Erkennung und Leistungsanalyse von gefährdeten Straßenbenutzern bei schwachem Licht unter Verwendung von YOLO

Die Erkennung von gefährdeten Straßenbenutzern (VRUs) ist eine herausfordernde Aufgabe für autonome Fahrzeuge und fortschrittliche Fahrassistenzsysteme, die darauf abzielen, den Schutz von Personen, wie Fußgängern, Radfahrern und Motorradfahrern, zu verbessern, die anfälliger für Unfälle auf den Straßen sind. Die Bedeutung der Erkennung von VRUs wird unter ungünstigen Lichtverhältnissen noch kritischer aufgrund schlechter Beleuchtung, widriger Wetterbedingungen und anderer herausfordernder Umstände. Um das höchste Maß an Verkehrssicherheit zu gewährleisten, müssen diese Erkennungsverfahren genau und zuverlässig sein. Traditionelle Methoden basieren auf handgefertigter Merkmalsextraktion aus Bildern, während Deep-Learning-Ansätze eine überlegene Leistung bei der Erkennung von VRUs gezeigt haben, indem sie automatisch hierarchische Merkmale aus großen Datensätzen von Bildern lernen. Trotz erheblicher Fortschritte bleibt die Echtzeitanwendung der VRU-Erkennung bei schwachem Licht eine herausfordernde Aufgabe, um ein Gleichgewicht zwischen Erkennungsgeschwindigkeit und Genauigkeit zu finden. Verschiedene Techniken wurden für die VRU-Erkennung eingesetzt, von traditionellen Bildverarbeitungsmethoden bis hin zu Deep-Learning-Ansätzen. In diesem Papier wird eine Studie durchgeführt, um die Leistung von YOLOv5m, YOLOv7 und YOLOv8m unter schwachen Lichtverhältnissen zu analysieren. Die experimentellen Ergebnisse zum ExDark-Datensatz zeigen, dass YOLOv7 gut mit einem Gleichgewicht zwischen Geschwindigkeit und Genauigkeit abschneidet. Die Leistungsindizes von YOLOv7 in Bezug auf Präzision, Rückruf und mittlere durchschnittliche Präzision (mAP) betragen 0,88, 0,746 und 0,827, respektiv.