基于深度学习的夜间车辆检测算法研究.pdf
摘要
夜间交通事故频发，给人们带来了巨大的伤痛和经济财产损失。为辅助驾
驶员夜间行驶，在事故发生前及时警醒驾驶员避免事故的发生，迫切需要一种
快速精准且模型体积适中的夜间车辆检测算法。当下大部分夜间车辆检测算法
难以满足检测速度、精度及模型体积的要求，同时对夜间车辆特征提取不充分。
针对上述问题，本文提出一种基于深度学习的夜间车辆检测算法，主要工作内
容如下：
针对夜间车辆特征容易丢失的问题，以Retinex理论为基础提出一种改进的
MSR图像预处理算法。首先将夜间图像转换到HSV空间，后用自适应中值滤
MSRV
波算法替换算法中的高斯滤波算法，采在通道单独对夜间车辆图像进
行处理，最后进行颜色空间逆变换到RGB空间。此外通过对基于不同理论的夜
间图像增强算法进行研究，设计了SSR、MSR、自适应直方图均衡化等算法进
行数据集增强的处理方案，并最终通过实验确定了本文图像预处理算法和图像
增强算法。实验表明，增加这两个操作到本文算法中均可提高算法检测精度。
针对夜间车辆检测模型精度不高的问题，提出了一种改进YOLOv4夜间车
辆检测算法。首先采用K-means++算法来选取先验框，从而提高了模型的收敛
速度。后在主干特征提取网络融入CBAM卷积注意力机制，使其目标聚合能力
和特征提取能力得到了提高。针对夜间车辆检测模型体积、参数量较大，检测
速度慢的问题，本文将YOLOv4中的主干特征提取网络替换为MobileNetv2，
同时用深度可分离卷积将加强特征提取网络中的33普通卷积进行了替换。实
验结果表明，改进后的算法模型mAP提高了1.52个百分点，体积缩减为了原
1/5
来的，算法整体性能得到了明显提升。
为验证本文所提算法在真实场景下的车辆检测效果，设计了夜间车辆检测
系统界面，并在该系统上继承了加载训练模型、选择检测对象等功能模块，并
将训练得到的夜间车辆检测模型移植部署到JETSONXAVIERNX中，最后通
过静态车辆以及真实道路场景下的夜间车辆对本文所提出的夜间车辆检测算法
进行了验证。实验表明，本文设计的夜间车辆检测系统具有较好的夜间车辆识
别检测功能，为后期的夜间车辆跟踪以及驾驶员、智能车辅助驾驶奠定了坚实
基础。
YOLOv4Retinex
关键词：深度学习，夜间车辆检测，，理论，图像增强，模型
轻量化
Abstract
Trafficaccidentsoccurfrequentlyatnight,whichbringgreatinjuriesand
economicpropertylossestopeople.Inordertoassistdriverstodriveatnight,and
wakeupdriversintimetoavoidaccidentsbeforetheyhappen,thereisanurgentneed
forafastandaccuratenightvehicledetectionalgorithmwithmoderatemodelsize.
Mostofthecurrentnightvehicledetectionalgorithmsaredifficulttomeetthe
requirementsofdetectionspeed,accuracyandmodelvolume,andatthesametime,
theextractionofnightvehiclefeaturesisnotsufficient.Toaddresstheabove
problems,thispaperproposesadeeplearning-basednightvehicledetectionalgorithm,
themainworkisasfollows:
Aimingattheproblemofeasylossofvehicle