适应性车辆检测模型用于高速公路道的交通监控,考虑到发光强度

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 交通工程是交通工程.

背景情况:

• 车辆检测对于交通监控和安全至关重要.
• 深度学习模型在特征提取方面表现出色,但在异常照明下扎,特别是在高速公路道中.
• 现有的模型通常无法在不同的亮度强度下保持性能.

研究的目的:

• 开发一种适应性车辆检测模型,适应高速公路道中的异常照明条件.
• 提高车辆检测系统在具有挑战性的环境中的准确性和可靠性.
• 加强道路交通监控和主动安全管理.

主要方法:

• 提出了一种适应性车辆检测模型,将图像数据分类为正常和异常亮度场景.
• 改进的CycleGAN与边缘损失被用作适应性亮度调整模块用于异常照明.
• 然后使用YOLOv7处理调整后的图像以检测车辆.

主要成果:

• 适应模型在高速公路道内的异常亮度场景中证明了有效的车辆检测.
• 改进的CycleGAN成功地减轻了边缘生成扭曲.
• 与原来的YOLOv7相比,该模型在异常照明下实现了16.3%的精度增加,1.7%的回忆增加和9.8%的mAP_0.5增加.

结论:

• 拟议的自适应车辆检测模型显著提高了在具有挑战性的低光道环境中的检测性能.
• 适应性亮度调节模块是可转移的,可以改进其他车辆检测模型.
• 这项研究有助于更可靠的道路交通监控和主动安全系统.