本研究針對高密度人群場景下的行人檢測難題，提出了一種基于YOLOv11框架的改進模型YOEiFPN。該模型通過創新性地融合EfficientNetV2特征提取模塊與BiFPN跨尺度特征融合模塊，有效解決了傳統方法在密集場景中存在的檢測精度不足、計算資源消耗過高等核心問題。

在研究背景方面，隨著城市化進程加快，公共空間人流量激增，對實時、精準的行人檢測系統提出了更高要求。傳統方法存在顯著局限性：基于手工特征的方法（如HOG特征）在復雜光照和視角變化場景中表現欠佳；兩階段檢測器（如Faster R-CNN）雖然定位精度較高，但存在計算成本大、推理速度慢的問題；單階段檢測器（如YOLO系列）雖能提升實時性，但在高密度遮擋場景下容易產生漏檢和誤檢。現有研究多聚焦于單一技術路徑的優化，缺乏系統性的架構創新。

核心創新體現在兩個方面：首先，采用改進的EfficientNetV2作為特征提取主干網絡，通過融合深度可分離卷積與密集連接結構，在保持模型輕量化的同時，增強了細粒度特征的保留能力。這種設計使得模型能夠有效捕捉行人衣物的紋理細節、肢體的關節特征等關鍵視覺信息，這對處理密集場景中行人部分遮擋問題尤為重要。其次，引入雙向特征融合網絡（BiFPN），構建了跨層級的雙向信息傳導機制。該模塊不僅整合了不同空間分辨率的特征圖，還通過自注意力機制實現了特征重要性的動態調整，使得模型能夠自適應地處理行人密集區域與非密集區域的檢測差異。

在實驗驗證方面，研究團隊構建了包含五種典型場景的數據集評估體系：RPEE-Heads專注于頭部檢測的密集場景，WiderPerson涵蓋多視角行人樣本，CrowdHuman記錄了動態交互場景下的行人行為，MOT20提供長時序跟蹤數據，FDST包含極端遮擋條件下的測試樣本。通過對比分析，YOEiFPN在mAP指標上平均提升超過12%，尤其在行人重疊率超過40%的測試集部分，較現有最優模型提升達18.7%。值得注意的是，該模型在保持參數量低于傳統YOLOv4的30%的同時，推理速度提升了2.3倍，驗證了架構優化帶來的計算效率提升。

技術突破體現在三個維度：1）時空特征協同機制，通過雙向特征傳導解決了單階段模型在長時序跟蹤中的信息斷層問題；2）動態注意力分配技術，根據場景復雜度自適應調整特征融合權重，在密集區域強化局部特征提取，在稀疏區域提升全局語義理解；3）輕量化設計策略，采用通道剪枝與知識蒸餾技術，在保持模型精度的前提下將參數量壓縮至1.2M級別，滿足邊緣計算設備的部署需求。

實際應用價值方面，該模型在三個典型場景中表現出色：地鐵站臺高峰期的實時監測（檢測延遲<80ms）、馬拉松賽事人流管控（誤檢率降低至2.1%）、音樂節等娛樂場所安全預警（漏檢率控制在0.8%以下）。特別在極端擁擠條件下（每平方米超過8人），檢測系統仍能保持95.6%的召回率，這得益于模型對遮擋場景的適應性增強設計。

未來研究方向建議在三個層面深化：1）多模態數據融合，整合紅外熱成像與可見光視頻數據，提升復雜天氣下的檢測魯棒性；2）增量學習機制，開發動態數據集更新模塊，使模型能持續適應新出現的檢測場景；3）邊緣計算優化，探索模型在移動端設備的輕量化部署方案。這些延伸方向將為智慧城市中的實時人流監控提供更完善的技術支撐。

研究對行業發展的啟示在于：突破傳統檢測框架的性能瓶頸，需要系統性的架構創新而非局部優化。通過深度神經網絡架構設計，將特征提取、融合與推理過程進行有機整合，既能保持模型的高效性，又能提升對復雜場景的理解能力。這種技術路線為智能安防系統的發展提供了可借鑒的范式，特別是在處理超過500人/平方公里的極端密集場景時，檢測準確率較傳統方法提升達37.2%，顯著優于現有單階段檢測模型。