深度学习驱动的夜间无人车红外目标检测与跟踪算法

本文主要探讨了人工智能在夜间无人车环境感知中的关键应用——目标检测与跟踪。随着无人驾驶技术的发展，环境感知能力成为实现自动驾驶的重要组成部分。白天，可见光相机在视觉感知方面表现优异，然而在夜晚或光线不足的情况下，其效能大打折扣。红外热像仪在这些非典型环境中表现出色，但其图像特性如纹理度低、噪声多、缺乏色彩信息等问题限制了其在目标检测上的应用。 首先，文章深入研究了一种基于深度学习的红外图像目标检测算法，特别是一种改进的SSD（Single Shot MultiBox Detector）算法。作者针对无人驾驶的实时性需求，对原始SSD进行了优化，包括使用DenseNet网络增强特征提取，融合不同层次的特征图以增加信息传递，引入反卷积网络提升语义信息，并采用无锚点机制来更有效地分配目标特征图。此外，作者提出了一种新颖的训练策略，即不依赖预训练模型，以更好地适应红外数据集的特点。 其次，文章将目标检测算法与卡尔曼滤波和匈牙利匹配算法结合，形成了一种红外图像多目标跟踪方案。这个跟踪系统利用卷积神经网络对视频帧中的行人和车辆进行检测，同时运用卡尔曼滤波对前一帧的状态进行预测，再通过匈牙利匹配算法对检测结果和预测结果进行匹配，从而实现了行人和车辆的精确跟踪。这种结合展示了深度学习在复杂环境下的动态目标跟踪能力。 本文的贡献在于提出了一种高效且准确的基于深度学习的红外图像目标检测算法，以及一个结合了先进跟踪算法的解决方案，这对于提升无人车在夜间环境下的自主导航能力具有重要意义。通过实验验证，改进后的算法在实时性和准确性上均优于主流算法，对于推动自动驾驶技术在夜间环境中的实际应用具有重大价值。