文献类型：期刊文章

作　　者：王宏[1,2] 韩晨[1,2] 袁伯阳[1,2] 田增瑞[1,2] 盛英杰[1,2]

WANG Hong;HAN Chen;YUAN Bo-yang;TIAN Zeng-rui;SHENG Ying-jie(College of Building Environment Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;Henan Engineering Research Center of Intelligent Buildings and Human Settlements,Zhengzhou 450002,China)

机构地区：[1]郑州轻工业大学建筑环境工程学院,郑州450002 [2]河南省智慧建筑与人居环境工程技术研究中心,郑州450002

出　　处：《科学技术与工程》

基　　金：河南省科技攻关项目(232102211050,222102220071,222102320298,20212102310519,212102210535);河南省高等学校重点科研项目(22A470014,20A620005,19A413013);郑州轻工业大学2021年度星空众创空间项目(2021ZCKJ106)。

年　　份：2023

卷　　号：23

期　　号：27

起止页码：11730-11738

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1 f/s(帧/秒),可以满足密集场景下拥挤行人的实时检测需求。

关 键 词：深度学习  拥挤行人检测  小目标检测 YOLOv5  

分 类 号：TP391.4]