RRP-YOLO:室内人员特征增强检测算法OA

针对商场、车间等室内场景中人员检测因遮挡、多尺度分布及人员分布密集问题所导致的漏检、误检问题,提出一种室内复杂场景的人员特征增强检测算法(RRP-YOLO).首先,使用感受野注意力卷积(RFAConv)替代原有主干网络中的标准卷积,增强模型在密集遮挡与动态场景中的检测能力;其次,设计基于跨尺度连接的RepGFPN作为Neck模块,用于加强不同层级之间的特征交互,提升模型对多尺度目标的适应能力.同时,引入轻量化的动态上采样模块(Dysample),并与RepGFPN协同工作,提升模型对局部与全局语义信息的表达能力;最后,在边界框回归部分采用PIoUv2损失函数,通过引入尺寸自适应惩罚机制和梯度调整策略,优化锚框的学习过程,有效提升检测精度和训练收敛速度.在MSCOCO室内人员数据集上进行的大量实验表明,RRP-YOLO显著优于YOLOv11n,mAP@0.5和mAP@0.5:0.95分别提高了2.7%和3.0%.此外,在特定数据集上的测试结果表明,RRP-YOLO在不同场景的数据集上均展现出强大的泛化能力,与YOLOv11n相比,始终能够获得更高的检测精度.