改進(jìn)的YOLOv3紅外視頻圖像行人檢測(cè)算法論文摘要

針對(duì)YOLOv3檢測(cè)紅外視頻圖像行人時(shí)存在準(zhǔn)確率低、漏檢率高的問(wèn)題,提出一種改進(jìn)的YOLOv3紅外視頻圖像行人檢測(cè)算法。根據(jù)行人在紅外圖像中呈現(xiàn)寬高比相對(duì)固定的特點(diǎn),利用k-means聚類方法選取目標(biāo)候選框個(gè)數(shù)和寬高比維度,調(diào)整網(wǎng)絡(luò)參數(shù)并提高輸入圖像分辨率,最后進(jìn)行多尺度訓(xùn)練得到最優(yōu)檢測(cè)模型,從而檢測(cè)紅外視頻圖像序列中的行人目標(biāo),并通過(guò)候選框標(biāo)注行人位置。在CVC-09紅外行人數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果表明,改進(jìn)的YOLOv3算法在紅外行人檢測(cè)中的準(zhǔn)確率高達(dá)90.63%,明顯優(yōu)于Faster-rcnn和YOLOv3算法,且改進(jìn)后的網(wǎng)絡(luò)能夠同時(shí)檢測(cè)到更多目標(biāo),降低了漏檢率。

王殿偉,何衍輝,李大湘,劉穎,許志杰,王晶.改進(jìn)的YOLOv3紅外視頻圖像行人檢測(cè)算法[J].西安郵電大學(xué)學(xué)報(bào),2018,23(04):48-52 67.

基于紅外熱成像的行人檢測(cè)已成為車(chē)輛輔助駕駛領(lǐng)域中的熱點(diǎn)問(wèn)題，它為白天和夜晚的無(wú)差別應(yīng)用提供了可能?；鶞?zhǔn)數(shù)據(jù)集是目標(biāo)識(shí)別與檢測(cè)的重要基礎(chǔ)。目前因有關(guān)紅外行人檢測(cè)基準(zhǔn)數(shù)據(jù)集的缺失，檢測(cè)算法性能的評(píng)估只能使用自行準(zhǔn)備的專有視頻數(shù)據(jù),這些視頻數(shù)據(jù)因成像設(shè)備的各項(xiàng)參數(shù)和數(shù)據(jù)采集方式的不同而產(chǎn)生差異，往往導(dǎo)致檢測(cè)性能評(píng)估有偏。本項(xiàng)目提出以建立紅外熱成像行人檢測(cè)基準(zhǔn)數(shù)據(jù)集為目標(biāo)，研究適合紅外行人視頻數(shù)據(jù)標(biāo)注的理解和歸類規(guī)則，為建立標(biāo)注信息豐富、規(guī)模充分的基準(zhǔn)數(shù)據(jù)集提供科學(xué)依據(jù)；利用輔助集的遷移和集成學(xué)習(xí)理論，研究適應(yīng)不同指定場(chǎng)景的行人檢測(cè)方法；在此基礎(chǔ)上，將視頻標(biāo)注過(guò)程分解為指定場(chǎng)景中的行人檢測(cè)和人工校正兩個(gè)交錯(cuò)進(jìn)行的環(huán)節(jié)，研究自適應(yīng)的半自動(dòng)視頻標(biāo)注方法。通過(guò)本項(xiàng)，為基于紅外熱成像的行人檢測(cè)研究提供一個(gè)統(tǒng)一的數(shù)據(jù)平臺(tái)。

紅外熱成像的行人檢測(cè)已成為車(chē)輛輔助駕駛領(lǐng)域中的熱點(diǎn)問(wèn)題，它為白天和夜晚的無(wú)差別應(yīng)用提供了可能。基準(zhǔn)數(shù)據(jù)集是目標(biāo)識(shí)別與檢測(cè)的重要基礎(chǔ)，尤其目前紅外行人檢測(cè)基準(zhǔn)數(shù)據(jù)集稀少和不夠健全，檢測(cè)算法性能的評(píng)估只能使用自行準(zhǔn)備的專有視頻數(shù)據(jù)。這些視頻數(shù)據(jù)因成像設(shè)備參數(shù)和數(shù)據(jù)采集方式的不同而產(chǎn)生差異，導(dǎo)致檢測(cè)性能評(píng)估有偏。本項(xiàng)目以建立紅外熱成像行人檢測(cè)基準(zhǔn)數(shù)據(jù)集為目標(biāo)，完成了四個(gè)方面的工作：1) 研究適合紅外行人視頻數(shù)據(jù)標(biāo)注的理解和歸類規(guī)則，為建立標(biāo)注信息豐富、規(guī)模充分的基準(zhǔn)數(shù)據(jù)集提供科學(xué)依據(jù)；2) 利用輔助集的遷移和集成學(xué)習(xí)理論，研究適應(yīng)不同指定場(chǎng)景的行人檢測(cè)方法；3) 在前述工作的基礎(chǔ)上，將視頻標(biāo)注過(guò)程分解為指定場(chǎng)景中的行人檢測(cè)和人工校正兩個(gè)交錯(cuò)進(jìn)行的環(huán)節(jié)，研究自適應(yīng)的半自動(dòng)視頻標(biāo)注方法；4) 建立實(shí)驗(yàn)系統(tǒng)，對(duì)本項(xiàng)目提出的半自動(dòng)標(biāo)注方法進(jìn)行驗(yàn)證。通過(guò)本項(xiàng)，為基于紅外熱成像的行人檢測(cè)研究提供了統(tǒng)一的數(shù)據(jù)平臺(tái)。

改進(jìn)的 Brownian 橋式經(jīng)驗(yàn)公式

設(shè)置參數(shù) c 的目的是把小波包分解系數(shù)中的擾動(dòng)分量與噪聲分量分離。 c 的合理設(shè)置是選取閾值λ 的關(guān)鍵。對(duì)于噪聲信號(hào)，如果令 c≥dmax，則可以實(shí)現(xiàn)信號(hào)與噪聲分量的理想分離。因此，可以把噪聲信號(hào)的 dmax看作是理想的參數(shù)值 c。在此基礎(chǔ)上，對(duì)上述算法進(jìn)行分析和改進(jìn) 。

改進(jìn)的概率公式

由表 1 可以看出，參數(shù) c 雖然與噪聲的方差無(wú)關(guān)，但是與采樣點(diǎn)數(shù) N 有關(guān)。有文獻(xiàn)中利用概率的觀點(diǎn)求出 c N a = ?1/ 2 ln / 2 。這樣設(shè)定 c 值在小波除噪算法中得到較為滿意的檢測(cè)結(jié)果。但是由于小波包分解系數(shù)與小波分解系數(shù)的分布不同，這樣的 c 值不適用于小波包除噪。對(duì)具有相同分布特性，而采樣點(diǎn)數(shù)不同的噪聲信號(hào)進(jìn)行分析，得到采樣點(diǎn)數(shù)與 dmax 的關(guān)系曲線。其中， d1max=dmax×N。可以看出， d1max曲線的幅值保持在[160， 210]之間，而且不隨采樣點(diǎn)數(shù)的變化而變。因此，可以判斷，dmax與采樣點(diǎn)數(shù)成反比。因?yàn)榭梢园言肼曅盘?hào)的 dmax看作是理想的參數(shù)值 c，因此可以設(shè)c=dmax=k/N。