丁文杰，苗笛，高宇杭，陈思锦

一种基于改进YOLOv3的密集人群检测算法

丁文杰，苗笛，高宇杭，陈思锦

（天津职业技术师范大学 电子工程学院，天津 300222）

对于天津地铁中的密集人群的场景，且YOLOv3算法模型对行人的识别率不高，在严重遮挡的情况下出现漏检的问题。针对以上问题，提出了一种基于改进YOLOv3的密集人群检测算法。通过对特征提取网络和损失函数进行改进，并且在训练模型阶段，采用K-means++方法生成4个瞄点框，用于提升网络的训练速度。实验结果表明，改进后的算法在准确性和实时性上相对于Faster RCNN和传统的YOLOv3算法有了明显的提高，验证了该检测方法的高效性。

密集人群；YOLOv3；特征提取网络；K-means++

随着新型城市化战略的实施，出现了像地铁这样的密集人群场所。近年来随着城市轨道交通的迅速发展，为密集人群场景下的目标检测提供了数据和技术支持。密集人群场所下人员的交通安全和规划具有重要作用，因此需要提高检测算法的识别率，降低漏检率。

目前基于深度学习的目标检测算法取得了巨大的成功，并且在各项领域应用得越来越广泛[1]。一类是候选框分类算法类，先是输入图片进行候选框的选取[2]，然后用SVM分类器进行分类[3]，最后再进行边框回归。由此衍生出各种RCNN版本[4]，如Fast RCNN、Faster RCNN、Mask RCNN[5]。另一类是YOLO算法，它无需预先产生候选框[6]，通过CNN的全局特征预测[7]，直接输出物体的位置边框。基于YOLO算法产生了YOLOv2，基于YOLOv2的YOLO9000、YOLOv3算法[8]。YOLOv3算法虽然有较好的综合性能，但是对于天津地铁密集人群的检测，其准确度不高，尤其是在行人遮挡严重的情况下，出现漏检率较高的问题。……