高级检索
ENGLISH

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.
shu
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.
shu

优化卷积网络及低分辨率热成像的夜间人车检测与识别

  • 大连海事大学 信息科学技术学院,辽宁 大连,116026

  • 大连海事大学

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

    摘要
  • 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.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献
    • 资源附件(0)
计量
  • 文章访问数:  181
  • HTML全文浏览量:  21
  • PDF下载量:  28
  • 被引次数: 0
出版历程

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献
    资源附件(0)

    /

    返回文章
    返回

    版权所有 © 《红外技术》编辑部京ICP备000000000号-1

    本系统由 北京仁和汇智信息技术有限公司 开发  百度统计