Em cenários densos, a precisão do detector diminui devido ao bloqueio do corpo dos pedestres e à variação na escala dos pedestres. No entanto, a cabeça dos pedestres geralmente está menos bloqueada, portanto pode ser usada para auxiliar na detecção. Para isso, propõe-se um algoritmo de detecção de pedestres baseado na combinação das informações da cabeça e do corpo inteiro. Primeiramente, foi projetada uma rede de extração de características baseada em conexões densas e fusão aprimorada para reforçar a extração de características em múltiplas escalas e melhorar a sensibilidade da rede para a detecção de pedestres em múltiplas escalas. Em seguida, otimizou-se o mecanismo de amostragem do módulo de proposta de região, propondo uma estratégia de mineração de amostras difíceis não uniforme baseada na taxa de sobreposição de bloqueio, com foco especial em amostras difíceis com bloqueio severo, visando melhorar a adaptabilidade da rede à oclusão. Depois, foi construída uma estratégia de detecção conjunta da cabeça e do corpo inteiro e a etapa de pós-processamento foi otimizada, utilizando os resultados da detecção da cabeça para restaurar as caixas de detecção do corpo inteiro que foram erroneamente suprimidas devido à oclusão, reduzindo assim a taxa de falsos negativos. Paralelamente, a função de perda foi otimizada de acordo com as características da estrutura de detecção conjunta, aliviando ainda mais os erros e falsos negativos causados pela oclusão. Por fim, a eficácia do algoritmo proposto foi verificada por experimentos. Os resultados mostram que o algoritmo reduz a taxa média logarítmica de falsos negativos em 5,7% e melhora a precisão média em 4% no conjunto de dados CrowdHuman com alto grau de oclusão, e reduz a taxa média logarítmica de falsos negativos em 2,4% e 2,1%, respectivamente, em dois subconjuntos de pequena escala do conjunto de dados TJU-DHD-pedestrian, melhorando efetivamente a capacidade de detecção de pedestres ocluídos e multiescala.

Detecção de pedestres; detecção conjunta; fusão de características multiescala; mineração de exemplos difíceis; otimização do pós-processamento