大雾天气下,发生追尾交通事故的概率远高于非雾天气。交通部门调查显示,主要是驾驶员前方视线被遮挡,不能及时发现前方车辆并迅速做出刹车动作导致。本文为了降低车辆在雾天环境下发生追尾事故的概率,顺应当下人工智能技术加速汽车安全行业发展背景,本文研究的是雾天情况下的车辆视频跟踪与检测算法,核心是改进YOLOv5算法对雾天车辆识别检测并语音预警系统,利用人工智能技术,通过对摄像头实时采集的图像进行识别分析,检测出前方人眼难以分辨的车辆,通过设定阈值来控制语音告警模块,最后使用Py Qt5开发GUI界面,最终完成PC端前方车辆预警系统研制。本文的核心在于对YOLOv5算法的改进优化,一定程度上提高了模型精确度和推理速度。主要创新点是在卷积神经网络中引入自适应卷积,使得在训练网络模型过程中,增强目标的特征提取能力,进而提高神经网络对于重要特征通道的表达能力,尤其对小目标识别检测具有重要意义;然后,考虑到检测预警的实时性,对YOLOv5网络中的Neck检测层进行裁剪优化,以提高网络模型的推理速度。最后,通过对训练模型的精确度、召回率、Map这些评估指标对比分析,以及对大雾天气下,实际驾驶员视角场景图片进行测试,验证了改进YOLOv5算法对小目标车辆检测能力及推理速度有一定提升。实验结果表明,改进后的YOLOv5算法对雾天车辆识别准确率高达97%,推理速度提升1/3,可实时对驾驶员进行预警提醒,一定程度上降低追尾事故的发生概率。