, 最新更新时间
摘要:
在井下无人驾驶和安防监控等领域中,对行人目标的检测至关重要,但受井下低照度、粉尘等特殊工况环境的影响,图像中行人存在边缘纹理细节少、信噪比低、受背景信息影响大的问题,难以有效识别多尺度下的行人目标。针对上述问题,提出了一种基于图像融合和CornerNet-Squeeze的煤矿井下行人目标检测方法。首先,采用TIF算法将红外传感器和深度传感器采集的图像进行像素级融合,充分结合两者的优点,再进行形态学处理,减少背景干扰;然后,在CornerNet-Squeeze目标网络模型的基础上,将八度卷积OctConv连接引入沙漏主干网络之后,处理图像特征中高低频信息,增强图像边缘特征,提高小目标行人的检测能力。实验结果表明,融合图像数据集训练的模型的mAP高于红外和深度图像数据集;改进的CornerNet-Squeeze-Oct相较于CornerNet-Squeeze,在不牺牲原有算法的实时性基础上,有效提升了井下行人检测的mAP。