技术领域
[0001] 本实用新型涉及红外交通目标检测装置技术领域，具体为一种红外交通目标检测装置。
相关背景技术
[0002] 近年来，红外成像技术在自动驾驶、智能安防、遥感以及工业监测等领域得到广泛的应用，鉴于全天候不间断侦测的需求，双光设备(可见光+红外)部署越来越多，同时对于视觉图像处理技术的需求也逐渐增多，同时广泛使用的红外周视系统具有360度全景视场，能够360度全方位成像，由于视场的增大，红外图像的背景成分极其复杂，多目标检测概率和识别性能将会受到影响。
[0003] 随着智能交通的发展，对传感器获取数据要求越来越高，传统的单一传感器数据采集方式，已经难以满足不断增长的智慧交通应用需求，交通目标通常包含机动车、非机动车与行人，交通目标的检测已成为智慧交通中的一个关键环节，在交通检测方面，基于单一传感器的目标检测依然占据主导地位，图像采集设备与毫米波雷达融合在交通目标检测方面的应用还不够充分，缺少有效的图像采集设备与毫米波雷达融合方法，为此，我们提出一种红外交通目标检测装置。实用新型内容
[0004] 本实用新型的目的在于提供一种红外交通目标检测装置，以解决上述背景技术中提出的问题。
[0005] 为实现上述目的，本实用新型提供如下技术方案：一种红外交通目标检测装置，包括图像采集模块，所述图像采集模块的输出端电性连接预处理模块，所述预处理模块的输出端电性连接目标检测提取模块，所述目标检测提取模块的输出端电性连接特征处理融合模块，所述特征处理融合模块的输出端电性连接目标匹配模块，所述目标匹配模块的输出端电性连接图像回归模块。
[0006] 优选的，所述目标检测提取模块包括SITF提取算法单元、GMM提取算法单元和YOLO提取算法单元，且所述SITF提取算法单元、GMM提取算法单元、YOLO提取算法单元的输出端均电性连接权重因子组合计算单元，所述权重因子组合计算单元的输出端电性连接结果输出单元。
[0007] 优选的，所述特征处理融合模块包括训练集构建单元，所述训练集构建单元的输出端电性连接网络学习单元，所述网络学习单元的输出端电性连接网络训练单元，所述网络训练单元的输出端电性连接网络转换输出单元。
[0008] 优选的，所述预处理模块采用降噪平滑算法，减少存在于原始红外图像中的噪声和杂波，增强原始红外图像的目标与背景的对比度，将原始信号变成适合进行特征提取的形式。
[0009] 优选的，所述权重因子组合计算单元对识别目标进行组合运算，其中，通过SITF提取算法单元检测得到目标的权重值设置为1/2，通过GMM提取算法单元检测得到目标的权重值设置为1/4，通过YOLO提取算法单元检测得到目标的权重值设置为1/4，将SITF提取算法单元、GMM提取算法单元、YOLO提取算法单元检测得到的三种算法的权重因子进行求和，若总和≥1/2，则保留此目标，若总和＜1/2，则保留此目标。
[0010] 与现有技术相比，本实用新型的有益效果是：
[0011] 本实用新型中的目标检测提取模块通过组合运算对目标进行识别以提取目标，综合了SIFT、GMM、YOLO三种不同目标检测算法的优势，在精确地提取特图像征并匹配的同时，有效地提高了检测和识别速度，特征处理融合模块对目标进行多帧毫米波点云数据采集，同时进行累加得到点云融合特征，基于卷积学习网络可以避免使用复杂的算子计算，舍弃冗余的特征信息，极大丰富特征的表征内容，提升检测性能，目标匹配模块对匹配目标采用轨迹关联在时空域中状态变化的连续性对匹配目标进行目标检测和噪声滤除，图像回归模块采用轨迹关联进行噪声滤除，并根据红外周视系统的实际应用情况设置不同的报警阈值，基于目标的融合特征，获得交通目标的检测结果，同时输出完整的红外图像和多目标报警信息，对检测目标的识别度高且精准。
具体实施方式
[0016] 下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
[0017] 请参阅图1、图2和图3，本实用新型提供一种技术方案：一种红外交通目标检测装置，包括图像采集模块1，图像采集模块1的输出端电性连接预处理模块2，预处理模块2的输出端电性连接目标检测提取模块3，目标检测提取模块3的输出端电性连接特征处理融合模块4，特征处理融合模块4的输出端电性连接目标匹配模块5，目标匹配模块5的输出端电性连接图像回归模块6。
[0018] 请参阅图2，目标检测提取模块3包括SITF提取算法单元31、GMM提取算法单元32和YOLO提取算法单元33，且SITF提取算法单元31、GMM提取算法单元32、YOLO提取算法单元33的输出端均电性连接权重因子组合计算单元34，权重因子组合计算单元34的输出端电性连接结果输出单元35，综合了SIFT、GMM、YOLO三种不同目标检测算法的优势，在精确地提取特图像征并匹配的同时，有效地提高了检测和识别速度；
[0019] 请参阅图3，特征处理融合模块4包括训练集构建单元41，训练集构建单元41的输出端电性连接网络学习单元42，网络学习单元42的输出端电性连接网络训练单元43，网络训练单元43的输出端电性连接网络转换输出单元44，训练集构建单元41建立红外图像数据集，并进行数据增强预处理，生成训练样本集，网络学习单元42用于根据嵌入平台所支持的算子与所提供的算力，构建红外图像目标检测网络，网络训练单元43用于使用训练样本集对构建的红外图像目标检测网络进行训练，网络转换输出单元44使用嵌入平台AI模块转换工具链对重新训练完成的红外图像目标检测网络进行转换，这样基于卷积学习网络可以避免使用复杂的算子计算，舍弃冗余的特征信息，极大丰富特征的表征内容，提升检测性能；
[0020] 预处理模块2采用降噪平滑算法，减少存在于原始红外图像中的噪声和杂波，增强原始红外图像的目标与背景的对比度，将原始信号变成适合进行特征提取的形式；
[0021] 权重因子组合计算单元34对识别目标进行组合运算，其中，通过SITF提取算法单元31检测得到目标的权重值设置为1/2，通过GMM提取算法单元32检测得到目标的权重值设置为1/4，通过YOLO提取算法单元33检测得到目标的权重值设置为1/4，将SITF提取算法单元31、GMM提取算法单元32、YOLO提取算法单元33检测得到的三种算法的权重因子进行求和，若总和≥1/2，则保留此目标，若总和＜1/2，则保留此目标；
[0022] 工作原理：图像采集模块1用于周视扫描采集并记录同步的原始红外图像以及毫米波雷达采集的多帧毫米波点云数据，预处理模块2用于对原始红外图像进行降噪平滑处理，目标检测提取模块3通过组合运算对目标进行识别以提取目标，综合了SIFT、GMM、YOLO三种不同目标检测算法的优势，在精确地提取特图像征并匹配的同时，有效地提高了检测和识别速度，特征处理融合模块4对目标进行多帧毫米波点云数据采集，同时进行累加得到点云融合特征，基于卷积学习网络可以避免使用复杂的算子计算，舍弃冗余的特征信息，极大丰富特征的表征内容，提升检测性能，目标匹配模块5对匹配目标采用轨迹关联在时空域中状态变化的连续性对匹配目标进行目标检测和噪声滤除，并进行坐标匹配，完成目标对象的确认，图像回归模块6采用轨迹关联进行噪声滤除，并根据红外周视系统的实际应用情况设置不同的报警阈值，基于目标的融合特征，获得交通目标的检测结果，同时输出完整的红外图像和多目标报警信息，对检测目标的识别度高且精准。
[0023] 尽管已经示出和描述了本实用新型的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由所附权利要求及其等同物限定。
