基于改进YOLOv5的人员检测方法研究

摘要：

为了解决在人员检测过程中,检测精度低、收敛速度慢问题,提出了一种基于改进YOLOv5的人员检测方法.首先,在主干网络(Backbone)和特征加强网络(Neck)中加入注意力机制(attention mechanism,CBAM),来解决Backbone特征提取能力不足问题,并加强Neck特征融合能力;然后,加入EIOU Loss,解决了计算宽高的差异值取代纵横比,同时引入Focal Loss解决难易样本不平衡问题,EIOU Loss在测试过程中,不仅加快了模型的收敛速度,而且精度也有所提升.结果表明:在自制数据集和公开数据集CrowdHuman中,平均精度分别提高1.2％和1.6％,FPS(frames per second)每秒提升了11.91帧和6.44帧,漏检情况也有所降低.经过改进后的模型,实时性要求符合现实要求,更易于提取人员的特征信息,提升检测精度.

关键词：人员检测、注意力机制(CBAM)、EIOU Loss、Focal Loss

所属期刊栏目：23

分类号：TP391.41(计算技术、计算机技术)

资助基金：新疆维吾尔自治区自然科学基金2019D01C079

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3363-3369