【技术实现步骤摘要】
一种轻量化红外图像行人目标检测方法
[0001]本专利技术涉及红外图像行人目标检测
,尤其涉及一种轻量化红外图像行人目标检测方法。
技术介绍
[0002]红外成像抗干扰能力强、受光线和恶劣天气影响小,探测距离远,适合全天候目标检测,利用红外图像进行目标检测在很多领域具有不可替代的地位。红外图像目标检测算法可分为两类:传统算法和基于深度学习的算法。传统算法通常是根据目标本身灰度值,邻域背景信息等特征来进行检测识别,这些算法选取的特征大多是基于人工的选择,因此在算法设计中考虑的特征参数总是有限的,而深度学习能够通过训练提取数据中深层次的特征,用以目标表征,提升目标检测的鲁棒性。其中单阶段的YOLOv5目标检测模型具有高精度,灵活性,易用性强等特点,应用广泛。但YOLOv5的参数量较多,计算复杂度高,模型训练速度比较慢,部署成本比较高,只有高端图形处理器才能保证其性能。且由于红外行人目标距离远、能量弱、对比度低,分辨率低等问题导致行人目标检测识别率低。
技术实现思路
[0003]本专利技术针对上述
技术介绍
中提到的算法参数量大,计算复杂度高,部署成本高,以及识别率低等问题,提供一种轻量化红外图像行人目标检测方法。
[0004]本专利技术是通过以下技术方案来实现的:
[0005]本专利技术提供的轻量化红外图像行人目标检测方法,包括以下步骤:
[0006]步骤1,构建改进的轻量化YOLOv5网络模型:
[0007]步骤1.1:选择轻量化的骨干特征提取网络MBNet替代YOLO ...
【技术保护点】
【技术特征摘要】
1.一种轻量化红外图像行人目标检测方法,其特征在于,包括以下步骤:步骤1,构建改进的轻量化YOLOv5网络模型:步骤1.1:选择轻量化的骨干特征提取网络MBNet替代YOLOv5的backbone部分;步骤1.2:在CBAM注意力机制中增加LOG滤波器,用于在注意力模块中突出行人边缘特征;步骤1.3:在骨干特征提取网络MBNet中引入增加了LOG滤波器的CBAM注意力机制,用于在骨干特征网络提取过程中加强红外图像行人目标特征的提取;步骤1.4:基于高斯概率密度分布以及指数分布改进损失函数,为图像中各像素点赋予权重,重新设计CIoU损失函数中的IoU部分;步骤2:获取红外图像行人数据集;步骤3:训练改进后的YOLOv5网络模型;步骤4:用训练好的模型进行红外图像中的行人检测。2.根据权利要求1所述的轻量化红外图像行人目标检测方法,其特征在于:步骤1.1所述的MBNet网络由1个CBH模块和11个Hblock基础模块组成,其中,CBH模块包括参数为(1,16,3,2)的卷积层,批归一化以及Hardwish激活函数。3.根据权利要求2所述的轻量化红外图像行人目标检测方法,其特征在于:Hblock基础模块有三种,包括1个Hblock_1模块、2个Hblock_2模块以及8个Hblock_3模块。4.根据权利要求2所述的轻量化红外图像行人目标检测方法,其特征在于:将CBH模块、Hblock_1模块、Hblock_2模块、Hblock_3模块依次连接,组成改进后的yolov5骨干层,即MBNet网络。5.根据权利要求3所述的轻量化红外图像行人目标检测方法,其特征在于:Hblock_1模块由1个卷积核为3*3的DW卷积层,一个改进的CBAM注意力机制以及一个卷积核为1*1的卷积层构成;Hblock_2模块由1个卷积核为1*1的卷积层,1个卷积核为3*3的DW卷积层,以及一个卷积核为1*1的卷积层依次相连构成;Hblock_3模块由1个卷积核为1*1的卷积层,1个卷积核为3*3的DW卷积层,一个改进的CBAM注意力机制,以及一个卷积核为1*1的卷积层构成;在Hblock_1模块、Hblock_2模块、Hblock_3模块中均添加残差结构,并且当且仅当输入与输出特征图的通道数一致时运行。6.根据权利要求1所述的轻量化红外图像行人目标检测方法,其特征在于:步骤1.3中所述的引入增加了LOG滤波器的CBAM注意力机制,分为三个部分,包括以下步骤:步骤1.3.1:使输入的特征图经过CBAM的通道注意力模块得到加权特征图F
′
;步骤1.3.2:通过LOG滤波器,将特征图F
′
与滤波后的图进行融合得到特征图F1;步骤1.3.3:使特征图F1经过CBAM的空间注意力模块得到特征图F2。7.根据权利要求1所述的轻量化红外图像行人目标检测方法,其特征在于:步骤1.4中所述的基于概率密度函数改进的CIoU损失函数,其主要改进的部分为IoU,基于高斯概率密度分布以及指数分布重新设计I...
【专利技术属性】
技术研发人员:张洪昌,胡佳丽,杨康,
申请(专利权)人:武汉理工大学重庆研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。