面向低光照环境的车辆目标检测方法.docxVIP

面向低光照环境的车辆目标检测方法

关键词：车辆检测；计算机视觉；低光照环境；图像增强；目标检测

中图分类号：TP391.41；U495文献标志码：A

车辆检测在智慧交通系统以及城市安全等领域发挥着重要作用［1-2］.现有计算机视觉技术难以准确识别复杂环境下的车辆，尤其在夜间或恶劣天气条件下，其识别效果更差，这严重影响了车辆检测的准确性和可靠性.

初期的车辆目标检测研究是基于经典的图像处理算法，如背景差分法［3］、帧间差分法［4］、模板匹配法［5］和光流法［6］等.然而，以上基于传统图像处理技术的车辆识别方法对环境很敏感，在复杂场景下的鲁棒性较差［7］.近年来，随着深度学习的快速发展，基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）的目标检测算法得到广泛关注，具有检测精度高且鲁棒性强的优点.Zhang等［8］利用FasterR-CNN对8种类型的车辆进行目标检测，并利用多目标追踪算法实现车辆位置追踪.Ge等［9］基于多摄像头融合和YOLOv4算法实现了全桥面车辆位置识别.Zhou等［10-11］利用FasterR-CNN识别9种不同车辆的类型、位置和行驶轨迹，并利用改进的压缩感知算法进行车辆位置追踪.Zhu等［12］利用YOLOv4进行车辆目标检测，并通过二维识别框和三维识别框之间的关系重建车辆三维识别框，然后结合相机标定结果获取车辆位置和尺寸.上述基于深度学习的目标检测算法大多是针对正常光照条件下的车辆检测，难以适用于低光照条件［13］.相比于正常光照下拍摄的图像，低光照图像存在亮度低、对比度低、噪声水平高以及图像细节特征丢失的问题［14］，这些问题严重影响了目标检测精度.

低光照图像增强技术是通过提升图像亮度和对比度来提高图像质量，同时尽量抑制图像噪声的放大和伪影的产生［15］.目前，该技术已被广泛应用于摄影、自动驾驶和安防等领域［16］.低光照图像增强算法分为传统方法和基于深度学习的方法.传统方法分为直方图均衡法［17］、伽马矫正法［18］和基于Retinex理论［19］的方法，这些方法存在鲁棒性差、容易丢失图像细节、容易产生伪影和导致颜色失真等问题.近年来，随着深度学习算法的快速发展，基于数据驱动的低光照图像增强方法引起了广泛关注［20］.基于深度学习的低光照增强算法可分为5类：监督学习、半监督学习、无监督学习、强化学习和零次学习［20］.监督学习依赖成对的低光照和正常光照图像进行训练，例如LLNet算法.由于这种成对的图像获取困难并且在成对数据上训练的网络的泛化能力有限，一些学者提出了半监督学习、无监督学习和强化学习的低光照图像增强算法.然而，半监督学习和无监督学习存在训练不稳定和颜色偏移的问题，而强化学习［21］存在难以设计合理奖励机制的问题.为此，有学者提出了零次学习.零次学习不需要成对的数据，可以直接从测试图像学习，例如ZeroDCE（ZeroreferenceDeepCurveEstimation）网络［22］通过特殊的损失函数来评估图像增强的质量并基于此引导网络的训练.ZeroDCE网络主要作为单独的底层视觉任务用于提升低光照图像的亮度和图像质量，用于低照度环境下车辆目标检测的研究相对较少.

针对低照度环境下车辆目标检测精度低的问题，本文提出了一种结合低光照图像增强算法和改进目标检测算法的车辆检测方法，实现低光照环境下车辆的高精度检测.首先，在目标检测网络之前引入低光照图像增强算法ZeroDCE作为前处理，以提升图像的亮度和对比度；其次，将增强之后的图像输入到AFF-YOLO网络中进行车辆检测；最后，在车辆数据集上验证了本文方法的可行性，并分析了不同低光照等级对目标检测精度的影响.研究成果可为低照度环境下的车辆检测提供参考.

1车辆检测的基本流程

针对低光照环境下车辆检测准确度下降的问题，本文提出了一种基于低光照图像增强算法的车辆目标检测方法.图1为车辆检测的应用场景，通过交通摄像头获取交通流视频，并在图像中设定一个虚拟检测区域，仅对该区域内的车辆进行分析.

基于低光照图像增强的车辆检测流程如图2所示，主要包括2个部分，即低光照图像增强和车辆目标检测.在获取交通流图像后，将图像输入低光照增强模块，通过ZeroDCE算法提高图像的亮度和对比度.然后，将增强后的图像输入车辆目标检测模块，该模块的核心是改进的目标检测算法AFF-YOLO.首先在YOLOv7中引入注意力特征融合模块，该模块融合不同尺度的图像特征，能够提升网络检测多尺度目标的能力；然后将经过增强的图像输入AFFYOLO目标检测网络以实现车辆检测.

2低光照图像增强

2.1ZeroDCE网络结构

ZeroDCE网络是通过逐像素曲线调整的方式进行低