本发明属于智能交通管理与控制，特别涉及一种夜间道路交通关键信息实时边缘检测系统及方法。
背景技术：
1、随着智能交通与自动驾驶技术的快速发展，边缘端实时信息感知能力的提升能有效保障道路安全。夜间交通事故发生率显著高于日间环境，而传统依赖云端计算的检测方案因数据传输延迟高、带宽，难以满足毫秒级响应的实时性需求。在此背景下，轻量化模型与边缘计算的协同创新成为技术突破方向，通过将计算资源部署至路侧终端设备，结合深度学习方法，实现低功耗、高时效的本地化推理能力，为复杂交通场景提供即时决策支持。
2、但是，目前技术体系面临两大核心矛盾：其一，低亮度增强算法的计算复杂度与边缘设备资源受限的冲突：现有增强方法多依赖大量标注数据训练，虽能提升图像质量，但其模型规模庞大且硬件适配性差，难以在算力受限的终端部署；同时，标注数据稀缺导致算法泛化能力不足，难以应对夜间道路的光照突变、车灯眩光等动态干扰；其二，检测精度与实时性的平衡困境：低照度环境下目标特征退化严重，传统检测模型易出现漏检误而引入复杂网络结构虽能提升精度，却加剧了计算负载，无法满足边缘端实时处理需求。
3、因此，提供一种夜间道路交通关键信息实时边缘检测系统及方法是目前本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的目的是：提供一种夜间道路交通关键信息实时边缘检测系统及方法，以解决夜间道路交通特征信息提取困难，细节信息不足等问题。
2、为了实现上述目的，本发明采取的技术方案如下：
3、一种夜间道路交通关键信息实时边缘检测系统，包括：
4、采集模块，用于采集夜间场景中的图像数据，并将获取的图像数据进行预处理；
5、输入模块，用于将预处理后的图像数据输入至预训练的夜间多目标检测模型；
6、检测模块，用于目标的检测与定位。
7、进一步的，所述夜间多目标检测模型采用yolo11网络作为基础模型，包括：图像增强网络，骨干网络和头部网络，所述图像增强网络包括普通卷积层和对称式跳跃连接结构；所述骨干网络包括卷积模块和特征增强模块；所述头部网络包括双向加权特征融合网络结构。
8、一种夜间道路交通关键信息实时边缘检测方法，基于如上所述的夜间道路交通关键信息实时边缘检测系统而进行，包括以下步骤：
9、1)采集夜间低亮度场景图像，将获取的图像数据进行预处理；
10、2)将预处理后的图像数据输入至预训练的夜间多目标检测模型；
11、3)基于夜间多目标检测模型计算的特征图，通过输出层结合siou损失函数对检测框定位进行优化校准，输出包含有边界框坐标、类别标签及置信度得分的检测结果。
12、进一步的，步骤2)中，图像增强网络为基于无参考曲线的低亮度图像增强算法，具体步骤包括：
13、利用深度曲线估计网络生成多组曲线参数图，由曲线参数图计算出亮度增强曲线，通过亮度增强曲线多次迭代增强低亮度图像，直至得到最终的低亮度增强图像。
14、进一步的，深度曲线估计网络的输入为低亮度图像，输出为与输入图像相对应的亮度增强曲线的曲线参数图；其中深度曲线估计网络为轻量级的全卷积神经网络，包括普通卷积层和对称式跳跃连接结构，每个普通卷积层均由32个核大小为3×3，动步长为1的卷积核构成。
15、进一步的，亮度增强曲线定义为：
16、len(x)＝len-1(x)+an(x)len-1(x)(1-len-1(x))
17、式中，x为像素坐标，an为与输入图像尺寸相同的参数映射图，n为迭代次数，当n＝1时亮度增强曲线转换为以下公式：
18、le(i(x)；α)＝i(x)+αi(x)(1-i(x))
19、式中，le为n＝1时的亮度增强曲线，i(x)为低亮度图像；α为可训练参数且α∈[-1,1]，用于调整亮度增强曲线的曲率大小。
20、进一步的，骨干网络的卷积模块包括四个连续卷积层，用于初步特征提取；特征增强模块c3k2-dimb通过动态混合卷积扩展感受野，结合残差结构增强多尺度特征提取能力。
21、进一步的，特征增强模块c3k2-dimb包括多核动态深度卷积模块、双组动态卷积混合模块和可分离卷积-门控残差模块，特征增强步骤如下：
22、在多核动态深度卷积模块中采用3×3标准深度卷积、1×11和11×1带状深度卷积三种核结构并行采集特征，通过自适应全局池化与1×1卷积生成三通道权重矩阵动态调整各卷积核，进而捕捉多尺度和多样化的特征信息；
23、随后将多核动态深度卷积模块为组件构建双组动态卷积混合模块，通过通道维度拆分与双分支动态卷积实现特征细粒度增强：首先将特征图按通道均分为两组，分别输入独立配置的动态卷积模块，双路输出经通道拼接后由1×1卷积融合，实现跨分支特征交互；
24、最终通过可分离卷积-门控残差模块提升训练稳定性：混合器与门控线性单元的输出分别经过可学习的层缩放因子调节，并与随机路径丢弃结合，使网络能自适应平衡原始特征与增强特征的信息流。
25、进一步的，特征增强具体计算步骤如下：
26、设输入特征为fin∈pb×c×h×w，输出特征为fout∈pb×c×h×w，
27、其中，多核动态深度卷积模块：
28、
29、式中：wdkw为三通道卷积核动态权重，adaptiveavgpool2d为自适应平均池化操作，softmax为激活函数，dwconvi为第i种深度可分离卷积操作，其中k值在本发明中的值设置为11，⊙为哈达玛积，最终输出fconv多分支卷积融合特征，将上述模块作为组件构造双组动态卷积混合结构：
30、
31、式中：fin为输入至双组动态卷积混合结构的特征，split为切片操作将输入特征进行分组，为特征分组处理结果，将再次进行多核动态深度卷积模块得出增强的特征concat为通道维度拼接操作，最后将进行通道维度拼接得出融合特征，并将其输入至可分离卷积-门控残差模块：
32、
33、式中：fin为输入至可分离卷积-门控残差模块的特征，silu为激活函数，λ1,λ2为可训练层缩放参数向量，glu为门控线性单元，droppath为随机深度丢弃操作，bn为批量归一化操作；
34、
35、最终，t1，t2分别对应混合特征增强与mlp变换的复合函数。
36、进一步的，双向加权特征融合网络结构通过双向跨尺度连接机制，将自上而下和自下而上的双向路径结合，实现多层级特征图的动态交互融合；并引入可学习权重分配模块，对输入的不同尺度特征图赋予归一化权重参数，通过快速归一化权重法动态调整特征重要性；通过交叉尺度特征融合增强多尺度目标的表征能力，支持不同分辨率特征图的深度交互，最终形成高效且鲁棒的网络结构。
37、进一步的，快速归一化权重法具体步骤如下：
38、bifpn对输入特征引入可学习的权重因子，
39、
40、式中，piin是输入特征，pttd是中间特征，piout是输出特征，w1,w2,w1',w2',w3'是自适应权重因子，稳定性参数ε＝0.001；
41、然后，通过权重归一化公式计算融合权重公式：
42、
43、上式中，wi是自适应权重因子，λi为可学习参数，ò为稳定性参数。
44、进一步的，siou损失函数在用于计算检测框b和真实框bgt不匹配的传统损失项上考虑了方向因素，添加了角度损失，角度损失将b引领到bgt的x轴或y轴方向，随后沿着该方向继续靠近，以减少边界框距离损失的时间复杂度，从而，siou loss包括角度损失λ、距离损失δ、形状损失ω和iou，其中，角度损失λ定义为：
45、
46、如果则计算β，式中，σ为真实框和预测框中心点的距离，ch为真实框和预测框中心点的高度差，分别为真实框和检测框中心点的横坐标和纵坐标；
47、距离损失δ定义为：
48、
49、式中，γ为权重因子，控制指数函数的衰减速率，动态调整损失对误差的敏感程度，依赖于角度差异；ρt是相对误差，衡量预测框和真实框中心点之间的相对偏差；cw,ch为真实框和预测框最小外接矩形的宽和高；
50、损失ω定义为：
51、
52、式中，ωw,ωh分别为宽度误差和高度误差，w,h,wgt,hgt分别为预测框和真实框的宽和高，θ为形状关注度参数，其值由遗传算法计算得出；
53、iou定义为：
54、
55、式中，b,bgt分别为检测框和真实框；
56、总损失函数公式如下：
57、
58、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种夜间道路交通关键信息实时边缘检测系统及方法，通过融合动态光照恢复技术与轻量化目标检测算法，在边缘端实现双重协同优化：光照增强模块通过自适应调整机制提升暗区细节的可辨识度，而检测模块则通过轻量化设计降低计算负载，有效解决了低光照环境下的特征退化与实时性难以兼顾的难题。