基于圖像融合和改進(jìn)CornerNet-Squeeze 的煤礦井下行人檢測方法

鄒盛， 周李兵， 季亮， 于政乾

（1. 中煤科工集團(tuán)常州研究院有限公司，江蘇 常州 213015；2. 天地（常州）自動化股份有限公司，江蘇 常州 213015））

0 引言

近年來，隨著煤礦智能化建設(shè)加速進(jìn)行，機(jī)器視覺技術(shù)在井下行人檢測領(lǐng)域應(yīng)用廣泛，通過圖像處理算法對行人目標(biāo)進(jìn)行檢測和分析，用于后續(xù)井下無人駕駛車輛感知和智能安防監(jiān)控等，對于提高煤礦安全生產(chǎn)管理水平、防范人身傷亡事故具有重要意義[1-2]。受井下光線昏暗、光照不均、背景復(fù)雜、行人目標(biāo)小且密集等特殊工況環(huán)境的影響，圖像中的行人目標(biāo)存在邊緣細(xì)節(jié)特征少、信噪比低、與背景相似度高等問題，難以有效識別遮擋多尺度下的行人目標(biāo)，導(dǎo)致基于機(jī)器視覺的行人檢測技術(shù)在井下應(yīng)用面臨很大挑戰(zhàn)。

基于機(jī)器視覺的行人目標(biāo)檢測技術(shù)主要分為基于傳統(tǒng)圖像處理算法和基于深度學(xué)習(xí)算法2 種?；趥鹘y(tǒng)圖像處理的行人目標(biāo)檢測算法包括方向梯度直方圖（Histogram of Oriented Gradient, HOG）+支持向量機(jī)（Support Vector Machines，SVM）、積分通道特征（Integral Channel Features，ICF）+AdaBoost、可變形部件模型（Deformable Part Model，DPM）等[3]，主要依賴人工設(shè)計特征，獲得的行人檢測特征主觀性強(qiáng)，魯棒性差，無法滿足煤礦井下暗光、粉塵等特殊工況的多尺度行人檢測需求?；谏疃葘W(xué)習(xí)的行人目標(biāo)檢測算法通過大規(guī)模數(shù)據(jù)集訓(xùn)練學(xué)習(xí)，主動提取特征，解決了基于傳統(tǒng)圖像處理的行人目標(biāo)檢測算法模型泛化能力差的問題，針對復(fù)雜環(huán)境下的圖像處理問題具有更大的性能優(yōu)勢和應(yīng)用潛力?；谏疃葘W(xué)習(xí)的行人目標(biāo)檢測算法主要包括two-stage 和one-stage 2 類。two-stage 算法通過區(qū)域生成網(wǎng)絡(luò)產(chǎn)生目標(biāo)候選框，并對目標(biāo)候選框進(jìn)行分類回歸，以基于區(qū)域候選 框 的 卷 積 神 經(jīng) 網(wǎng) 絡(luò)（Region-based Convolutional Neural Networks，RCNN）及 其 迭 代 升 級 網(wǎng) 絡(luò)Fast RCNN、Faster RCNN[4]為代表，優(yōu)點(diǎn)是檢測效果較好；one-stage 算法采用端到端的方式訓(xùn)練網(wǎng)絡(luò)，無需生成區(qū)域候選框，直接對目標(biāo)檢測框進(jìn)行分類回歸并輸出檢測結(jié)果，主要包括SSD[5]系列、YOLO[6]系列、CornerNet[7]系列等，優(yōu)點(diǎn)是檢測速度快。李偉山等[8]提出了一種改進(jìn)的Faster RCNN 煤礦井下行人檢測方法，以Faster RCNN 算法為基礎(chǔ)，對候選區(qū)域網(wǎng)絡(luò)（Region Proposals Network，RPN）結(jié)果進(jìn)行改進(jìn)，將不同層級的特征融合，以提高行人檢測準(zhǔn)確率，但網(wǎng)絡(luò)計算量大，無法應(yīng)用于實(shí)時系統(tǒng)中。李現(xiàn)國等[9]設(shè)計了一種基于DenseNet 網(wǎng)絡(luò)的輕量級卷積神經(jīng)網(wǎng)絡(luò)作為SSD 網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)﹐以滿足井下視頻行人實(shí)時檢測需求，并設(shè)計了基于ResNet 網(wǎng)絡(luò)的輔助網(wǎng)絡(luò)，以增強(qiáng)特征表征能力，雖然其檢測速度很快，但在井下遮擋、密集場景下的行人檢測效果不理想。張明臻[10]針對井下弱光環(huán)境中捕獲圖像質(zhì)量不佳的問題，通過將弱光圖像分解為光照圖和反射圖進(jìn)行增強(qiáng)和去噪處理，并將含有殘差塊的 Dense 模塊添加到 YOLO 網(wǎng)絡(luò)中，構(gòu)建了基于 Dense-YOLO網(wǎng)絡(luò)的井下行人檢測模型，以降低弱光環(huán)境下行人檢測漏檢率，但其對于一些垂直邊緣較強(qiáng)，與背景相似度高的干擾物易造成虛警。

針對上述問題，本文提出了一種基于圖像融合和改進(jìn)CornerNet-Squeeze 的煤礦井下行人檢測方法。該方法對紅外相機(jī)和深度相機(jī)采集的圖像進(jìn)行融合，并結(jié)合二者優(yōu)勢，提升井下行人檢測的精度；在CornerNet-Squeeze 的主干網(wǎng)絡(luò)后加入八度卷積（Octave Convolution，OctConv），增強(qiáng)行人目標(biāo)邊緣特征，提高井下多尺度行人目標(biāo)的檢測能力。

1 CornerNet-Squeeze 網(wǎng)絡(luò)

CornerNet 網(wǎng)絡(luò)作為一種one-stage 的 Anchor-Free 目標(biāo)檢測算法，省略了生成錨框的步驟，具有與two-stage 算法相媲美的檢測精度[11-12]，網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。其中沙漏型主干網(wǎng)絡(luò)Hourglass Network由2 個全卷積網(wǎng)絡(luò)Hourglass-52 Network 組成，通過一系列下采樣和上采樣操作，實(shí)現(xiàn)輸入圖像的多通道特征圖提取。提取的特征圖輸出到2 個分支模塊，并分別預(yù)測目標(biāo)左上角和右下角2 組角點(diǎn)位置。每個角點(diǎn)分支預(yù)測模塊經(jīng)過Corner Pooling 后，輸 出 Heatmap、Embeddings、Offsets 3 個 部 分[13]。Heatmap 輸出預(yù)測角點(diǎn)信息；Embeddings 輸出不同角點(diǎn)之間的距離，判斷2 個角點(diǎn)是否屬于同一個實(shí)例目標(biāo)；Offsets 輸出從輸入映射到特征圖的誤差信息，調(diào)整目標(biāo)角點(diǎn)位置。通過聚合三者信息預(yù)測得到目標(biāo)角點(diǎn)，采用Soft-NMS 操作去除冗余框，最終輸出目標(biāo)檢測結(jié)果。

圖1 CornerNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 CornerNet network structure

沙漏型主干網(wǎng)絡(luò)Hourglass Network 中單個Hourglass-52 Network 網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示[14-16]。該網(wǎng)絡(luò)中使用了大量的Res 殘差模塊，當(dāng)輸入圖像尺寸為256×256 時， 主干網(wǎng)絡(luò)部分的參數(shù)量高達(dá)18 700 萬，巨大的參數(shù)量造成大部分計算資源集中消耗，導(dǎo)致實(shí)時性降低，且其計算復(fù)雜度會隨輸入圖像尺寸增大呈指數(shù)增加[16]。為降低沙漏型主干網(wǎng)絡(luò)復(fù)雜度，追求更高的實(shí)時性，CornerNet-Squeeze 在CornerNet 基礎(chǔ)上結(jié)合SqueezeNet[17-18]的思想，采用SqueezeNet 中的fire 模塊代替Hourglass network 中的Res 殘差模塊，對其進(jìn)行精簡處理。Res 殘差模塊由2 個3 × 3 大小的卷積層和跳躍連接組成；fire 模塊先使用1 × 1 卷積層對數(shù)據(jù)進(jìn)行降維處理，再用可分離的1 × 1 卷積層和3 × 3 卷積層進(jìn)行組合擴(kuò)展。采用1× 1 的卷積核參數(shù)量為3 × 3 卷積核的1/9，可大大減少Hourglass network 計算參數(shù)，提高模型的推理速度。

圖2 Hourglass-52 Network 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Hourglass-52 Network structure

2 改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)

CornerNet-Squeeze 網(wǎng)絡(luò)只對沙漏型主干網(wǎng)絡(luò)做了輕量化處理，但面對復(fù)雜背景和小目標(biāo)圖像時，往往目標(biāo)特征提取不完整，影響Heatmap 熱圖對目標(biāo)角點(diǎn)位置的判斷，導(dǎo)致目標(biāo)檢測框定位錯誤。因此，本文在CornerNet-Squeeze 的沙漏型主干網(wǎng)絡(luò)后引入OctConv[19-20]特征增強(qiáng)模塊，在 不 明 顯 增 加CornerNet-Squeeze 網(wǎng)絡(luò)復(fù)雜度的情況下，加強(qiáng)對目標(biāo)邊緣特征的提取能力，提高Heatmap 熱圖對角點(diǎn)預(yù)測的準(zhǔn)確性，減少CornerNet-Squeeze 網(wǎng)絡(luò)由于目標(biāo)角點(diǎn)漏檢導(dǎo)致空間距離較小的同類目標(biāo)及小目標(biāo)誤檢情況。改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Improved CornerNet-Squeeze network structure

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積計算得到的特征圖中存在高頻部分和低頻部分，通過分離特征圖，增加高頻信息輸出，可更多地提取圖像中所關(guān)注目標(biāo)的輪廓特征，有助于增強(qiáng)目標(biāo)邊緣特征，提高識別率。本文在CornerNet-Squeeze 網(wǎng)絡(luò)中引入OctConv 特征增強(qiáng)模塊，對經(jīng)沙漏型主干網(wǎng)絡(luò)提取的特征圖中高低頻特征分量進(jìn)行分離，輸出更多代表目標(biāo)輪廓信息的高頻特征，增強(qiáng)目標(biāo)邊緣特征。其處理步驟如下。

1） 采用1 × 1 的Conv 對主干網(wǎng)絡(luò)提取的特征圖進(jìn)行降維處理。

2） 降維后的特征圖通過OctConv 分離?融合高低頻特征信息，過程如圖4 所示。

圖4 OctConv 操作過程Fig. 4 OctConv operation procedure

首先沿通道尺寸使用系數(shù) α將沙漏型主干網(wǎng)絡(luò)提取的特征圖分解為高頻分量H和低頻分量L，為輸入特征張量，α ∈[0,1]， α = 0 時僅輸出高頻分量， α = 1 時僅輸出低頻分量，c為通道數(shù)，h，w為特征張量的空間維度。然后對高頻分量H進(jìn)行平均池化和卷積操作，對低頻分量L進(jìn)行卷積和上采樣操作，分別輸出融合特征分量Hm和Lm。最后加權(quán)得到融合的特征信息M。求解過程為

式中：C為k×k的卷積核，C∈Fc×k×k，k為卷積核大小； ?為卷積運(yùn)算；P為池化操作；U為上采樣操作；ρ為幅值系數(shù)， ρ ∈(0,1)。

3） 輸出的高頻信息經(jīng)過1 × 1 反卷積 DConv 操作，還原圖像原有尺寸，在后續(xù)角點(diǎn)預(yù)測模塊經(jīng)處理生成Heatmap，計算角點(diǎn)得到目標(biāo)檢測結(jié)果。

3 模型訓(xùn)練與結(jié)果分析

3.1 數(shù)據(jù)集制作

為充分采集煤礦井下行人數(shù)據(jù)，將紅外相機(jī)和深度相機(jī)安裝在防爆無軌膠輪車車頂，采集的原始數(shù)據(jù)以視頻方式保存。通過對視頻抽幀得到深度圖像和紅外圖像，基于尺度不變特征變換算法對紅外圖像和深度圖像進(jìn)行配準(zhǔn)對齊，對配準(zhǔn)圖像進(jìn)行中心裁剪以消除邊緣部分的對齊誤差，最終得到1 000 組 480× 360 的紅外圖像和深度圖像對齊圖像。

采用雙尺度圖像融合（Two-scale Image Fusion，TIF）算法[21]通過圖像分解、圖像合并、圖像重構(gòu)對1 000 組紅外圖像和深度圖像對齊圖像進(jìn)行融合處理。為了進(jìn)一步提高融合后圖像的成像品質(zhì)，采用形態(tài)學(xué)方法對融合圖像進(jìn)行處理，突出行人的紋理細(xì)節(jié)和灰度特征，消除冗余的背景干擾。圖像融合處理原理如圖5 所示。

圖5 圖像融合處理原理Fig. 5 Principle of image fusion processing

1） 圖像分解。首先使用均值濾波器 μ(x,y)對原始紅外圖像f1(x,y)和 原始深度圖像f2(x,y)進(jìn)行圖像分解，分別獲得紅外圖像基礎(chǔ)層圖像f1b(x,y)、深度圖像基礎(chǔ)層圖像f2b(x,y)，并通過原始紅外圖像和原始深度圖像與紅外圖像基礎(chǔ)層圖像和深度圖像基礎(chǔ)層圖像的差值得到紅外圖像細(xì)節(jié)層圖像f1d(x,y)和深度圖像細(xì)節(jié)層圖像f2d(x,y)。

2） 圖像合并。采用算術(shù)平均策略對基礎(chǔ)層圖像進(jìn)行合并，得到基礎(chǔ)層合并圖像fb(x,y)，fb(x,y)=采用加權(quán)處理策略對細(xì)節(jié)層圖像進(jìn)行合并，分別對原始紅外圖像f1(x,y)和原始深度圖像f2(x,y)進(jìn)行均值濾波和中值濾波，計算均值濾波圖像 φf1， φf2和中值濾波圖像 θf1,θf2的歐拉距離，得到視覺顯著圖像 ε1(x,y) 和 ε2(x,y)，進(jìn)一步計算得到細(xì)節(jié)層的加權(quán)合并系數(shù)矩陣和細(xì)節(jié)層合并圖像fd(x,y)=δ1(x,y)f1d(x,y)+δ2(x,y)f2d(x,y) 。

3） 圖像重構(gòu)。對合并后的基礎(chǔ)層圖像和細(xì)節(jié)層圖像采用像素位對應(yīng)相加進(jìn)行圖像重構(gòu)，得到最后深度圖像和紅外圖像的融合圖像z(x,y)=fb(x,y)+fd(x,y)。

4） 形態(tài)學(xué)處理。采用先腐蝕后膨脹形態(tài)學(xué)開運(yùn)算對融合后的圖像進(jìn)行形態(tài)學(xué)處理，消除亮度較高的細(xì)小區(qū)域，去除孤立的小點(diǎn)、毛刺，消除小物體，平滑較大物體邊界，減小背景干擾，突出行人輪廓特征。

經(jīng)過上述步驟處理后的深度圖像和紅外圖像融合結(jié)果如圖6 所示?？煽闯鋈诤蠄D像結(jié)合了紅外圖像的行人灰度特征和深度圖像的輪廓邊緣，經(jīng)過形態(tài)學(xué)處理后，減少了環(huán)境信息干擾，突出了行人特征，有助于提高行人檢測的準(zhǔn)確率。

圖6 圖像融合處理過程Fig. 6 Process of image fusion

3.2 模型訓(xùn)練

對深度圖像、紅外圖像及融合圖像使用標(biāo)注軟件LabelImg 進(jìn)行人工標(biāo)注，得到3 種訓(xùn)練數(shù)據(jù)集。

整個數(shù)據(jù)集包含遮擋、密集人群、小目標(biāo)在井下低照度、水霧、粉塵等特殊場景樣本，總計約2 000 個行人目標(biāo)。

行人目標(biāo)檢測模型的訓(xùn)練平臺為NVIDIA GeForce GTX 2080Ti，內(nèi)存為32 GB，操作系統(tǒng)為Ubuntu18.04LTS，采用Pytorch 深度學(xué)習(xí)框架，推理平臺為礦用本安型邊緣計算裝置，具有14TOP 算力。紅外、 深度、融合數(shù)據(jù)集均包含1 000 張圖像，將圖像數(shù)據(jù)集按比例隨機(jī)劃分，訓(xùn)練集和驗證集分別包含700 張和100 張圖像樣本，測試集包含200 張圖像樣本。在模型訓(xùn)練時先對輸入圖像進(jìn)行隨機(jī)裁剪、擴(kuò)充、水平翻轉(zhuǎn)和不等比例縮放，以增強(qiáng)數(shù)據(jù)集，再對圖像采用主成分分析方法（Principal Component Analysis，PCA）進(jìn)行白化操作，降低輸入數(shù)據(jù)的冗余性。設(shè)置最大訓(xùn)練周期為500，初始學(xué)習(xí)率為0.001，每經(jīng)過100 次迭代，學(xué)習(xí)率降為原來的0.5 倍。模型訓(xùn)練使用 Early-Stopping 策略，當(dāng)模型驗證損失值多次不下降時，認(rèn)為模型達(dá)到收斂狀態(tài)，自動結(jié)束訓(xùn)練。 使用改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)和原始CornerNet、CornerNet-Squeeze 網(wǎng)絡(luò)分別在3 種數(shù)據(jù)集上進(jìn)行訓(xùn)練，得到相應(yīng)的模型。

選取CornerNet-Squeeze 網(wǎng)絡(luò)與改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)在同一數(shù)據(jù)集上進(jìn)行訓(xùn)練，驗證損失值曲線如圖7 所示。可看出迭代400 次后2 個模型逐漸達(dá)到收斂， 改進(jìn) CornerNet-Squeeze 網(wǎng)絡(luò)較CornerNet-Squeeze 網(wǎng)絡(luò)驗證損失值低，說明改進(jìn)CornerNet-Squeeze 網(wǎng)絡(luò)訓(xùn)練模型具有更好的泛化能力。

圖7 同一數(shù)據(jù)集下驗證損失值曲線Fig. 7 Validation-Loss value curve under the same data set

3.3 試驗結(jié)果

采用準(zhǔn)確率p、召回率R、漏檢率F、平均精度A及幀速率（Frames Per Second，F(xiàn)PS）作為性能評價指標(biāo)。

式中：NTP為被預(yù)測為正樣本的正樣本數(shù)量；NFP為被預(yù)測為正樣本的負(fù)樣本數(shù)量；NFN為被預(yù)測為負(fù)樣本的正樣本數(shù)量；A為平均精度，用來衡量算法的檢測精度。

小尺度目標(biāo)的評價指標(biāo)為As（像素面積小于32×32 的目標(biāo)檢測平均精度），中等尺度目標(biāo)評價指標(biāo)為Am（像素面積大于32×32 且小于96×96 的目標(biāo)檢測平均精度），大尺度目標(biāo)評價指標(biāo)為Ab（像素面積大于96×96 的目標(biāo)檢測平均精度）。

訓(xùn)練完成后，不同模型針對不同數(shù)據(jù)集的行人目標(biāo)檢測性能見表1?？煽闯鰧τ谕粩?shù)據(jù)集，CornerNet-Squeeze 模 型 和 改 進(jìn)CornerNet-Squeeze 模型的檢測速度比CornerNet 模型高；改進(jìn)CornerNet-Squeeze 模型的檢測精度較CornerNet-Squeeze 模型和CornerNet 模型高，由此可見改進(jìn)CornerNet-Squeeze 模型在提升行人目標(biāo)檢測準(zhǔn)確性的同時，保持了原算法的檢測速度；同一模型采用不同數(shù)據(jù)集訓(xùn)練時，融合圖像數(shù)據(jù)集訓(xùn)練得到的模型檢測精度較深度圖像和紅外圖像數(shù)據(jù)集訓(xùn)練得到模型檢測精度高，檢測速度略有下降，這是由于圖像的融合處理導(dǎo)致計算量增加，犧牲了部分檢測速率，但不影響模型的實(shí)時檢測性能，說明融合圖像能充分結(jié)合深度圖像和紅外圖像二者的優(yōu)勢，有利于提高模型的檢測精度。

表1 不同模型的行人目標(biāo)檢測性能Table 1 Pedestrian target detection performance of different models

為驗證本文算法在不同背景下的行人檢測效果，設(shè)定輕微遮擋（遮擋范圍10%～30%）、部分遮擋（遮擋范圍30%～60%）、嚴(yán)重遮擋（遮擋范圍60%～80%）、大尺寸目標(biāo)（行人高度大于80 像素）、中小尺寸目標(biāo)（行人高度40～80 像素）、極小尺寸目標(biāo)（行人高度小于40 像素）6 種行人目標(biāo)測試場景，采用融合圖像數(shù)據(jù)集訓(xùn)練的3 種模型進(jìn)行行人目標(biāo)檢測，結(jié)果見表2。可看出在6 種測試場景下，改進(jìn)CornerNet-Squeeze 模型漏檢率均最低。

表2 不同背景下行人目標(biāo)檢測效果Table 2 Pedestrian target detection effect in different backgrounds

為進(jìn)一步驗證改進(jìn)CornerNet-Squeeze 的可行性和先進(jìn)性， 與主流目標(biāo)檢測算法YOLOv4 在COCO2014 行人數(shù)據(jù)集上訓(xùn)練得到的模型進(jìn)行比較，結(jié)果見表3?？煽闯龈倪M(jìn)CornerNet-Squeeze 算法的精度A較YOLOv4 提高了 1.1%，檢測速度提高了6.7%。對于小尺度行人目標(biāo)，改進(jìn)CornerNet-Squeeze 算法的As明顯優(yōu)于YOLOv4 算法，但對于中等和大尺寸行人目標(biāo)，改進(jìn)CornerNet-Squeeze 算法的Am，Ab較YOLOv4 算法有所下降，這是由于中等和大尺寸目標(biāo)在圖像中占比較大，特征相對顯著，在此類圖像下本文算法對目標(biāo)邊緣增強(qiáng)效果有限。

表3 在COCO2014 行人數(shù)據(jù)集上性能對比Table 3 Performance comparison on the COCO2014 pedestrian dataset

測試集中部分圖像的行人目標(biāo)檢測結(jié)果如圖8 所示，從左到右分別為紅外圖像、深度圖像和融合 圖 像 在 CornerNet-Squeeze 和 改 進(jìn) CornerNet-Squeeze 上的測試結(jié)果?？煽闯霾捎萌诤蠄D像在2 種模型上進(jìn)行行人目標(biāo)檢測的置信度較紅外圖像和深度圖像均有所提升；改進(jìn)CornerNet-Squeeze 有效檢測出了紅外圖像和融合圖像中遠(yuǎn)處小目標(biāo)，而CornerNet-Squeeze 未能檢出。

圖8 3 種數(shù)據(jù)的檢測結(jié)果Fig. 8 Test results of three kinds of data

4 結(jié)論

1） 采用SqueezeNet 中的fire 模塊替換CornerNet中沙漏型主干網(wǎng)絡(luò)的Res 模塊實(shí)現(xiàn)輕量化改造，CornerNet-Squeeze 模型較CornerNet 模型在檢測速率上有明顯提升；引入OctConv 特征增強(qiáng)模塊，所得改進(jìn)CornerNet-Squeeze 模型較CornerNet-Squeeze、CornerNet 模型在檢測精度上顯著提高。可見改進(jìn)CornerNet-Squeeze 模型在提升行人檢測準(zhǔn)確性的同時兼顧了檢測實(shí)時性。

2） 采用融合圖像數(shù)據(jù)集訓(xùn)練得到的模型檢測精度較紅外圖像、深度圖像數(shù)據(jù)集訓(xùn)練得到的模型高，F(xiàn)PS 略有下降，表明融合圖像能充分結(jié)合深度圖像和紅外圖像的優(yōu)勢，有利于提高模型檢測精度，但圖像的融合處理導(dǎo)致計算量增加，犧牲了部分檢測速率。

3） 改進(jìn)CornerNet-Squeeze 模型的漏檢率最低，針對遮擋及多尺度行人目標(biāo)的檢測具有一定優(yōu)勢。

4） 與YOLOv4 相比，在 COCO2014 行人數(shù)據(jù)集上改進(jìn)CornerNet-Squeeze 的平均精度提高了 1.1%，檢測速度提高了6.7%。

5） 改進(jìn)CornerNet-Squeeze 模型能夠有效檢測出圖像中的遠(yuǎn)處小目標(biāo)，對小目標(biāo)的檢測能力提升明顯。