基于改进YOLOv5的行人目标检测算法研究

Research on Pedestrian Target Detection Algorithm Based on Improved YOLOv5

摘要: 本文针对行人目标检测中的挑战，提出了一种基于改进YOLOv5的行人检测算法。该算法融合了Ghost模块和SE注意力机制，旨在提高特征提取能力的同时，保持模型的轻量性。在面对密集场景和遮挡问题时，改进的YOLOv5能有效提取重要特征并提升检测精度。通过对比实验和模拟分析，验证了该算法在提升检测性能的同时，仍能保持较低的计算复杂度和较高的实时性。实验结果表明，所提算法在行人检测任务中具有较好的表现，尤其是在低照度和复杂背景条件下。

Abstract: Aiming at the challenges in pedestrian target detection, this paper proposes a pedestrian detection algorithm based on improved YOLOv5. The algorithm combines the Ghost module and SE attention mechanism to improve the feature extraction capability while maintaining the lightweight of the model. When faced with dense scenes and occlusion problems, the improved YOLOv5 can effectively extract important features and improve detection accuracy. Through comparative experiments and simulation analysis, it is verified that the algorithm can maintain low computational complexity and high real-time performance while improving detection performance. Experimental results show that the proposed algorithm has good performance in pedestrian detection tasks, especially under low illumination and complex background conditions.

1. 引言

行人检测是智能监控、交通管理和自动驾驶等领域的重要研究方向。然而，在密集场景下，由于行人间距较小、频繁遮挡以及复杂背景的干扰，检测任务变得极具挑战性。行人间的遮挡减少了可见区域特征，导致特征提取困难，同时背景干扰加剧，使得网络模型难以准确分类和定位，进而引发误检与漏检[1]。因此，优化行人检测算法，提升检测精度的同时保证实时性，是未来研究的核心方向。

Wang等[2]通过更换新的骨干网络并结合预训练模型，增强了目标检测的特征提取能力，从而提供了更丰富的特征信息。Bodla等[3]采用优化目标预测帧分数策略的方法，增加了检测帧的数量，从而提升了对遮挡目标的检测性能。然而，提升模型的泛化能力仍然是一个重要的研究课题。Xue等[4]提出了一种创新的实时行人检测算法——多模态注意力融合YOLO，该算法基于DarkNet53框架优化夜间行人检测性能。

为了解决上述问题，本文提出了一种改进型YOLOv5行人目标检测算法[5]，该算法集成了Ghost模块和SE注意力机制，在提升特征提取能力的同时，保持模型的轻量化。并在INRIA数据集上进行了系统性实验分析。与FasterR-CNN、原始YOLOv5及其他YOLOv5改进方案相比，本方法在遮挡、小目标检测等复杂场景下表现更优，且计算成本较低，验证了所提算法的有效性和优越性。

2. 方法介绍

YOLOv5系列网络根据残差结构的宽度和深度分为YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x五类，结构相似但复杂度不同。表1展示了各模型在MS COCO数据集上的表现，分析表明YOLOv5在准确率与复杂度间实现了良好平衡。

Table 1. Performance of each model on the MS COCO dataset

表1. 各模型在MS COCO数据集上的表现

Method	Image size	mAP0.5 (%)	mAP0.5:0.95 (%)	FLOPs (G)
YOLOv5n	640 × 640	45.7	28.0	4.5
YOLOv5s	640 × 640	56.8	37.4	16.5
YOLOv5m	640 × 640	64.1	45.4	49.0
YOLOv5l	640 × 640	67.3	49.0	109.1
YOLOv5x	640 × 640	68.9	50.7	205.7

YOLOv5s由Backbone、Neck和Prediction三个主要组件组成[6]，各模块的高效协作提升了模型性能。该网络引入了多项优化，如Mosaic数据增强和自适应锚框计算。Backbone采用Focus和CSP_X结构，Neck结合CSP2结构，以增强特征融合能力。此外，空间金字塔池化(SPP)用于融合不同感受野特征，边界框损失函数采用CIOU，NMS非极大值抑制优化了重叠目标检测。YOLOv5s的整体结构如图1所示。

Figure 1. YOLOv5 network structure

图1. YOLOv5网络结构

2.1. Ghost模块

本文引入了Ghost模块以优化模型的轻量化设计[7]。Ghost卷积通过将输入通道划分为两部分：一部分采用标准卷积运算，另一部分使用较小的核(如5 × 5)进行简化计算，以减少计算复杂度。该方法能有效降低模型的计算量和存储需求，同时保持良好的特征提取能力。此外，Ghost卷积利用组卷积机制，将输入通道划分为多个独立组，使每个组分别执行卷积计算，从而减少参数数量和计算开销，同时提升计算效率。Ghost卷积的示意图如图2和图3所示。

Figure 2. Ordinary convolution

图2. 普通卷积

Figure 3. Ghost convolution

图3. Ghost卷积

Ghost卷积的计算过程包括多个步骤。首先，对输入特征图$X\in R^{c\times h\times w}$ 进行标准卷积操作，提取初步特征并生成较小的输出张量。随后，利用Ghost卷积生成额外的特征图，以扩展输出通道。最后，将Ghost卷积生成的特征与初始卷积输出沿通道维度拼接，得到最终的输出特征图$Y\in R^{c\times h\times w}$ 。在此过程中，标准卷积的计算量可表示为$c\times h^{\prime }\times w^{\prime }\times c^{\prime }\times k\times k$ 。相比之下，在生成相同数量特征的情况下，Ghost卷积减少了冗余计算，有效降低了计算成本，并加速了推理过程。两者的计算速率关系可由公式(1)推导得出。

$r_s=\frac{c\times h\times w\times c^{\prime }\times k\times k}{\frac{c}{s}\times h\times w\times c^{\prime }\times k\times k+\left(s-1\right)\times \frac{c}{c^{\prime }}\times h\times w\times d\times d}\approx \frac{s\times c^{\prime }}{s+c-1}\approx s$ (1)

Ghost模块通过减少冗余计算，大幅降低计算成本并压缩模型大小。其核心思想是利用较小的标准卷积核d × d提取初步特征，并通过简单变换操作s生成额外特征，满足$s\ll c^{\prime }$ 。根据等式(1)，Ghost模块的计算量相比标准卷积减少了1/s倍，从而有效提升计算效率。

2.2. 引入注意力机制模块

为了增强全局信息利用率，YOLOv5s在主干网络中引入了SE (Squeeze-and-Excitation)通道注意模块[8]，其特征变换过程如图4所示。首先，SE模块通过变换算子$F_{tr}$ 处理输入特征图$X\in {ℝ}^{H^{\prime }\times W^{\prime }\times C^{\prime }}$ ，生成输出$U\in {ℝ}^{H\times W\times C}$ 。其中，$F_{tr}$ 作为卷积算子，包含滤波核集合$M=\left[m_1,m_2,\cdots ,m_c\right]$ ，用于提取关键特征，得到映射后的结果$U=\left[u_1,u_2,\cdots ,u_c\right]$ 。

Figure 4. SE channel attention mechanism

图4. SE通道注意力机制

$u_c=m_c\ast X={\displaystyle {\sum }_{s=1}^{c^{\prime }}{m}_c^s\ast x^s}.$ (2)

其中，$\ast$ 代表卷积运算，滤波核$m_c$ 由参数矩阵$\left[\begin{array}{c}{m}_c^1,m_c^2,\cdots ,m_c^{c^{\prime }}\end{array}\right]$ 组成，而输入特征$X$ 包含通道集合$\left[x^1,x^2,\cdots ,x^{c^{\prime }}\right]$ 。其中，每个通道$x^s$ 对应于滤波核$m_c^s$ ，该滤波核是一个二维空间核。

随后，该特征图经过全局平均池化($F_{sq}$ )，将其空间维度H × W × C压缩为1 × 1 × C。接着，利用全连接层(FC)学习通道注意力，使特征保持相同维度但增强通道权重。最终，原始特征图与生成的1 × 1 × C注意力权重相乘，恢复H × W × C形态，同时强化通道信息。

2.3. 损失函数

YOLOv5网络[9]的总损失函数由三个部分组成：定位损失$L_{\text{box}}$ 、置信度损失$L_{\text{obj}}$ 和分类损失$L_{\text{cls}}$ 。损失函数如公式(3)~(6)所示：

$L_{\text{total}}=L_{\text{box}}+L_{\text{obj}}+L_{\text{cls}}$ (3)

$L_{\text{box}}={\lambda }_{\text{IoU}}{\displaystyle {\sum }_{i=0}^{S^2}{\displaystyle {\sum }_{j=0}^B{l}_{ij}^{\text{obj}}{L}_{\text{CIoU}}}}$ (4)

$L_{\text{obj}}={\lambda }_{\text{cls}}{\displaystyle {\sum }_{i=0}^{S^2}{\displaystyle {\sum }_{j=0}^B{l}_{ij}^{\text{obj}}{\lambda }_c{\left(C_i-{\widehat{C}}_i\right)}^2}}+{\lambda }_{\text{cls}}{\displaystyle {\sum }_{i=0}^{S^2}{\displaystyle {\sum }_{j=0}^B{l}_{ij}^{\text{noobj}}{\lambda }_c{\left(C_i-{\widehat{C}}_i\right)}^2}}$(5)

$L_{\text{cls}}=-{\displaystyle {\sum }_{i=0}^{S^2}{\displaystyle {\sum }_{j=0}^B{l}_{ij}^{\text{obj}}}}{\displaystyle {\sum }_{c\in \text{classes}}{\lambda }_c}$ (6)

其中，$\lambda$ 表示总体损失平衡系数，l表示每一类样本的损失权重，$C_i$ 表示置信度得分。

3. 实验验证

本研究在CUDA 11.2版本的PyTorch深度学习框架下进行模型训练，硬件环境包括AMD Ryzen 7 5800H处理器和NVIDIA GeForce RTX 3060 GPU。本文采用INRIA数据集，该数据集包含标注的站立或行走行人图像，由NavneetDalal在研究图像和视频中直立行人检测时收集。INRIA数据集的训练集包括614张正样本图像(共包含1237个行人)和1218张负样本图像；测试集包含288张正样本图像(589个行人)和453张负样本图像。如图5所示，展示了INRIA数据集的部分样本。

Figure 5. Some samples of the INRIA dataset

图5. INRIA数据集的部分样本

为了从不同角度比较和分析不同检测模型的优缺点，本文使用精度P、召回率R、平均精度mAP作为所提算法的主要评价指标，见下式(7)~(10)：

$P=\frac{TP}{TP+FP}$ (7)

$R=\frac{TP}{TP+FN}$ (8)

$AP={\displaystyle {\int }_0^{1}P\left(R\right)\text{d}R}$ (9)

$mAP=\frac{1}{n}{\displaystyle {\sum }_{i=1}^{n}AP}$ (10)

其中，TP表示预测正确的正样本数，FP表示预测错误的正样本数，FN表示预测错误的负样本数；n表示物体检测类别数。引入交集比，即预测帧与真实帧的交集与并集之比，本实验中设置为0.5。

为了验证改进算法的有效性，本研究进行了消融实验，分别是包含YOLOv5s、YOLOv5-Ghost与YOLOv5-Ghost-SE。如表2所示，展示了改进的YOLOv5s算法的消融实验结果。

Table 2. Comparison results of ablation experiments

表2. 消融实验对比结果

YOLOv5	Ghost	SE	P/%	R/%	mAP/%
√			89.16	88.58	89.31
√	√		90.65	90.12	92.18
√	√	√	93.28	91.49	92.24

表2展示了消融实验的对比结果，以评估Ghost模块和SE (Squeeze-and-Excitation)注意力机制对YOLOv5行人检测性能的影响。基础YOLOv5模型的精确率(P)为89.16%，召回率(R)为88.58%，mAP (均值平均精度)为89.31%。当引入Ghost模块后，P、R和mAP分别提升至90.65%、90.12%和92.18%，表明Ghost模块有效降低计算成本的同时，增强了特征表达能力，提高了检测性能。在此基础上进一步加入SE注意力机制后，精确率、召回率和mAP进一步提升至93.28%、91.49%和92.24%。这表明SE机制能够有效增强网络对重要特征的关注，提高检测的准确性和鲁棒性。综合来看，Ghost模块和SE注意力机制的结合，使得YOLOv5的行人检测能力得到显著增强，优化了检测精度的同时，保持了模型的轻量化。

之后进一步对该改进的模型进行对比，实验选择了YOLOv5和Faster RCNN [10]进行对比实验。表3给出了这三个模型在测试集上的具体实验结果。

Table 3. Comparative experimental data

表3. 对比实验数据

模型	P/%	R/%	mAP0.5/%
Faster RCNN	87.89	86.94	87.39
YOLOv5	89.16	88.58	89.31
Ours	93.28	91.49	92.24

表3展示了不同目标检测模型在行人检测任务上的性能对比，包括FasterR-CNN、YOLOv5以及本文提出的改进模型(Ours)。从实验数据来看，FasterR-CNN的精确率(P)为87.89%，召回率(R)为86.94%，mAP0.5为87.39%，说明其检测能力较为稳定，但由于其两阶段检测框架，可能在实时性方面存在一定的局限性。相比之下，YOLOv5作为单阶段检测模型，精确率、召回率和mAP分别提升至89.16%、88.58%和89.31%，在保证检测精度的同时，具有更高的计算效率。本文提出的改进模型(Ours)在YOLOv5的基础上进一步优化，P、R和mAP分别达到了93.28%、91.49%和92.24%，显著优于前两者。这表明，通过引入Ghost模块和SE注意力机制，模型的特征提取能力得到了增强，从而提高了检测精度和召回率，同时保持了较高的计算效率，使其在行人检测任务中表现更优。图6展示了不同的模型之间的性能对比。

Figure 6. Heat map display

图6. 热力图展示

图6展示了不同行人检测模型在精确率、召回率和mAP三项指标上的性能对比。横轴表示评价指标，纵轴代表FasterR-CNN、YOLOv5和改进模型。颜色从蓝色到红色变化，数值越高，颜色越偏向红色，数值较低则表现为蓝色。从实验结果来看，FasterR-CNN在所有指标上的数值最低，整体呈现较深的蓝色。YOLOv5在各项指标上相较FasterR-CNN略有提升，精确率、召回率和mAP分别达到89.16%、88.58%和89.31%，颜色也较浅，表明检测性能有所增强。相比之下，改进模型Ours在所有指标上均表现最佳，精确率达到93.28%，召回率为91.49%，mAP为92.24%，呈现最红的色块，直观地反映了其在实验范围内表现更优。

4. 结语

本研究提出了一种基于改进YOLOv5的行人目标检测系统，旨在提高行人检测的准确性和实时性。本实验对FasterRCNN、YOLOv5及改进模型在行人检测任务中的性能进行了系统对比。实验结果表明，相较于FasterRCNN，YOLOv5由于其单阶段检测架构，在检测精度与效率上均具备优势。进一步引入Ghost模块进行特征解耦重构，并结合SE注意力机制进行动态特征校准，使改进模型在保持实时推理能力的同时，实现93.28%的精确率、91.49%的召回率、92.24%的mAP0.5的提升。消融实验验证了轻量化特征提取和通道注意力机制的有效性。

基金项目

1) 2024-2025年重庆对外经贸学院《智能算法应用》课程教学改革(项目编号：KG2024067)；

2) 2024-2025年重庆对外经贸学院科研项目：人工智能图像识别技术助力农产品品质分级与分拣(项目编号：KYZK2024028)；

3) 2024-2025年重庆对外经贸学院科研项目：股票市场波动的统计特征分析与预测模型研究项(项目编号：KYZK2024042)。

NOTES

^*通讯作者。