多曝光图像增强与YOLO算法结合用于夜间行人检测

《Signal Processing: Image Communication》：Multi-Exposure Image Enhancement and YOLO Integration for Nighttime Pedestrian Detection

多曝光图像增强与YOLO目标检测融合的夜间行人检测方法。提出DCExYOLO框架，采用改进Zero-DCE++算法生成多曝光图像组合输入YOLOv5，通过多任务损失函数和两阶段优化提升复杂光照下的行人检测性能，实验表明log平均漏检率显著降低。

　　

戴晓标|兰俊波|陈志刚|王博涛|文雪

中国湖南省邵阳市邵阳大学机械与能源工程学院

摘要

本文提出了一种名为DCExYOLO的新方法，该方法将多曝光图像增强技术与YOLO目标检测相结合，用于夜间驾驶场景中的实时行人检测。为了解决夜间驾驶场景中光照不均匀和光线不足的问题，我们引入了一种改进的Zero-DCE++算法，生成多个曝光级别的增强图像，这些增强图像随后与原始图像一起作为输入传递给YOLO检测器。通过设计多任务损失函数和两阶段优化策略，该方法显著增强了图像增强与目标检测之间的协同效果。在多个数据集上的广泛实验表明，DCExYOLO在检测性能和效率之间取得了最佳平衡，与YOLO基线相比，大幅降低了平均漏检率（MR^-2）。因此，这项研究验证了多曝光增强技术在复杂光照环境下进行目标检测的潜力，为智能驾驶和交通安全提供了高效可靠的解决方案，同时也为未来在复杂场景中优化检测技术奠定了基础。

章节摘录

引言

近年来，随着智能交通和自动驾驶技术的快速发展，夜间行人检测的准确性和可靠性变得越来越重要。作为计算机视觉中的关键任务，行人检测在视频监控、无人机导航[1]、辅助驾驶[2]和智能机器人[3]等各种应用中发挥着重要作用。深度学习技术显著提高了行人检测的能力

相关工作

为了解决夜间行人检测中复杂光照的问题，前沿研究主要集中在两个方向：数据和算法模型。我们从两个维度系统地回顾了相关研究进展：针对光照挑战的数据增强，以及算法模型的改进。

https://doi.org/10.1016/j.image.2025.xxxxxx

接收日期：2025年5月17日；修订稿接收日期：2025年8月26日；接受日期：2025年xx月xx日

《信号处理：图像通信》136

夜间驾驶场景中用于行人检测的多曝光增强YOLO

本节介绍了DCExYOLO框架的多种变体，用于夜间行人检测。以下小节详细介绍了在光照变化较大的夜间图像环境下，行人检测模型的架构及其学习损失函数。

实验结果与分析

我们对DCExYOLO模型进行了定量和定性实验。本节首先介绍了实验数据集、模型配置和评估方法，然后通过消融研究验证了各个组件的有效性。此外，我们还分析了优化策略和训练损失权重设置对模型性能的影响。

结论

本研究提出了DCExYOLO框架，该框架将多曝光图像增强技术与YOLO目标检测算法深度融合，为夜间驾驶场景中的复杂光照问题提供了创新解决方案。研究采用了改进的Zero-DCE++算法生成不同曝光级别的增强图像，这些增强图像与原始图像一起作为输入传递给YOLOv5检测器，从而在多个方面实现了显著的性能提升

CRediT作者贡献声明

戴晓标：可视化、数据分析、数据整理、概念构建。兰俊波：撰写初稿、软件开发、方法论设计。陈志刚：撰写与编辑、资源管理、数据分析。王博涛：撰写与编辑、指导工作、资源协调。文雪：验证结果、形式化分析。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能会影响本文报告的工作。