基于改进型YoloV5s的热红外道路车辆及行人检测方法

摘要

在基于机器视觉的ADAS(Advanced Driver Assistance System)系统中,基于传统RGB可见光成像的障碍物检测方法极易受到异常天气、光学折射等原因影响。相比之下,被动式热红外成像技术有着不受天气干扰、不受光线干扰等优势,对未来的ADAS系统是一种潜在的解决方案。本文基于热红外图像的特性,对YoloV5s检测网络进行针对性优化,提出基于改进型YoloV5s的热红外道路车辆及行人检测方法。该方法针对热红外图像的特性以及实际部署中嵌入式平台的算力问题,使用卷积下采样层替换YoloV5s中低效的Focus Layer。针对实际部署环境中遇到的遮挡、重叠等易出现误检、漏检的情况,以DIoU_NMS替换加权NMS作为候选框非极大值抑制方法。使用FLIR热红外交通检测数据集进行了算法验证,该方法参数量为7.4 M,计算量为17.5 GFLOPs,检测速度达到213 FPS,同时mAP达到93.4%。该方法在保证检测精度的同时能满足ADAS系统对实时性的要求。