基于改进YOLOv3算法的行人目标检测研究

摘要

针对行人目标检测任务中目标检测速度慢及小目标难以检测的问题，提出一种融合CBAM注意力机制的YOLOv3多尺度目标检测模型。该算法首先以YOLOv3为基础网络进行特征提取，然后在YOLOv3的多尺度特征融合层新增一个两倍下采样特征图，用于补充小目标特征信息，最后在YOLOv3的各尺度特征图融合后加入卷积注意力模型（CBAM），以加强网络的特征表达能力。模型训练时使用DIOU损失函数代替较为主流的GIOU损失函数，并采用INRIA数据集进行实验。实验结果表明，改进后的YOLOv3目标检测模型精度和速度都有较大程度提升，检测精度最高提升了4.5%，检测速度提升了8帧/s，验证了该模型的可行性与有效性。

0 引言

行人目标检测主要应用于智能视频监控、人体行为分析、智能机器人等领域，是解决城市治安、交通监测、人流量统计等问题的关键技术，因此行人目标检测技术有着广阔的应用前景［1-5］。传统目标检测算法主要采用人工设计的特征进行检测，需要使用底层信息，运用