(武汉理工大学 物流工程学院，武汉 430063)

0 引言

目标的自动检测是机器视觉中一项广泛应用的技术。例如，无人驾驶车辆的避障和道路安全的预警等。在过去的几十年中，目标检测技术得到了普遍的研究。然而，到目前为止，目标检测的各种方法对于复杂黑暗场景下的目标识别效果不佳。例如隧道施工现场，环境阴暗，浮尘和强光的存在，道路崎岖不平，导致包含检测目标的红外图像的信息存在很多干扰，现有的传统方法无法对目标进行可靠的检测。

现有的方法实现红外目标的检测在很大程度上取决于图像特征，例如边缘特征、不变特征和统计特征。基于边缘特征[1]的匹配方法首先提取目标的边缘信息，然后通过倒角距离匹配技术[2]来匹配目标的边缘，或者转换成其它特征，例如形状描述符[3]、轮廓描述符[4]或者感知驱动的图像特征[5]，虽然采集的图像经过预处理，但在隧道环境中待识别的目标轮廓较模糊，依然不足以用这些方法准确识别。基于不变特征的方法主流是对照度和尺度特征的提取。SIFT、SURF和ORB都是基于局部不变特征的经典算法，有诸多学者针对此类算法进行了改进[6-8]，然而，这些经典算法很难从一个红外图像的目标中提取足够多的关键点。Gray Histogram、Entroy、Unit Entroy、HoG和GIST等[9-12]统计特征方法，可用于表征红外图像中的目标，然而，Gray Histogram和Entroy仅仅依靠灰度值来检测目标，不包含任何关于像素位置的信息，这就会导致不同的目标可能被标识为相同的目标的问题。……