【技术实现步骤摘要】
本专利技术属于汽车自适应前照灯，涉及了一种汽车夜间目标检测方法及自适应远光系统。
技术介绍
1、如今，汽车前照灯领域应用较为广泛的是自适应前照灯系统，它能根据车辆的行驶状态和环境变化，自动调整近光灯的光照角度、高度和光型等参数，以提供较好的照明效果来保障行车安全。但自适应前照灯系统缺陷在于缺乏对远光灯的自适应控制，在夜间光照度低的环境下远光灯的运用能够更加有效扩大照明范围，满足驾驶者的夜间视野需求。现有的自适应前照灯系统，在跟车或会车时，若不能及时手动将远光灯切换成近光灯，会导致来往车辆驾乘人员产生眩目的情况，从而带来严重的安全问题，容易增加夜间交通事故概率，并且若在城市区域内行驶，远光灯的滥用会对路边行人带来眩目，产生不适感，导致行人面对来往车辆避车不及时而产生交通事故。然而，现有技术并没有提供对远光灯的合理应用及远近光自适应切换的方案。
2、此外，自适应远光系统的运用依赖于高精准的目标检测方法。目前常用的目标检测方法，由于夜间光照度低，车灯容易与周围灯光混淆且行人不易被识别，因而导致夜间目标检测准确率低，并难以适应行驶状态下对模型的高实时性要求。
技术实现思路
1、针对上述问题，本专利技术目的提供了一种汽车夜间目标检测方法及自适应远光系统，该目标检测方法yolov8n-keen1是基于yolov8之上进行改进来提高汽车前方外界环境的检测性能，以解决夜间光照度低的环境下目标检测准确率低的问题；利用汽车前灯、汽车后灯和行人作为检测目标，解决车灯容易与周围灯光混淆且行人不
2、本专利技术的技术方案是：第一方面，本专利技术提供了一种汽车夜间目标检测方法yolov8n-keen1，其操作步骤包括：
3、(1)：搭建夜间行车数据集并进行标注；
4、(2)：对数据集进行数据增强；
5、(3)：选取yolov8n作为基础网络结构，对该网络结构进行如下改进优化：①、设计csphetbnelan轻量化特征提取融合模块取代原c2f模块；②、改进检测头为detect_fasff；③、引入yolov10提出的scdown(spatial-channel decoupled downsampling)替代conv卷积以降低计算成本和参数数量，将改进后的网络结构命名为yolov8n-keen1；
6、(4)：运用夜间行车数据集对yolov8n-keen1进行训练，生成适用于夜间车辆对外界环境检测模型；
7、(5)：与市面广泛应用的目标检测模型做对比实验及性能分析。
8、进一步的，在步骤(1)中，所述搭建夜间行车数据集night_time_detection的具体步骤如下：
9、(1.1)、图片来源：部分来源于自行拍摄，即通过在车辆前窗安装摄像头拍摄真实夜间行车视频以及用手持相机采集人行道上行人图像，另有部分收集于dark_zurich_train_anon、bdd100k，最终获得共计4950张图像；
10、(1.2)、构建夜间行车数据集，将标签分为行人(pedestrian)、汽车前灯(front_light)和汽车尾灯(back_light)，并对收集到的图像进行手工精准标注；
11、(1.3)、划分数据集，将数据集按照8：2的比例随机划分为训练集和测试集。
12、进一步的，在步骤(2)中，所述对数据集进行数据增强的具体过程如下：在训练过程中，从训练集中随机选取四张图片，然后进行随机缩放、裁剪和排列，最终拼接生成新的训练样本，增加了训练样本的多样性和丰富性，提高了模型的泛化能力。
13、进一步的，在步骤(3)中，所述对基础网络模型yolov8n进行改进优化的具体步骤如下：
14、(3.1)、设计csphetbnelan轻量化特征提取融合模块，将异构卷积与batchnormalization正则化技术融合，有效提高了特征提取能力和模型的泛化能力；通过引入cspnet的瓶颈层并通过交叉特征融合，改善了梯度流动，增强了特征的表达能力；通过加入堆叠的方式，即通过多个卷积层的输出进行聚合的高效层级聚合方法，提高了对不同空间分辨率特征的处理能力；
15、(3.2)、改进检测头为detect_fasff，首先，利用asff对不同层级的特征进行空间过滤和融合的方法解决不同特征尺度的不一致问题；其次，fasff是在asff基础上增加层级，让特征的融合更细化，更好地处理不同空间分辨率的特征；最后，结合了yolov8检测头的检测能力和fasff的特征融合优势，以提高小目标检测的精确度，适用于模型对汽车前灯、后灯及行人等小目标检测，并将该检测头命名为detect_fasff；
16、(3.3)、引入scdown模块，首先，通过点卷积对输入特征图进行通道维度的调整；然后，通过深度卷积进行空间下采样；最后，返回下采样后的特征图；
17、scdown模块简化了原有下采样过程，却依旧能维持模型的精确度，并且降低了计算成本和参数数量。
18、进一步的，在步骤(4)中，所述对训练生成适用于夜间车辆对外界环境目标检测模型的具体步骤如下：
19、(4.1)、实验环境，本专利技术所采用的硬件环境为cpu：12th gen intel core i5-12600kf，gpu：nvidia a100-pcie-40gb，内存28g；
20、软件环境为操作系统：ubuntu20.04，cuda11.8，torch2.0.0，python-3.9.7；
21、(4.2)、选择优化器(optimizer)，设置相同的参数情况下，利用night_time_detection数据集对测试模型进行训练，找出适用于yolov8n-keen1的最佳优化器；
22、(4.3)、确定总训练轮数(epoch)，设置较大的训练轮数，找到训练后的精确值趋于稳态的训练轮数；
23、(4.4)、分模块训练，先根据不同改进优化后的模块单一训练，并确保训练参数一致；
24、(4.5)、对所有模块合并后的网络结构进行训练，获得最终目标检测模型。
25、进一步的，在步骤(5)中，所述对市面广泛应用的目标检测模型进行对比实验的具体步骤如下：
26、(5.1)、通过知网查询目标检测模型，获取最近五年较为广泛应用的目标检测模型；
27、(5.2)、本文档来自技高网...
【技术保护点】
1.一种汽车夜间目标检测方法，其特征在于，其操作步骤如下：
2.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(1)中，所述搭建夜间行车数据集的具体步骤如下：
3.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(2)中，所述对数据集进行数据增强的具体过程如下：在训练过程中，从训练集中随机选取四张图片，然后进行随机缩放、裁剪和排列，最终拼接生成新的训练样本。
4.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(3)中，所述对基础网络模型YOLOv8n进行改进优化的具体步骤如下：
5.根据权利要求4所述的一种汽车夜间目标检测方法，其特征在于，
6.根据权利要求4所述的一种汽车夜间目标检测方法，其特征在于，
7.根据权利要求4所述的一种汽车夜间目标检测方法，其特征在于，
8.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(4)中，所述对训练生成适用于夜间车辆对外界环境目标检测模型的具体步骤如下：
9.根据权利要求1所述的
10.一种LED矩阵灯的自适应远光系统，其特征在于，其具体流程如下：
...【技术特征摘要】
1.一种汽车夜间目标检测方法，其特征在于，其操作步骤如下：
2.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(1)中，所述搭建夜间行车数据集的具体步骤如下：
3.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(2)中，所述对数据集进行数据增强的具体过程如下：在训练过程中，从训练集中随机选取四张图片，然后进行随机缩放、裁剪和排列，最终拼接生成新的训练样本。
4.根据权利要求1所述的一种汽车夜间目标检测方法，其特征在于，在步骤(3)中，所述对基础网络模型yolov8n进行改进优化的具体步骤如下：
5.根据...
【专利技术属性】
技术研发人员：徐显豪，徐礼超，王流畅，鲁永康，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。