融合GPNet与图像多尺度特性的红外-可见光道路目标检测优化方法

摘要

为提高道路交通安全领域中的道路目标检测的精度，本文借鉴图像融合技术中多尺度特征图像融合思想，融合和GPNet中Ghost瓶颈模块，实现了融合质量和较小算法复杂度的平衡，建立了一种红外和可见光融合及目标检测网络。网络分为选择性图像融合模块、轻量化目标检测模块和融合质量及检测精度判别网络3个部分。在白天、夜间和特殊天气（雨、雾等）下，平均车速30～40 km/h的城市工况下进行3组试验作为数据集，实验结果表明：平均梯度最高提升5.648 81、交叉熵提升了0.936 68、边缘强度提升了56.945 7、信息熵提升了0.925 208 781、互信息提升了1.000 548 571、峰值信噪比提升了3.053 893 252、Qab提升了0.342 882 208、Qcb提升了0.208 983 81以及均方误差降低0.08。轻量化目标检测网络输出的AP、mAP和Recall均为最优水平，验证了红外和可见光技术应用在道路障碍物检测方面的优势。

关键词

交通运输系统工程 / 计算机视觉 / 红外和可见光图像融合 / 多尺度图像融合 / YOLOv5目标检测