基于并行融合網絡的航拍紅外車輛小目標檢測方法

朱子健，劉琪，陳紅芬，張貴陽，王福寬，霍炬

（1 哈爾濱工業(yè)大學航天學院，哈爾濱150001）

（2 哈爾濱工業(yè)大學電氣工程及自動化學院，哈爾濱150001）

（3 常熟理工學院機械工程學院，江蘇蘇州215500）

（4 廣西大學機械工程學院，南寧530004）

0 引言

紅外小目標檢測在許多重要任務中起著至關重要的作用，例如現代防御、紅外監(jiān)視和空中交通管制等［1-3］。近年來，陸地車輛偵察技術是戰(zhàn)場把控與監(jiān)視能力建設的關鍵研究方向。隨著低空空域的逐步開放，無人機、四旋翼等小型飛行器，通過搭載紅外攝像頭，可以隱秘的完成對地面車輛的采集與跟蹤。然而，由于觀察距離長，目標通常非常小弱，幾乎沒有或完全沒有形狀和紋理信息［4］。另一方面，由于地面環(huán)境的復雜性，車輛目標可能存在遮擋，重疊，模糊等特點。

因此快速而又準確檢測地面車輛目標極具挑戰(zhàn)性。此外，由飛行器的運動引起的背景運動也使得路面復雜場景中弱小目標的檢測變得更加困難。在過去的幾年里，許多針對無人機航拍圖像中的車輛目標檢測的算法逐步涌現出來。隨著人工智能與神經網絡的興起，卷積神經網絡被廣泛運用于目標檢測之中。針對路面車輛檢測，JOSEPH Redmon 提出的YOLO（You Only Look Once）［5］和HE Kaiming 提出的Faster-RCNN［6］都能通過訓練COCO 數據集完成對明顯車輛目標的高精度快速檢測，但是在對微小車輛目標的檢測任務中檢測能力較為一般。基于特征融合的單發(fā)多盒檢測器（Feature Fusion Single Shot Multibox Detector，FSSD）［7］的作者LI Zuoxin 等指出，特征融合技術是解決微小目標識別的關鍵，他通過將不同尺度的不同層級聯(lián)在一起形成特征層，運用連續(xù)下采樣來生成新的特征金字塔，最后將此饋送到多盒檢測器中預測最終的檢測結果。……