基于DenseTrack-YOLO的密集行人检测与跟踪方法OA

针对密集场景中行人检测与跟踪面临遮挡、小目标特征弱化及身份切换频繁等问题,文中提出一种结合YOLOv8n和ByteTrack的改进算法(DenseTrack-YOLO)。检测部分采用改进的APE-YOLOv8n。首先,在颈部添加注意力尺度序列融合(ASF)模块,利用高斯滤波与3D跨层卷积建模P3~P5层级特征的空间关联映射,配合分级优化策略,增强遮挡行人的轮廓重建及小目标感知能力;其次,采用CSP-PPA模块改进C2f结构,通过局部与全局分支提取细节和上下文信息,缓解目标特征混淆问题;最后,设计边缘感知特征流(EAFF)模块,从浅层提取多级边缘特征并向深层网络穿透传递,提升复杂背景下的边缘识别能力。跟踪部分提出OADF-Tracker,在ByteTrack基础上引入动态加权融合(AWB)机制,根据目标运动状态实时调整IoU与Re-ID权重,提高匹配准确性,减少身份切换和轨迹丢失。同时,构建遮挡感知恢复(OAR)策略,有效利用低置信度检测框恢复被遮挡行人目标。实验结果表明:改进模型在MIX-MOT17上mAP@0.5达到90.6%,mAP@0.5:0.95达到63.6%,较基准模型YOLOv8n提升1.4%和2%,GFLOPs维持在10.4;在MOT17-Test上,MOTA提升3.1%,HOTA提升2.0%,IDF1提升1.4%,身份切换(IDs)减少238次,验证了DenseTrack-YOLO在遮挡和高密度场景下的有效性和实用性。