Zur Lösung des Problems der geringen Detektionsgenauigkeit aufgrund von Gedränge und gegenseitiger Verdeckung von Fußgängern in komplexen natürlichen Szenen wurde ein dichtes Fußgängerdetektionsalgorithmus YOLOv7 auf Basis der Optimierung von Gewichten vorgeschlagen. Zunächst wurde zur Extraktion von Eigenschaften verdeckter Fußgänger ein effizienter mehrskaliger Aufmerksamkeitsmechanismus im Raum (EMA) verwendet, um die Gewichte des Hauptnetzwerks neu zu verteilen und die Korrelation zwischen verschiedenen Kanaleigenschaften über Maße zu erlernen, um die Fokussierung des Modells auf sichtbare Bereiche der Fußgänger zu verstärken. Zweitens wurde ein effizientes leichtes Verbindungsmodule (ELCM) entworfen, um die Ausdrucksfähigkeit des Modells zu verbessern und die Trainingsgeschwindigkeit zu beschleunigen, um die hohe Komplexität des Detektionsmodells zu bewältigen. Schließlich wurde eine Focal-SIoU-Verlustfunktion für Begrenzungsrahmen entwickelt, die auf die Unterdrückung von Niedrigqualitätsmerkmalen abzielt und einen Winkelverlust hinzufügt, um die Detektionsgenauigkeit des Modells zu verbessern. Die Experimente zeigten, dass der vorgeschlagene Algorithmus auf den Fußgängerdetektionsdatensätzen Wider-Person und Crowd Human eine durchschnittliche Genauigkeit von jeweils 83,7 % und 82,6 % erreichte, was auf ein deutliches Detektionsvorteil in dicht gedrängten Menschenmengen gegenüber anderen fortschrittlichen Algorithmen hinweist.

Dichte Fußgängerdetektion, Optimierung von Gewichten, Focal-SIoU-Verlustfunktion für Begrenzungsrahmen, YOLOv7