计算机科学与探索

作者：杨迪, 张喜龙, 王鹏

单位：1. 长春理工大学 计算机科学技术学院，长春 1300222. 长春理工大学 吉林省大数据科学与工程联合重点实验室，长春 1300223. 长春理工大学 吉林省网络数据库应用软件科技创新中心，长春 130022

关键词：密集行人检测,YOLO,重参数化,可分离大核注意力机制,多尺度特征融合,轻量化

基金：吉林省科技发展计划项目（YDZJ202401621ZYTS）；吉林省科技创新平台建设项目（YDZJ202302CXJD027）。

针对当前行人检测算法在密集场景中由于遮挡和尺度变化导致的漏检、误检，以及模型计算复杂度高等问题，提出了一种基于YOLOv8的轻量级密集行人检测方法（LDD-YOLO），以实现检测效率与精度的平衡。设计了一种重参数化层聚合网络RELAN，融合了重参数化卷积和多分支结构，分别在训练阶段和推理阶段强化特征表达能力与模型推理效率。引入了分离式大卷积核注意力机制的空间金字塔池化模块SPPF-LSKA，结合分离式大卷积核操作以扩大感受野，增强对密集目标的特征捕获能力，抑制背景干扰。为解决YOLOv8在特征处理中未能充分挖掘局部与全局信息的局限性，提出了一种改进的多尺度特征融合模块FFDM，通过融合多尺度特征信息，提升模型密集行人检测的特征表达能力。设计了一种轻量化的特征对齐检测头LSCSBD，利用不同特征层级之间的共享卷积层，提高参数利用效率并减少冗余计算。在CrowdHuman与WiderPerson数据集上的对比实验结果表明，LDD-YOLO在总体性能上优于对比模型，实现了精度与效率的平衡。

来源：2026年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第1期