显著性背景感知的多尺度红外行人检测方法

发布时间：2021-07-19 14:41

　　超大视场（U-FOV）红外成像系统探测范围大、不受光照限制,但存在尺度多样、小目标丰富的特点。为此该文提出一种具备背景感知能力的多尺度红外行人检测方法,在提高小目标检测性能的同时,减少冗余计算。首先,构建了4尺度的特征金字塔网络分别独立预测目标,补充高分辨率细节特征。其次,在特征金字塔结构的横向连接中融入注意力模块,产生显著性特征,抑制不相关区域的特征响应、突出图像局部目标特征。最后,在显著性系数的基础上构建了锚框掩膜生成子网络,约束锚框位置,排除平坦背景,提高处理效率。实验结果表明,显著性生成子网络仅增加5.94%的处理时间,具备轻量特性;超大视场（U-FOV）红外行人数据集上的识别准确率达到了93.20%,比YOLOv3高了26.49%;锚框约束策略能节约处理时间18.05%。重构模型具有轻量性和高准确性,适合于检测超大视场中的多尺度红外目标。 

【文章来源】：电子与信息学报. 2020,42(10)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

超大视场红外图像行人特性

在8×8左右。然而由图1(b)可知，即使在分辨率为800×600的原始图像中都存在小于该理论尺度的目标，因此，需要进一步增大可用于预测目标的特征图分辨率。基于这一考虑，本文重新设计了目标检测网络，增加了一组更低层高分辨率的特征图预测目标，并将其融入到特征金字塔结构中，形成了四尺度的目标预测网络，可以进一步提高小尺度目标的检测精度。训练时，将的预测结果送入损失层中计算损失[15]，指导网络参数调整；检测时，直接在上独立预测目标，得到并整合四个尺度上的检测结果，实现优势互补。图2多尺度红外行人检测网络结构2526电子与信息学报第42卷

1，黑色区域值为0，那么仅在白色区域确定锚点，产生目标候选边框，忽略黑色区域，可以达到缩减冗余边框、提高执行效率的目的，同时保证目标检测性能。图6是生成锚框掩膜各阶段的处理结果及其对应于原图像中的位置。输入图像经显著性生成子网络处理后生成的显著性系数对应图中的第2列的sa-lientmaps。显著性系数图有两个作用：一是直接与深度卷积特征相乘得到显著性特征；二是用于生成锚框掩膜，减少预测边框数量。将介于0～1之间的显著性系数图展开到了0～255之间，二值化阈值图3注意力模块结构图4显著性特征与卷积特征融合方法第10期赵斌等：显著性背景感知的多尺度红外行人检测方法2527

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的遥感图像飞机目标检测方法[J]. 郭智,宋萍,张义,闫梦龙,孙显,孙皓.  电子与信息学报. 2018(11)
[2]面向显著性目标检测的SSD改进模型[J]. 余春艳,徐小丹,钟诗俊.  电子与信息学报. 2018(11)
[3]改进的YOLOv3红外视频图像行人检测算法[J]. 王殿伟,何衍辉,李大湘,刘颖,许志杰,王晶.  西安邮电大学学报. 2018(04)
[4]基于改进Fast R-CNN的红外图像行人检测研究[J]. 车凯,向郑涛,陈宇峰,吕坚,周云.  红外技术. 2018(06)
[5]基于人眼视觉的红外图像增强算法研究[J]. 王晨,汤心溢,高思莉.  激光与红外. 2017(01)



本文编号：3290882