当前,ITS监控领域多种感知解析的技术中,视频智能检测识别优势明显,直观且利用了现有大量摄像装置,但其软肋在于应用场景光照不够,尤为夜间。为此,论文依托省级科研项目,展开对夜间行车视频检测系列算法研究,具有重要的理论意义和实际应用价值。论文描述了国内外低照度图像增强算法和目标检测算法的研究现状,分析了夜间行车视频检测所存在的难点,包括路面灯光反射严重、背景物体干扰多、车辆遮挡等;指出了夜间车辆检测所需要解决的两个重点模块,即低照度图像增强和夜间车辆检测;解析了通常的图像增强算法和目标检测算法机理,分析了这些算法在实际夜间场景中的不足;基于对现有经典算法的研究,以及实际项目对车辆检测准确性和效率的要求,给出了针对夜间行车视频检测的系列算法,提出了消除路面反射光的低照度图像增强算法,改进了显著性夜间车辆检测算法,优化了深度学习SSD网络检测夜间车辆的方法;分析比较了这三种算法与常用算法的效果;描述了基于SSD的夜间车灯视频检测软件系统,给出了软件系统的模块结构与进程间关系,展示了实际项目中夜间车灯视频检测效果,实现了夜间车流量计数功能。文中:针对路面反射光影响车辆检测的问题,论文提出了消除路面反射光的低照度图像增强算法。其利用拓扑结构边界跟踪,找出并消除反射光区域,提高了图片的亮度对比度信息,达到了大面积反射光消除的目的。针对传统显著性目标检测FT、AC算法容易误检出背景物体的问题,论文改进了显著性FT、AC检测算法,融入了视频像素的帧差特征。利用行车视频前后帧像素差获取待检测ROI区域,对ROI区域检测显著性目标车辆,缩小了待检测区域,降低了背景物体对目标车辆检测的影响,提高了检测准确性,解决了图片中非ROI区域背景物体误检为目标物的问题。针对深度学习检测算法检测速度过慢的问题,论文优化了基于SSD网络的夜间车辆检测方法,调整了生成框default box宽高比及prior box数量比例,提高了其与实际车灯目标框的匹配度。论文利用优化的SSD网络检测夜间车灯,提升了车辆检测的准确率和实时性。综上,论文的创新和贡献在于:●提出了消除路面反射光的低照度图像增强算法,消除了图片中大面积反射光干扰,满足了夜间车辆检测基本要求;●改进了传统显著性目标检测FT、AC算法,结合夜间视频像素的帧差特征获取ROI区域检测车辆,解决了非ROI中背景物体误检为目标物的问题;●优化了基于深度学习SSD网络的夜间车辆检测方法,提升了 SSD生成default box宽高比和各层prior box数量比例的准确性,实现了以车灯为特征的夜间车辆检测。经实际检测,准确率达到92.9%,检测速度约45帧/秒。