郑欣悦，赖际舟，吕 品，袁 诚，范婉舒

(南京航空航天大学自动化学院，南京 211106)

0 引言

近年来，随着深度学习技术的不断发展，计算机视觉在自动驾驶、智能机器人等领域得到了广泛应用[1]。目标识别是计算机视觉中的重要基础任务之一，通过目标识别算法能够得到感兴趣的目标物体在图像中的准确位置，从而为载体下一步的信息融合决策奠定基础，提升整体的感知与导航能力。

可见光图像的成像分辨率高，能够提供较多的纹理细节信息，且具有大规模数据集进行算法训练，因此当前的大多数目标识别算法都是针对常规光照环境下的可见光图像进行识别。然而，可见光图像容易受到环境光照影响，在弱光和黑暗环境下无法提供有效信息，不再适合作为可靠的图像信息源。与此相比，红外图像具有抗干扰能力强、不受光照影响的特点，能够在弱光和黑暗环境下工作，可作为复杂光照场景下目标识别算法的信息源[2]。

传统的目标识别算法往往采用人工特征如HOG特征[3]、SIFT特征[4]、Haar特征[5]进行图像特征提取，并采用线性分类器如支持向量机(Sup-port Vector Machine，SVM)[6]进行分类。此类方法以特定的方式对图像的多个区域逐个进行特征提取分类，因此识别速度相对较慢且泛化性能不足。近年来，基于深度学习的目标识别方法采用卷积神经网络作为自适应特征提取模块，能够达到更好的识别性能。当前的主流目标识别算法主要分为两阶段目标识别与单阶段目标识别。……