Dans des environnements à faible luminosité tels que les tunnels routiers, les images des véhicules capturées sont fortement affectées par des facteurs externes, entraînant une faible précision de détection des véhicules. Pour résoudre ce problème, une méthode de détection en temps réel des véhicules en environnement à faible luminosité basée sur une amélioration de l’algorithme YOLOx est proposée. Tout d’abord, l’image du véhicule capturée est améliorée en utilisant un filtrage guidé et un critère de fusion des caractéristiques énergétiques régionales, ce qui résout les problèmes d’éclairage inégal et de contours flous des objets dans l’image. Ensuite, en se basant sur l’architecture de réseau Swin-Transformer, un réseau principal amélioré pour l’algorithme YOLOx de détection des véhicules est construit, utilisant la capacité de modélisation globale du Transformer pour encoder les informations sémantiques clés dans l’image et renforcer la capacité d’extraction des caractéristiques détaillées du réseau. Parallèlement, dans le réseau du cou, des convolutions à portes récursives remplacent les convolutions dilatées afin d’améliorer la capacité de modélisation sémantique de haut niveau du réseau. Enfin, un mécanisme d’attention convolutionnelle est introduit pour renforcer l’extraction et la fusion des caractéristiques clés dans les images à faible luminosité. Des expérimentations réalisées sur le jeu de données de détection de véhicules en tunnel UA-DETTUN montrent que la précision moyenne de détection de la méthode proposée atteint 96,1 %, soit une amélioration de 6,5 % par rapport à l’algorithme YOLOx amélioré auparavant, tout en satisfaisant les exigences de vitesse en temps réel, ce qui confère à cette méthode une grande valeur d’application dans la détection des véhicules.

environnement à faible luminosité;Swin-Transformer;détection des véhicules;amélioration d’image;mécanisme d’attention