江苏科技大学自动化学院, 江苏 镇江 212000
针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取, 难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求, 提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层, 以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构, 提高模型的检测精度, 同时对YOLOv5目标检测网络的损失函数进行改进, 从而达到进一步提高模型准确率的目的。验证结果表明, 改进后的YOLOv5算法训练出来的模型, 检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升, 其中平均精度均值(mAP)可达94.65%。该模型经过验证, 既能满足检测的实时性要求, 又能保证高精度。
船舶 红外目标检测 Reasoning层 损失函数 ship infrared target detection YOLOv5 YOLOv5 Reasoning layer loss function
1 光电控制技术重点实验室, 河南 洛阳 471000
2 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
提出一种基于稀疏约束的神经网络模型和完备的矩特征集, 用于提高红外弱小目标检测性能。传统的神经网络分类模型往往采用SoftMax,Logistic回归等激活函数, 而本文设计更为简单的符号函数作为分类层激活函数, 并通过逐步回归的方式实现对参数的求解。同时,为了降低计算复杂度、提高算法性能, 目标函数加入了范数约束使得参数具有一致性并使其稀疏化。实验结果显示, 所提算法相比传统的方法性能更好, 且能够达到实时处理要求。
红外目标检测 稀疏约束 神经网络 infrared target detection sparsity constraint neural network
1 重庆城市职业学院，信息与智能制造学院，重庆永川402160
2 重庆邮电大学软件工程学院，重庆南岸区400065
为了准确地从复杂干扰背景下检测出真实弱小目标，本文引入视觉显著性，设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异，引入快速光谱尺度空间与阈值分割技术，设计视觉显著性机制，对红外图像完成处理，输出全局显著性映射，以高效过滤干扰背景内容。考虑目标与背景的局部特征差异，构建自适应局部对比度增强机制，对粗检测结果实施处理，获取对应的局部显著性映射，改善视觉显著性区域内目标的对比度。引入高斯差分理论，通过估算每一帧红外图像中的目标像素直径，形成动态管道滤波，充分消除虚警，准确识别出弱小目标。多组实验数据显示：较已有的红外目标检测技术而言，在各种不同的复杂背景干扰下，所提算法呈现出更好的检测能力，拥有更理想的接收机工作特性(ROC) 曲线。
红外目标检测 光谱尺度空间 显著性映射 自适应局部对比度 高斯差分 动态管道滤波 infrared target detection spectral scale space saliency mapping adaptive local contrast Gaussian difference dynamic pipeline filtering 太赫兹科学与电子信息学报
2022, 20(4): 346
红外与激光工程
2022, 51(4): 20210290
光子学报
2021, 50(11): 1110001
火箭军工程大学 导弹工程学院，陕西 西安 710025
针对红外图像相比于RGB图像纹理较少的特性，提出一种使用Lp归一化权重的红外目标检测网络压缩方法，旨在改进基于卷积神经网络的目标检测方法对红外图像场景的适应性，在压缩网络规模的同时提升其泛化能力。首先阐述了Lp归一化权重的稀疏性可以通过调节p进行精确控制这一现象。基于该现象，提出了一种目标检测网络稀疏化训练方法。该方法分别使用Lp球面梯度下降与经典梯度下降训练主干网络和检测器，以平衡网络规模与拟合精度。仿真红外数据集测试结果表明，其在网络规模和目标检测精度方面均优于稠密模型：在网络规模上，稀疏化方法将Faster R-CNN、(Single Shot multibox Detector，SSD)与YOLOv3的有效参数分别减少了52%、78%和66%；在检测精度上，稀疏化方法将Faster R-CNN、SSD和YOLOv3的(mean Average Precision, mAP)分别提高了0.1%、0.3%和0.2%，验证了所提出方法的有效性。
红外目标检测 稀疏神经网络 Lp归一化 受约束梯度下降 infrared object detection sparse neural network Lp normalization constrained gradient descent 红外与激光工程
2021, 50(8): 20200510
火箭军工程大学 导弹工程学院，陕西 西安 710025
针对红外数据集规模小，标记样本少的特点，提出了一种红外目标检测网络的半监督迁移学习方法，主要用于提高目标检测网络在小样本红外数据集上的训练效率和泛化能力，提高深度学习模型在训练样本较少的红外目标检测等场景当中的适应性。文中首先阐述了在标注样本较少时无标注样本对提高模型泛化能力、抑制过拟合方面的作用。然后提出了红外目标检测网络的半监督迁移学习流程：在大量的RGB图像数据集中训练预训练模型，后使用少量的有标注红外图像和无标注红外图像对网络进行半监督学习调优。另外，文中提出了一种特征相似度加权的伪监督损失函数，使用同一批次样本的预测结果相互作为标注，以充分利用无标注图像内相似目标的特征分布信息；为降低半监督训练的计算量，在伪监督损失函数的计算中，各目标仅将其特征向量邻域范围内的预测目标作为伪标注。实验结果表明，文中方法所训练的目标检测网络的测试准确率高于监督迁移学习所获得的网络，其在Faster R-CNN上实现了1.1%的提升，而在YOLO-v3上实现了4.8%的显著提升，验证了所提出方法的有效性。
红外目标检测 半监督学习 迁移学习 伪监督损失函数 infrared object detection semi-supervised learning transfer learning pseudo-supervised loss function 红外与激光工程
2021, 50(3): 20200511
成都理工大学信息科学与技术学院, 四川成都 610059
车载热成像系统不依赖光源, 对天气状况不敏感, 探测距离远, 对夜间行车有很大辅助作用, 热成像自动目标检测对夜间智能驾驶具有重要意义。车载热成像系统所采集的红外图像相比可见光图像具有分辨率低, 远距离小目标细节模糊的特点, 且热成像目标检测方法需考虑车辆移动速度所要求的算法实时性以及车载嵌入式平台的计算能力。针对以上问题, 本文提出了一种针对热成像系统的增强型轻量级红外目标检测网络(Infrared YOLO, I-YOLO), 该网络采用(Tiny you only look once, Tiny-YOLO V3)的基础结构, 根据红外图像特点, 提取浅层卷积层特征, 提高红外小目标检测能力, 使用单通道卷积核, 降低运算量, 检测部分使用基于 CenterNet结构的检测方式以降低误检测率, 提高检测速度。经实际测试, Enhanced Tiny-YOLO目标检测网络在热成像目标检测方面, 平均检测率可达 91%, 检测平均速度达到 81Fps, 训练模型权重 96MB, 适宜于车载嵌入式系统上部署。
车载热成像系统 夜间智能驾驶 I-YOLO红外目标检测网络 CenterNet结构 车载嵌入式平台 vehicle thermal imaging system, night intelligent
1 中国科学院光束控制重点实验室，四川 成都 610209
2 中国科学院光电技术研究所，四川 成都 610209
3 中国科学院大学，北京 100049
主流的目标检测网络在高质量RGB图像上的目标检测能力突出，但应用于分辨率低的红外图像上时目标检测性能则有比较明显的下降。为了提高复杂场景下的红外目标检测识别能力，本文采用了以下措施：第一、借鉴领域自适应的方法，采用合适的红外图像预处理手段，使红外图像更接近RGB图像，从而可以应用主流的目标检测网络进一步提高检测精度。第二、采用单阶段目标检测网络YOLOv3作为基础网络，并用GIOU损失函数代替原有的MSE损失函数。经实验验证，该算法在公开红外数据集FLIR上检测的准确率提升明显。第三、针对FLIR数据集存在的目标尺寸跨度大的问题，借鉴空间金字塔思想，加入SPP模块，丰富特征图的表达能力，扩大特征图的感受野。实验表明，所采用的方法可以进一步提高目标检测的精度。
红外目标检测 深度学习 复杂场景 infrared target detection deep learning complex scenario
1 中国科学院物联网研究发展中心, 江苏无锡 214135
2 中国科学院大学, 北京 100049
3 中国科学院微电子研究所, 北京 100029
红外成像在军民监控领域广泛应用, 红外自动目标检测能减少人工参与, 有效提高效率。本文实现了基于 FPGA的红外目标检测系统, 首先对系统的硬件资源需求进行评估, 并设计了以 FPGA为核心处理器的系统硬件平台。其次, 开发了基于 FPGA的红外目标自动检测处理流程, 经过两点校正与盲元补偿等预处理后的红外图像信号, 通过混合高斯背景建模的方法建立背景模型, 自动检测前景目标, 再将目标区域周围高亮标识出来。实测结果表明, 该系统可有效检测出高亮背景下的红外目标。
红外目标检测 混合高斯模型 背景建模 IR target detection, Gaussian mixture model, backg FPGA
