红外探测及目标识别_红外目标检测

背景介绍

  红外探测系统具有隐蔽性强、探测距离远以及抗干扰能力强等优点，广泛应用于舰船、航空器等目标的识别与跟踪。红外系统主要包含目标探测以及图像识别两部分：其中目标探测是红外系统的硬件基础；图像识别算法能够实现图像内容的判别和目标定位，是后续跟踪任务的前提，具体如图1所示：

图1 红外探测及目标识别的整体框架

  由于红外成像的探测距离较远，其目标在红外图像中只占几个或十几个有效的像素，呈现为点状或斑点状图案；另外红外图像的对比度和信噪比都较低，大大降低了图片识别的准确率，增加了红外目标的检测难度。目标识别算法主要包含传统识别算法与深度学习算法两种：其中传统识别算法非常依赖工程人员的专业知识与经验，模型的泛化能力较差。

图2 红外图像及目标识别的难点问题   附1：传统识别方法的具体过程为：提取颜色特征、纹理特征以及形状特征等，利用svm等分类算法实现图像的识别；

  附2：基于深度学习的目标检测算法主要有：1.候选区域算法：先对图像提出候选区域建议框，然后对候选框内的物体进行类别判断和定位；2.基于回归方法的算法：通过一个完整的卷积神经网络实现目标检测的需求。

  附3：采用高斯滤波对图像进行平滑处理能够有效的提高目标识别的准确率，对背景噪声进行有效的滤除；

目标识别算法—yolov5

  红外探测系统中，图像识别算法的处理平台主要包含云服务器以及嵌入式设备两种。其中传统图像识别的技术方案为：红外探测模块直接将采集的数据传输到云平台，通过深度学习算法对图像进行识别，后续将识别的结果返回到底层设备，该方案具有极高的准确率，但是在响应速度、隐私行等方面有待改善。

  近年来，随着嵌入式设备计算能力的快速提升，工程师能够直接在底层设备端执行图像识别算法， 能够大大提升了底端执行器的响应速度。另外，调研发现yolo算法的执行速度极快，非常适合应用于实时检测任务，因此，本文初步调试了yolov5目标识别算法，具体内容如下所示：

图3 （a）yolov5在嵌入式系统中的部署_stm32；（b）yolov5算法；（c）设备监测的系统架构.

环境配置

  自己在配置yolov5环境过程中遇到了好几个奇奇怪怪的问题，然而回头去看又好像非常简单，尴尬~；其中主要用到的命令有：

conda create -n python37 python==3.7
conda activate python37
python -m pip install -r requirements.txt
1
2
3

算例测试

  yolov5模型采用coco数据集进行测试，对生活中常见的目标进行识别，具体类别有：[‘人’，‘自行车’，‘汽车’，‘摩托车’，‘飞机’，‘公共汽车’，‘火车’，‘卡车’，‘船’，‘红绿灯’，‘消火栓’，‘停车标志’, ‘停车计时器’, ‘长凳’, ‘鸟’, ‘猫’, ‘狗’, ‘马’, ‘羊’, ‘牛’, ‘大象’, ‘熊’, ‘斑马’, ‘长颈鹿’ , ‘背包’, ‘雨伞’, ‘手提包’, ‘领带’, ‘手提箱’, ‘飞盘’, ‘滑雪板’, ‘滑雪板’, ‘运动球’, ‘风筝’, ‘棒球棒’, ‘棒球手套’，‘滑板’，‘冲浪板’，‘网球拍’，‘瓶子’，‘酒杯’，‘杯子’，‘叉子’，‘刀’，‘勺子’，'碗”、“香蕉”、“苹果”、“三明治”、“橙子”、“西兰花”、“胡萝卜”、“热狗”、“披萨”、“甜甜圈”、“蛋糕”、“椅子”、“沙发” ', ‘盆栽’, ‘床’, ‘餐桌’, ‘马桶’, ‘电视’, ‘笔记本电脑’, ‘鼠标’, ‘遥控器’, ‘键盘’, ‘手机’, ‘微波炉’, ‘烤箱’，‘烤面包机’，‘水槽’，‘冰箱’，‘书’，‘时钟’，‘花瓶’，‘剪刀’，‘泰迪熊’，‘吹风机’，‘牙刷’]；

图4 coco数据集下yolov5的运行速度与目标识别准确率；

  本文采用官方训练好的yolov5s.pt模型，对现有图片进行识别，具体的执行命令为：

python detect.py --source images/1_20.jpg
1

图5 yolov5算法的执行过程以及目标检测的结果.