摘要随着自动驾驶技术的快速发展道路场景理解成为智能驾驶系统的核心技术之一。然而在夜间或低光照条件下传统道路识别算法面临图像质量下降、特征提取困难等挑战同时实时性要求限制了复杂深度模型的应用。针对这些问题本文提出了一种基于低光照增强与轻量型CNN的道路实时识别算法。论文概述本文设计了自适应低光照增强模块融合CLAHE对比度受限自适应直方图均衡化和Gamma校正技术有效提升低光照图像的亮度和对比度增强道路区域的可辨识性。其次构建了基于深度可分离卷积的轻量级语义分割网络采用编码器-解码器架构通过深度可分离卷积替代标准卷积大幅降低模型参数量和计算复杂度。最后在KITTIRoad数据集上进行训练和验证并开发了基于PyQt5的可视化检测系统。实验结果表明本文提出的算法在保持较高识别准确率的同时模型大小仅为3.8MB单帧推理时间为36-57ms满足实时性要求。在郊区道路场景下道路区域识别准确边界清晰低光照增强模块显著改善了暗光环境下的检测效果。该算法为嵌入式设备上的实时道路识别提供了有效解决方案具有良好的应用前景。统计信息论文目录配套项目项目代码基于低光照增强与轻量型CNN道路实时识别算法研究 需要另外购买。作者信息作者Bob (张家梁)原创声明本项目为原创作品