应用于嵌入式平台的实时红外行人检测方法

摘要：

现有基于深度学习的远红外图像行人检测方法对计算力要求高,需要高功耗GPU计算平台,应用于嵌入式平台时,无法满足实时性和准确率需求.针对该问题,本文提出了一种新型实时红外行人检测方法,该方法使用MobileNet作为YOLOv3模型中的基础网络,辅助预测网络层以深度可分离卷积替换标准卷积,将模型改进为轻量红外行人检测模型.基于新方法构建的模型采用CVC红外行人训练集离线训练,并部署于嵌入式平台,实现红外行人在线实时检测.实验结果表明,与改进前方法相比,模型大小为65 M,约为YOLOv3的27％,新模型在基本保证原有准确率的同时,大幅降低了计算量,在同一平台下的检测速度从3 FPS提升到了11 FPS,可满足大部分嵌入式系统对行人检测的实时性需求.

关键词：红外图像、行人检测、嵌入式平台、深度卷积神经网络

所属期刊栏目：50

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2020-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：239-245