基于改进YOLOv7的融合图像多目标检测方法

针对微光环境下目标检测精度较低的问题，提出了一种基于改进YOLOv7的微光与红外融合图像的多目标检测方法。结合可见光、红外图像的优点，利用生成对抗网络法制作融合图像数据集。在YOLOv7模型中引入BoT结构，使网络更加关注整体图像信息，提升特征提取能力，从而提高行人和汽车检测的准确率，并将回归损失函数由CIoU改进为SIoU,降低自由度，加速网络收敛，得到了YOLOv7的改进算法—BoT-YOLOv7。在公开数据集LLVIP和MSRS上进行了实验。结果表明：相比可见光或红外图像，BoT-YOLOv7对融合图像的检测精度较高；改进算法对融合图像取得了92.6%的平均精度均值，较原始YOLOv7模型提高了5.83%;BoT-YOLOv7算法在检测行人和汽车等目标时漏检和误检率较低，具有较好的准确性和实时性，可以满足微光环境下多目标探测的要求。