一种基于YOLOv5s的红外图像目标检测改进算法.pdf
《一种基于YOLOv5s的红外图像目标检测改进算法.pdf》由会员分享,可在线阅读,更多相关《一种基于YOLOv5s的红外图像目标检测改进算法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期 激 光 与 红 外 ,年 月 ,文章编号:()红外技术及应用一种基于 的红外图像目标检测改进算法李晓佩,张寅宝,李严培,姚芸星(郑州大学南校地球学与技术学院,河南 郑州 )摘要:受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在 的基础上提出一种改进算法:在数据处理方面,使用 算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制 、改进损失函数 为 对 进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车
2、驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了 ,比 的检测精度提高了 ;对载人驾驶电动自行车行为检测的平均精度达到了 ,比 的检测精度提高了 ;总类别检测的平均精度达到了 ,比 的检测精度提高了 ,有效降低了红外目标漏检、误检的概率。关键词:;红外目标检测;跨域迁移学习;中图分类号:;文献标识码:作者简介:李晓佩(),女,硕士研究生,研究方向为深度学习,图像处理。通讯作者:张寅宝(),男,副教授,硕士生导师,主要研究方向为目标检测,图像处理。:收稿日期:,(,):,;,;,;,:;引言根据中国统计年鉴,年全国非机动车交通事故量共有 起,造成 人死亡,
3、人受伤,直接财产损失达到了 万元。电动自行车作为非机动车的典型代表,数量庞大、不易制定规范、事故发生率高,朱新宇等 根据相关数据分析,年驾驶电动自行车肇事死亡人数增长了 ,其中乘坐者死亡人数达到了电动车总体死亡人数的 以上。夜间光照条件不良的情况下,电动自行车驾驶人员对周围环境的感知能力降低,更易引发交通事故。因此,采用红外图像对夜间电动自行车驾驶行为检测具有现实意义。传统非机动车检测主要是人工提取图像中的颜色、形状等特征,然后通过支持向量机、等分类器识别 。近几年随着深度学习的发展,现代目标检测算法成为非机动车检测识别的主流方法,有效克服了传统非机动车检测方法中人工构建特征不全、非机动车外观
4、多变、鲁棒性低、窗口冗余等问题,一般分为 目标检测算法和 目标检测算法 两类。作为典型的 目标检测算法近些年来被广泛应用于红外目标检测 中,本文将 应用于夜间交通场景下电动自行车驾驶行为检测,分别在数据预处理阶段和 模型本身两个方面进行改进,最后通过消融实验的方式验证了改进算法的有效性。改进算法使用 实现夜间道路环境下电动自行车驾驶行为检测的方法主要包括三个步骤:数据预处理、网络训练和检测结果输出。在数据预处理阶段包括数据采集、筛选图像、数据划分和数据集制作四个步骤,本文在数据预处理中增加部分数据增强步骤,目的在于改善由红外成像方式引起的图像质量不高、目标边界模糊造成的检测精度下降问题,针对图
5、像中含有目标类别选择增强算法,起到丰富目标特征、提升检测精度的效果。在网络训练阶段选用 模型,该算法主要包括四个部分:、。在 中引入跨域迁移学习策略,用于解决使用小样本数据集对网络进行训练造成的模型不稳定问题;在网络的主干部分 中添加基于通道注意力机制的 模块,用于解决由于目标尺度和姿态多样性造成的部分目标漏检、误检问题。在 中使用 替换原来的 ,提升模型的检测速度、检测精度。本文流程如图 所示。图 本文流程图 最后输出两个类别的检测结果:单人驾驶电动自行车行为,以下统称为类别一;载人驾驶电动自行车行为,以下统称为类别二。数据处理改进在夜间环境下,热红外成像方式具有不受光照条件制约的优势,但受
6、设备性能的影响,红外图像相较于可见光图像存在分辨率低、目标边缘模糊的缺点,从而造成使用 在红外图像上进行检测时精度不高。为解决这一问题,本文选取了两种算法:自适应直方图均衡(,)、限制对比度自适应直方图均衡(,)方法对图像进行增强。两种方法的增强效果如图 所示。图 增强效果对比图 在交通场景下的红外图像中,成像范围内环境温度变化较小,图像整体表现为对比度低。驾驶电动自行车行为目标在图像中表现为亮部少、暗部多激 光 与 红 外 第 卷的一种轮廓形态,电动自行车的车体部分温度接近环境温度,在图像中表现为亮度低,其中车轮部分在运动过程中温度较高,在图像中表现为一个亮度较高的环形轮廓,驾驶人和乘坐人与
7、环境温度相差较大,在图像中表现为亮度高,两类目标中类别二的亮部区域多于类别一。普通的直方图均衡化算法对图像中全部像素使用相同的直方图进行变换,图像中较亮和较暗区域对比度得不到有效提升。算法对每个像素的周边矩形范围内的像素做直方图均衡化处理,增强后的图像表现为亮部更强暗部更暗,通过提升局部特征的对比度来提升整幅图像的对比度,同时放大图像中的噪声;算法能够有效地抑制 算法产生的噪声,但同时也降低了图像的对比度,不利于网络训练。对比使用 算法和 算法增强后数据集与未使用算法增强的数据集的训练结果发现,使用 算法增强后的数据集中类别二的训练精度有明显上升,类别一的训练精度略有下降;使用 算法增强后的数
8、据集中类别一、类别二的训练精度均略有下降。基于此,提出一种数据集数据处理改进方法 部分数据增强方法,首先对数据集中每幅图像所含的目标类别进行统计,然后根据图像中所含目标类别选择增强算法,对含有类别一的图像做自适应直方图均衡化()处理,对含有类别二的图像不做处理,同时含有类别一、类别二的图像不做处理。模型改进 模型(版本)主要包括个部分:部分,主要包括图像的自适应缩放,数据增强。网络的主干部分 ,通过特征提取网络对特征信息进行提取。部分,主要包括 结构,用以连接网络的 和 部分。部分,包括多尺度预测,在三个尺度(,)上对输出目标框、标签类别进行预测,边界框损失函数采用 提升预测框的回归速度和精度
9、,使用 激活函数进行平滑以便求导。本文在 部分通过预加载权重的方式引入跨域迁移学习策略,降低目标检测任务对硬件设备的依赖性,同时迁移学习可见光图像训练所得网络的边缘概率和网络参数,提高使用小样本红外数据集对网络训练的精度;在 部分插入基于通道注意力机制的 模块,改善目标间互相遮挡造成的漏检、误检的问题;在 部分使用 替换 ,提升网络梯度更新速度、增加高 锚框的输出数量。改进后的网络结构如图 所示。图 改进后 网络结构 跨域迁移学习在目标检测任务中,往往需要大量的图像数据对模型进行训练以提高精度。受硬件设备的约束以及人工标注成本制约,用于模型训练的数据集较小时,会导致训练得到的模型检测精度低、泛
10、化能力不强。针对这一问题,冯毅雄等 提出一种集成迁移学习的轴件表面缺陷实时检测方法,解决了小样本和实时检测效率低的问题;蒋文萍等 采取多重迁移学习的方法通过对 张图片的火灾数据集训练得到火灾探测模型,得到了较好的目标精度;王卓 等使用跨域迁移与域内迁移学习相结合的学习策略解决了苹果数据集样本量小的问题。基于前人的研究,为了降低目标检测任务对硬件设备的依赖和人工标注成本,针对红外目标的检测,本文在 模型的基础上提出一种基于小样本数据集的跨域迁移学习策略,即在 的 部分预加载 数据集的训练权重进行训练。跨域迁移学习策略如图 所示。跨域迁移学习就是从大数据集样本、多种类(类)目标训练得到的用于可见光
11、图像目标检测的网络权重,应用于小样本数据集、较少种类(类)目标训练的红外目标检测任务中进行再训练。从目激 光 与 红 外 李晓佩等一种基于 的红外图像目标检测改进算法标种类丰富、样本量大的数据集训练得到的用于可见光图像目标检测的模型中学习其特征空间、边缘概率和网络参数,进而提升 应用于小样本红外数据集训练的泛化能力和检测精度。图 跨域迁移学习策略图 模块在交通场景下,道路环境复杂,目标物体之间、目标物体与其他物体之间不可避免的会出现互相遮挡的情况,造成可用检测特征减少,从而导致漏检、误检,检测精度下降问题。为解决检测特征减少造成的检测精度下降问题,本文在 部分特征提取网络中的 层和全连接层之间
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 基于 YOLOv5s 红外 图像 目标 检测 改进 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。