La détection des piétons en environnement à faible luminosité nocturne fait face à des défis tels qu'un taux élevé de fausses détections, des omissions significatives et une précision de reconnaissance insuffisante. À cet effet, cet article propose un algorithme de détection basé sur RT-DETR amélioré, réalisant une détection précise en conditions de faible éclairage grâce à une conception collaborative multi-modules. L'algorithme intègre un module transformeur spatial (FDT) au sommet de la pyramide de caractéristiques, utilisant un mécanisme d'attention en deux phases pour renforcer l'extraction des caractéristiques faibles et la modélisation du contexte global ; un module d'échantillonnage dynamique (DySample) est déployé dans le réseau du col, employant un mécanisme de rééchantillonnage spatial dynamique et apprentissable pour aligner les caractéristiques multi-échelles et renforcer la détection des petits objets ; enfin, le module DRBC3 est utilisé comme cœur d'extraction des caractéristiques, fusionnant des convolutions à taux de dilatation multiples et des techniques de reparamétrisation, pour construire des champs récepteurs multi-échelles améliorant la capture des détails des cibles floues et occultées. Les expériences sur le dataset LLVIP montrent que l'algorithme améliore le mAP0.5, la précision (Precision) et le rappel (Recall) respectivement de 1,39 %, 2,21 % et 3 % tout en réduisant le nombre de paramètres, avec une vitesse d'inférence significativement accrue. Les tests de généralisation sur les datasets NightSurveillance et Nightowls valident davantage ses performances supérieures. Cet algorithme améliore efficacement la précision de détection et réduit le taux de non-détection tout en garantissant la réactivité, démontrant une bonne robustesse et applicabilité.

détection des piétons;RT-DETR;faible luminosité;mécanisme d'attention;multi-échelle