界框的重叠程度和两个边界框的中心距离，以及预测框的长宽比和真实框的长宽比即CIou即Complete‑IoU作为边界框的损失函数LossCIoU，结合物体类别预测误差损失Lossobj和预测置信度损失Lossconf，则训练回归的损失函数Loss为：其中，Loss表示训练回归的损失函数， 表示两个边界框中心的距离损失，α表示权重函数，ν表示预测框的长宽比和真实框的长宽比的相似性，c表示两个边界框所组成的

2 gt

最小矩形的对角线距离，ρ(b,b )表示两个边界框中心点的距离； 表示第i个网格中第j个边界框中是否存在目标，若存在目标，则 的值为1，计算两个边界框的中心坐标之间的差值；若不存在目标，则 的值为0，不计算损失；γnoobj表示单元格中没有目标的置信度同2

样进行了加权操作，但会有较低的预测置信度做惩罚，γnoobj取值0.5；S表示输入图像被分割的网格数，B表示每个网格生成的包围框数，ci表示预测的置信度，ci'表示真实的置信度，pi(c)表示是在网格i内目标属于c的真实概率，p′i(c)表示在网格i内目标属于c的预测概率，用改进的GIou代替YOLO v3的IoU作为边界框的度量标准，如下式所示：其中，C是两个框包含的最大矩形的面积，而A和B代表任何两个边界框的面积，GIou更加准确的表示两个边界框的重叠程度；

步骤3：选取红外图像组建红外图像数据集，对该数据集里的红外图像进行预处理，选取70％红外图像作为训练数据集，30％红外图像作为测试数据集；

步骤4：将红外图像训练数据集输入步骤1所述的基于改进YOLO v3的红外图像弱小目标检测模型，并利用步骤2所述的损失函数训练步骤1所述的基于改进YOLO v3的红外图像弱小目标检测模型；

步骤5：将红外图像测试数据集输入步骤4中训练好的基于改进YOLO v3的红外图像弱小目标检测模型，输出红外图像测试数据集目标预测边界框；

步骤6：对于输出的多个目标预测边界框，以GIou和边界框中心点距离的值作为筛选候选框的阈值，并使用高斯模型降低周围边界框的置信度，进行非极大值抑制，输出目标框，如下式所示:这里bi表示每个类别的预测边界框，Si表示当前框的得分，M是具有最大分数的边界框,Nt表示筛选两个重叠框的阈值，这里取0.3, 表示两个边界框中心的距离损失，c表

2 gt

示两个边界框所组成的最小矩形的对角线距离，ρ(b,b )表示两个边界框中心点的距离。

2.根据权利要求1所述的基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于：所述的步骤5包括以下步骤：步骤5.1：将红外图像测试数据集中的红外图像通过纵横比、缩放操作，将红外图像大小统一设置为416×416×3，然后输入步骤4中训练好的基于改进YOLO v3的红外图像弱小目标检测模型；

步骤5.2：步骤5.1中输入的红外图像经过32个卷积核大小为1×1，步长为2的卷积层，得到对应的第一个下采样的特征图，大小为208×208×32；

步骤5.3：步骤5.2中下采样的特征图经过第一个步长为1的残差模块，得到大小为208×208×16的输出特征图；

步骤5.4：步骤5.3中输出特征图经过多个残差模块进行图像特征的提取，得到不同大小的特征图；

步骤5.5：最后使用1×1的卷积层，通过对步骤5.4中所述的不同大小的特征图进行物体类别、位置和置信度的预测，输出多个目标预测边界框。

3.根据权利要求1所述的基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于：所述步骤1.2包括以下步骤：步骤1.2.1：待处理图片输入到特征提取网络残差模块中，分别经过卷积核大小为1×1和3×3的卷积层，输出特征图F；

步骤1.2.2：在特征图F上引入通道自注意力机制，利用特征之间的通道相关性，生成通道自注意力特征图Mc(F)，如下式所示：Mc(F)＝δ(MLP(AvgPool(F))+MLP(MaxPool(F)))；

其中，Mc(F)表示通道自注意力特征图，δ表示激活函数，MLP是共享网络的多层感知机制，AvgPool(F)表示平均池化操作，MaxPool(F)表示最大池化操作。

4.根据权利要求3所述的基于改进YOLO v3的红外图像弱小目标检测方法，其特征在于：所述步骤1.3包括以下步骤：步骤1.3.1：步骤1.2.2中所述特征图F生成的通道自注意力特征图Mc(F)与特征图F执行加权操作得到加权特征图F1；

步骤1.3.2：对加权特征图F1使用平均池化操作AvgPool(F1)和最大池化操作MaxPool(F1)，生成两个2D的特征图 和步骤1.3.3：对两个2D的特征图 和 通过卷积核大小为7×7的卷积层生成空间注意力特征图Ms(F1)，对需要强调或者抑制的地方进行编码，具体计算如下式所示：

7×7

其中Ms(F1)表示空间自注意力特征图，δ为激活函数，f 代表卷积核大小7×7的卷积操作。