基于YOLO算法的红外图像目标检测的改进方法

2021-01-14 09:22:48刘智嘉赵金博夏寅辉高旭辉
激光与红外 2020年12期
关键词:特征检测模型

刘智嘉,汪 璇,赵金博,夏寅辉,高旭辉

(1.北京波谱华光科技有限公司,北京 100015;2.湖北大学知行学院 计算机与信息工程学院,湖北 武汉 430011)

1 引 言

红外热成像指利用光电技术捕捉和检测物体热辐射的信号,并将这些信号转换成为人类视觉可感知和接收的图形或图像,因此,红外热像仪可以在完全黑暗、强光照射、浓烟、雾霾以及不大于中雨的条件下对周围环境及探测目标成像,能够极大地弥补可见光成像受光照条件制约的不足,满足全时段、全天候观测的需要。国防及安全应用中对红外图像中出现的特定目标进行监测是核心任务之一,如对机场、监狱、以及军事管制区域进行24 h监控;边境检查站和巡逻监控;车辆辅助驾驶系统中的行人监测等。红外热成像能够满足上述领域对全天候、全时段成像的需求。传统的红外图像目标检测算法是利用人工设计行人比例模板,通过人工设计的目标轮廓提取方法对图像中目标轮廓进行特征提取并与比例模板进行比对,对图像中的目标进行判断和定位,主要的传统检测方法有:梯度直方图(Histogram of Oriented Gradient,HOG[1])算法、局部二值模式(Local Binary Patterns,LBP[2])特征算法、尺度不变特征(Scale Invariant Feature Transform,SIFT[3-4])检测算法及哈尔特征(Haar-like Features[5])算法等。特征提取方法和比例模板的设计对设计人员的经验和专业知识要求较高,且应用场景单一,泛化能力较弱。

基于深度学习的目标检测算法的基本原理是利用大量卷积运算实现检测算法自主对图像中目标的特征进行抽象和提取,并对提取到的特征进行拼接和总结来获得更多特征,提升对目标检测准确率。……

登录APP查看全文

猜你喜欢
特征检测模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
3D打印中的模型分割与打包
小波变换在PCB缺陷检测中的应用
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15