一种基于RI-CenterNet的道路红外目标检测方法与流程

本发明涉及计算机视觉目标检测领域，尤其涉及一种基于ri-centernet的道路红外目标检测方法。

背景技术：

1、随着计算机视觉技术的不断进步发展，目标检测作为其基础任务之一，在安全监控和自动驾驶等领域越来越重要，然而，可见光图像需要稳定的成像条件，以确保良好的性能，受光照影响较大，相比之下，红外图像是由探测器接收目标反射的红外线或目标发射的红外线而形成的，红外成像不受光照条件的影响，抗干扰能力强，检测距离远，更能满足复杂环境下的实际需求。

2、近年来，许多研究人员对红外目标检测展开了研究，提出了一种新的红外目标检测框架，该框架通过特征点选择和配准精度预测来提高检测精度，检测过程中借助前一帧的检测信息，作用于当前帧的特征提取，消除目标区域的特征点。一种红外视频小目标检测方法通过建立时空传感器模型来分离图像中的背景和目标信息，利用平均绝对灰度差提出了一种有效的红外目标检测算法，通过定向方法抑制背景噪声，增强目标区域，一种基于导数熵的对比度测量的复杂背景下小目标检测算法，可以有效抑制红外图像中的噪声，增强小目标。但是传统的红外目标检测方法仍存在复杂度高，效率较低精度不够并且适用性低等缺陷。

3、近年来，卷积神经网络的快速发展，利用卷积神经网络能够提取图像更深层、更具表示能力的语义信息，确保了目标识别时减少像素质量的影响且实现了检测结果稳定良好，是最早引入cnn用于目标检测的方法之一，采用选择性搜索方法，提前选择出一系列候选区域，然后仅从这些候选区域提取特征进行判断，faster-rcnn在特征图上选择感兴趣区域，共享网络的主要结构，该方法避免了选择性搜索边界生成方法的复杂性，加快了操作过程，是双阶段目标检测算法的代表，yolo算法是典型的单阶段目标检测算法，认为目标检测是一个回归问题，输入图像经过推理可以实时获得所有目标、类别的位置和相应的置信度，精度相较双阶段检测算法略有降低但检测速度明显提高，提出一种红外目标检测网络，在yolov3引入efficientnet增强特征提取，降低红外图像噪声进行目标检测，在flir红外数据集上取得了良好的效果，ssd算法在传统的基础网络基础上增加了5个卷积层，特征图逐渐缩小。利用两个不同的3×3卷积核对五个特征图的输入进行卷积，改善了对不同尺度的目标检测精度。这些基于锚框的检测算法的复杂度高，计算量大，因此红外图像通常成像背景复杂，环境噪声大，并且由于红外设备工作成像距离远，所以目标尺度变化大，一些小目标仅占图像中的很少像素，这给道路红外目标检测带来了一定的困难。

4、因此，有必要提供一种基于ri-centernet的道路红外目标检测方法解决上述技术问题。

技术实现思路

1、本发明提供一种基于ri-centernet的道路红外目标检测方法，解决了红外图像通常成像背景复杂，环境噪声大，并且由于红外设备工作成像距离远，所以目标尺度变化大，一些小目标仅占图像中的很少像素，这给道路红外目标检测带来了一定的困难的问题。

2、为解决上述技术问题，本发明提供的一种基于ri-centernet的道路红外目标检测方法，包括以下步骤：

3、s1：引入了一种扩展残差u型网进行降噪处理，经过drunet去噪器降噪处理得到信噪比更高的图像，采用具有通道注意力机制的efficientnetv2代替传统结构作为骨干网络，增强特征提取，同时，结合特征金字塔和sub-pixel结构进行多尺度特征融合，提升对不同尺度目标的检测能力，采用数据增强技术提高模型性能；

4、s2：efficientnetv2通过复合系数统一缩放模型的深度、宽度和图像分辨率大小以达到更高的精度和效率；

5、s3：使用se注意力学习不同通道重要性，从而提高网络的特征表示能力；

6、s4：网络学习的不同层次的语义信息分别输入到spfpn中，spfpn使用sub-pixel进行上采样得到高分辨率特征图，进行自顶向下和横向连接实现特征融合，以生成高分辨率强语义特征映射，提高小目标的检测性能；

7、s5：最后利用centerhead模块进行热力图预测，该模块由heatmap、width-height以及offset三个预测分支组成，每个分支由一个3×3和一个1×1的卷积层组成，centerhead将目标检测问题转换成中心点预测问题，用目标的中心点来表示该目标，并通过预测目标中心点的偏移量与宽高来获取目标的矩形框，得到最终检测结果。

8、与相关技术相比较，本发明提供的一种基于ri-centernet的道路红外目标检测方法具有如下有益效果：

9、本发明提供一种基于ri-centernet的道路红外目标检测方法，通过选择其他先进的目标检测模型包括yolov4、retinanet、mask r-cnn和efficientdet在flir数据集上进行训练与我们的ri-centernet模型进行对比，各模型的precision、recall、f1 score和map值如图所示，由表可以看出ri-centernet模型具有最高的检测精度，各评价指标均最高，各模型的总参数量和检测速度如图所示，ri-centernet骨干网络仍保持着较低的参数量，且由于ri-centernet仅仅提取每个目标的中心点，无需对关键点进行grouping或者是后处理，因此ri-centernet在各模型中仍保持着较快的检测速度，ri-centernet在各网络中具有最好的检测性能。

技术特征：

1.一种基于ri-centernet的道路红外目标检测方法，其特征在于，包括以下步骤：

技术总结
本发明提供一种基于RI‑CenterNet的道路红外目标检测方法，总体设计分为图像降噪、特征提取、特征融合以及推理预测四个步骤，采用数据增强技术提高模型性能，实验结果表明，该模型对Flir红外数据集的平均检测精度为87.9％，平均检测速度达到14.2帧/s，RI‑CenterNet仅仅提取每个目标的中心点，无需对关键点进行grouping或者是后处理，因此RI‑CenterNet在各模型中仍保持着较快的检测速度，RI‑CenterNet在各网络中具有最好的检测性能。

技术研发人员：郭锐,樊轶,黄波,敖乃翔,李献伟,梁佳雨,李祥,荆帅
受保护的技术使用者：中电科电科院科技集团有限公司
技术研发日：
技术公布日：2024/1/16