留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

优化卷积网络及低分辨率热成像的夜间人车检测与识别

于龙姣 于博 李春庚 安居白

于龙姣, 于博, 李春庚, 安居白. 优化卷积网络及低分辨率热成像的夜间人车检测与识别[J]. 红外技术, 2020, 42(7): 651-659.
引用本文: 于龙姣, 于博, 李春庚, 安居白. 优化卷积网络及低分辨率热成像的夜间人车检测与识别[J]. 红外技术, 2020, 42(7): 651-659.
YU Longjiao, YU Bo, LI Chungeng, AN Jubai. Detection and Recognition of Persons and Vehicles in Low-Resolution Nighttime Thermal Images Based on Optimized Convolutional Neural Network[J]. Infrared Technology , 2020, 42(7): 651-659.
Citation: YU Longjiao, YU Bo, LI Chungeng, AN Jubai. Detection and Recognition of Persons and Vehicles in Low-Resolution Nighttime Thermal Images Based on Optimized Convolutional Neural Network[J]. Infrared Technology , 2020, 42(7): 651-659.

优化卷积网络及低分辨率热成像的夜间人车检测与识别

基金项目: 国家自然科学基金面上项目(61471079)
详细信息
  • 中图分类号: TP183

Detection and Recognition of Persons and Vehicles in Low-Resolution Nighttime Thermal Images Based on Optimized Convolutional Neural Network

  • 摘要: 夜间环境下人车的检测与识别在自动驾驶,安防等领域具有重要意义.本文提出使用性价比较高的低分辨率红外热成像摄像机拍摄的图像来进行夜间的人车检测与识别,并根据图像独特的性质对Faster RCNN网络进行了优化.增加多通道卷积层来适应热成像图像的灰度特性.使用全局平均池化层来适应较少的图像及类别数量,增加批标准化层来防止加深加宽网络后可能出现的梯度消失或爆炸.使用在城市夜间环境中采集的2000张低分辨率热成像图像对网络进行训练与测试,平均准确识别率达到71.3%.相比于传统的检测手段,本组合方法在真实的场景中取得了较好的识别效果,同时提升了准确识别率,有效解决了夜间环境下人车检测与识别的问题,鲁棒性及应用价值较强.
  • 加载中
计量
  • 文章访问数:  93
  • HTML全文浏览量:  7
  • PDF下载量:  19
  • 被引次数: 0
出版历程

目录

    /

    返回文章
    返回