SCFSA-YOLO:遮挡下精准客流统计的实时头肩检测器
王浩
北京数原数字化城市研究中心 北京 100083
摘要：密集场景下的客流统计面临小目标信息量匮乏、目标遮挡严重的现实挑战,导致现有检测方法难以满足实际应用需求.为此,文章提出一种改进的头肩检测模型SCFSA-YOLO,该模型以YOLOv12为基础框架,通过针对性优化小目标检测性能,有效提升复杂密集环境下客流统计的准确性.首先,选用头肩作为检测目标以缓解遮挡问题,并在VSCrowd数据集上完成模型训练;其次,通过增设小目标专用检测层、加深主干网络结构,以及将输入分辨率从640提升至960,显著增强小目标的特征表征能力;此外,设计空间多尺度-通道频率协同注意力机制(SCFSA),提升模型在遮挡环境下的空间定位精度;同时,提出增强型空间-光谱下采样模块(ESSD),替代传统步长卷积,确保下采样过程中原始特征信息的最大化保留.实验结果表明,所提方法在VSCrowd测试集上的mAP@0.5达到90.0％,较基准YOLOv12模型提升8.6％,在小目标检测和遮挡场景中展现出明显优势.综上所述,SCFSA-YOLO模型通过架构优化与创新的注意力机制、下采样,有效解决了密集场景中小目标表征不足和严重遮挡的核心难题,为高精度、实时化的客流统计应用提供了切实可行的技术方案.
关键词：头肩检测密集场景YOLOv12小目标检测注意力机制客流统计
论文发表日期：2026-01-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：7( 45-51 )