基于YOLOv8n改进的夜间行车目标检测算法研究

Research on Night-time Driving Object Detection Algorithm Based on Improved YOLOv8n

摘要

夜间驾驶时， 光线条件不佳， 目标容易被遮蔽， 这使得检测算法难以精确地识别目标的轮廓和形状. 此外， 车辆行驶中拍摄到的物体易产生模糊感， 这导致目标特征提取困难. 为解决上述问题， 提出了一种基于YOLOv8n改进的夜间行车目标检测算法. 首先， 将DCN模型引入C2f模块， 改进成DCN_CSP2模块， 并替换主干网络中的C2f模块， 从而更加精准地捕捉目标物体的形状和边缘信息， 提升特征提取能力，降低模型计算力需求. 然后， 在颈部网络中针对性地引入深度可分离卷积（depthwise separable convolution，DWConv）模块， 在保持模型性能的同时， 减少模型参数量， 从而提高模型计算效率，使模型轻量化.最后， 针对原始非极大值抑制（non-maximum suppression，NMS）算法在目标部分遮挡时可能导致重要目标丢失的问题，引入基于候选检测框与基准框重叠部分大小的衰减函数，使重要目标更有可能被保留下来，并参与后续的NMS算法过程， 从而提高模型的检测性能.实验结果表明，相较于YOLOv8n，所提算法在rmsw_5k_night数据集上的mAP@50提高了6.2个百分点， mAP@50：95提高了5.7个百分点，降低了计算力需求， 减少了模型参数量， 实现了模型轻量化与高性能的平衡.该算法有效地提高了对夜间目标的检测能力， 为其移植到终端设备中打下了坚实的基础.

Abstract

The light condition of driving at night is poor， and the target is easily blocked， which makes it difficult for the detection algorithm to accurately determine the edges and shapes of targets. In addition， in the process of vehicle moving， fuzzy sense is easily generated on the captured objects， resulting in the difficulty of feature extraction of targets. To address these issues， this paper proposes an improved object detection algorithm for night-time driving based on YOLOv8n. Firstly， the DCN model is introduced into the C2f module and improved into the DCN_CSP2 module， which is used to replace the C2f module in the Backbone. This enhances the algorithm to capture the shape and edge information of target objects more accurately， improves the feature extraction capability， and reduces the computational burden. Secondly， the DWConv module is specifically introduced into the Neck to reduce the number of model parameters while maintaining computational performance， and improve the computational efficiency and achieve the lightweight of the model. Additionally， to address the issue of the original NMS algorithm potentially causing the loss of important targets when they are partially obscured， a decay function based on the overlap size between the candidate detection boxes and the reference box is introduced. This makes important targets more likely to be retained and participate in the subsequent NMS process， thereby improving the detection performance of the model. Analysis results show that compared with YOLOv8n， the improved algorithms achieve a 6.2% increase in mAP@50 and a 5.7% increase in mAP@50：95 on the rmsw_5k_night dataset， and reduce the computational burden and the number of model parameters， achieving a balance between model lightweight and high performance. The improved algorithm effectively enhances the detection capability for night-time targets， and it lays a solid foundation for the algorithm to be applied to the terminal devices.

Graphical abstract

关键词

目标检测 / 夜间行车 / 图像识别 / YOLOv8n / 轻量化

Key words

object detection / night-time driving / image recognition / YOLOv8n / lightweight

随着城市化的加速和交通流量的增加， 夜间驾驶成为许多驾驶员的常态. 然而， 在夜间驾驶时， 由于光照条件受限， 驾驶员的视野会受到显著影响， 尤其在低照度或车流量大的恶劣环境下. 这不仅对驾驶能力带来了很大挑战， 也增加了交通事故风险^［1］. 目标物体的类别繁多， 涵盖了机动车辆、行人、自行车等多种类型. 这些物体在外观和尺寸上存在显著差异， 这些因素均提升了夜间行车目标检测的难度. 在夜间驾驶场景中， 目标物体可能由于车辆运动而变得模糊不清， 或者被背景光线干扰而变得难以区分.

为了应对夜间行车目标检测的挑战， 近年来， 国内外学者已经做了大量相关研究工作. 夜间行车目标检测方法可以分为基于先验知识、基于传统机器学习以及基于深度学习等方法. 基于先验知识的方法一般利用车灯、车辆底部阴影等较低级特征进行检测. Ma等^［2］提出了一种基于夜间视频数据的车辆特征提取与检测算法， 通过确定前方车辆车尾灯的位置， 利用配对算法检测出前方车辆. 在基于先验知识的方法中， 单一特征往往难以充分表达更深层次的语义信息， 在面对遮挡或光线变化等复杂情况时， 容易导致漏检和误检.

基于传统机器学习的方法， 其检测过程一般分为特征提取和分类器判断两个阶段. 首先利用车辆具有的一些共同特征获取可能存在目标车辆的区域， 然后利用分类器对这些区域的特征进行分类并判断是否含有车辆^［3］. Bell等^［4］针对夜间车辆检测， 用一个描述符来表征整幅图像， 并由共享同一图像描述符的凹形网格分类器来估计车辆位置， 通过分析夜间复杂的光线模式来检测特定图像区域中的车辆. Xue等^［5］提出了一种特征提取与支持向量机相结合的多特征融合算法， 实现了对行人和车辆感兴趣区域的快速获取， 提高了对夜间行人和车辆的检测精度. 然而， 传统的机器学习方法在处理大规模数据或实时应用时会变得复杂而耗时.

随着深度学习技术的不断进步， 基于卷积神经网络的目标检测技术在准确性方面相较于传统方法实现了显著的提升^［6］. 张炳力等^［7］提出基于Retinex图像增强算法， 通过改进传统的损失函数， 提高了对夜间车辆的检测能力， 但Retinex算法会增加目标检测流程的计算负担， 降低检测速度和效率. 当前， YOLO系列模型凭借检测速度快和模型轻量化等出色的性能受到了学者们的广泛关注. 孔烜等^［8］利用ZeroDCE图像增强算法对低光照图像进行增强， 再使用改进的AFF-YOLO目标检测算法对增强后的图像进行车辆检测， 有效提升了低光照环境下车辆检测的精度. 江屾等^［9］基于YOLOv4， 引入深度可分离卷积和Inceptionv3结构， 并采用K-means++聚类算法重新确定锚框， 提高了算法对小目标车辆的检测性能. Chen等^［10］比较了各种目标检测算法的优缺点， 利用YOLOv5进行了行人-车辆目标检测实验， 验证了其检测精度. Xia等^［11］基于YOLOv5， 引入改进的M-ELAN结构和SimAM注意力机制，增强了模型的多尺度特征提取能力，同时引入EIoU损失函数加快模型的收敛速度，提高了目标检测的精度和效率. 张峻祎等^［12］基于YOLOv7，引入SimAM注意力机制设计特征提取模块和特征融合模块，提高了网络在弱光环境下的车辆检测能力.以上对YOLO系列模型的改进使得检测器的精度有所提升，但模型计算量增加的问题仍然比较突出，模型的轻量化与检测精度的提高难以得到有效的平衡.

本文针对夜间行车目标检测问题， 从目标特征不明显、小目标检测和模型轻量化的角度出发， 集中关注YOLOv8n中主干网络、颈部网络和NMS算法三个视角的改进和优化， 提出了一种轻量且高效的夜间行车目标检测算法.

1 相关模型及改进方法

1.1 改进YOLOv8n

YOLOv8是Ultralytics开发的目标检测算法， 在进一步提高模型性能和灵活性的同时， YOLOv8更加快速、准确且易于使用. YOLOv8分为n、s、m、l、x共5个模型，模型参数量和计算量随着模型深度和宽度的增大而增加^［13］.其中， YOLOv8n检测速度快且准确率高，适合部署在低算力需求的设备上.夜间行车目标检测任务受到设备资源的限制，对高准确率、低延迟、易部署的模型更加青睐.本文在YOLOv8n模型的基础上，引入DCN_CSP2模块和DWConv（depth-wise convolution）模块，并改进原始NMS算法， 实现了模型的轻量化和精确度的提升. 改进算法的网络结构如图1所示.

1.2 DCN_CSP2模块

Deep & Cross Network（DCN）是一种用于预测和推荐系统的深度学习模型^［14］，通过结合浅层交叉网络和深度交叉网络来实现高效的特征交叉和非线性建模， 从而提升推荐系统的准确性和效率. DCN模型的核心思想是在浅层交叉网络和深度交叉网络之间引入“交叉层”， 用于捕捉输入特征之间的交互关系. 浅层交叉网络主要用于处理低阶的特征交叉，它将输入特征进行两两组合后， 通过一个全连接层输出交叉特征向量.深度交叉网络则用于处理高阶的特征交叉，它通过多层神经网络来学习输入特征之间的复杂交互关系. DCN模型的结构如图2所示.

DCN模型的输入是图像的特征向量， 包括目标ID以及其他相关特征， 如位置、颜色、纹理等. DCN模型中的交叉层将输入特征向量进行交叉， 并与原始特征向量连接起来， 作为深度交叉网络的输入. 深度交叉网络包括多个交叉层和全连接层， 用于学习输入特征之间的复杂交互关系. DCN模型可由下式表示：

{\mathit{x}}_{l+\mathrm{1}}={\mathit{x}}_{\mathrm{0}}\odot \left({\mathit{W}}_l\times l+{\mathit{b}}_l\right)+{\mathit{x}}_l（1）

式中：{\mathit{x}}_{\mathrm{0}}\in {\mathbf{R}}^d是包含1阶原始特征的基础层， 通常设置为输入层；{\mathit{x}}_l、{\mathit{x}}_{l+\mathrm{1}}\in {\mathbf{R}}^d分别表示输入l个交叉层和输出\left(l+\mathrm{1}\right)个交叉层；{\mathit{W}}_l\in {\mathbf{R}}^{d\times d}、{\mathit{b}}_l\in {\mathbf{R}}^d分别是学习到的权重矩阵和偏差向量.

引入DCN模型对传统卷积进行改进，可以学习特征图中每个点的偏移量和权重，从而更加精准地捕捉目标物体的形状和边缘信息. 如图3所示，在DCN_CSP2模块中， 通过在Bottleneck模块中使用DCN模块替代传统的卷积模块，将输入特征图的通道数扩展到原来的两倍，再分成两部分. 一部分作为DCN模块的输入，另一部分与DCN模块的输出进行拼接， 从而增加了网络的宽度和深度， 提高了模型的表达能力和性能.

1.3 DWConv模块

相对于传统的卷积， 深度可分离卷积^［15］（DWConv）可以在保持模型性能的同时减少模型参数量，从而使模型轻量化并提高计算效率，是一种高效的卷积操作. DWConv模块的结构如图4所示.

DWConv模块可以将卷积操作分解为深度卷积和逐点卷积两个步骤.在深度卷积中，输入特征图的每个通道单独进行卷积操作.如果输入特征图有N个通道，那么将有N个卷积核，每个卷积核仅与相应的单个输入通道进行卷积，主要负责捕获空间特征. 逐点卷积是在深度卷积之后， 用一个\mathrm{1}\times \mathrm{1}卷积合并深度卷积的输出. 逐点卷积使用的卷积核跨越所有输入通道， 目的是学习通道间的特征组合. DWConv模块可由下式表示：

{\mathit{y}}_{i,j,k}={\displaystyle \sum _{p=\mathrm{1}}^K}{\displaystyle \sum _{q=\mathrm{1}}^K}{\mathit{\omega }}_{p,q,k}{\mathit{x}}_{\left(i-\mathrm{1}\right)\times S+p,\left(j-\mathrm{1}\right)\times S+q,k}（2）

式中：{\mathit{y}}_{i,j,k}是第i行、第j列、第k个通道的输出值；{\mathit{\omega }}_{p,q,k}是大小为K\times K的深度卷积核的第k个通道的权重；{\mathit{x}}_{\left(i-\mathrm{1}\right)\times S+p,\left(j-\mathrm{1}\right)\times S+q,k}是输入张量中第i行、第j列、第k个通道的\left(p,q\right)位置的值；p、q分别是深度卷积核的高和宽；S是步长.

与传统卷积不同， DWConv模块为每个通道分配了不同的卷积核， 使得每个卷积核专门处理输入张量的一个通道. 在颈部网络中引入DWConv模块， 可以有效减少模型计算量并提高计算效率， 使模型参数量减少， 从而提高模型的轻量化程度.

1.4 Non-Zero NMS算法

非极大值抑制（NMS）是一种在目标检测算法中广泛使用的后处理步骤^［16］， 用于减少重复检测， 并提高检测精度. 在YOLOv8中， NMS的目的是通过筛选出具有最高置信度的检测框来消除冗余的检测结果. NMS针对每个类别的检测框， 按照置信度进行排序， 并选择置信度最高的检测框作为基准框， 然后遍历剩余的检测框， 计算其与基准框的重叠程度， 如果重叠程度超过一定阈值， 则将该检测框剔除. 这个过程不断迭代， 直至所有检测框都被检查完毕.

原版YOLOv8采用的NMS算法只保留一个具有最高置信度的检测框， 而重叠的候选检测框被完全排除， 没有考虑它们与目标对象之间的相似性， 这可能导致重要目标丢失. 当目标与其他物体密集排列或被部分遮挡时， NMS会倾向于选择置信度最高的检测框， 而忽略其他可能对目标定位更精确的检测框. 针对相邻的检测框， 可以设置一个基于候选检测框与基准框重叠部分大小的衰减函数， 而不是直接将其分数置为零. 具体地， 如果一个候选检测框与目标对象有很高的重叠度， 重叠的候选检测框会被赋予较低的分数；但如果只有少量重叠， 那么它的原始分数不会受到太大的影响， 如下式所示：

\overline{\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}{\mathrm{e}}_i}=\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}{\mathrm{e}}_i{\mathrm{e}}^{\frac{-{\left(\mathrm{I}\mathrm{O}\mathrm{U}\left(M,b_i\right)\right)}^{\mathrm{2}}}{\sigma }}（3）

式中：\overline{\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}{\mathrm{e}}_i}是NMS处理后的候选检测框得分； \mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}{\mathrm{e}}_i是当前候选检测框得分；\mathrm{I}\mathrm{O}\mathrm{U}\left(M,b_i\right)是第M个候选检测框和第b_i个候选检测框之间的\mathrm{I}\mathrm{O}\mathrm{U}值， 候选检测框b_i非常接近目标（重叠度在0.7以内）， 但得分略低于最高得分；\sigma是NMS参数， 取值范围为［0.1， 1.0］.

基于指数函数对NMS进行改进并引入分数阈值， 当候选检测框与基准框重叠度增加时， 改进后的NMS会降低候选检测框的分数， 只有高于分数阈值的候选检测框才能参与后续的NMS过程， 从而更加合理地过滤掉一些低置信度的候选检测框. 在每一轮NMS过程中， 选取具有最大分数的候选检测框作为代表， 与其他候选检测框进行重叠度计算， 通过将具有最大分数的候选检测框提前到当前轮次的第一个位置， 使其更有可能被保留下来， 从而提高模型的检测性能.

2 实验数据集

夜间行车目标检测是在夜间驾驶车辆过程中对车辆前方出现的行人、车辆等实例进行检测和识别， 在公共安全、自动驾驶、商业规划等领域应用广泛. 在夜间驾驶的环境中， 由于存在个体差异、相互遮挡、光线明暗变化以及视角差异等多种情况，夜间行车目标检测数据集必须具备充分的代表性和多样性.

本文针对夜间驾驶场景使用Roboflow公司发布的rmsw_5k_night数据集进行模型的训练和验证. 该数据集是一个目标小、光线差、遮挡严重的用于夜间行车目标检测的公开数据集. 该数据集数量庞大， 注释丰富， 包含5 000张夜间驾驶场景照片， 所有照片的分辨率均为640×640， 数据集示例如图5所示. rmsw_5k_night数据集包括11个标签类别， 分别是自行车、公共汽车、轿车、摩托车、火车、卡车、其他车辆、行人、骑行者、交通信号灯、交通标志， 各个标签的数量分布如表1所示. 数据集按照8∶1∶1的比例划分为训练集、验证集和测试集， 用于模型的训练、验证和测试， 其各项指标适用于评估夜间驾驶场景下的目标检测算法， 同时也非常具有挑战性.

3 实验分析

3.1 评价指标

本次实验采用平均精度均值（mAP）、参数量（Parameters）、模型计算力（GFLOPs）、每秒传输帧数（FPS）这四个评价指标来衡量模型性能. 参数量是指模型训练过程中的参数总量， 用来衡量模型的空间复杂度和规模， 因此低参数量是评估模型轻量化的重要指标. 模型计算力是指模型在进行一次前向传播时的浮点运算数量， 用来评估模型的计算资源消耗情况， 较低的计算力需求更加适用于低算力设备或场景^［13］. 每秒传输帧数是指模型每秒处理的图像帧数， 用来衡量模型的处理速度， 每秒传输帧数越大， 模型在实时检测场景中的表现越优， 能够更快地响应和处理输入数据.

精确度P是指在所有被模型检测为正类的样本中， 真正为正类的样本所占的比例. 召回率R是指在所有真正为正类的样本中， 被模型正确检测出的比例. AP表示单类标签的平均精确度， mAP是所有标签的平均精确度的和除以所有类别总数. mAP的值越大， 则说明模型的性能越好. 精确度、召回率、AP、mAP公示如下：

P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}（4）

R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}（5）

\mathrm{A}\mathrm{P}={\int }_{\mathrm{0}}^{\mathrm{1}}P\left(R\right)\mathrm{d}R（6）

\mathrm{m}\mathrm{A}\mathrm{P}=\frac{{\sum }_{i=\mathrm{1}}^k\mathrm{A}{\mathrm{P}}_i}{k}（7）

式中：\mathrm{T}\mathrm{P}表示真正例；\mathrm{F}\mathrm{P}表示假正例；\mathrm{F}\mathrm{N}表示假负例；P\left(R\right)表示一个标签的P-R曲线；k表示标签数. 在本文中分别使用mAP@50（IOU阈值为0.5）和mAP@50：95（IOU阈值为0.5~0.95）两个指标来评估模型性能.

3.2 实验环境

实验环境配置为：实验平台的操作系统为Windows10， GPU型号为NVIDIA GeForce RTX 3090， 显存为24 GB. 使用的Python版本为3.8.17， torchvision使用的CUDA版本为11.7， 深度学习框架为Pytorch-GPU 2.0.0+cu117.

3.3 实验结果与分析

实验使用rmsw_5k_night数据集， 在相同的实验环境下进行多组实验， 以评估增强模块对YOLOv8n（基线模型，实验1）的影响.

3.3.1 消融实验

如表2所示，将主干网络中的C2f模块替换成DCN_CSP2模块（实验2）后，模型的mAP@50下降0.7个百分点，mAP@50：95下降0.5个百分点， 模型参数量略有增加，但模型计算力减少6.2%. DCN_CSP2模块以更少的模型计算力提取特征的同时尽可能保证了模型精度，有效减小了模型对算力资源的需求.

DWConv模块是一种高效的卷积操作， 在颈部网络中引入DWConv模块（实验3）后， 与基线模型（实验1）相比， 模型的mAP@50下降0.8个百分点， mAP@50：95下降0.7个百分点， 但模型计算力GFLOPs基本不变， 且模型参数量减少5%. DWConv模块有效减少了模型参数量， 提高了计算效率， 提高了模型的轻量化程度.

在引入Non-Zero NMS算法（实验4）后，与基线模型相比， 模型参数量和模型计算力保持不变，而模型的mAP@50增加2.5个百分点， mAP@50：95增加3.4个百分点.这主要归因于数据集上含有大量受到严重遮挡的小目标， Non-Zero NMS算法能极大地保留对目标定位更精确的检测框，从而能检测到更多的目标， 检测精度随之提升.

如表2的实验7所示，我们在颈部网络中引入DWConv模块，同时引入Non-Zero NMS算法，与基线模型相比，实验7的模型计算力基本不变，模型参数量减少5%，这与仅引入DWConv模块（实验3）的实验结果基本一致；但与实验1相比，实验7的mAP@50保持不变，而mAP@50：95增加1.5个百分点.与实验3相比，实验7的模型性能更佳，成功验证了结合模块在检测性能上超过了单个组件模块，而且这种提升并非简单累加. 实验8与基线模型相比，改进算法在rmsw_5k_night数据集上的模型参数量和模型计算力需求均减小， 而mAP@50增加了6.2个百分点， mAP@50：95增加了5.7个百分点，实现了模型轻量化与高性能的提升.

3.3.2 对比实验

为验证改进算法的检测性能， 将改进算法与现阶段主流的目标检测算法Faster R-CNN^［17］、SSD^［18］、Retinanet^［19］、YOLOv4、YOLOv5、YOLOv7等，在rmsw_5k_night数据集上进行检测性能的对比分析， 结果如表3所示.

本文方法对比两阶段检测算法Faster R-CNN，mAP@50提升了16.4个百分点；对比以ResNet作为特征提取网络的SSD算法， mAP@50提升了11.9个百分点；对比Retinanet检测算法， mAP@50提升了30.8个百分点.同时，改进算法的mAP@50分别比YOLOv4、YOLOv5、YOLOv7高13.3、8.6、8.8个百分点.此外， YOLOv7的每秒传输帧数较大， 其模型检测速度较快，但其模型参数量和模型计算力需求较大，难以满足模型轻量化的需求. 与其他算法相比，本文方法以较小的模型参数量以及模型计算力需求，获得较大的每秒传输帧数， 有效提高了模型检测效率.

表4为不同算法在rmsw_5k_night数据集上的mAP@50对比分析.

根据表1和表4可知， 在rmsw_5k_night数据集中， 由于摩托车、火车和其他车辆这三类标签的样本数目较少，本文方法及大部分目标检测算法未能将其有效检测出来.然而，本文方法在自行车、公共汽车和卡车类别上识别准确率分别达到了51.4%、40.1%和40.3%，远超过同类别中的其他算法. 本文方法在rmsw_5k_night数据集上的mAP@50达到了32.2%，表明改进后的网络结构对于夜间行车目标检测任务具有高性能. 此外， 与其他目标检测算法相比，本文方法的模型参数量和模型计算力需求也比较小，兼顾了精度和轻量化二者之间的平衡.

3.4 可视化结果分析

如图6~图8所示， 在rmsw_5k_night数据集上的训练过程中，本文方法的边界框损失曲线、分类损失曲线、对象置信度损失曲线与基线模型基本一致；随着训练的进行， 三类损失曲线逐渐下降且变化平稳， 表明本文方法有效，模型参数正在向最优解靠近. 如图9~图10所示，本文方法的mAP@50和mAP@50：95在后期训练过程中高于基线模型， 表明本文方法在得到充分学习和训练后， 性能得到了有效提升.如图11所示，在夜间行车目标检测的实际场景中，引入DCN_CSP2模块和DWConv模块， 并改进原始NMS算法， 能在提升模型轻量化的同时更加精准地定位目标， 提高夜间驾驶过程中对行人和车辆等目标的检测精度.

4 结 论

本文针对夜间驾驶过程中车辆特征不明显、环境光照干扰等因素导致目标检测效果不佳的问题， 提出了一种基于YOLOv8n改进的夜间行车目标检测算法.

研究结果表明：本文提供的方法与基线模型相比， 在rmsw_5k_night数据集上的模型参数量和模型计算力需求均有所减小， mAP@50和mAP@50：95均有所提高， 其中mAP@50提升了6.2个百分点， mAP@50：95提升了5.7个百分点，在rmsw_5k_night数据集上的mAP@50达到了32.2%， 实现了模型轻量化与高性能的提升. 本文方法在提高模型检测精度的同时， 通过轻量化设计， 在算力资源受限的设备上也能高效运行， 这使得其成为一个有潜力应用于实际场景的目标检测算法. 此外， 本文提供的方法每秒传输帧数为40.3， 虽然远大于其他传统目标检测算法， 但仍有较大的提升空间， 未来可进行进一步的优化与改进， 以满足夜间行车目标检测任务的高性能要求.

参考文献

[1] WOOD J M ．Nighttime driving：visual， lighting and visibility challenges［J］．Ophthalmic and Physiological Optics， 2020， 40（2）：187-201．

[2] MA G S， CAI M T， CHEN G L， et al ．Vehicle detection at night based on the feature of taillight and license plate［C］// Green Connected Automated Transportation and Safety．Singapore：Springer Singapore， 2022：723-744．

[3] 胡忆平 ．基于深度学习的夜间车辆检测算法研究［D］．长沙：湖南大学， 2020．

[4] HU Y P. Research on night vehicle detection algorithm based on deep learning［D］. Changsha：Hunan University， 2020.（in Chinese）

[5] BELL A， MANTECÓN T， DÍAZ C， et al ．A novel system for nighttime vehicle detection based on foveal classifiers with real-time performance［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（6）： 5421-5433．

[6] XUE T， ZHANG Z Q， MA W N， et al ．Nighttime pedestrian and vehicle detection based on a fast saliency and multifeature fusion algorithm for infrared images［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（9）： 16741-16751．

[7] 郭庆梅， 刘宁波， 王中训， 等. 基于深度学习的目标检测算法综述［J］. 探测与控制学报， 2023， 45（6）： 10-20.

[8] GUO Q M， LIU N B， WANG Z X， et al. Review of deep learning based object detection algorithms［J］. Journal of Detection and Control， 2023， 45（6）： 10-20. （in Chinese）

[9] 张炳力， 秦浩然， 江尚， 等 ．基于RetinaNet及优化损失函数的夜间车辆检测方法［J］. 汽车工程， 2021， 43（8）： 1195-1202．

[10] ZHANG B L， QIN H R， JIANG S， et al. A method of vehicle detection at night based on RetinaNet and optimized loss functions［J］. Automotive Engineering， 2021， 43（8）：1195-1202．（in Chinese）

[11] 孔烜， 彭佳强， 张杰， 等 ．面向低光照环境的车辆目标检测方法［J］．湖南大学学报（自然科学版）， 2025， 52（1）：187-195．

[12] KONG X， PENG J Q， ZHANG J， et al ．Vehicle object detection method for low-light environment［J］. Journal of Hunan University （Natural Sciences）， 2025， 52（1）： 187-195．（in Chinese）

[13] 江屾， 殷时蓉， 罗天洪， 等 ．基于改进YOLOv4的多目标车辆检测算法［J］．计算机工程与设计， 2024， 45（4）：1181-1188．

[14] JIANG S， YIN S R， LUO T H， et al ．Multi-object vehicle detection algorithm based on improved YOLOv4［J］．Computer Engineering and Design， 2024， 45（4）：1181-1188．（in Chinese）

[15] CHEN Z， CHEN X， YAN X， et al. A lightweight pedestrian vehicle detection algorithm based on YOLOv5［J］.Journal of Advances in Artificial Life Robotics， 2022， 2（4）：171-176.

[16] XIA W J， LI P Q， HUANG H Y， et al ．TTD-YOLO：a real-time traffic target detection algorithm based on YOLOV5［J］．IEEE Access， 2024， 12：66419-66431．

[17] 张峻祎， 丁冰， 丁洁 ．基于弱光环境的车辆识别研究［J］．现代电子技术， 2024， 47（7）：17-24．

[18] ZHANG J Y， DING B， DING J ．Research on vehicle detection based on low light environments［J］. Modern Electronics Technique， 2024， 47（7）： 17-24．（in Chinese）

[19] 王泽宇， 徐慧英， 朱信忠， 等. 基于YOLOv8改进的密集行人检测算法：MER-YOLO［J］. 计算机工程与科学， 2024， 46（6）： 1050-1062．

[20] WANG Z Y， XU H Y， ZHU X Z， et al ．An improved dense pedestrian detection algorithm based on YOLOv8：MER-YOLO［J］．Computer Engineering & Science， 2024， 46（6）：1050-1062．（in Chinese）

[21] WANG R X， SHIVANNA R， CHENG D， et al ．DCN V2：improved deep & cross network and practical lessons for web-scale learning to rank systems［C］//Proceedings of the Web Conference 2021．April 19-23， 2021， Ljubljana， Slovenia：ACM， 2021：1785-1797．

[22] ZHOU G， CHEN W， LI X， et al. Split depth-wise separable graph-convolution network for road extraction in complex environments from high-resolution remote-sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-15.

[23] ZHANG J M， SCLAROFF S， LIN Z， et al ．Unconstrained salient object detection via proposal subset optimization［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）．June 27-30， 2016， Las Vegas， NV， USA．IEEE， 2016：5733-5742．

[24] REN S Q， HE K M， GIRSHICK R， et al ．Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149．

[25] LIU W， ANGUELOV D， ERHAN D， et al ．SSD：single shot MultiBox detector［M］//Computer Vision – ECCV 2016．Cham：Springer International Publishing， 2016：21-37．

[26] LIN T Y， GOYAL P， GIRSHICK R， et al ．Focal loss for dense object detection［C］//2017 IEEE International Conference on Computer Vision （ICCV）．October 22-29， 2017， Venice， Italy．IEEE， 2017：2999-3007．

基金资助

国家自然科学基金资助项目(52375093)

National Natural ScienceFoundation of China(52375093)

广东省自然科学基金资助项目(2023A15 15011585)

Natural Science Foundation of Guangdong Province(2023A1515011585)