石 强，葛 源，马树波，郑洪龙，韩娟娟

（中国核动力研究设计院，成都 610005）

0 引言

室内场景人体检测是指在24h 不间断对室内环境进行监控中实现对人体的识别。室内场景中，由于人体和物体或者人体和人体相互遮挡也为人体识别检测带来了困难。基于将候选框提取、特征提取、目标分类、目标定位统一于一个神经网络中的YOLO v3 网络，构建室内场景识别数据集，聚类anchor 的个数和规格，改进候选框分布，以及优化网络检测策略，提高人体识别在红外图片和遮挡情况下的精确度和实时性。

图1 YOLO v3结构图Fig.1 Structure of Yolo v3

1 YOLO v3

1.1 YOLO v3网络结构

图1 是YOLO v3 网络的整体网络架构，YOLO v3 网络总共有106 层，由残差模块、卷积层、上采样层，以及YOLO 层构成。

YOLO v3 是将网络中低高层的特征，通过卷积核多个矩阵的拼接工作，创建3 个尺度的预测输出。残差模块是为了解决由于网络加深导致的梯度爆炸和梯度消失的问题，通过跳跃连接，它可以直接将原始信息传送到后面的层中去，同时保证了参数的量不会太大；上采样的作用是将特征矩阵按倍数扩大，使用最临近插值算法将底层特征信息和上层特征信息进行融合；YOLO 层进行最终的预测检测。

1.2 特征提取

YOLO v3 采用了Darknet-53 的网络结构（含有5 组残差模块）来提取特征。其网络结构采用了横纵交叉结构，并采用了连串的3×3 和1×1 卷积。其中，3×3 的卷积增加通道数，而1×1 的卷积在于压缩3×3 卷积后的特征表示，同时Darknet-53 为了防止池化带来的低级特征的丢失，采用了全卷积层，并且引入了residual 结构。这意味着网络结构可以更好地利用GPU，从而使其评估效率更高、速度更快。……