In schwach beleuchteten Umgebungen wie Straßentunneln werden aufgenommene Fahrzeugbilder stark von externen Faktoren beeinflusst, was zu einer niedrigen Fahrzeugerkennungsgenauigkeit führt. Zur Lösung dieses Problems wurde eine Methode zur Echtzeit-Fahrzeugerkennung in schwach beleuchteten Umgebungen basierend auf einem verbesserten YOLOx-Algorithmus vorgeschlagen. Zunächst werden die aufgenommenen Fahrzeugbilder basierend auf geführter Filterung und einem Fusionskriterium der regionalen Energieeigenschaften verstärkt, um Probleme wie ungleichmäßige Beleuchtung und unscharfe Objektkonturen in den Bildern zu beheben. Anschließend wurde basierend auf der Swin-Transformer-Netzwerkstruktur ein verbessertes YOLOx-Fahrzeugerkennungsalgorithmus-Backbone-Netzwerk aufgebaut, das die globale Modellierungsfähigkeit des Transformers nutzt, um die wichtigsten semantischen Informationen im Bild zu kodieren und die Extraktionsfähigkeit des Netzwerks für Detailmerkmale zu stärken. Gleichzeitig wurde im Halsnetzwerk eine rekursive Gate-Convolution anstelle der dilatierten Faltung eingeführt, um die Fähigkeit des Netzwerks zur semantischen Modellierung höherer Ebenen zu verbessern. Schließlich wurde ein Faltungs-Attention-Mechanismus eingeführt, um die Extraktion und Fusion der Schlüsselfunktionen in Bildern mit niedriger Beleuchtung zu verstärken. Experimente wurden auf dem erstellten Tunnel-Fahrzeugerkennungs-Datensatz UA-DETTUN durchgeführt. Die Ergebnisse zeigen, dass die durchschnittliche Erkennungsgenauigkeit der vorgeschlagenen Methode 96,1 % erreicht, was eine Steigerung von 6,5 % gegenüber dem verbesserten YOLOx-Algorithmus darstellt, und gleichzeitig erfüllt die Erkennungsgeschwindigkeit des Netzwerks die Anforderungen an die Echtzeit-Erkennung, was dieser Methode einen hohen Anwendungswert in der Fahrzeugerkennung verleiht.

schwach beleuchtete Umgebung;Swin-Transformer;Fahrzeugerkennung;Bildverstärkung;Aufmerksamkeitsmechanismus