Die Fußgängererkennung bei geringer Beleuchtung in der Nacht steht vor Herausforderungen wie einer hohen Fehlalarmsrate, deutlichem Nicht-Erkennen und unzureichender Erkennungsgenauigkeit. Daher wird in diesem Artikel ein Erkennungsalgorithmus basierend auf verbessertem RT-DETR vorgeschlagen, der durch die kooperative Gestaltung mehrerer Module eine präzise Erkennung bei schwacher Beleuchtung ermöglicht. Der Algorithmus integriert ein räumliches Transformator-Modul (FDT) an der Spitze der Feature-Pyramide und verwendet einen zweistufigen Aufmerksamkeitsmechanismus zur Verstärkung der schwachen Merkmalsextraktion und der globalen Kontextmodellierung; im Neck-Netzwerk wird ein dynamisches Sampling-Modul (DySample) eingesetzt, das durch einen dynamisch lernbaren räumlichen Resampling-Mechanismus die mehrskalige Merkmalssynchronisation und die Verbesserung der Erkennung kleiner Objekte realisiert; als Kern der Merkmalsextraktion dient das DRBC3-Modul, das mehrere Dilatationsraten-Kernel und Reparametrisierungstechniken kombiniert, um mehrskalige Rezeptivfelder zum besseren Erfassen von Details verschwommener und verdeckter Ziele zu schaffen. Experimente mit dem LLVIP-Datensatz zeigen, dass der Algorithmus bei reduzierter Parameterzahl mAP0.5, Präzision (Precision) und Recall jeweils um 1,39 %, 2,21 % bzw. 3 % verbessert und die Inferenzgeschwindigkeit deutlich erhöht. Generalisierungsexperimente auf den Datensätzen NightSurveillance und Nightowls bestätigen die überlegene Leistung. Der Algorithmus verbessert unter Wahrung der Echtzeitfähigkeit effektiv die Erkennungsgenauigkeit und verringert die Auslassungsrate, wodurch er eine gute Robustheit und Praktikabilität aufweist.

Fußgängererkennung;RT-DETR;schwache Beleuchtung;Aufmerksamkeitsmechanismus;Mehrskaligkeit