基于改进YOLOX的红外目标检测算法_谌海云.pdf

电 子 测 量 技 术E L E C T RON I CME A S U R EME N TT E CHNO L O G Y第4 5卷 第2 3期2 0 2 2年1 2月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 0 4 2基于改进Y O L O X的红外目标检测算法*谌海云 余鸿皓 王海川 黄忠义(西南石油大学电气信息学院 成都 6 1 0 5 0 0)摘 要:针对红外目标图像分辨率低,缺少纹理细节,存在复杂背景干扰导致检测精度低的问题,提出一种基于改进YO L OX的红外目标检测算法。首先,设计了一种有效的空间通道混合注意力模块,将其引入在特征提取主干网络C S P-D a r k n e t 5 3中,以减少网络由于远距离传输造成的精度损失;其次,为了进一步提升红外目标的检测精度,在原本加强特征提取网络P AN e t的基础上提出一种改进的路径特征融合方法;最后,为了解决红外目标中小物体预测精度低的问题,在YO L OX输出检测头处进行反卷积操作扩大输出特征图。在F L I R红外公开数据集上进行实验,实验结果表明,所提算法识别的平均精度均值(mA P)达9 1.0 0%,相比于基准YO L OX网络的平均精度提升了5.0 4个百分点,对于提升红外目标的检测精度是有效的。关键词:卷积神经网络;红外目标检测;YO L OX;注意力机制;特征融合中图分类号:T P 3 9 1 文献标识码:A 国家标准学科分类代码:5 2 0.2 0O b j e c t d e t e c t i o n a l g o r i t h m o f t h e r m a l i n f r a r e d i m a g e s b a s e d o n i m p r o v e d Y O L O XS h e n H a i y u n Y u H o n g h a o W a n g H a i c h u a n H u a n g Z h o n g y i(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g a n d I n f o r m a t i o n,S o u t h w e s t P e t r o l e u m U n i v e r s i t y,C h e n g d u 6 1 0 5 0 0,C h i n a)A b s t r a c t:T o s o l v e t h e p r o b l e m o f l o w r e s o l u t i o n o f i n f r a r e d t a r g e t i m a g e s,l a c k o f t e x t u r e d e t a i l s,a n d l o w d e t e c t i o n a c c u r a c y c a u s e d b y c o m p l e x b a c k g r o u n d i n t e r f e r e n c e,a n i n f r a r e d t a r g e t d e t e c t i o n a l g o r i t h m b a s e d o n i m p r o v e d YO L OX i s p r o p o s e d.F i r s t,a n e f f e c t i v e s p a t i a l c h a n n e l m i x e d a t t e n t i o n m o d u l e i s i n t r o d u c e d i n t o t h e f e a t u r e e x t r a c t i o n b a c k b o n e n e t w o r k C S P-D a r k n e t 5 3 t o r e d u c e t h e a c c u r a c y l o s s o f t h e n e t w o r k d u e t o l o n g-d i s t a n c e t r a n s m i s s i o n;s e c o n d l y,i n o r d e r t o f u r t h e r i m p r o v e t h e d e t e c t i o n a c c u r a c y o f i n f r a r e d t a r g e t s,b a s e d o n t h e o r i g i n a l e n h a n c e d f e a t u r e e x t r a c t i o n n e t w o r k P AN e t,a n i m p r o v e d p a t h f e a t u r e f u s i o n m e t h o d i s p r o p o s e d;f i n a l l y,i n o r d e r t o s o l v e t h e p r o b l e m o f l o w r e c o g n i t i o n r a t e o f s m a l l o b j e c t s i n i n f r a r e d t a r g e t s,a d e c o n v o l u t i o n o p e r a t i o n i s p e r f o r m e d a t t h e YO L OX o u t p u t d e t e c t i o n-h e a d t o e x p a n d t h e o u t p u t f e a t u r e m a p.E x p e r i m e n t s a r e c a r r i e d o u t o n t h e F L I R i n f r a r e d p u b l i c d a t a s e t.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e m e a n A v e r a g e P r e c i s i o n(mA P)o f t h e p r o p o s e d a l g o r i t h m r e c o g n i t i o n r e a c h e s 9 1.0 0%,w h i c h i s 5.0 4%p e r c e n t a g e p o i n t s h i g h e r t h a n t h a t o f t h e b e n c h m a r k YO L OX n e t w o r k,i t i s e f f e c t i v e t o i m p r o v e t h e d e t e c t i o n a c c u r a c y o f i n f r a r e d t a r g e t s.K e y w o r d s:c o n v o l u t i o n a l n e u r a l n e t w o r k;t h e r m a l o b j e c t d e t e c t i o n;YO L OX;a t t e n t i o n m e c h a n i s m;f e a t u r e f u s i o n 收稿日期:2 0 2 2-0 5-2 1*基金项目:智能电网与智能控制南充市重点实验室平台建设(二期)(S XH Z 0 5 3)、工业炸药智能仓储系统设计与开发项目(S X J B G S 0 0 2)资助0 引 言 红外热辐射具有较强穿透雾、尘、烟和气体的能力1。与可见光成像相比,红外成像具有受天气和光照变化影响小,可探测距离远等优点2。红外热成像技术因其独特的特点现广泛应用于医疗3、边境监控4、目标追踪5、汽车夜间辅助驾驶等领域6。红外目标检测作为红外热成像的关键技术之一,有着重要的研究意义。随着深度学习算法,特别是卷积神经网络(C NN)的不断发展,目标检测技术在可见光图像领域取得了巨大突破。依赖于海量现实中可方便获取的可见光图片和大型可见光数据集I m a g e N e t7、M S C O C O8、P a s c a l VO C9训练的结果,C NN在 可 见 光 图 像 领 域 的 检 测 精 度 已 经 超 越 了 人类1 0。与之相比,红外图像的成像波长长、噪声大、空间分辨率低、缺乏物体纹理、色彩和形状信息1 1。另外,红外图像现存的公开数据集较少,无法像可见光图像那样在大型27 谌海云 等:基于改进YO L OX的红外目标检测算法第2 3期数据集上进行有效的预训练1 2。这些缺点的存在使得基于C NN的红外目标检测模型在进行特征提取时的效果表现不佳,红外目标的检测精度低。如何提高红外目标检测的精度成为现代计算机视觉领域需要解决的难题。目标检测的任务是利用算法在图像中搜寻感兴趣区域,是目标分类和定位任务的集合1 3。目前自然图像中基于卷积 神 经 网 络 的 目 标 检 测 技 术 主 要 分 为 基 于 锚 框(a n c h o r-b a s e d)的目标检测算法和无锚框(a n c h o r-f r e e)目标检测算法两种1 4。基于锚框的目标检测算法利用事先设置好的先验框对物体进行预测,比如F a s t e r R-C NN1 5、C a s c a d e R-C NN1 6等 两 阶 段 框 架 以 及S S D1 7、R e t i n a N e t1 8、YO L O v 31 9、YO L O v 42 0、YO L O v 52 1等 单阶段框架。无锚框目标检测算法不使用先验框,而是采用图像中物体关键位置点信息进行预测,比如C e n t e r N e t2 2、F C O S2 3等框架。近几年基于卷积神经网络的红外目标检测模型中,文献2 4 通过在VG G网络中加入级联结构的路径连接改进S S D网络对红外目标进行检测,但该算法网络设计较为简单,检测精度不高;文献2 5 利用生成对抗网络(G AN)和特征金字塔网络(F P N)相结合设计出一种跨域融合网络对红外目标进行检测,但该模型较为复杂,训练过程较为繁琐;文献2 6 在YO L O v 3网络中加入注意力机制,提出了一种利用可见光图像和红外图像进行融合检测的模型,但该算法需要配对的红外与可见光图片,现实中难以获取;文献 2 7提 出 一 种 改 进 的YO L O v 5模 型,在 原 本C S P-D a r k n e t 5 3网络中通过对浅层模块进行扩展迭代,最大限度地利用红外图像中的浅层特征进行检测,但该算法仅对大目标类别检测精度较高。现有红外目标检测算法大都忽略了红外图像中浅层的语义 信 息,精 度 提 升 有 限。本 文 提 出 了 一 种 基 于YO L O X2 8的改进算法。首先设计了一种空间通道混合注意力模块将其引入在特征提取主干网络中以减小网络由于远距离传输造成的精度损失;对P AN e t2 9进行改进,提出一种跨路径特征融合方式,增强特征提取提升检测精度;通过扩大检测特征输出图,提升红外目标中小物体的检测精度。1 Y O L O X目标检测算法 YO L O X是以YO L O v 3作为基准模型的改进目标检测网络,与YO L O系列单阶段算法相比最大改进之处在于将整个目标检测器变成了A n c h o r-f r e e的方式进行检测,在降低网络参数量的情况下提升了检测的精度,在各大公开数据集上目标检测的效果都超越了之前的YO L O系列算法。