一种基于YOLOv5s的红外图像目标检测改进算法

摘要：

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况.本文在YOLOv5 s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5 s进行改进.并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测.实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5 s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5 s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5 s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率.

关键词：YOLOv5s、红外目标检测、跨域迁移学习、SENet、α-CIoU Loss

所属期刊栏目：53

分类号：TP391;TN219(计算技术、计算机技术)

在线出版日期：2023-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1043-1051