编辑推荐：
针对复杂城市环境中行人检测面临的遮挡、尺度变化和背景干扰等挑战，研究人员基于 YOLOv11 提出 LP-YOLO 模型。通过引入 C3k2SC、SCDown 和 FFRFA 模块，在 CityPersons 数据集上实现参数减少 24.8%、计算成本降低 7.94% 且 mAP@0.5 提升 1.6%，为边缘设备实时检测提供新方案。
在车水马龙的城市街头，智能监控系统如何精准捕捉行人身影？自动驾驶汽车又该如何在复杂路况中快速识别行人避免碰撞？随着智慧城市与自动驾驶技术的蓬勃发展，行人检测作为计算机视觉领域的核心任务，正面临着前所未有的挑战。现实场景中，行人姿态多样、相互遮挡频繁，加之复杂背景干扰与目标尺度变化（如远小近大），导致传统检测模型要么因计算量大难以部署于边缘设备（如车载终端、监控摄像头），要么因精度不足在复杂场景中漏检率高。如何在保证检测精度的同时实现模型轻量化，成为制约实时行人检测技术落地的关键瓶颈。
为攻克这一难题，齐鲁工业大学（山东科学院）的研究团队开展了深入研究。他们以 YOLOv11 这一主流单阶段目标检测框架为基础，针对城市环境中行人检测的特殊性，提出了轻量化行人检测模型 LP-YOLO（Lightweight Pedestrian You Only Look Once）。相关研究成果发表在《Digital Signal Processing》，为智能交通与公共安全领域提供了兼具效率与精度的解决方案。
研究团队主要采用了以下关键技术方法：
- 在主干网络（Backbone）中引入改进的 C3k2SC 模块（增强型 CSP 瓶颈与空间通道卷积快速实现模块），通过空间与通道维度的冗余特征削减，提升特征表达能力；
- 设计 SCDown（空间 - 通道解耦下采样）模块，以逐点卷积（Pointwise Convolution）与深度卷积（Depthwise Convolution）组合替代传统卷积下采样，降低计算复杂度；
- 在颈部网络（Neck）集成 FFRFA 模块（特征融合感受野注意力卷积），利用感受野注意力机制强化特征融合，改善小目标检测性能。研究采用 CityPersons 数据集（基于 Cityscapes 构建的城市行人检测基准数据集）为主，结合 VisDrone、INRIA 等多场景数据集验证模型泛化能力，评估指标涵盖 FLOPs、参数数量、mAP@0.5 等。
实验结果
模型轻量化与精度提升
在 CityPersons 数据集上，LP-YOLO 相比 YOLOv11n 实现参数数量减少 24.8%，计算成本（FLOPs）降低 7.94%，同时平均精度均值（mAP@0.5）提升 1.6%。这表明通过结构优化，模型在压缩体量的同时保持了检测性能的稳定甚至提升。
多场景泛化能力验证
在包含不同天气、光照与行人密度的 VisDrone、INRIA 等数据集上，LP-YOLO 均展现出优于基线模型的检测效果，尤其在小目标占比高的 TinyPerson 数据集中，对小尺度行人的漏检率显著降低，验证了其对复杂城市环境的适应性。
模块有效性分析
通过消融实验（Ablation Study）逐一验证各改进模块的作用：C3k2SC 模块可提升特征的空间 - 通道交互效率，使 mAP@0.5 提升 0.9%；SCDown 模块在保持检测精度的前提下，使模型参数量减少 15.2%；FFRFA 模块通过引入感受野注意力机制，使小目标检测精度（mAPsmall）提升 2.3%，表明各模块在轻量化与精度优化中发挥协同作用。
结论与意义
LP-YOLO 通过结构创新实现了 “轻量化” 与 “高精度” 的平衡，为边缘设备（如自动驾驶车载系统、智能监控摄像头）的实时行人检测提供了可行方案。其核心价值体现在：
- 技术创新：提出的 C3k2SC、SCDown 等模块从特征冗余削减、计算复杂度优化、注意力机制增强多维度改进模型，为 YOLO 系列在特定领域的轻量化改造提供了新思路；
- 应用价值：在保持实时推理速度的同时提升复杂场景检测精度，可直接服务于智能交通、公共安全等领域，助力智慧城市中行人行为分析、异常事件预警等上层应用的落地；
- 方法拓展：研究中采用的跨数据集验证与模块消融分析方法，为同类目标检测模型的优化提供了可参考的技术路径。
尽管研究已取得阶段性突破，未来仍可进一步探索更高效的注意力机制与跨模态特征融合技术，以应对极端天气（如暴雨、大雾）等极端场景下的行人检测需求。LP-YOLO 的提出，标志着轻量化行人检测技术向实际应用迈出重要一步，其后续优化与产业化落地值得持续关注。
