景区行人检测 YOLOv5-GSPE 算法模型研究与实现

来源：计算机技术与发展杂志2023年第09期北京时间：

作者：何薇;陈宇拓

单位：中南林业科技大学 计算机与信息工程学院,湖南 长沙 410004 Author(s): HE Wei;CHEN Yu-tuo School of Computer & Information Engineering,Central South University of Forestry and Technology,Changsha 410004,China 关键词: 行人检测;YOLOv5-GSPE;GhostConv;PrFPN;EioU Keywords: pedestrian detection;YOLOv5-GSPE;GhostConv;PrFPN;EioU 分类号: TP181 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 09. 017 摘要: 针对景区内高密度行人检测中遮挡与小目标行人漏检率高、模型复杂度高、计算量大的问题,提出一种 YOLOv5 -GSPE 改进算法模型,在保证精度的同时改善检测效果,降低模型复杂度。 改进算法模型通过 GhostConv 优化主干网络中常规卷积( Conv)降低模型复杂度,并使用空洞卷积改善 SPPF 模块中池化操作带来的特征信息丢失,提升模型检测时效性,增强主干网络特征提取。 提出一种增强的特征金字塔网络—PrFPN,使用同层连接进一步丰富原始输入特征的融合,减少特征提取过程中的特征损失。 将引入正态分布计算优化后的 EIoU 损失函数作为边界框回归损失函数,提高边界框定位精度。 实验结果表明,YOLOv5-GSPE 算法模型对比 YOLOv5s 模型在保证检测时效性的情况下整体复杂度降低了12. 51% ,基于 Pedestrian 测试集的平均精度提升 4. 05% ,基于 WiderPerson 测试集的平均精度提升 3. 28% ,并降低了行人遮挡及小目标漏检率,改善了检测效果,该模型的可行性与有效性得到验证。

摘要：针对景区内高密度行人检测中遮挡与小目标行人漏检率高、模型复杂度高、计算量大的问题,提出一种 YOLOv5 -GSPE 改进算法模型,在保证精度的同时改善检测效果,降低模型复杂度。 改进算法模型通过 GhostConv 优化主干网络中常规卷积( Conv)降低模型复杂度,并使用空洞卷积改善 SPPF 模块中池化操作带来的特征信息丢失,提升模型检测时效性,增强主干网络特征提取。 提出一种增强的特征金字塔网络—PrFPN,使用同层连接进一步丰富原始输入特征的融合,减少特征提取过程中的特征损失。 将引入正态分布计算优化后的 EIoU 损失函数作为边界框回归损失函数,提高边界框定位精度。 实验结果表明,YOLOv5-GSPE 算法模型对比 YOLOv5s 模型在保证检测时效性的情况下整体复杂度降低了12. 51% ,基于 Pedestrian 测试集的平均精度提升 4. 05% ,基于 WiderPerson 测试集的平均精度提升 3. 28% ,并降低了行人遮挡及小目标漏检率,改善了检测效果,该模型的可行性与有效性得到验证。

关键词：行人检测;YOLOv5-GSPE;GhostConv;PrFPN;EioU