UEPD_YOLO:一种超高效的基于 YOLO 的轻量级乘客检测框架

《Signal Processing: Image Communication》:UEPD_YOLO: An ultra-efficient YOLO-based lightweight passenger detection framework

【字体: 大 中 小 】 时间:2026年09月30日 来源:Signal Processing: Image Communication 3.4

编辑推荐:

   摘要 智能交通系统中的乘客检测需要在计算效率和检测鲁棒性之间取得最佳平衡,但现有方法通常孤立地优化这些目标。高精度检测器给边缘部署带来了过度的计算成本,而轻量级模型则在遮挡和光照变化等挑战性条件下牺牲了鲁棒性。本文提出了 UEPD_YOLO,一个联合协同设计空间、稀疏和频谱技

  

摘要
智能交通系统中的乘客检测需要在计算效率和检测鲁棒性之间取得最佳平衡,但现有方法通常孤立地优化这些目标。高精度检测器给边缘部署带来了过度的计算成本,而轻量级模型则在遮挡和光照变化等挑战性条件下牺牲了鲁棒性。本文提出了 UEPD_YOLO,一个联合协同设计空间、稀疏和频谱技术的统一框架。它由通过核分解实现空间效率的非对称幽灵卷积(AGC)、具有 Gumbel-Softmax 门控用于自适应通道选择的稀疏 Shuffle 块(SSB)以及通过频谱特征增强提高鲁棒性的频域引导融合(FGF)组成。数学分析建立了多项式复杂度界限,显著降低了常数因子,而跨越 CityPersons、Roboflow People Detection 和 COCO Person 数据集的综合评估表明,与最先进的基准相比,推理速度至少快 30%,且准确率大致相当。对推理时间进行了 99% 置信度的统计假设检验。对 UEPD_YOLO 的现场试验验证了其在边缘设备上的实际可部署性。

引言
乘客检测是计算机视觉中的一项关键任务,旨在识别和定位公共交通环境中的个体 [1]。它是智能交通调度、自动乘客计数以及公交车站和地铁系统中人群管理等一系列应用的基础 [2]。准确的乘客检测通过允许交通机构实时匹配需求与供给,直接影响资源利用和服务效率。随着监控和车载摄像头的部署不断增加,基于视觉的乘客检测已成为支持智慧城市举措和下一代出行服务的诱人解决方案。与基于视觉的方法并行,GNSS 天线设计的进步使得车辆定位更加可靠,补充了智能交通网络中的乘客检测系统 [3]、[4]、[5]。

近年来,YOLO 及其变体等基于深度学习的目标检测方法极大地推动了乘客和行人检测的发展 [6]、[7]、[8]。这些方法消除了对手工特征的依赖,并为复杂环境提供了强大的适应性 [9]。然而,尽管取得了成功,当前的乘客检测模型在实际应用中仍面临重大挑战 [10]。诸如人群密度、严重遮挡、光照变化和多种天气条件等因素往往导致准确率下降 [11]。此外,高精度的模型(如 YOLOv8 和其他无锚框检测器)往往计算量大,限制了它们在实时交通监控系统中的边缘设备部署。相反,轻量级模型虽然推理速度快,但在拥挤或低能见度场景下难以保持鲁棒性。因此,仍然迫切需要一种平衡准确性、鲁棒性和计算效率的检测框架。

已经做出了一些努力来改善挑战性场景下的检测。例如,提出了旋转感知框架来处理鱼眼图像 [12],引入了基于注意力的模块来改善遮挡处理 [13]、[14],并探索了基于传感器的技术用于车内占用检测和估计乘客队列 [15]、[16]。虽然这些方法展示了部分改进,但它们要么依赖昂贵的硬件,要么缺乏跨数据集的泛化能力,要么无法在资源受限的情况下实时运行。因此,现有工作尚未为公共交通环境提供一种结合准确性、效率和可部署性的统一解决方案。

在本工作中,我们提出了一种乘客检测模型 UEPD_YOLO,以平衡检测精度与计算效率。它包含三个模块——非对称幽灵卷积(AGC)、稀疏 Shuffle 块(SSB)和频域引导融合(FGF)。这种架构协同设计共同解决了现有检测模型中观察到的关键局限性。AGC 通过核分解和幽灵特征生成减少空间冗余,与标准 YOLO 和 ARNet 等现有模型中使用的标准密集卷积相比,提供了参数效率 [17]。SSB 通过 Gumbel-Softmax 门控引入自适应通道选择,实现动态通道剪枝,不同于 ModNet 等静态架构 [18],从而无需手动调整即可增强特征多样性。FGF 是一个双分支模块,通过基于 DCT 的增强纳入频谱特征,提高了低光照和遮挡下的鲁棒性,填补了像 YOLO 模型这样的纯空间模型的空白。AGC 的这种集成通过非对称核分解减少了参数梯度变体。因此,它有助于稳定 SSB 的 Gumbel-Softmax 温度退火。由于 SSB 通过修剪低信息通道来减少冗余数据带来的 FLOPs,FGF 被用于恢复由于 SSB 模块的频谱偏差而损失的 DCT 系数。这共同平衡了准确性与效率之间的权衡,使模型适用于实时检测。

我们的工作做出了以下关键贡献:
•我们提出了 UEPD_YOLO,一个用于检测公交车站候车乘客的统一框架,服务于公共交通。它由 AGC、SSB 和 FGF 三个模块组成,使模型在速度方面极具效率,同时在实时环境中具有鲁棒性。
•我们为提出的算法提供了正确性和形式化数学模型,展示了其通过 AGC、SSB 和 FGF 在空间和时间复杂度方面的效率。多项式时间复杂度分析进一步显示,与现有检测器相比,其常数因子显著降低。
•基于准确性(AP@50)和计算效率指标(GFLOPs、推理时间、模型大小、参数)对模型进行了广泛评估,以展示其相对于基准检测器的效率。它使用三个基准数据集-COCO persons、CityPersons 和 People 数据集进行实时推理,且准确率没有太大下降。
•基于推理时间使用 t 检验对模型的意义进行了统计测试,具有高置信度。通过移动设备到笔记本的流媒体传输进行的现场试验验证了其在公共交通环境中的实时性能,展示了其在实际挑战(包括遮挡、光照变化和运动模糊)下的可部署性。

本文的结构如下。第 2 节描述系统模型和问题陈述。第 3 节回顾了关于乘客检测的现有文献。第 4 节介绍了提出的 UEPD_YOLO 架构及其组成模块。第 5 节提供了模型的理论基础和复杂度分析。第 6 节展示了基于仿真的性能评估,包括数据集描述、消融实验和鲁棒性测试。第 7 节讨论了现实世界的现场试验评估,将理论和仿真洞察与实际成果联系起来。最后,第 8 节总结了本文并讨论了未来研究方向。

章节片段
系统模型与问题陈述
我们主要开发了一种基于视觉的系统,用于统计公交车站候车乘客的数量。图 1 表示系统的整体架构。此操作通过配备摄像头的车辆沿路线经过时进行。当配备摄像头的车辆经过车站时,它会自动或手动捕获周围环境的图像。然后对图像进行预处理,以统计在车站等待的乘客数量。该

文献综述
乘客检测的研究涵盖各种环境,从车辆到大规模公共交通系统,并采用了多种传感器和算法方法。
一个主要挑战涉及车辆内部的检测。一项工作通过展示一个系统来解决这个问题,该系统特别针对带有有色玻璃窗的车辆,使用由五个配备光学滤波器的监控摄像头组成的网络 [19]。该系统采用机器学习模型来

提出的 UEPD_YOLO 模型
如图 2 所示,UEPD_YOLO 框架的架构被设计为一阶段基于锚框的检测器,集成了轻量级骨干网络、高效特征融合颈部和双分支检测头。称为 UEPD_Backbone 的骨干网络由三个阶段的 AGC 和 SSB 组成,以最小的计算开销逐步提取层次特征。具体来说,第一阶段将输入从三个通道转换为 416 × 416 分辨率下的 64 个特征图,

理论性能分析
本节从数学上分析模型并描述其计算复杂度。

基于仿真的性能分析
本节通过实验比较了提出的 UEPD_YOLO 模型与竞争模型的性能。选择 [17]、[18]、[19] 和 YOLOv8 [34] 中的工作作为竞争者,以评估和比较 UEPD_YOLO 的性能,因为每项工作都选择了 YOLO 变体用于检测任务。为确保公平和一致的比较,使用表 3 中概述的相同训练配置和超参数重新实现并重新训练了基准模型。

基于现场试验的提出的 UEPD_YOLO 模型分析
为了在受控条件下评估提出的乘客检测系统的可部署性,搭建了测试平台并进行了现场试验实验。

结论
本工作确立了 UEPD_YOLO 作为高效公交车站乘客检测的基础框架。它引入了新的关键模块-AGC、SSB 和 FGF,因此有效地克服了现有模型中遇到的准确性与计算成本之间的长期权衡问题。与产生大量计算的传统高精度检测器和牺牲鲁棒性的轻量级变体不同,我们的架构证明了性能和效率是可以兼得的。

CRediT 作者贡献声明
Richa Kumari Kora:写作–审阅与编辑,写作–原始草稿,可视化,软件,资源,方法论,正式分析,数据整理。Tamal Pal:写作–审阅与编辑,验证,监督,方法论,正式分析,概念化。

伦理批准
本研究不涉及人类或动物参与者,也不需要特殊许可;因此,不适用伦理批准。

资助
这不适用于我们的研究。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系,这些利益或关系可能会影响本文所报告的工作。

Richa Kumari Kora|Tamal Pal
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号