面向拥挤行人检测的改进YOLOv7算法

针对拥挤行人检测场景下检测算法容易产生漏检与误检的问题,提出一种改进的YOLOv7拥挤行人检测算法。在骨干网络中引入BiFormer视觉变换器和改进的高效层聚合网络(RC-ELAN)模块,通过自注意力机制与注意力模块使骨干网络更多聚焦于被遮挡行人的重要特征,有效缓解了目标特征缺失对检测造成的负面影响。采用基于双向特征金字塔网络思想的改进颈部网络,通过转置卷积和改进的Rep-ELAN-W模块使模型可以高效利用中低维特征图中的小目标特征信息,有效提升了模型的小目标行人检测性能。引入高效的完全交并比损失函数,使模型可以进一步收敛至更高精度。在含有大量小目标遮挡行人的WiderPerson数据集上的实验结果表明,与YOLOv7、YOLOv5、YOLOX算法相比,改进的YOLOv7算法的交并比阈值分别取0.5和0.5~0.95时的平均精准度提升了2.5和2.8、9.9和7.1、12.3和10.7个百分点,可较好地应用于拥挤行人检测场景。

基于深度学习的行人检测与跟踪系统的设计与实现

针对复杂环境中行人静动态监测的需求,设计了一个基于深度学习的行人检测与跟踪系统。文章首先利用YOLO系列算法实现对行人目标的检测,然后,在此检测结果的基础上有效结合SORT跟踪方法来实现对行人的多目标跟踪,并实现了易于用户操作的图形化系统界面。针对于无法平衡行人检测速度与精确度的问题,文章设计的系统提供了可以根据监测场景的不同而选择具有不同优点的算法模型的模型选择功能。通过实验表明,该系统能够较好地完成复杂环境下的行人检测与跟踪,推动行人检测与跟踪系统领域的进一步发展。