基于Dense-YOLO 網絡的井下行人檢測模型

張明臻

（伯明翰大學 電子電氣和系統工程系,英格蘭 伯明翰 B152TT）

0 引言

由煤礦井下工作人員違規操作和疲勞駕駛所導致的事故時有發生。為了保障井下作業人員安全，支持智慧礦山建設，研究礦用車輛無人駕駛技術迫在眉睫。行人檢測是實現礦用車輛無人化的一項關鍵技術，許多專家學者進行了研究，并取得了一定成果。張小艷等[1]基于混合高斯模型，采用暗通道算法對檢測圖像進行預處理，有效提高了井下目標檢測速度。董昕宇等[2]采用深度可分離卷積和倒置殘差模塊構建輕量級特征提取網絡，實現了特定環境下的實時目標檢測。謝林江等[3]提出在檢測模型中加入選擇性注意力層，極大提高了目標檢測精度。劉備戰等[4]提出一種Dense-ResNet 網絡結構，能夠提取更加深層的圖像特征，提高了小目標檢測精度。但上述方法忽略了井下弱光環境對目標檢測精度的影響。針對該問題，本文提出一種基于Dense-YOLO 網絡的井下行人檢測模型。首先對弱光圖像進行增強和去噪處理，然后將含有殘差塊的Dense模塊添加到YOLOv3 中，構建基于Dense-YOLO 網絡的井下行人檢測模型，最后將增強后的圖像輸入檢測模型進行識別。

1 弱光圖像增強

1.1 圖像增強方法

根據Retinex 理論[5]將源圖像分解為光照圖和反射圖2 個部分，光照圖主要包含圖像的色彩信息，反射圖主要包含圖像的紋理信息。對于光照圖，采用Gamma 變換提升全局照明度，采用加權對數變換提升局部照明度，采用限制對比度的自適應直方圖均衡（Contrast Limited Adaptive Histogram Equalization，CLAHE）提升局部對比度。……