基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

基于中值滤波器的红外图像噪声处理的改进方法

基于红外图像成像的机理和热像仪工作方式,红外图像往往混有大量随机噪声,而这些都是造成红外图像和视频质量下降的重要原因。中值滤波是一种常用的非线性的滤波方式,对于图像降噪有很好的效果。中值滤波器的处理窗口大小需要提前设定且在处理过程中不能改变。噪声密度越大需要处理窗口越大,但也导致图像的细节相应越模糊。综合窗口大小对降噪能力和细节处理能力的影响,文中对传统的中值滤波器算法进行改进。实验表明,在中值滤波器去除噪声的过程中,随着窗口图像噪声分布情况动态调整窗口大小,能够做到既尽可能去除噪声,又尽可能保持图片的细节,使图像处理整体效果得到提升。     

基于红外智能视频检测的自适应加速检测算法

随着人工智能技术的快速发展,智能车辆辅助驾驶系统已经逐渐走进人们的生活。基于可见光成像的智能车辆辅助驾驶系统虽然日趋成熟,但是其受限于可见光成像条件的制约,在黑暗、雨雾等条件下,使用效果可能大打折扣甚至无法使用。红外智能车辆辅助驾驶系统因成像依靠红外成像设备,使其成为解决这一问题的重要手段而受到广泛关注。但是红外智能车辅系统在一些特殊情况下,如车辆突然提速、应用场景发生较大变化等,其检测及成像实时性可能会受到影响进而导致显示画面卡顿。上述情况的出现会严重影响驾驶员判断甚至行车安全。针对上述情况本文提出了一种自适应隔帧检测算法可以在红外智能车辅系统应用过程中针对不同情况出现的检测速度波动,自主调整检测间隔帧数,以保证检测和成像的实时性。实验证明,该算法对于视频检测速度提升有效,具有一定的实用性。     

基于红外与可见光图像融合技术发展与性能评价

红外图像可以全天候且不受光照条件影响的根据目标和背景热辐射差异来区分目标和背景。可见光图像可以通过人的视觉系统的高空间分辨率和清晰度来提供景物的质地和结构细节。因此将红外图像和可见光图像融合可以结合两种图像优势,融合后的图像效果预期良好。本文对传统经典方法和目前较新融合方法进行综述。首先回顾了红外和可见光图像的融合方法,其次选取了一些融合图像的性能评价指标,然后选择具有代表性的具体算法进行图像融合,根据融合图像结果获取评测指标,最后根据指标进行分析并对现状进行总结讨论,及对以后的工作发展方向进行展望。     

基于引导滤波的高动态红外图像压缩算法

非制冷红外机芯的原始图像位宽为14 Bit,虽然相对于8 Bit红外图像来说,14 Bit红外原始图像具有灰度动态范围更广、灵敏度更高、包含细节信息更多的优点,但是由于普通显示设备能够显示的最大灰度范围为8 Bit,所以需要对14 Bit原始图像进行压缩,以满足常规显示设备显示及后端图像处理的需求。若压缩算法性能不佳,在图像压缩过程中可能会丢失大量的细节信息,直接影响成像质量。本文提出了一种基于引导滤波的压缩和显示算法,该算法首先利用引导滤波对图像进行分层,根据不同图层的特点和在合成图像中的作用,分别进行增强和降噪处理,使合成图片具有良好的显示效果。通过与常用算法的仿真对比实验,以及对视觉效果和定量评价参数两个方面的实验结果分析,本文所提出算法在压缩和图像处理的性能表现上均获得一定程度的提升。