科学技术与应用

基于 YOLO v8 改进的低辨识度图像目标检测算法研究

黄 建昌

河北农业大学理工系

董 天航

河北农业大学理工系

成 泽琳

河北农业大学理工系

DOI: https://doi.org/10.59429/kxjsyy.v2i6.12252

Keywords: 高级驾驶辅助系统；目标检测；红外图像；YOLOv8；注意力机制

---

Abstract

目标检测作为高级辅助驾驶系统中的一项基本任务，对于保障驾驶安全而言尤为关键。为提升红外图像中低 辨识度目标的识别精度，本文提出一种改进 YOLOv8 的红外图像目标检测算法。首先，运用中值滤波器降噪与限制 对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法对原始红外图像进行预 处理，增强了红外目标的清晰度与图像的对比度。其次，在 YOLOv8 主干网络中融入泛化能力更强的 SKNET 注意 力机制，提高了不同尺度（大小、远近）目标的检测速度与检测精度。最后，在 FLIR ADAS v2 红外图像数据集上 对常用的目标检测网络进行验证对比。结果显示，本文提出的改进 YOLOv8 目标检测算法针对红外图像中的车辆、 行人、自行车的平均精度达到 88.8%，相较于原始的 YOLOv5 和 YOLOv8 目标检测网络分别提升了 4%、2.7%，且 检测速度从原来的 43fps 提高至 46.5fps，实现了对红外图像中关键目标的快速、准确且有效的检测。

---

References

[1] N. Dalal and B. Triggs. Histograms of oriented gradients for human detection [C] // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, USA, 2005, 1:886-893.

[2] P. Felzenszwalb, D. McAllester and D. Ramanan. A discriminatively trained, multiscale, deformable part model [C] // 2008 IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, AK, USA, 2008:1-8.

[3] R. Girshick, J. Donahue, T. Darrell , et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation [C] // 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 2014:580-587.

[4] Ren S , He K , Girshick R ,et al.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149.

[5] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection [C] // Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR). Las Vegas, NV, USA, 2016:779-788.

[6] Redmon J, Farhadi A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv: 1804.02767 , 2018.

[7] Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv: 2004.10934, 2020.

[8] Terven, Juan R. and Diana-Margarita CórdovaEsparza. A Comprehensive Review of YOLO: From YOLOv1 and Beyond[J]. arXiv preprint arXiv:2304.00501 ,2023.

[9] 马野，吴振宇，姜徐 . 基于红外图像与可见光图像特征融合的目标检测算法[J]. 导弹与航天运载技术，2022,389(05):83-87.

[10] 刘智嘉，夏寅辉，杨德振等 . 基于中值滤波器 的 红 外 图 像 噪 声 处 理 的 改 进 方 法[J ] . 激 光 与 红 外 ，2019,49(03):376-380.

[11] 刘玉婷，陈峥，付占方等 . 基于 CLAHE 的红外图像增强算法[J]. 激光与红外，2016,46(10):1290-1294.

[12] G. Jocher, A. Chaurasia, J. Qiu. YOLO by Ultralytics. https://github.com/ultralytics/ultralytics, 2023. Accessed: February 30, 2023.

[13] Li X, Wang W, Hu X, et al. Selective kernel networks [C] // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (CVPR). Long Beach, CA, USA, 2019: 510-519.