面向嵌入式系統的復雜場景紅外目標實時檢測算法

張鵬輝，劉志，鄭建勇，何博俠，裴雨浩

（1 南京理工大學機械工程學院，南京210094）

（2 南京博藍奇智能科技有限公司，南京210014）

（3 上海大學人工智能研究院，上海200444）

0 引言

紅外輻射穿透力強，不易被云霧吸收，也不受天氣干擾，在陰雨天和夜晚都能正常成像，因而，紅外視覺在軍事和安防領域有著獨特的優勢，但是，相較于可見光圖像，紅外圖像有著對比度低，分辨率低，目標細節不夠豐富的缺點。當前，針對可見光圖像的深度學習目標檢測算法已取得豐碩的成果［1-3］，雖然這些算法也可用于紅外目標的檢測，但需要解決紅外圖像對比度低、目標細節模糊帶來的準確率降低的問題，尤其當目標成像背景比較復雜時，需要設法提高算法的抗干擾能力，解決召回率降低的問題。另一方面，深度學習技術在民用領域可選擇的部署平臺較多，而在軍事和安防領域，很多情況下只能部署于嵌入式平臺，且對算法推理的實時性有很高的要求。因此，針對復雜場景中的紅外目標，研究面向嵌入式系統的實時檢測算法很有必要。

在基于深度學習的目標檢測算法中，一階段法能夠在檢測速度和檢測精度之間取得較好的平衡，代表性算法有YOLO［4］，SSD［5］，RetinaNet［6］等，其中YOLO 系列算法以其推理速度快的優勢，常被用來部署于嵌入式系統。文獻［7］提出一種基于YOLOv3 架構的汽車目標檢測模型，部署于NVIDIA Jetson TX1 嵌入式計算平臺上，在線檢測速度可達到23 fps。文獻［8］基于深度學習技術提出一種面向嵌入式設備的快速人群計數算法，設計了弱算力平臺加速網絡，對分辨率為640×480 的圖像，在cortex-A72 雙核ARM 平臺上可獲得20 fps 的推理速度。……