基于动态多重曝光与梯度集中算法的低光照交通标志检测DME-YOLO框架

《Image and Vision Computing》：Traffic sign detection framework in low light based on dynamic multi-exposure and gradient concentration algorithms

　　

摘要：交通标志检测作为无人驾驶技术的核心组成部分之一，对于保障行车安全和智能交通系统至关重要。然而，在低光照环境中，由于复杂背景、不均匀光照以及可用信息有限，目标检测模型可能无法提供准确可靠的识别结果。为应对上述挑战，研究人员提出了一种融合图像预处理与目标检测的新型DME-YOLO（Dynamic Multi-Exposure YOLO，动态多重曝光YOLO）框架。该DME-YOLO框架包含一个动态多重曝光增强模块（DME，Dynamic Multi-Exposure Enhancement Module）和一个AdamGC-YOLO检测网络。DME模块在低光照环境中增强图像亮度、纹理细节和信息内容，同时捕获底层特征。AdamGC-YOLO检测网络采用结合梯度集中（Gradient Concentration，梯度集中）算法的Adam优化器来优化检测性能，缓解梯度爆炸并提高网络的鲁棒性。

**论文解读：基于动态多重曝光与梯度集中算法的低光照交通标志检测DME-YOLO框架**

**一、研究背景与问题提出**

交通标志检测是自动驾驶技术的核心组成部分，对保障行车安全和智能交通系统（ITS，Intelligent Transportation System）的运行至关重要。自动驾驶车辆需要依赖交通标志检测结果来准确解读交通规则并做出正确决策，检测精度直接或间接地影响行车安全并降低交通事故发生概率。然而，在低光照环境下，由于背景复杂、光照不均匀以及可用信息匮乏，无人驾驶车辆系统的目标检测模型往往无法提供准确可靠的识别结果，这构成了该领域亟待解决的关键难题。

现有低光照图像增强方法可分为三类：基于分布映射的方法（如直方图均衡化）常导致过曝、边缘细节丢失和色彩失真；基于模型优化的方法（如Retinex理论及其衍生方法LIME）虽然能够保留结构和边缘细节，但存在局部过曝和眩光抑制不足的问题；基于深度学习的方法（如LightenNet、半监督深度递归框架）虽然具有潜力，但在真实场景中性能有限，且计算复杂度较高，资源消耗与性能提升不成比例。在交通标志检测领域，近年来的研究虽然引入了特征融合、可变形卷积、混合主干网络和注意力机制等方法，但在面临低光照等复杂条件时仍存在泛化能力不足、模型参数冗余、极端环境下性能下降等挑战。此外，现有方法往往优先考虑人类视觉感知而非检测性能，忽略了目标检测系统对图像特征提取的特殊需求。

**二、研究内容与重要意义**

针对上述挑战，研究人员提出了DME-YOLO框架，该框架将图像预处理与目标检测有机整合，包含两个核心组件：动态多重曝光增强模块（DME，Dynamic Multi-Exposure Enhancement Module）和AdamGC-YOLO检测网络。DME模块包含一个基于卷积神经网络的参数预测器（CNN-PP，CNN-based Parameter Predictor）和多重曝光增强器，能够在低光照环境中自适应地增强图像亮度、纹理细节和信息内容，同时抑制眩光和噪声。AdamGC-YOLO检测网络在YOLOv8框架内引入结合梯度集中（GC，Gradient Centralization）算法的Adam优化器（AdamGC），通过约束参数更新来稳定自适应学习过程，缓解梯度爆炸，增强检测网络的鲁棒性和特征提取能力。

该研究的主要贡献在于：首次提出将动态多重曝光增强与梯度集中优化联合的端到端检测框架，克服了现有方法偏重人类视觉感知而忽视检测性能的局限性；设计了CNN-PP模块用于自适应预测最优曝光参数，无需人工标注；通过梯度集中算法改善了低光照数据训练中的梯度不稳定问题。这项研究为低光照环境下交通标志检测提供了一种有效的解决方案，对提升自动驾驶系统在复杂光照条件下的感知能力具有重要工程应用价值。

**三、关键技术方法**

研究人员采用CCTSDB（包含5000张低光照环境下的交通标志图像）、TT100K（清华大学与腾讯联合采集的9738张中国交通标志图像）和ExDark（包含7363张真实低光照图像，涵盖10种低光照条件和12个目标类别）三个数据集开展实验。CNN-PP模块采用三层卷积神经网络（3×3卷积核，步长2，64个输出通道，ReLU激活）处理256×256归一化输入图像，经展平和三个全连接层后通过Sigmoid激活输出预测值。CNN-PP的伪标签通过无监督参数搜索策略生成，以步长0.2在[0.5, 2.0]范围内采样候选值，采用结合局部对比度、梯度能量、对比保真度和过曝惩罚的评分函数择优选取。多重曝光增强器包含曝光采样生成器（预设曝光比集合K_n={0.5, 1.0, 1.5}）、多曝光评估器（基于光照图平滑和权重矩阵计算）和多曝光融合器三部分。检测网络以YOLOv8为骨干，采用AdamGC优化器，在标准梯度反向传播前减去权重向量梯度均值实现梯度集中，初始学习率0.001，动量0.98，权重衰减0.0001，训练100轮，批大小8。

**四、主要研究结果**

（1）低光照增强实验的结果与分析：在CCTSDB数据集上，研究人员将DME方法与MSRCR（Multi-Scale Retinex with Color Restoration，带色彩恢复的多尺度Retinex）、DHE（Dynamic Histogram Equalization，动态直方图均衡化）、LIME（Low-light Image Enhancement via Illumination Map Estimation，基于光照图估计的低光图像增强）、HDR（High Dynamic Range，高动态范围）和Zero-DCE（Zero-Reference Deep Curve Estimation，零参考深度曲线估计）五种方法进行对比。以原始低光照图像为参考，DME方法在所有对比方法中取得了最低的均方误差（MSE，Mean Square Error）0.0375和最高的结构相似性（SSIM，Structural Similarity）0.9988，表明该方法在增强过程中引入的结构失真最小，结构保真度最高。在无参考指标亮度顺序误差（LOE，Lightness Order Error）上，DME方法取得了0.5295的较低值，表明亮度失真最小。

（2）梯度集中算法的实验结果与分析：通过OpenMMLab输出网络模型反向传播时的梯度信息，梯度集中算法有效抑制了异常值的产生，能够动态调整学习率，适当缩放梯度，显著限制了极端梯度值，从而减轻了梯度爆炸对模型的不利影响，稳定了梯度。Grad-CAM（Gradient-weighted Class Activation Mapping，梯度加权类激活映射）可视化结果表明，使用梯度集中算法后，热力图中交通标志区域的颜色更深且更集中，验证了该算法的有效性。在单层、三层和五层CNN结构的对比实验中，三层CNN实现了最优的图像增强性能。

（3）目标检测实验结果与对比实验：在CCTSDB数据集上，DME-YOLO的mAP@0.5（mean Average Precision at IoU threshold 0.5，交并比阈值为0.5时的平均精度均值）达到95.5%，较原始YOLOv8（91.6%）提升了3.9%。消融实验表明，单独引入AdamGC将mAP@0.5从91.6%提升至93.5%，单独引入DME模块提升至94.3%，两者联合使用进一步提升至95.5%。DME方法在不同基线模型上均表现出一致的提升效果：YOLOv8+DME达94.3%，YOLOv11+DME达94.7%，YOLOv12+DME达94.6%，YOLOv13+DME达95.3%。

（4）泛化能力验证：在ExDark数据集上，DME-YOLO取得了57.1%的mAP@0.5，较YOLOv8基线（55.5%）提升了1.6%；在TT100K数据集上的跨数据集直接测试中，所提方法同样优于基线模型，验证了其良好的泛化能力。

**五、讨论与结论**

研究人员在论文中讨论了该工作的若干局限性：（1）DME模块采用简化的线性相机响应函数近似，在极高动态范围场景中可能产生色彩失真或局部饱和；（2）多曝光超参数（曝光图像数n=3，曝光比集合K_n={0.5, 1.0, 1.5}）虽在一般低光照交通场景中表现良好，但缺乏自适应调整能力；（3）CNN-PP的伪标签生成采用启发式评分策略，权重系数为人工设定，可能限制跨域泛化能力；（4）所提框架主要关注光照退化，对严重运动模糊、重度遮挡或低对比度复杂背景等极端情形效果可能有限。在计算复杂度方面，CNN-PP约含0.5M参数，推理时引入约8–12 ms的预处理延迟，AdamGC优化器仅在训练阶段使用，不增加推理开销。

研究结论：为应对低光照条件下交通标志检测的挑战，研究人员提出了结合动态多重曝光增强模块（DME）与GC-YOLO检测网络的DME-YOLO框架。DME模块由CNN-PP和多重曝光增强器组成，增强器根据CNN-PP的输出动态调整每张图像，集成了采样生成器、评估器和融合器：生成器根据图像数量和曝光比生成多重曝光图像；评估器评估图像质量并分配权重；融合器将加权图像合成为最终增强结果。在检测方面，DME-YOLO以YOLOv8为骨干，引入结合Adam与梯度集中的AdamGC优化器以提升性能并缓解梯度爆炸。在CCTSDB数据集上，DME模块与MSRCR、DHE、LIME和HDR方法进行了对比，评价指标包括MSE、SSIM和LOE，以原始低光照图像为参考，所提方法取得了最低MSE（0.0375）、最高SSIM（0.9988）和较低LOE（0.5295）。Grad-CAM可视化显示GC-YOLO网络在交通标志区域的特征激活更集中。DME-YOLO在CCTSDB数据集上达到95.5%的mAP@0.5，超越基线3.9%；在ExDark数据集上达到57.1%的mAP@0.5，超越基线1.6%。研究结果证实，DME-YOLO能够有效增强低光照环境下的交通标志图像并提高检测精度。