改进YOLOv10n的密集行人小目标检测方法

摘要

在针对固定摄像设备进行的行人检测任务中，由于小尺度行人占比高、分布密集和复杂背景的干扰，模型易受到遮挡、尺度变化等情况的影响，出现误检和漏检问题.为有效解决上述问题，提出了一种基于YOLOv10n改进的行人小目标检测算法.该算法在C2f模块中融入自适应点移动和卷积门控机制，提出了C2f-MC模块，显著提升了局部特征的捕捉能力和特征筛选能力；通过构建SLC-P2小目标特征增强金字塔结构，优化了颈部网络，增强模型提取微小特征的能力；引入基于点采样的Dysample上采样模块，有效减少了传统卷积方法对高分辨率特征引导的依赖，并显著提高了对遮挡小目标区域的敏感度；设计了一种轻量化检测头LWD,进一步提升了模型在严重遮挡场景下对人群的识别能力.实验结果表明，与YOLOv10n相比，改进后的模型在Crowd Human和WiderPerson数据集上的精度分别提高了4.0%和1.9%,且参数量仅为2.0M,计算量为10.2GFLOPs,能够在计算资源有限的环境中实现高精度部署.

关键词

行人检测 / YOLOv10 / 特征选择 / 轻量化