Lightweight Real-Time RGB-IR Pedestrian Detection Based on DoG Detail Enhancement and Region-Guided Attention
本文提出了一种名为 DRGF-YOLOv10n 的轻量化实时 RGB-IR 行人检测方法，该方法集成了具有高斯差分（DoG）细节增强功能的双分支主干网络（Dual-Branch Stem）以及区域引导空间注意力机制（Region-Guided Spatial Attention），旨在提高复杂环境下的准确性和鲁棒性，同时保持极高的推理速度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在计算机视觉领域，机器正在不断学习如何“看”，但它们经常会遇到与人类眼睛在恶劣条件下所面临的相似局限性。仅依赖可见光的摄像头（即我们日常使用的那种）很容易被黑暗、暴雨或刺眼的眩光所迷惑，导致其错过站在阴影中的人。相反，探测热量的摄像头（即红外传感器）虽然能在漆黑一片中发现温暖的身躯，但它们往往无法显示出该躯体的具体样貌，只能将其呈现为一个模糊且缺乏纹理的团块。为了解决这个问题，研究人员长期以来一直试图结合这两种视觉方式，希望将标准照片的清晰细节与热成像摄像头的热感能力融合在一起。挑战在于，如何教会计算机将这两股截然不同的信息流进行融合，且不丢失其中任何一方的特定优势，同时还要保持系统足够快，以便能在笔记本电脑或安防摄像头上实时运行。
重庆工业大学的一个研究小组开发了一种应对这一问题的新方法，创建了一个旨在复杂多变的复杂环境中实现高可靠性行人检测的系统。他们的方法基于一个轻量级的检测框架，从一开始就将可见光图像和热成像图像视为两股独立的信息流，而不是立即将它们揉捏在一起。他们发现，通过在初始处理阶段保持这两种视图的独立性，计算机可以更好地理解来自可见光的纹理和边缘，同时追踪其热特征。这种双流策略防止了系统因两种图像类型的差异而产生混乱，从而使其能够构建出关于场景中人物更清晰的图像。
为了让可见光图像变得更有用，研究人员在计算机开始主要分析之前增加了一个特定的步骤。他们应用了一种类似于锐化滤波器的技术，专门用于突出物体的轮廓和边缘。这一过程使得人物衣物的精细细节或肩膀的曲线在杂乱的背景中显得更加清晰，补偿了热成像摄像头通常缺乏这些精细细节的缺陷。通过将这种增强后的、更锐利的图像与原始热数据一起输入系统，计算机获得了更丰富的线索，使其更容易将真实的人与令人困惑的背景噪声区分开来。
该系统还包含一个智能聚焦机制，它在计算机对图像处理到一定深度后启动。该机制不再试图平等地关注图像的每一个部分（因为这会浪费计算能力），而是学会忽略无关的背景细节，如树木、栅栏或阴影。它将能量集中在人可能出现的区域，有效地调高了行人的“音量”，同时调低了世界其他部分的“音量”。这种选择性注意帮助系统避免误报，确保当它发出检测信号时，它对那里确实有人具有高度的信心。
在包含行人可见光与红外配对图像的标准数据集上进行测试时，这种新系统显示出比以往方法显著提高的精确度。它达到了 0.9204 的精确度得分，这意味着当系统说它看到了一个人时，它的正确率超过了 92%。虽然该系统漏掉了一些距离较远或非常小的目标，导致捕捉所有人的比例较低，但其避免误报的能力是其最强项。研究人员指出，该系统在标准笔记本电脑显卡上的运行速度约为每秒 31 帧，足以满足实时视频监控的需求。
作者认为，这个工具并不一定旨在成为安全系统的第一道防线，而更像是一个高度可靠的“第二意见”。在典型的监控设置中，第一台检测器可能会扫描视频流并标记许多潜在目标，以确保不错过任何情况，即使它有时会误报一些无害物体。而这个新系统则可以作为验证步骤，利用其锐化边缘增强和专注注意力的特性，重新检查这些被标记的区域，以确认哪些才是真正的人。这种两阶段方法使安全系统能够在不被持续、错误的警报所淹没的情况下，保持高水平的安全标准，这使得它在夜间监控或误报成本高昂且具有干扰性的区域特别具有价值。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。