具备红外感知的低光场景目标检测

摘要

【目的】随着人工智能领域的快速发展，基于可见光图像的目标检测技术日益成熟，并在自动驾驶、安防监控、智能交通等领域得到了广泛应用。然而，在低光场景（如黑夜或昏暗灯光环境）下，基于可见光图像的目标检测算法性能显著下降。主要原因在于可见光图像在低光条件下信息丢失严重，导致目标特征难以提取。为解决这一问题，提出了基于可见光图像和红外图像的多模态目标检测技术，该技术能够有效改善低光场景下的目标检测性能。然而，多模态检测技术的成本较高，需要对不同模态的图像进行精确配准，计算量较大，从而增加了实现难度和处理负担。基于此，提出了一种具备红外感知的目标检测网络（InSCnet）,旨在通过一个可见光相机来预测红外热辐射特征，在不增加模态的情况下提升网络在低光场景下的目标检测能力。【方法】InSCnet以可见光图像为输入，通过红外预测分支（IPB）生成红外图像来预测热辐射特征，从而增强网络对低光场景的感知能力。为了有效融合多尺度视觉和热辐射特征，设计了互补融合滤波（COFF）模块。COFF通过互补融合这两种特征，增强特征间的互补性，避免了网络对单一模态特征的过度依赖。此外，采用混合特征金字塔（HyFP）模块，通过特征金字塔和注意力机制，进一步提升多尺度全局与局部特征的融合与提取能力，确保网络在不同程度的低光条件下均能保持较高的检测准确率。【结果】实验结果表明，InSCnet在LLVIP行人检测数据集上表现优异。具体而言，S_mAP50达到了0.830,S_mAP50-95达到了0.426。同时在DroneVehicle数据集上进行了实验，S_mAP50达到了0.702,证明了InSCnet具备多类别低光检测能力。【结论】InSCnet通过引入红外热辐射特征和特征融合机制，提升了低光场景下的目标检测性能；在低光场景下能够有效检测可见光图像中难以识别的目标，为低光场景下的目标检测提供了一种有效的解决方案。未来的研究可以进一步探索如何优化网络结构。

关键词

目标检测 / 低光场景 / 红外预测 / 特征融合 / 特征金字塔 / 全局特征 / 局部特征 / 人工智能