Em ambientes de baixa luminosidade, como túneis rodoviários, as imagens dos veículos coletadas são fortemente afetadas por fatores externos, resultando em baixa precisão na detecção dos veículos. Para resolver este problema, foi proposto um método de detecção em tempo real de veículos em ambientes de baixa luminosidade baseado em uma versão aprimorada do algoritmo YOLOx. Primeiro, as imagens dos veículos coletadas são aprimoradas com base em filtragem guiada e um critério de fusão das características de energia regional, resolvendo problemas de iluminação desigual e contornos desfocados dos alvos nas imagens. Em seguida, com base na estrutura da rede Swin-Transformer, foi construído o backbone do algoritmo de detecção de veículos YOLOx aprimorado, utilizando a capacidade de modelagem global do Transformer para codificar as informações semânticas-chave nas imagens, reforçando a capacidade da rede de extrair características detalhadas. Ao mesmo tempo, no módulo pescoço da rede, foi introduzida convolução com porta recursiva para substituir a convolução dilatada, melhorando a capacidade de modelagem semântica de alto nível da rede. Por fim, foi introduzido um mecanismo de atenção convolucional para reforçar a extração e fusão das características-chave em imagens de baixa luminosidade. Experimentos foram realizados no conjunto de dados UA-DETTUN de detecção de veículos em túneis construído, e os resultados mostraram que a precisão média de detecção do método proposto atingiu 96,1%, um aumento de 6,5% em comparação com o algoritmo YOLOx aprimorado anteriormente, além disso, a velocidade de detecção da rede atende aos requisitos de detecção em tempo real, conferindo alto valor de aplicação na detecção de veículos.

ambientes de baixa luminosidade;Swin-Transformer;detecção de veículos;melhoria de imagem;mecanismo de atenção