基于改进Faster R-CNN的复杂背景红外车辆检测算法

摘要：

红外背景下的车辆检测具有重要的应用意义,为了解决在复杂背景下红外视频的车辆检测时视野中的车辆目标像素差距过大以及目标重叠的问题,提出一种改进的Faster R-CNN网络模型.针对视野内车辆目标重叠率较高的问题,设计了一种改进的soft-NMS(Non-Maxi-mum Suppression)方法对RPN(Region Proposal Network)内的NMS方法进行优化.针对视野内目标像素差距过大问题,设计了三种不同尺度感受野并行检测,权重共享的特征提取结构Tri-V GG网络,并设计出一种避免网络出现过拟合的训练策略,优化后的网络检测平均精确度(AP,Average Presion)达到85.32％,相较于仅采用soft-NMS的Faster R-CNN提高了3.01％,相较于传统的Faster R-CNN提高了5.86％.

关键词：多尺度特征融合、非极大值抑制、深度学习、改进的Faster R-CNN、RPN网络

所属期刊栏目：52

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2022-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：614-619