現(xiàn)有基于深度學習的遠紅外圖像行人檢測方法對計算力要求高,需要高功耗GPU計算平臺,應(yīng)用于嵌入式平臺時,無法滿足實時性和準確率需求。針對該問題,本文提出了一種新型實時紅外行人檢測方法,該方法使用MobileNet作為YOLOv3模型中的基礎(chǔ)網(wǎng)絡(luò),輔助預(yù)測網(wǎng)絡(luò)層以深度可分離卷積替換標準卷積,將模型改進為輕量紅外行人檢測模型�；谛路椒�(gòu)建的模型采用CVC紅外行人訓練集離線訓練,并部署于嵌入式平臺,實現(xiàn)紅外行人在線實時檢測。實驗結(jié)果表明,與改進前方法相比,模型大小為65 M,約為YOLOv3的27%,新模型在基本保證原有準確率的同時,大幅降低了計算量,在同一平臺下的檢測速度從3FPS提升到了11FPS,可滿足大部分嵌入式系統(tǒng)對行人檢測的實時性需求。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1深度可分離卷積運算

當選取的Dk=3時,計算量大概為標準卷積的1/9,計算示意圖如圖2所示。圖2中,a為標準卷積,b為深度可分離卷積,在深度卷積和逐點卷積之后都跟有一個BN和ReLU運算,標準卷積和深度可分離卷積運算之后的特征圖尺寸和維度都相同。圖2Dk=3時標準卷積和DW卷積計算對比圖

圖2Dk=3時標準卷積和DW卷積計算對比圖

圖1深度可分離卷積運算基于上述內(nèi)容和紅外圖像的特點,我們結(jié)合改進后的深度卷積結(jié)構(gòu)對YOLOv3模型主要進行了以下改進:

圖5模型CVC測試集效果圖

從模型的測試結(jié)果可以看出,本文所提出的模型,在檢測準確率和召回率上比YOLO-Tiny好很多,但是和YOLOv3相比的話,準確率和召回率有一些差距。主要原因是在網(wǎng)絡(luò)的深度上進行了網(wǎng)絡(luò)模型的壓縮,基礎(chǔ)網(wǎng)絡(luò)由原來的53層網(wǎng)絡(luò)變成了28層的網(wǎng)絡(luò),壓縮了網(wǎng)絡(luò)的深度和參數(shù)造成部分精度損失。....

圖3本文提出的紅外行人檢測網(wǎng)絡(luò)結(jié)構(gòu)示意圖

模型的原始圖片輸入尺寸是320×320,在網(wǎng)絡(luò)前向傳播中,提取出三個通道的特征圖輸入到預(yù)測網(wǎng)絡(luò),其特征圖尺寸為40×40×256、20×20×512和10×10×1024,圖3所示的網(wǎng)絡(luò)結(jié)構(gòu)中,通過跳躍連接的兩個特征圖具有相同的尺度,兩處的特征圖的跳躍連接分別是20×20大小的尺....

本文編號：3924733