应用于嵌入式平台的实时红外行人检测方法

发布时间：2024-03-10 11:38

　　现有基于深度学习的远红外图像行人检测方法对计算力要求高,需要高功耗GPU计算平台,应用于嵌入式平台时,无法满足实时性和准确率需求。针对该问题,本文提出了一种新型实时红外行人检测方法,该方法使用MobileNet作为YOLOv3模型中的基础网络,辅助预测网络层以深度可分离卷积替换标准卷积,将模型改进为轻量红外行人检测模型。基于新方法构建的模型采用CVC红外行人训练集离线训练,并部署于嵌入式平台,实现红外行人在线实时检测。实验结果表明,与改进前方法相比,模型大小为65 M,约为YOLOv3的27%,新模型在基本保证原有准确率的同时,大幅降低了计算量,在同一平台下的检测速度从3FPS提升到了11FPS,可满足大部分嵌入式系统对行人检测的实时性需求。

【文章页数】：7 页

【部分图文】：

图1深度可分离卷积运算

当选取的Dk=3时,计算量大概为标准卷积的1/9,计算示意图如图2所示。图2中,a为标准卷积,b为深度可分离卷积,在深度卷积和逐点卷积之后都跟有一个BN和ReLU运算,标准卷积和深度可分离卷积运算之后的特征图尺寸和维度都相同。图2Dk=3时标准卷积和DW卷积计算对比图

图2Dk=3时标准卷积和DW卷积计算对比图

图1深度可分离卷积运算基于上述内容和红外图像的特点,我们结合改进后的深度卷积结构对YOLOv3模型主要进行了以下改进:

图5模型CVC测试集效果图

从模型的测试结果可以看出,本文所提出的模型,在检测准确率和召回率上比YOLO-Tiny好很多,但是和YOLOv3相比的话,准确率和召回率有一些差距。主要原因是在网络的深度上进行了网络模型的压缩,基础网络由原来的53层网络变成了28层的网络,压缩了网络的深度和参数造成部分精度损失。....

图3本文提出的红外行人检测网络结构示意图

模型的原始图片输入尺寸是320×320,在网络前向传播中,提取出三个通道的特征图输入到预测网络,其特征图尺寸为40×40×256、20×20×512和10×10×1024,图3所示的网络结构中,通过跳跃连接的两个特征图具有相同的尺度,两处的特征图的跳跃连接分别是20×20大小的尺....

本文编号：3924733