基于改进YOLO在公共场景下的行人检测与追踪技术研究.pdfVIP

摘要

近年来，随着数据的激增和深度学习的发展，行人检测与追踪技术逐渐显得重要。行

人检测与追踪技术能够准确地定位图像或视频中的行人，广泛应用于安全监控、自动驾驶

和军事等领域。此外，该技术还广泛应用于娱乐和生活等场景。为了实现在公共场景下对

行人更精准的检测与追踪，本文以YOLO算法为基础，对单阶段检测器的网络结构进行

优化，细致调整以增强其对行人目标的检测能力。同时，对DeepSort追踪算法进行改进，

以提高其在复杂环境下的特征提取能力。最后，结合本文提出的算法，使用Python以及

Qtdesigner设计了一个公共场景下行人目标检测与追踪系统，具体工作如下。

（1）针对当前行人目标检测中存在的复杂公共场景、中小尺度目标、遮挡问题等挑

战，本文提出了基于改进YOLOv8n的行人检测算法GamFaster-WIoU-YOLOv8。首先，

引入FasterNet替代骨干特征提取网络，通过优化网络结构和简化计算过程，显著提高推

理速度，使算法实时性表现更佳。然后，在网络的Backbone和Neck连接部分增加GAM

注意力机制，使算法能更好地关注图像的跨尺度特征，从而提升检测的准确性和鲁棒性。

最后，采用WIoULoss替换原损失函数，使算法更关注复杂场景中的小目标，增强算法

的鲁棒性以适应各种环境噪声。通过消融实验、对比实验和可视化对比得出，本文算法在

myPersonPRmAP3.8%2.7%2.3%

数据集上值、值和值分别增长了、、，成功验证了所

提改进策略的有效性。

（2）在追踪过程中，针对目前存在的对象丢失以及ID切换等挑战，提出将DeepSort

1DeepSort

追踪算法的检测器更换为（）中改进后的的检测算法，并替换原特征提取网络

为MobileNetV3_Small，在增强特征提取能力的同时降低匹配目标的耗时。通过消融实验、

对比实验和可视化对比得出，GamFaster-WIoU-YOLOv8+DeepSort_Ours算法相比

DeepSortMarket1501MOTAMOTP7.2%3.7%ID

算法在数据集上的，指标分别提升和，

切换次数也明显降低，成功验证了所提改进策略的有效性。

（3）设计了一个目标检测与追踪系统。将系统分为图像检测模块和视频检测模块，

通过Python语言和QtDesigner开发工具实现系统并处理上传的图像和视频数据。将处理

后的数据送入算法进行推理，识别出数据中的行人目标，并通过屏幕显示提升系统的交互

性。

关键词：目标检测；YOLO；注意力机制；DeepSort；QtDesigner

Abstract

Inrecentyears,withtherapidincreaseofdataandthedevelopmentofdeeplearning,

pedestriandetectionandtrackingtechnologyhasbecomeincreasinglyimportant.Pedestrian

detectionandtrackingtechnologycanaccuratelylocatepedestriansinimagesorvideos,andis

widelyusedinsecuritymonitoring,automaticdriving,militaryandotherfields.Inaddition,the

technologyisalsowidelyusedinentertainmentandlifescenes.Inordertoachievemore

accuratedet