随着我国经济的发展,机动车保有量连年递增,为人们生活带来极大便利。与此同时,交通安全形势严峻,交通事故造成严重人员伤亡和经济损失。夜间场景受光照影响,车辆形状、颜色和纹理等特征不明显,夜间道路交通事故高发,事故率是白天的三倍。因此开展夜间环境下车辆检测研究,增强驾驶人对车辆目标的感知能力,具有重要的现实意义。车辆检测算法成为安全辅助驾驶领域热点之一。基于计算机视觉的车辆检测方法具有易开发、成本低、易移植、扩展性强等优点,因此得以广泛应用。但尚存在以下问题:1)车辆检测多集中在白天场景,夜间场景相关研究有待完善;2)基于传统特征的车辆检测鲁棒性差,难以适应复杂场景;3)基于深度学习的检测方法不能有效区分前景和背景区域,容易产生误检。为此,本文以车辆目标作为研究对象,基于深度学习原理,结合yolov5s-se网络和数据增强,研究夜间场景下车辆目标检测算法,论文主要研究内容如下:1)基于yolov5的车辆检测架构设计。夜间场景下,由于光照条件较差,车辆目标特征弱化,如几何特征、边界特征,纹理特征以及对称性特征等,不利于论文研究的开展。此外,已有数据集也主要以白天场景下采集视频序列为主,而夜间车辆目标数据集较少。为此,论文先以白天为研究场景,结合深度学习原理,研究基于yolov5网络的车辆检测算法。具体而言,首先,对比典型车辆目标数据集,优选适应于本文研究目标的车辆目标数据集。然后,通过实验,对比典型目标检测网络结构性能差异,包含Faster RCNN、Retina Net、SSD和yolov5等网络结构,探究白天场景下车辆检测算法。最后,为增强算法车辆目标检测性能,引入注意力机制,结合SENet网络结构,构建yolov5sse网络。实验结果表明,改进后的yolov5s-se检测网络召回率比原网络提高了1.23个百分点,提升车辆检测可靠性。2)基于yolov5s-se网络的夜间车辆目标算法设计。在白天场景下yolov5s-se网络的基础上,开展夜间车辆目标检测研究。首先,采用生成对抗网络Cycle GAN,生成夜间车辆仿真图片。然后,手动标注采集的夜间真实场景图片,并融合夜间仿真图片,构建夜间车辆检测数据集Night Vehicle,达到数据增强目的。其次,以yolov5s-se检测网络,对比分析不同数据集下训练结果。最后,利用yolov5s-se网络,在Night Vehicle数据集上训练,获取适用于夜间车辆检测NV-yolo网络模型。实验结果表明,NV-yolo模型的平均检测准确率为93%。3)基于Jetson Xavier NX的夜间检测算法部署。深度学习检测模型,因其庞大计算存储量,依赖于大型运算平台,为解决此问题,论文基于Py Qt5开发了可视化界面,设计安全辅助驾驶夜间车辆目标检测软件,搭建Jetson Xavier NX平台环境以及相应硬件环境,最后将夜间车辆检测网络模型NV-yolo部署至Jetson Xavier NX平台。测试结果表明,检测单帧图像平均用时46ms,检测平均速率为21FPS,基本达到实时性要求。