В связи с проблемой низкой точности обнаружения, вызванной скоплением пешеходов и их взаимным перекрытием в сложных природных условиях, предложен алгоритм плотного обнаружения пешеходов на основе оптимизации весов YOLOv7. Во-первых, для задачи извлечения признаков перекрывающихся пешеходов использован эффективный мульти-масштабный механизм внимания с межпространственным обучением (Efficient Multi-Scale Attention Module with Cross-Spatial Learning, EMA) для перераспределения весов основной сети и изучения взаимосвязи между признаками различных каналов по измерениям, чтобы усилить внимание модели к видимым областям цели. Во-вторых, для решения проблемы высокой сложности модели обнаружения разработан эффективный облегчённый модуль соединения (Efficient Lightweight Connection Module, ELCM), направленный на повышение выразительных возможностей модели и ускорение обучения. В конце построена функция потерь с фокусированием на ограничивающей рамке Focal-SIoU loss, которая акцентирует подавление низкокачественных образцов, а также добавлена угловая потеря для повышения точности обнаружения модели. Экспериментальные результаты показывают, что предложенный алгоритм достиг средней точности 83,7% и 82,6% соответственно на наборах данных обнаружения пешеходов Wider-Person и Crowd Human, что демонстрирует значительное преимущество в задаче обнаружения плотных скоплений людей по сравнению с другими передовыми алгоритмами.

Плотное обнаружение пешеходов; оптимизация весов; функция потерь с фокусом на ограничивающей рамке; YOLOv7