改进的基于yolov8的低光照目标检测系统

本项目聚焦于低光照环境下的图像增强与目标检测技术，通过融合低光照图像增强算法（LIME）和YOLOv8目标检测模型，旨在提升在光线不足条件下的目标识别准确率。该系统能够处理静态图像和动态视频流，通过增强图像质量来确保关键目标（如车辆）的准确检测，这对于自动驾驶等领域具有重要的应用价值。

核心亮点：

• 低光照图像增强：采用自校准照明（SCI）技术，有效提升低光照图像的清晰度和细节。
  

• YOLOv8目标检测：在图像增强的基础上，利用YOLOv8模型进行高效的目标检测，确保在低光照环境下的检测准确性。

• 实时检测能力：支持实时视频流处理，能够在动态场景中快速响应并提供增强后的检测结果。

• 多线程加速：通过多线程技术优化处理速度，显著提升系统性能。
  

2. 安装依赖项：

   pip install -r requirements.txt
   

   确保硬件支持多线程处理（如多核CPU）以实现最佳性能。

使用方法：

• 单张图像处理：

  python detect.py --input_image path_to_your_image
  

• 实时视频流检测：

  python detect.py --input_stream camera
  

• 批量视频处理：

  python detect.py --input_video path_to_video --output_video path_to_output
  

  脚本将自动执行图像增强和目标检测。
  

技术细节：

1. 低光照图像增强（LIME）：
   • 采用SCI框架，通过优化光照分布提升图像质量，从而改善特征提取效果。
2. YOLOv8目标检测：
   • YOLOv8作为单阶段检测算法，直接在输入图像中预测目标的边界框和类别概率，具有高效性和准确性。
3. 性能优化：
   • 多线程并行处理显著提升处理速度。
   • 图像增强技术进一步提高了检测精度。

效果展示：

• 图像对比：
  • 未增强图像：在低光照条件下，目标检测可能遗漏关键目标。
  • 增强后图像：图像质量显著提升，目标检测性能得到明显改善。
• 性能数据：
  • 单线程处理时间：1475.28秒。
  • 四线程处理时间：1369.06秒。

通过本项目，用户能够在低光照环境下实现更高效、更准确的目标检测，为自动驾驶等应用场景提供了强有力的技术支持。