基于RL_YOLOv8与关联轨迹优化的室内行人跨线计数方法研究

《ISPRS International Journal of Geo-Information》：Optimization of Indoor Pedestrian Counting Based on Target Detection and Tracking Laihao Song, Litao Han, Jiayan Wang, Hengjian Feng and Ran Ji

　　

针对室内监控场景中高密度人流与频繁遮挡导致的行人检测漏检及跨线计数精度不足问题，研究人员提出了一种融合改进检测模型与轨迹优化策略的鲁棒计数框架。首先，研究人员在YOLOv8基线模型中引入RGCSPELAN模块替换原有C2f结构以降低计算复杂度，并采用轻量化共享卷积检测头（LSCD）减少参数量，构建RL_YOLOv8检测器。其次，针对遮挡引起的边界框底部漂移问题，研究人员设计了底部边界平滑机制与步进对齐策略，约束预测边界位置并抑制累积误差。进一步，研究人员提出基于群体运动一致性的目标位置预测方法，通过邻近性、方向一致性及运动相似性筛选关联行人，利用群体平均位移修正被遮挡目标的轨迹。最后，研究人员设置辅助计数区以解决因检测延迟导致的跨线漏计问题。实验表明，该框架在校园室内数据集及WiderPerson、CityPersons公开基准上均实现了精度与效率的平衡，显著提升了复杂场景下的计数鲁棒性。

本研究聚焦于室内监控场景下高密度人流与频繁遮挡引发的行人检测漏检及跨线计数精度不足的核心问题，旨在提升校园等典型室内环境中行人流量统计的可靠性与实时性。研究人员通过开展算法改进与多场景验证，构建了融合轻量化检测、轨迹优化与辅助计数策略的完整技术体系，相关成果发表于《ISPRS International Journal of Geo-Information》。

关键技术方法方面，研究人员首先构建了包含7604帧图像的校园室内行人数据集，覆盖昼夜、晴雨及课间高峰等复杂条件，并按7:2:1划分训练集、验证集与测试集。算法层面，研究人员以YOLOv8n为基线，采用RGCSPELAN模块替换C2f结构以降低计算负载，引入轻量化共享卷积检测头（LSCD）压缩模型参数量，形成RL_YOLOv8检测器。针对遮挡导致的边界框底部漂移，研究人员设计底部边界平滑机制，结合步进对齐策略，通过参数τ（容忍阈值）与s（步进值）约束预测边界位置。为解决遮挡期间目标轨迹断裂问题，研究人员提出基于群体运动一致性的关联预测方法，利用曼哈顿距离筛选邻近行人，通过方向夹角（∠α与∠β_j）与相对位移差（|d-d_j|/d < 0.5）确定关联个体，以平均位移修正被遮挡目标位置。此外，研究人员在计数线端点沿法线方向设置宽度为行人框高1/3的辅助计数区，通过分析新出现目标10帧内的运动方向与预定义穿越方向的一致性，验证跨线事件有效性。实验同时在WiderPerson与CityPersons公开数据集上进行，以评估模型的泛化能力。

研究结果部分，各章节结论如下：

2.3.2节底部边界平滑中，研究人员通过约束预测底部边界y_bottom^k'不高于检测值，并引入步进对齐机制y_bottom^k'= y_bottom^k-1+ Δy_bottom^k'+ s，有效抑制了因长期依赖检测边界导致的累积漂移，实验表明τ=8、s=1时计数精度最优。

2.3.3节目标预测位置优化中，研究人员通过邻近性（Δx_i+Δy_i< h_t-1/2）、方向一致性（|∠α - ∠β_j| < 30°）与运动相似性（|d-d_j|/d < 0.5）筛选关联行人，利用群体平均位移Δx_p= (1/n)∑Δx_i与Δy_p= (1/n)∑Δy_i修正遮挡目标轨迹，成功维持了ID2等被遮挡个体的轨迹连续性。

2.3.4节辅助区计数中，研究人员设置的辅助计数区有效解决了因检测延迟导致的“已越线未计数”问题，通过捕捉新目标出现后短期内的运动方向特征，显著降低了教室门口等密集区域的漏检率。

3.3节检测模型对比实验中，RL_YOLOv8在校园数据集上实现mAP@50达96.40%、mAP@50:95达76.50%，同时FLOPs降至5.5 G、参数量降至1.67 M，优于YOLOv5n、YOLOv8n及YOLO11n等对比模型。在WiderPerson与CityPersons公开数据集上，该模型虽受拥挤遮挡与标注误差影响精度略有下降，但仍保持较优的精度-效率平衡，验证了泛化能力。

3.4节消融实验证实，RGCSPELAN模块单独使用可降低计算复杂度，LSCD头单独引入可提升检测精度，二者结合后模型性能达到最优，mAP@50提升至96.40%，FLOPs与参数量分别降至5.5 G与1.67 M。

3.5节参数影响分析中，研究人员确定容忍阈值τ=8、步进值s=1为最优参数组合，辅助区宽度设为行人框高的1/3时可兼顾漏检控制与误检抑制。

讨论与结论部分，研究人员指出，传统跨线计数方法在密集遮挡场景下易受检测延迟、轨迹漂移影响，导致漏检与重复计数。本研究提出的RL_YOLOv8结合轨迹优化策略，通过轻量化检测模型降低计算负载，利用底部边界平滑与群体关联预测抑制遮挡干扰，借助辅助计数区解决初始化延迟问题，形成了适用于资源受限室内设备的完整解决方案。实验结果证明，该方法在校园室内环境及公开数据集上均实现了检测精度与推理速度的良好平衡，为智慧校园人流管控、公共安全监控等领域提供了可靠的技术支撑。未来研究可进一步优化模型在极端光照与超高密度场景下的适应性，并探索多摄像头协同计数策略。