基于YOLOv8复杂环境下车辆行人检测算法研究

摘要

针对传统YOLOv8算法在复杂交通环境中检测车辆与行人存在特征融合不足及精度较低等问题，提出了一种基于改进YOLOv8模型的车辆与行人检测算法。在Neck部分引入改进的CCFF跨尺度融合模块，同时加入小目标检测分支，增强模型对目标多尺度特征的融合能力，提升小目标的检测精度；使用DySampling上采样模块替换Upsample模块，通过动态上采样的方式更好地保留特征信息，减少细节丢失，提升模型在复杂环境下的适应能力；使用Dyhead检测头实现尺度感知、空间感知和任务感知的统一，进一步提升模型适应复杂环境的能力，并提高目标检测精度。实验结果表明：改进后的模型mAP@50提高了5.6%,模型参数量减少了8.4%,检测精度和灵活性都有所提高。

关键词

车辆行人检测 / 多尺度特征融合 / 动态上采样 / Dyhead检测头

基金资助

国家自然科学基金项目(51665018); 江西省重点实验室基金项目(2024SSY03161)