《双波段红外目标检测》254页

双波段红外（DBIR）具有在单一视场（FoV）内结合中波红外（MWIR）和长波红外（LWIR）的优势。这为每个光谱波段提供了额外的信息。DBIR 相机系统在军事和民用领域都有应用。这项工作介绍了一种新型标签 DBIR 数据集，其中包括民用车辆、飞机、鸟类和人。该数据集旨在用于目标检测和跟踪算法。该数据集包含 233 个物体，其轨迹跨度长达 1,300 帧，同时包含 MW 和 LW 图像。

本研究回顾了与目标检测、红外光谱中的目标检测和数据融合相关的文献。使用 DBIR 数据集进行了两组实验： 运动检测和基于 CNN 的目标检测。在运动检测方面，开发了视觉背景提取器（ViBe）的并行执行，采用 ConnectedComponents 分析生成边界框。为了评估这些边界框，进行了交集-联合（IoU）计算。结果表明，在摄像机视场保持静止的序列中，DBIR 在 6.11% 的情况下增强了边界框的 IoU。尺寸分析表明，ViBe 在检测该数据集中的小而暗的目标时非常有效。

随后的实验采用了 "You Only Look Once"（YOLO）第 4 版和第 7 版，在对图像进行预处理后对该数据集进行推理。推理模型使用可见光谱 MS COCO 数据进行训练。研究结果证实，YOLOv4/7 能有效检测该数据集中红外光谱范围内的目标。对这些 CNN 相对于检测目标大小的性能进行评估，突出了目标大小在检测能力中的重要性。值得注意的是，DBIR 大大提高了 YOLOv4 和 YOLOv7 的检测能力；但是，在后一种情况下，假阳性检测的数量会增加。因此，虽然 DBIR 提高了 YOLOv4/7 的召回率，但 DBIR 信息的引入却降低了 YOLOv7 的精确度。

这项研究还证明了 ViBe 和 YOLO 在该数据集中基于目标大小的检测能力上的互补性。虽然这是已知的现有技术，但本研究还讨论了将这两种方法混合使用的方法。ViBe 擅长检测较小、较远的目标，而 YOLO 擅长检测较大、较近的目标。这项研究强调，在现代计算机视觉算法中，DBIR 比单用 MW 或 LW 具有多种优势，值得进一步研究投入。