En entornos de poca luz, como túneles de carreteras, las imágenes de vehículos recogidas se ven muy afectadas por factores externos, lo que conduce a una baja precisión en la detección de vehículos. Para abordar este problema, se propone un método de detección en tiempo real de vehículos en entornos de poca luz basado en un algoritmo mejorado YOLOx. Primero, las imágenes recogidas se mejoran utilizando filtrado guiado y un criterio de fusión de características de energía regional, resolviendo problemas de iluminación desigual y contornos difusos de los objetivos en las imágenes. En segundo lugar, basado en la estructura de red Swin-Transformer, se construyó la red principal del algoritmo mejorado YOLOx para la detección de vehículos, aprovechando la capacidad de modelado global del Transformer para codificar la información semántica clave en las imágenes y fortalecer la extracción de características detalladas por parte de la red. Al mismo tiempo, en la red de cuello se introdujo convolución recursiva con compuertas para reemplazar la convolución dilatada, mejorando la capacidad de modelado semántico de alto nivel de la red. Finalmente, se introdujo un mecanismo de atención convolucional para reforzar la extracción y fusión de características clave en imágenes de baja iluminación. Se realizaron experimentos en el conjunto de datos de detección de vehículos en túneles UA-DETTUN construido, los resultados muestran que la precisión media de detección del método propuesto alcanzó el 96.1%, aumentando un 6.5% en comparación con el algoritmo YOLOx mejorado anteriormente, y al mismo tiempo, la velocidad de detección de la red cumple con los requisitos de detección en tiempo real, lo que le otorga un alto valor de aplicación en la detección de vehículos.

entornos de poca luz;Swin-Transformer;detección de vehículos;mejora de imágenes;mecanismo de atención