基于YOLOv8n改进的夜间行车目标检测算法研究

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.

关键词

目标检测 / 夜间行车 / 图像识别 / YOLOv8n / 轻量化