[发明专利]基于改进SSD的增强热红外图像上车辆检测方法及系统

说明书

本发明公开了一种基于改进SSD的增强热红外图像上车辆检测方法及系统，利用红外热成像传感器摄像机采集并制作原始热红外图像据集；对原始数据集进行图像增强处理，得到增强热红外图像数据集；基于SSD改进并构建热红外图像上车辆检测网络ERSSD，对特征提取网络Stem block下采样模块进行替换，减少输入热红外图像的信息丢失；使用Stage模块替换特征提取网络部分中的残差模块，提高网络特征提取能力和特征表达能力；利用增强热红外数据集，训练ERSSD网络生成热红外车辆检测模型；使用热红外车辆检测模型进行实时车辆检测。本发明检测准确率高，检测速度快，图像增强有效的提升了热红外图像质量，可用于辅助驾驶系统和智能交通系统。

技术领域

本发明属于深度学习目标检测技术领域，涉及一种车辆检测方法及系统，具体涉及一种基于改进SSD深度学习目标检测网络的增强热红外图像上车辆检测方法及系统，可用于辅助驾驶系统和智能交通系统。

背景技术

深度学习目标检测广泛应用于智能交通系统、汽车辅助驾驶系统等计算机视觉应用。随着城市规模的不断扩大，车辆数量显着增加，人口密度也越来越高，深度学习车辆检测越来越重要。目前，可见光的车辆检测表现出色，但是对光照敏感，因此难以在夜间、逆光和弱光场景中提取车辆的清晰特征。与可见光不同，热红外成像是基于物体与其环境之间的温差，由于车辆类型与各个物体之间热量分布存在差异，热红外成像可以不受光照影响，抗干扰能力强、不易受恶劣环境影响的优点。相比于利用可见光进行车辆检测，热红外车辆检测更具有深入研究具有重要意义。

目标检测技术近年来得到了广泛的发展，由于深度卷积神经网络(CNN)在大规模训练数据集上具有强大的自动学习功能，CNN在目标检测领域取得了显著成绩。对于热红外图像上车辆检测研究方法，当车辆在道路上行驶时，发动机、轮胎、排气管和车灯都会产生大量热量。与交通环境相比，红外图像的这些区域具有明显的灰度特征和纹理特征等外观特征，可用于基于图像处理的车辆检测。目前基于深度学习的检测方法主要有两阶段和一阶段两种检测方法。以Fast R-CNN、Faster R-CNN、Mask R-CNN为代表的两阶段检测网络，一般检测精度都比较高。然而，基于区域提议的算法往往复杂度高，计算时间长。一阶段检测网络以YOLO系列和SSD为代表。放弃了区域提议生成过程，显着缩短了算法推理时间，可以端到端的方式得到最终的检测结果，从而使检测速度有了显着提高，检测精度相对低于二阶段，但实用性更强。

深度学习通过数据驱动的方法自主学习车辆特征并训练分类器，使车辆检测更加高效。在现有技术中，这些算法也被应用于热红外图像中的车辆检测，例如Faster R-CNN、SSD和YOLO等。Jing Gong等人，提出了一种基于YOLOv3-Tiny的热红外图像上车辆检测方法，对抗黑暗或强光以更好地提取热图像中的车辆特征，从而提高车辆检测精度。Chin-WeiChang等人，提出了一种改进的卷积网络模型，所提方法能够生成精巧的热图像，有利于网络模型更有效地学习。与可见光图像的高清晰度不同，由于红外传感器的局限性和不利的环境条件等因素，原始热红外图像通常具有低分辨率、噪声大、低对比度、缺乏结构(如形状和纹理信息)，从而降低了红外图像的质量，对后续的车辆检测额和主干网络特征提取带来了很大的挑战。由于图像质量复杂的热红外图像，仅仅针对算法的改进还不够，现有技术受限于低质量的热红外图像，因此影响目标检测精度。

发明内容

为了解决上述目标检测面临的问题，本发明提供了一种基于改进SSD深度学习目标检测网络的增强热红外图像上车辆检测方法及系统，旨在为降低热红外图像低质量对后续检测的影响，将热红外图像增强功能和深度学习框架相结合，以目标检测为主体和增强后的热图像作为输入的热红外图像上车辆检测方法。

本发明的方法所采用的技术方案是一种基于改进SSD的增强热红外图像上车辆检测方法，包括以下步骤：

步骤1：构建热红外图像上车辆检测网络ERSSD，负责提取行车辆轮廓特征包括车辆车身、轮胎特征；