减少道路行人重叠漏检的联合检测模型研究

摘要

针对自动驾驶场景下，感知道路行人时易出现重叠漏检问题，进行了一种联合检测模型研究，提高了行人检测的准确性和召回率。首先，对YOLOv8算法进行了改进，替换了小目标检测层，检测图像中的人体头部和人体全身。随后，提出了一种自适应加权距离非极大值抑制(adaptive-weighted distance non-maximum suppression, AWD-NMS)方法，综合考虑检测框的置信度和中心点的欧氏距离，解决了非极大值抑制(non-maximum suppression, NMS)在处理高重叠目标时的漏检问题。最后，引入头身匹配策略，分析检测的头部框与人体框之间的空间关系。实验结果表明，在Wider Person数据集上，联合检测模型与YOLOv8模型相比，平均精度和召回率分别提升了2.2%和2.3%。通过实车测试，进一步验证该模型能够减少道路行人重叠漏检情况发生。

关键词

行人检测 / 小目标检测层 / 非极大值抑制 / 联合检测模型