刘彦磊，李孟喆，王宣宣

（河南师范大学 物理学院, 河南省红外材料光谱测量与应用重点实验室, 河南 新乡 453007）

1 引 言

随着自动驾驶技术的不断发展，将其作为驾驶员辅助工具或者完全替代驾驶员，可以有效减少交通事故的发生[1]。目标检测技术能帮助驾驶员或者计算机了解道路情况[2]，在自动驾驶领域扮演着不可或缺的角色。红外图像目标检测以其探测距离远、抗干扰能力强、特征易于提取的优点，被广泛应用于自动驾驶领域[3-4]。然而，受物体间红外辐射的相互影响和红外成像设备成本的限制，红外图像存在分辨率和对比度低、纹理特征少等缺陷，给红外图像目标检测带来了挑战。因此，在有限资源的硬件设备下，开发高效准确的轻量型车载红外图像目标检测算法具有重要意义。

得益于人工智能技术的不断突破，深度学习算法被应用于车载红外图像目标检测任务中。不同于基于手工特征的传统方法[5]，深度学习算法有着更好的泛化性，主要分为两阶段方法和单阶段方法。两阶段车载红外图像目标检测算法[6-8]分为两个步骤，先选择出几个可能包含目标的区域，再通过卷积神经网络获得区域内的目标分类，但其存在检测速度较慢的问题。单阶段方法直接通过回归来获取图像中目标的位置和类别[9]，因其优异的检测效率被应用于车载红外图像目标检测的相关研究中。Gong 等人[10]针对红外图像检测速度无法满足实时性的问题，提出采用轻量型检测网络YOLOv3-tiny 作为红外图像车辆检测算法，并通过深化网络结构和利用KMeans 聚类算法优化先验框的方式提升检测精度，但检测网络深度不够，检测精度有待进一步提升。……