1.一种高速服务区密集行人检测方法，包括以下步骤：Step1：构建COCO格式的高速服务区密集行人数据集；根据密集行人检测的需求，准备符合要求的行人训练集M及相对应的mask文件，导入pycococreate‑master工具包，并添加COCO格式的数据信息，编译后得到的JSON文件即包含训练集M中所有目标的坐标，符合训练需要；同法制作验证数据集V；

* * * * * *

Step2：采用特征图分割思想，以l ，t ，r，b四个参数将特征图分割为四个部分，L ，t ，* *

r，b四个参数分别代表中心点到上下左右四条边的距离，计算公式如下；

其中，(x，y)代表目标中心点的坐标，(x0，y0)代表检测框左下角的边界点坐标，(x1，y1)代表检测框右上角的边界点坐标；完成特征图分割后，再随机组合这四个部分的图像，完成目标信息集成；集成过程如下；

P表示图像经分割或组合后的部分，如左‑右(l/r)、下‑上(b/u)和comb(l/r与b/u的组合)，*为卷积操作；再将组合后的图像信息送入maxout单元中，由于该函数是非线性的，所以可使网络逼近任意的函数；取max可融合 和 的信息，从而生成同样大小的 公式如下；

这种分割特征图的做法，利用了横向空间上的空间不变性，从而揭示不同方向上的语义关系；在复杂的场景下，尤其是行人检测时，经常发生目标对象被另一目标对象遮挡的情况，那么通过左右上下模板筛选出来的特征会更符合真实场景，选取出的候选区域也更可信，且能增强目标跟踪的抗遮挡性；

Step3：采用基于FPN的多尺度检测策略，在每个特征层加以回归区间的限定；具体做法* * * *

为：以参数mi作为特征层i的最大距离，仅当一个位置(x，y)同时满足max(l ，t ，r ，b)＜mi* * * *

及max(L ，t，r ，b)＞mi‑1两个条件时，才将其视为特征层i的正样本，送入网络结构进行回归；

再分别取mi的值为0、64、128、256、512、+∞，形成5个区间，并在5个特征层上进行尺寸的限制；当同一区间内有目标发生重叠时，选取最小区域作为回归目标；五个特征层分别对应P3、P4、P5、P6、P7，其中P3、P4、P5由主干CNNs网络的特征层C3、C4、C5经过一个1*1的卷积得到，而P6、P7则是接着P5进行了步长为2的卷积操作得到；最终再对这五个尺度做逐像素回归；

Step4：对FCOS算法使用的损失函数进行优化；原损失函数包含分类Loss和回归Loss，公式如下；

其中，cls表示分类Loss，使用的是Focal Loss，公式如下；

γ

FL(pt)＝‑αt(1‑pt) log(pt)，Lreq表示回归Loss，原算法使用的是IoU Loss；

但IoU函数仅关注两个目标的重叠程度，当两个目标不相交时，即A∩B＝0时，IoU的值永远等于0，无法反映两个目标之间的距离变化；基于以上结论，将IoU Loss优化为GIoU Loss，公式如下；

Lreg＝LGIoU＝1‑GIoU    (4‑7)其中， 表示目标1的检测框左下角边界点的坐标， 表示目标p的检测框右上角边界点的坐标；同理， 表示目标g的检测框左下角边界点的坐标， 表示目c

标2的检测框右上角边界点的坐标；A表示目标p和目标g的最小闭包区域面积；

优化后，Lreg的取值会随着两个目标之间的距离增大而递减，能更好地反映两个目标之间的重合情况；通过特征图分割及损失函数的优化，很大程度上解决了FCOS算法对于密集目标检测效果不佳的问题，提高了服务区行人检测精度。