基于跨层融合及动态调整的行人多目标检测与跟踪算法

本发明公开了基于跨层融合及动态调整的行人多目标检测与跟踪算法，本发明针对骨干网络中深度卷积神经网络经常被过度参数化的问题，引入复合缩放机制来减少参数量并提升网络的特征提取能力；同时，考虑到数据集中存在不同尺度的目标，在网络颈部融合轻量级跨尺度特征融合模块，从而增强模型对尺度变化的适应性；此外，针对小目标和遮挡目标的问题，设计了新的损失函数Inner_Wise_WIoU，结合内部区域优化和上下文信息，以提高目标定位精度。本发明将新模型应用于行人跟踪，并针对跟踪任务中固定置信度阈值不适用于目标集中和快速变化的情况，计算行人之间的遮挡程度，动态调整匹配阈值，从而有效提升跟踪性能，提升复杂场景下的适应性。