Face au problème d'une faible précision de détection causée par l'encombrement des piétons et l'occultation mutuelle dans des scènes naturelles complexes, un algorithme de détection dense de piétons basé sur l'optimisation des poids YOLOv7 est proposé. Tout d'abord, pour le problème d'extraction des caractéristiques des piétons occultés, un module d'attention multi-échelles efficace avec apprentissage inter-spatial (Efficient Multi-Scale Attention Module with Cross-Spatial Learning, EMA) est utilisé pour redistribuer les poids du réseau principal, et pour apprendre la corrélation entre les caractéristiques des différentes dimensions de canal, renforçant ainsi l'attention du modèle sur les zones visibles de la cible piétonne. Ensuite, face à la complexité élevée du modèle de détection, un module de connexion léger et efficace (Efficient Lightweight Connection Module, ELCM) est conçu afin d'améliorer la capacité d'expression du modèle tout en accélérant son entraînement. Enfin, une fonction de perte de boîte englobante focalisée Focal-SIoU loss est construite, qui met l'accent sur la suppression des échantillons de faible qualité, à laquelle une perte d'angle est ajoutée pour améliorer la précision de détection du modèle. Les résultats expérimentaux montrent que l'algorithme proposé atteint une moyenne de précision (mAP) de 83,7% et 82,6% respectivement sur les ensembles de données de détection de piétons Wider-Person et Crowd Human, démontrant un avantage significatif dans les tâches de détection de foules denses par rapport à d'autres algorithmes avancés.

Détection dense de piétons; optimisation des poids; fonction de perte focalisée sur la boîte englobante; YOLOv7