基于改进YOLO网络的双通道显著性目标识别算法

发布时间：2024-04-22 20:33

　　由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。

【文章页数】：9 页

【部分图文】：

图1YOLO模型检测流程

YOLO网络衍生出许多高效率的改进网络,如YOLO-v1,YOLO-v2,YOLO-v3,YOLO-v3-tiny等[16]。YOLO系列网络的主干网络模型如图1所示。YOLO目标检测方法将输入图像划分为S×S个互补重叠的网格,其中每个网格最多预测K个边界框。每个边界框的特定类....

图2光电系统

现有的光电系统大都如图2所示,集成了电视摄像机和红外热像仪两种探测设备。红外图像可以全天候全天时获取场景图像信息,但由于辐射成像原理的限制,红外图像存在对比度低、细节模糊,目标检测与识别精度低;而可见光图像分辨率高,细节丰富,符合人眼视觉习惯,但容易遭受烟雾、光线、天气的影响[1....

图3双通道显著性目标识别算法

为了有效地利用光电系统不同通道的互补数据,提升目标识别的精度与速度,本文提出了一种双通道显著性目标识别算法,如图3所示。首先利用融合策略获取红外图像与电视图像的融合结果,然后采用显著性检测获取红外图像中的疑似目标区域;最后在融合结果基础上利用改进YOLO网络对疑似区域进行多层次目....

图4训练过程

为了便于分析该模型的识别效果,本实验不使用显著性检测的结果进行训练,而是直接采用YOLO-v3的选取锚点框的方法进行区域选择,然后进行相关的训练。在训练过程中,可以通过绘制损失曲线来直观地观察训练的动态过程。图4显示了本文算法训练期间的平均损失曲线的变换,其中横坐标表示训练迭代次....

本文编号：3962231