一种轻量化红外图像行人目标检测方法技术

本发明专利技术公开了一种轻量化红外图像行人目标检测方法，该方法包括以下步骤：步骤1，构建改进的轻量化YOLOv5网络模型；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。本发明专利技术可以提高模型训练速度，降低了模型部署成本，增加检测的准确率，更好的学习鲁棒性和可辨别性特征，并且提高了检测精度。度。度。

【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YOLOv5的backbone部分；
[0008]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；
[0009]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；
[0010]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；
[0011]步骤2：获取红外图像行人数据集；
[0012]步骤3：训练改进后的YOLOv5网络模型；
[0013]步骤4：用训练好的模型进行红外图像中的行人检测；
[0014]上述方法中，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。
[0015]上述方法中，所述的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。
[0016]上述方法中，所述的将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。
[0017]上述方法中，所述的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。此外，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。
[0018]上述方法中，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：
[0019]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
′
；
[0020]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；
[0021]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。
[0022]上述方法中，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IoU部分，具体步骤如下：
[0023]步骤1.4.1：建立图像概率分布模型，建立一个以图像左上角为原点的坐标系模型，其中纵轴方向以向下为正，并将长和宽归一化到坐标(0，1)上，其中y坐标在(0，0.5)范围内采用指数分布函数，在(0.5，1)范围采用高斯概率密度分布函数；
[0024]步骤1.4.2：通过多次对比实验，本文取高斯概率分布模型的均值为0.5，方差为0.3，指数分布的期望为1.33，得到概率分布模型f(y)如公式(1
‑
1)所示。
[0025][0026]式中：y
c
为行人分布在纵轴方向上的坐标均值，σ为方差，λ指数系数，y为行人分布坐标，即行人所占像素区域在纵轴方向上的每行像素坐标；
[0027]步骤1.4.3：对于一张图像，利用得到的概率密度分布模型f(y)，对其在上下限进行积分，以得到每行像素的权重；
[0028]步骤1.4.4：在预测框和真实框中每行像素权重上，分别乘上该行面积再求和，得到公式1
‑
2、1
‑
3、1
‑
4所示预测框和真实框加权面积A
′
和B
′
以及IoU
′
，包括：
[0029][0030][0031][0032]其中，A，B分别为预测框和真实框的面积；n1为预测框中像素的行数，n2为真实框中像素的行数；A
′
为改进后的预测框加权面积，B
′
为改进后的真实框的加权面积；y
i
为第i行像素的坐标；f(y)为概率分布函数值；IoU
′
为改进的预测框和真实框相交部分面积与相并部分面积的比值，也称交并比；
[0033]步骤1.4.5：改进的损失函数以公式1
‑
5表示：
[0034][0035]其中，b，b
gt
分别表示预测框和真实框的中心点，ρ表示两个矩形框之间的欧氏距离，c表示两个矩形框的闭包区域的对角线的距离；ω
gt
和h
gt
表示真实框的宽和高，ω和h表示预测框的宽和高；υ为预测框和真实框的宽高比相似度；α为υ的影响因子；IoU
′
为改进的预测框和真实框相交部分面积与相并部分面积的比值，也称交并比。
[0036]上述方法中，可以采用公开的数据集KAIST，以6：2：2划分训练集验证集和测试集，并进行数据清洗和Mosaic数据增强。
[0037]上述方法中，训练改进的YOLOv5网络模型时，设置训练参数，利用本文档来自技高网...

【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：