目标检测作为计算机视觉领域最具基础性和挑战性的核心任务,在安防监控、行人检测等实际领域有着广泛的应用。低光照环境的多样性给各类目标检测算法带来了严峻的挑战,制约了其在全天候交通监测、自动驾驶等复杂场景下的应用。因此,低光照场景下的图像增强、目标检测等相关理论和技术研究具有重要的现实意义和应用价值。本文从低光照图像增强和目标检测两个方面入手,聚焦低光照场景下的目标检测算法并开展了探索与研究。一方面,由于实际场景中缺乏低光照和正常光照配对图像,本文提出了一种基于生成对抗网络的低光照图像增强算法,针对现有方法存在过度增强、噪声放大等问题,对现实低光照场景中的图像增强方法进行了探索;另一方面,本文提出了一种基于动态增强网络的端到端低光照图像目标检测算法,在低光照图像增强的基础上,研究如何提升低光照场景下目标检测算法的性能。本文的具体工作如下:1.针对低光照场景下存在的亮度低、对比度低、噪声多等图像质量问题,提出了一种基于生成对抗网络的低光照图像增强方法,无需配对数据即可从低光照图像恢复出高质量的正常光照图像。首先,通过构造曝光和噪声参考图像作为生成器的额外输入,引导生成器关注欠曝光区域和图像中的噪声。其次,本文在生成器中引入了全局自注意力模块,利用自注意力机制建模图像的全局语义表示,使得生成器在增强图像的过程中得以关注全局信息。同时,通过为生成器添加感知损失和全变分损失来约束增强图像的内容一致性和平滑性。最后,本文提出了基于全卷积网络的多尺度判别器,以帮助判别器高效地捕获图像的全局和局部特征,引导生成器生成整体质量和局部细节俱佳的增强图像。在公开数据集的标准测试图像上的实验结果表明,本文提出的方法可以有效地生成视觉感受良好的高质量图像,且在定量指标上相对现有方法有明显优势。2.为了解决现有低光照图像增强方法对目标检测性能提升有限的问题,提出了一种端到端的低光照图像目标检测方法。在增强阶段,本文使用数个增强子网络模拟一组增强方法,并在此基础上进一步抑制噪声和提高对比度。增强子网络包含两个部分,动态滤波网络用于生成特定于样本卷积核对输入图像进行滤波,自适应曝光模块则生成对应图像的曝光图以增强图像的暗部细节。增强阶段同时给出一组对应增强子网络的权重,表示对应子网络对检测结果的影响程度。检测阶段基于经典的两阶段目标检测算法,通过增强阶段输出的权重对区域建议网络的分类损失加权平均来生成高质量的区域建议,进而提高检测器的整体性能。本文在公开的低光照目标检测数据集上进行了验证实验,结果表明本文方法可有效提升检测性能。