Recently, visible and infrared thermal (RGB-T) images have drawn wide publicity for vehicle fusion detection in traffic monitoring because of their strong complementarities. How to fully use RGB-T images for vehicle fusion detection has generated enormous publicity. However, the infrared thermal dataset is relatively insufficient. Moreover, the most important requirements of vehicle fusion detection are accuracy, fast speed, and flexibility. Therefore, to address these difficulties, we propose a concise and flexible vehicle fusion detection method in RGB-T images via spare network and dynamic weight coefficient-based Dempster–Shafer (D–S) evidence theory. It combines the detection results of RGB-T images based on a decision-level vehicle fusion strategy. In this work, we focus on vehicle detection using infrared thermal images and the vehicle fusion detection strategy. For the former, we construct an applicable network for vehicle detection in infrared thermal images with sparse parameters (weights) and high generalization ability. For the latter, a fusion strategy via dynamic weight coefficient-based D–S evidence theory is proposed to fuse the two detection results of the RGB-T images. In the vehicle fusion detection strategy, we do not directly fuse the two detection results but judge the detection accuracy in advance. Finally, we introduce the VIVID, VOT2019, and RGBT234 datasets to verify the proposed vehicle fusion detection method. The vehicle fusion detection results show that the proposed method presents superior results compared with several mainstream approaches.

中文翻译：

---

基于备用网络和基于动态权重系数的Dempster-Shafer证据理论在可见光和红外热图像中的车辆融合检测

近年来，可见光和红外热（RGB-T）图像由于具有很强的互补性，在交通监控中的车辆融合检测方面得到了广泛的关注。如何充分利用RGB-T图像进行车辆融合检测已经引起了广泛的关注。然而，红外热数据集相对不足。此外，车辆融合检测最重要的要求是准确、快速和灵活。因此，为了解决这些困难，我们通过备用网络和基于动态权重系数的 Dempster-Shafer (D-S) 证据理论，在 RGB-T 图像中提出了一种简洁灵活的车辆融合检测方法。它结合了基于决策级车辆融合策略的 RGB-T 图像的检测结果。在这项工作中，我们专注于使用红外热图像和车辆融合检测策略进行车辆检测。对于前者，我们构建了一个适用于红外热图像中车辆检测的网络，该网络具有稀疏的参数（权重）和高泛化能力。对于后者，提出了一种基于动态权重系数的D-S证据理论的融合策略来融合RGB-T图像的两种检测结果。在车辆融合检测策略中，我们不直接融合两个检测结果，而是提前判断检测精度。最后，我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。我们构建了一个适用于红外热图像中车辆检测的网络，该网络具有稀疏的参数（权重）和高泛化能力。对于后者，提出了一种基于动态权重系数的D-S证据理论的融合策略来融合RGB-T图像的两种检测结果。在车辆融合检测策略中，我们不直接融合两个检测结果，而是提前判断检测精度。最后，我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。我们构建了一个适用于红外热图像中车辆检测的网络，该网络具有稀疏的参数（权重）和高泛化能力。对于后者，提出了一种基于动态权重系数的D-S证据理论的融合策略来融合RGB-T图像的两种检测结果。在车辆融合检测策略中，我们不直接融合两个检测结果，而是提前判断检测精度。最后，我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。对于后者，提出了一种基于动态权重系数的D-S证据理论的融合策略来融合RGB-T图像的两种检测结果。在车辆融合检测策略中，我们不直接融合两个检测结果，而是提前判断检测精度。最后，我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。对于后者，提出了一种基于动态权重系数的D-S证据理论的融合策略来融合RGB-T图像的两种检测结果。在车辆融合检测策略中，我们不直接融合两个检测结果，而是提前判断检测精度。最后，我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。我们引入了 VIVID、VOT2019 和 RGBT234 数据集来验证所提出的车辆融合检测方法。车辆融合检测结果表明，与几种主流方法相比，所提出的方法具有更好的结果。