基于卷积神经网络的热成像增强

随着商品化自主移动设备的出现，在夜间、光照不稳定等极端条件下识别变得越来越普遍。这一需求促使采用多模态传感器的方法，这些传感器可以互为补充。热成像相机的选择提供了丰富的温度信息，不易受到光照变化或背景杂乱的影响。然而，现有的热成像相机的分辨率相对较低，无法充分利用识别任务中的信息。为了解决这个问题，我们旨在根据对现有方法的广泛分析来增强低分辨率的热成像图像。为此，我们引入了基于卷积神经网络（CNN）的热成像增强方法，称为TEN，它直接学习将单个低分辨率图像映射到所需的高分辨率图像。此外，我们还研究了各种图像域，以找到热增强的最佳代表。总体而言，我们提出了第一个基于CNN、以RGB数据为指导的热成像增强方法。我们设计了广泛的实验来评估图像的质量和几个物体识别任务的性能，如行人检测、视觉里程计和图像配准.