Diante do problema da baixa precisão de detecção causado pela aglomeração e obstrução mútua de pedestres em cenários naturais complexos, foi proposta uma algoritmo de detecção densa de pedestres baseado na otimização de pesos YOLOv7. Primeiramente, para o problema da extração de características de pedestres obstruídos, utiliza-se o Módulo de Atenção Multiescala Eficiente com Aprendizado Cruzado Espacial (Efficient Multi-Scale Attention Module with Cross-Spatial Learning, EMA) para redistribuir os pesos da rede principal, e aprender a correlação entre características de diferentes canais através das dimensões, reforçando a atenção do modelo nas áreas visíveis do alvo pedestre. Em seguida, para o problema da alta complexidade do modelo de detecção, foi projetado o Módulo de Conexão Leve e Eficiente (Efficient Lightweight Connection Module, ELCM), visando melhorar a capacidade expressiva do modelo ao mesmo tempo em que acelera a velocidade do treinamento. Finalmente, foi construída a função de perda de caixa delimitadora focal Focal-SIoU loss, que enfatiza a supressão de amostras de baixa qualidade, enquanto adiciona uma perda angular para melhorar a precisão da detecção do modelo. Os resultados experimentais indicam que o algoritmo proposto alcançou médias de precisão média de 83,7% e 82,6% nos conjuntos de dados de detecção de pedestres Wider-Person e Crowd Human, respectivamente, apresentando vantagem significativa em tarefas de detecção de multidões densas em relação a outros algoritmos avançados.

Detecção densa de pedestres; otimização de pesos; função de perda de caixa delimitadora focal; YOLOv7