论文部分内容阅读
随着计算机视觉的不断发展,目标检测作为该领域最热门的研究方法之一,无论是在可见光还是红外场景,在众多领域都有着非常广泛的应用,如军事侦查、无人驾驶和智能监控等。目前可见光条件下使用基于深度学习的目标检测算法已经取得了突飞猛进的发展,而红外场景下大多数仍然使用传统的方法,这种不均衡的现象使得红外场景下的目标检测发展十分有限。相比可见光,红外图像中缺少颜色、纹理等特征,通常红外目标轮廓较为模糊,对比度低,还易受到噪声的干扰,导致检测效果较差。而基于深度学习的方法具有强大的特征学习能力以及较高的检测精度,并且为了能够落实到实际应用中,也需要对速度上进行优化。因此,本文基于深度学习检测算法YOLOv3,针对红外场景下的地面目标如车辆和行人等进行实时目标检测,并提出一系列改进策略,本文的主要贡献在于:(1)为了进一步提高深度学习算法的检测速度,在轻量级网络MobileNet的基础上,提出了一种改进的轻量级算法基础网络LMobileNet。首先,对于深度可分离卷积,通过通道压缩和分组卷积降低模块的参数和计算量,同时由于分组卷积会阻碍特征通道间的信息交流,引入了一种改进的通道混洗方法IShuffle,再结合残差结构提高网络的泛化能力,组合构建了RLDWS模块。最后,使用RLDWS模块构成了一个更加轻量级的网络LMobileNet。实验表明,改进网络的分类精度提升了3.83%,而参数量和计算量只有原来的31.7%和52.6%,并且与其他轻量级网络相比也有一定的优势。(2)针对YOLOv3算法在红外场景下出现的多尺度目标的漏检和定位不准确问题,提出了一种改进的红外目标检测算法LYOLOv3。首先与(1)中改进的算法基础网络进行结合,代替了原有的darknet-53基础网络,提高算法检测速度。然后通过引入一种改进的特征融合方式IFPN来增加对浅层特征的应用,提升小目标的检测效果,并且在GIOU损失函数的基础上改进提出了DGIOU损失函数,来改进定位不够准确的问题。实验表明,改进算法在检测精度上提升了5.2%,且能保持52.5帧每秒的速度,有效提高了在红外场景下的检测性能。(3)基于英伟达公司的Jetson TX2平台,对改进的LYOLOv3算法进行了实现和优化。先构建了红外数据集,然后根据系统需求设计了自动化测试软件,接着在TX2平台对算法进行针对性的优化,最后通过测试展示了该系统的实用价值。