基于YOLO的行人检测优化：从包围框聚类到小目标检测增强

1次阅读

共计 2079 个字符，预计需要花费 6 分钟才能阅读完成。

行人检测作为计算机视觉领域的经典任务，在智能监控、自动驾驶等场景中具有重要应用价值。然而，传统 YOLO 算法在处理行人检测时面临两个显著挑战：

包围框比例不匹配 ：行人通常呈现瘦长形（高度 > 宽度）的包围框特征，而标准 YOLO 默认使用方形或固定比例的锚框（anchor boxes），导致检测框与真实目标形状不匹配，影响定位精度。
小目标检测性能差 ：当行人目标较小（如远距离监控场景）时，tiny-yolov2 等轻量级网络容易丢失细粒度特征，导致漏检或定位偏移。

数据准备 ：从训练集中提取所有行人标注的包围框宽高比（width/height）数据。
k-means++ 聚类 ：
初始化聚类中心：选择彼此距离较远的 k 个初始中心点，避免陷入局部最优
迭代更新：计算每个样本到中心点的距离（使用 1 -IOU 作为距离度量），重新分配类别并更新中心点
结果分析 ：选择最优聚类数 k（肘部法则或业务需求），生成新的锚框比例。

距离度量公式：

d(box, centroid) = 1 - IOU(box, centroid)

其中 IOU 计算两个包围框的交并比。

基于 tiny-yolov2 的改进方案：

多尺度特征融合 ：
添加跳跃连接（skip connection）将浅层高分辨率特征与深层语义特征融合
设计特征金字塔结构增强小目标感知能力
注意力机制 ：
在关键卷积层后插入 SE（Squeeze-and-Excitation）模块
通过通道注意力加权突出行人相关特征
损失函数优化 ：
对小目标样本增加定位损失权重
使用 Focal Loss 缓解正负样本不平衡问题

import numpy as np
from sklearn.cluster import KMeans

def kmeans_anchor_boxes(bboxes, k=5):
    """
    参数:
        bboxes: (N,2) 数组，每行表示 [width, height]
        k: 聚类数量
    返回:
        anchors: (k,2) 数组，聚类得到的锚框比例
    """
    # 转换为宽高比
    ratios = bboxes[:,0] / bboxes[:,1]  

    # k-means++ 聚类
    kmeans = KMeans(n_clusters=k, init='k-means++')
    kmeans.fit(ratios.reshape(-1,1))

    # 按比例排序并返回
    anchors = np.sort(kmeans.cluster_centers_.flatten())
    return anchors

import torch.nn as nn

class EnhancedTinyYOLO(nn.Module):
    def __init__(self):
        super().__init__()
        # 原始 tiny-yolov2 骨架
        self.backbone = ...  

        # 添加特征融合模块
        self.upsample = nn.Upsample(scale_factor=2)
        self.concat = ConcatLayer()  # 特征拼接层

        # SE 注意力模块
        self.se = SELayer(channels=256)

    def forward(self, x):
        # 获取多尺度特征
        feat1 = self.backbone.layer1(x)  # 高分辨率浅层特征
        feat2 = self.backbone.layer2(feat1)  # 深层特征

        # 特征融合
        feat2_up = self.upsample(feat2)
        fused = self.concat([feat1, feat2_up])

        # 注意力加权
        weighted = self.se(fused)
        return weighted

在 Caltech 行人数据集上的测试结果：