基于改进的YOLOv3的红外行人目标检测技术研究

作     者：汪先锋 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：梁琨

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0803[工学-光学工程] 

主      题：行人检测 红外目标 YOLOv3 CSPNet 

摘      要：YOLOv3算法作为目前最流行的基于深度学习的目标检测算法,具有检测精度高,检测速度快的优点。但是目前基于深度学习的目标检测算法主要是针对可见光图像中的目标,将它们应用到红外目标检测时,由于红外图像缺少颜色、纹理等信息,且容易受到复杂背景干扰,算法的检测性能有所下降。为了研究将YOLOv3算法应用到红外行人目标检测后行人目标识别率不高的问题,本文改进了YOLOv3算法使得它对红外场景下的行人目标具有更高的识别率。基于以上问题,本文针对YOLOv3目标检测算法做出改进,主要工作如下:(1)针对YOLOv3算法中的先验框是对COCO可见光数据集聚类得到的,不太适合本文的红外行人目标数据集的问题,对数据集中的目标框重新聚类分析得到修改后的先验框,比YOLOv3算法的原有先验框更加适合,有利于提高算法对于红外行人目标的识别率。(2)针对现有红外行人目标数据集较少的问题,对现有数据集进行数据增强,利用数据增强技术可以在一定程度上扩充数据集,还可以提高算法的鲁棒性。(3)针对YOLOv3算法的特征提取网络对于红外场景下的行人目标的特征难以提取的问题,在YOLOv3算法的特征提取网络中引入CSPNet,增加了特征提取网络的层数,将输入分成两部分进行特征提取,再将不同感受野的特征进行融合,可以更好地提取红外行人目标的特征,进一步提高算法对于红外行人目标的识别率,同时还能减少网络运算量和模型的参数数量,在保持高识别率的同时还能保持较快的检测速度。本文对公开的OTCBVS数据集进行数据增强,并在扩充后的数据集进行实验验证改进后的算法的检测效果,实验结果表明改进后得到的目标检测算法比YOLOv3目标检测算法的m AP提升了11.26%,同时检测速度和YOLOv3目标检测算法基本相同,本文改进后得到的算法更加适合红外场景下的行人目标检测。