融合GPNet与图像多尺度特性的红外-可见光道路目标检测优化方法

为提高道路交通安全领域中的道路目标检测的精度,本文借鉴图像融合技术中多尺度特征图像融合思想,融合和GPNet中Ghost瓶颈模块,实现了融合质量和较小算法复杂度的平衡,建立了一种红外和可见光融合及目标检测网络。网络分为选择性图像融合模块、轻量化目标检测模块和融合质量及检测精度判别网络3个部分。在白天、夜间和特殊天气(雨、雾等)下,平均车速30~40 km/h的城市工况下进行3组试验作为数据集,实验结果表明:平均梯度最高提升5.64881、交叉熵提升了0.93668、边缘强度提升了56.9457、信息熵提升了0.925208781、互信息提升了1.000548571、峰值信噪比提升了3.053893252、Qab提升了0.342882208、Qcb提升了0.20898381以及均方误差降低0.08。轻量化目标检测网络输出的AP、mAP和Recall均为最优水平,验证了红外和可见光技术应用在道路障碍物检测方面的优势。