为了降低夜间道路交通事故发生率,同时提供更清晰的道路环境信息,基于视觉获取夜间道路图像并对其进行增强及检测得到了广泛的研究。夜间道路图像中自然光几乎为零,其他光源交错复杂,使图像亮度分布不均,图像可见度、对比度下降,同时车辆轮廓信息及纹理信息也会被灯光遮挡,导致夜晚道路车辆辨识度低,影响驾驶员及时对道路交通情况做出反应,容易导致事故发生。因此,针对夜间道路图像中存在的问题,本文设计了夜间道路图像增强算法,用于给驾驶员提供更清晰的道路前方视野及行驶环境;设计了夜间道路图像车辆检测方法,可以帮助驾驶员识别道路前方车辆,及时采取避让措施,降低事故发生率。本文主要研究内容如下:首先,论述了本课题的背景意义,分别介绍了夜间道路图像增强、夜间道路图像检测的现状及进展,同时指出夜间道路图像增强算法及检测实现中存在的问题,确定本文研究内容。其次,使用CMOS相机采集不同光源条件、不同时间段,不同地点的夜间道路图像,建立分类数据集、检测数据集,为后续实验提供数据。然后,本文以多尺度Retinex算法(Multi Scale Retinex,MSR)为基础,提出一种创新的优化MSR算法,用于实现夜间道路图像增强。1)将图像从RGB色彩空间转换到YUV色彩空间;2)将最小可觉差(Just Noticeable Distortion,JND)的倒数作为MSR算法入射图像前的系数构建优化MSR算法,利用该优化算法对图像Y通道进行亮度自适应调节,U、V通道按比例相应调整;3)将得到的图像与原始图像按照1:1比例结合以保留图像细节,利用限制对比度自适应直方图均衡化方法提升图像对比度,得到最终增强图像。本文提出的夜间道路图像增强算法,缓解了夜间图像亮度不均匀度,提高了图像清晰度,提升了图像细节信息,对增强后的图像进行车辆检测,与原图像的结果相比,误检率、漏检率分别下降了4.35%、2.61%。最后,选用YOLOv3卷积神经网络实现夜间道路图像中车辆的检测。1)搭建网络实验环境,使用GPU训练网络;2)以Darknet-53为基础网络,选用14个anchor box作为先验框,每1000轮保存训练权重;3)训练过程中采用损失回调策略,减少模型过拟合。本文使用YOLOv3网络进行夜间道路图像检测,在保证准确率的同时提高了检测速度,对夜间道路图像检测具有意义。利用检测数据集进行道路车辆检测,其检测准确率达到93.66%,帧频率达到30fps。