王怡雯 王学军 穆应晨

（石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043）

城市道路交通在人们的出行方式中占据极大的比重，虽然一定程度上便利了人们的生活，但是很多时段交通拥堵，行人与车辆之间不能很好地相互避让，导致事故频发，夜间环境尤其应该成为交通状况的关注重点，但夜间成像效果差导致目标检测研究难度较大。基于以上问题，亟需一个夜间交通状态智能感知系统来统计感知交通路况，而这一技术的核心即为道路车辆行人检测跟踪[1]。

近些年基于深度学习的目标检测算法因其强大的泛化能力和学习能力而被广泛应用[2]，但大多数研究是基于可见光采集的数据集，而本文重点针对的是基于红外光下图像的目标检测研究，将研究重点着眼于受光照强度影响小且在夜晚同样可达到较好成像效果的红外图像，一定程度上弥补了夜间道路交通监控的短板。

本文针对红外道路场景的目标检测实验中小目标特征缺失以及网络参数量庞大等问题，使用YOLO v4 为基础的目标检测模型进行实验，使用k-means 聚类算法获得针对本文红外数据集的先验框值，加入SENet 模块为特征通道施加注意力机制提升网络的特征描述能力，在PANet 中使用深度可分离卷积代替普通卷积结构进一步减少网络参数量。

1 YOLO v4 算法

YOLO v4 算法是在YOLO 系列先前版本的目标检测算法的基础上优化而来[3]，网络结构如图1 所示。YOLO v4 采用CSPDarknet53 作为主干特征提取网络，该网络在Darknet53 的基础上加入CSP 结构，将原来残差块的堆叠拆分成一条主干路径与残差路径，该结构实现了跨阶段的特征融合，在达到减少计算量的目的的同时仍可以保持较好的检测准确率。……