现代计算机ModernComputer第28卷第24期2022年12月25日文章编号:1007-1423（2022）24-0047-05DOI:10.3969/j.issn.1007-1423.2022.24.008基于改进YOLOv5的有遮挡行人检测方法研究李彤晖，宋晓茹（西安工业大学电子信息工程学院，西安710021）摘要：针对行人检测因遮挡而出现的检测精度低、误检率高的问题，提出基于YOLOv5m算法的改进KSE⁃YOLO检测模型。首先进行初始中心点选取优化，选取匹配行人目标的先验框尺寸，提升检测精度；其次引入注意力机制模块，提升网络对于行人目标的关注度，降低误检率；最后，在公开数据集上进行训练并测试。结果表明，对比传统主流识别算法，KSE⁃YOLO在检测精度、召回率以及平均精度均值上均有提升，可有效应用于遮挡情况下的行人检测与其相关领域。关键词：YOLOv5；行人检测；注意力机制；K⁃means++0引言有遮挡的行人检测作为机器视觉的热门研究方向，主要分为两类情况：一类为包含建筑、车辆、树木等其他物体对于行人的遮挡造成目标信息的缺失；另一类则为行人之间的相互遮挡，多姿态动作引入大量干扰信息，均会导致检测精度降低与误检问题的发生。近年来，有遮挡的行人检测受到国内外科研工作者的广泛研究，取得了良好的发展。En⁃zweiler等［1］提出了具有部分遮挡处理的多线索行人分类方法，通过检查遮挡边界来确定可见性的程度，依赖于遮挡的分量权重将专家分类器的混合决策集中于未遮挡的行人身体部分；Wojek等［2］提出一种在跟踪器中加入遮挡背景的3D模型场景，并使用HOG+SVM［3］训练遮挡背景的检测器，实现多对象跟踪，但人力物力成本太高；蒋胜等［4］提出一种基于区域的全卷积网络，使用强化学习方法将行人和复杂干扰区域划分，缓解了传统网络的误检问题；Zhang等提出一种基于Faster⁃RCNN［5］架构的、简单紧凑的行人遮挡检测方法［6］，在单个模型中使用跨通道的注意机制来表示各种遮挡模式，引入自我或外部引导的注意力网络提升网络对行人目标的关注度，但检测速度有待提升。在此基础上，本文设计KSE⁃YOLO检测模型，以提升识别算法鲁棒性与检测精度，降低误检率。首先优化初始中心点的选取，使得目标框与真实框更为接近，以降低模型误检率；其次在骨干网络中引入SENet模块［7］，增强通道之间的学习能力，提升对于行人目标的关注，进而提升检测精度；最后在公开数据集上将改进KSE⁃YOLO与三种主流检测算法进行对比分析实验，以证明改进模型检测性能的提升。1YOLOv5m模型的研究采用YOLOv5m作为基础...
