基于计算机视觉的夜间跨域车辆目标检测
随着国家经济和社会的快速发展，我国机动车保有量也不断增长。据统计，截至2020年6月，全国机动车保有量达3.6亿辆。由于交通出行需求的增长，该数字仍在以每年10%的速度增长。统计数据表明，在行车高峰期，车辆在道路上行驶，平均每辆车周围可能有超过十辆汽车存在检测需求，以保证安全行驶，高精度自动检测需求十分强烈。因此，设计检测精度高的车辆检测系统以辅助驾驶员决策，是有巨大的市场需求的。
非公开数据表明，全球大部分交通事故发生在夜间和极端天气状况（如雾天、大雨天、雪天等）的比例超过六成。针对夜间场景设计检测系统，在危险情况出现前，警示并帮助驾驶员规避风险甚至替代驾驶员作出决策，也是十分必要的。
眼控科技基于对道路交通行业的深度探索和深厚的技术积累，在夜间跨域车辆目标检测领域取得突破性进展。眼控科技人工智能研究院通过领先的计算机视觉识别技术，凭借在图像识别领域的超高准确率和先进的神经网络模型，实现了良好的夜间跨域车辆目标检测任务。
构建图像生成网络，生成夜间车辆图像
图像生成网络结构包括生成模型和判别器两个部分。在生成模型中，为了能更好地保留场景信息，眼控科技采用了U-Net网络结构。在判别器中，构建多尺度判别器，基于最小二乘生成对抗网络损失函数对生成的夜间图像进行真伪鉴定，以保障生成图像的质量。此外还基于预训练的VGG网络分别提取生成的夜晚图像和相应的白天图像质量的特征，在特征空间度量两者的距离，以保证生成的夜晚图像与真实图像之间的语义相似性。
目标检测
由于生成模型生成的夜晚图像保留了输入图像的场景信息和局部的实例信息，因此生成图像可以共享输入图像的标注信息，将输入白天图像迁移至生成夜晚图像结果如图2所示。
利用生成图像和真实图像的标注信息作为训练样本训练Faster-RCNN检测模型，实现缺少真实夜晚图像标注信息的情况下对夜晚图像检测性能的提升，检测结果如图3所示。
可以看出，眼控科技的车辆目标检测方法，利用了卷积神经网络提取卷积特征代替传统手工特征的提取过程，通过Faster-RCNN对由示例图像组成定义的视觉任务训练得到了效果良好的夜间车辆目标检测模型，该模型可以对视觉任务强相关新场景图像进行良好的车辆目标检测。
目前，眼控科技已在道路交通安全领域取得长足进展，利用计算机视觉识别与深度学习技术，研发出一系列具有完全自主知识产权的产品和服务，并在车辆违法识别、车辆安全检验等领域为相关部门提供了成熟的综合解决方案，目前已成为业内公认的独角兽企业。