基于改进RepVGG和增强时空注意力机制的红外车辆目标检测算法

针对复杂场景下传统红外车辆目标检测算法精度不佳、计算量大等问题,提出基于改进RepVGG(Re-parameterization Visual Geometry Group)和增强时空注意力机制(Enhanced Spatial Temporal Attention Mechanism,ESTAM)的红外车辆目标检测算法。以YOLOv8n(You Only Look Once v8 nano)模型为基础,在骨干网络和颈部网络引入C2fRepVGG(CSP Bottleneck with 2 Re-parameterization Visual Geometry Group)模块,保证检测精度且减少模型参数量。在骨干网络尾部添加增强时空注意力机制模块,优化红外车辆目标特征表达。使用Wise-IOU损失函数(Wise-IOU Loss)代替CIOU损失函数(Complete IOU Loss),减少训练过程中模型对于低质量锚框产生的有害梯度。实验结果表明,提出的算法在红外车辆数据集中检测精度和计算复杂度相较于其他算法均具有比较优势,该模型的平均检测精度达到94.4%,参数量为2.85×10^(6),浮点计算量为7.4×10^(9),能够对复杂场景下的红外车辆目标实现高精度检测。

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。

红外车辆检测中的深度特征处理技术综述

卷积神经网络提取到的深度特征对红外车辆目标有较强的表征能力,使红外车辆检测在精度和性能方面取得了显著成果。为满足红外车辆检测的各类现实需求,目标深度特征的处理已成为该领域的研究重点和热点。文章基于卷积神经网络在红外车辆检测中的应用,分析讨论了联合运用和多角度融合深度特征的丰富化技术以及引入注意力机制的突出化技术。丰富化处理增补可用红外车辆目标信息,改善复杂场景下红外车辆目标的检测性能;突出化处理增加有效目标特征权重,缓解红外图像目标信息的不足,使得红外车辆图像特征表达得以增强。因此,面向日趋复杂的红外车辆应用场景,更多维度和种类深度特征融合的联合应用以及更轻量化的突出化技术将成为未来红外车辆目标检测中特征处理的主要趋势。

基于遗传算法的红外车辆目标模糊增强

由于红外车辆目标在成像过程中存在许多不确定性即模糊性,针对红外图像的模糊性将模糊理论应用于红外图像增强处理,本文提出了一种新的基于模糊理论的图像质量测量函数,把它作为遗传算法的适应度函数对非完全Beta函数的α和β参数进行自适应动态调节来拟合几种典型的灰度变换曲线,实现了感兴趣区域红外车辆目标的自适应模糊增强。实验结果表明了该方法的合理性和有效性,在性能上优于传统的图像增强技术和现有的一些同类增强技术,具有较高的自适应性和智能性。

基于红外车辆目标识别方法的研究

红外车辆目标识别是战场探测系统中的关键技术,近年来引起国内外人们很大的关注。文章根据红外目标识别的特点,在红外目标的对比度增强、自动分割、特征提取、目标识别等方面,进行了研究。

基于改进Shuffle-RetinaNet的红外车辆检测算法

针对当前红外场景下多尺度车辆检测精度欠佳且算法模型复杂度高的问题,提出了基于Shuffle-RetinaNet的红外车辆检测算法。该算法以RetinaNet网络为基础,并选用ShuffleNetV2作为特征提取网络。提出双分支注意力模块,通过双分支结构和自适应融合方法增强网络对红外图像中目标关键特征的提取能力;优化特征融合网络,集成双向交叉尺度连接和快速归一化融合,增强目标多尺度特征的表达能力;设置校准因子增强分类和回归之间的任务交互,提高目标分类和定位的准确性。该算法在自建红外车辆数据集上的检测精度达到92.9%,参数量为11.74×10^(6),浮点计算量为24.35×10^(9),同时在公开红外数据集FLIR ADAS上也展现出较好的检测性能。实验结果表明:该算法具有较高的检测精度,且模型复杂度低,在红外车辆检测领域具有较高的应用价值。

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块(RDAB),该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。

基于热释电红外传感器的车辆和人员分类

设计了一种应用于野外环境中的热释电红外系统,并创新性地提出用单热释电红外传感器节点进行车辆和人员的分类。分类算法利用信号的幅度、信号的持续时间、信号一阶差分值的绝对值的最大值作为特征向量,利用支持向量机(SVM)进行目标分类。在10,20 m处分类准确率分别可以达到93.5%,94.5%,并且针对10,20 m的综合分类准确率可以达到92%。该系统扩展了热释电传感器的应用范围和应用场景,所用分类方法对于其他同类传感器系统具有一定的借鉴意义。

铁路车辆红外轴温探测信息采集设备改移方案优化

铁路既有线车辆红外轴温探测站设备改移工程涉及既有线行车安全,改移施工需要在有限的封锁时间点内完成。现以怀柳线铁路电气化改造工程及集通铁路扩能改造工程为例,通过现场实践及对比以往的迁改方案,从施工程序、施工组织、既有线行车安全及施工安全方面总结优化了此类工程的施工方案,在保障安全的前提下,最大化缩减施工所需时间,对今后此类工程施工有良好的借鉴意义。

交通信息采集关键技术研究

随着智能交通的发展和高速公路和城市道路的建设管理需要,越来越多的交通信息采集理论和方法被提出和运用。其中既有传统的固定设备测量方法也有新兴的基于全球定位的浮动车法。文中针对不同的信息采集方法的特点进行分析和比较,以区别其适用的范围。

车型自动分类识别系统

车型自动分类识别系统由车型分类识别系统主机、轴检测器、红外光栅式车辆分离器和环形线圈检测器组成。该系统通过对车辆的轴距和轴数、车体外形的检测和计算前后车辆的分离,达到分型的目的。