复杂交通环境中有遮挡的行人检测算法设计及改进研究

摘要

在复杂交通环境中常有车辆前方存在人群密集的场景，使检测目标存在遮挡、目标特征不全等因素，导致目标检测精度较低且有漏检等问题。为了解决这些问题，提出一种基于改进YOLOv10n的行人目标检测算法并进行了改进。在检测阶段，引入重参数化卷积，增强了对复杂环境和不同尺度目标特征的捕捉能力。提出一种新的特征融合结构(Concat＿BiFPN),通过双向跨尺度连接和自适应特征权重优化了多尺度特征融合的效率和精度，提高了在小目标检测和复杂场景下的精确率。使用NWD损失函数，缓解小目标检测的敏感性、增强遮挡场景的鲁棒性。并进行了各部分的消融实验和总体的仿真对比实验，实验结果表明，在CrowdHuman数据集上，改进后的模型相较于原始模型，精确率提升了2.3%,mAP@0.5提升了2.0%,模型大小降低了7×10～4,召回率提升了1.2%。改进后的模型有更好的性能，能更好地部署到小型应用设备中。

关键词

YOLOv10n / 车载行人目标检测 / RepConv / Concat＿BiFPN / 损失函数