POP-YOLOv8: en objektdetekteringsram för delvis ockuperade fotgängare i nattliga trafikmiljöer

Varför det är viktigt att se människor i mörkret

Att köra bil på natten är betydligt farligare än att köra i dagsljus, främst eftersom det är svårare att upptäcka människor på eller vid vägen. Strålkastare skapar bländning och djupa skuggor, och fotgängare kan delvis döljas bakom parkerade bilar eller gatumöbler. Denna artikel presenterar POP-YOLOv8, ett datorseendesystem utformat för att hjälpa fordon att upptäcka delvis dolda fotgängare på mörka, trafiktäta gator snabbare och mer träffsäkert, vilket potentiellt kan minska olyckor nattetid.

De dolda farorna på nattliga gator

Trafikscener på natten är visuellt röriga. Gatlyktor, strålkastare, regn och dimma försämrar bildkvaliteten och gör att människor smälter in i bakgrunden. Standardalgoritmer för fotgängardetektion missar ofta dem som är långt borta, svagt upplysta eller delvis blockerade av andra föremål. Författarna fokuserar på ett särskilt riskfyllt fall: fotgängare som bara är delvis synliga i svagt ljus, till exempel någon som kliver fram från bakom en parkerad bil. De menar att ett användbart säkerhetssystem måste vara både noggrant och tillräckligt snabbt för att köras i realtid på fordonsdatorer.

Ett smartare sätt att upptäcka människor

POP-YOLOv8 bygger på en populär, snabb detektor känd som YOLOv8n och anpassar den till nattkörningens utmaningar. Först stärker en Feature Enhancement Module svaga tecken på delvis dolda fotgängare genom att analysera scenen i flera skalor samtidigt som beräkningarna hålls hanterbara. Därefter lär en specialiserad uppmärksamhetsmodul, Partial Occlusion Pedestrian Attention Module, nätverket att koncentrera sig på de mest relevanta delarna av en bild—som en synlig axel eller ett ben—samtidigt som störande detaljer som vägmarkeringar eller butiksskyltar tonas ner. Tillsammans hjälper dessa komponenter systemet att följa personer även när endast delar av deras kroppar är synliga.

Lättare, snabbare och ljusare

För att vara praktisk i riktiga bilar måste modellen inte bara se bra utan också köra snabbt på begränsad hårdvara. Forskarna ersätter därför vissa tunga beräkningar med "Ghost"-moduler, som genererar användbara funktioner med billigare operationer och minskar redundanta beräkningar. Parallellt tar de itu med mörkrets grundproblem. En ljusstärkningskomponent baserad på ett Self-Calibrated Illumination-nätverk rengör och ljusar upp inkommande kamerabilder före detektion, med en blandning av hel- och halvpokisionsberäkningar för att balansera bildkvalitet med hastighet. Ytterligare designval, såsom effektiv kanalsuppmärksamhet och residuala kopplingar, hjälper till att bevara fina detaljer som fotgängarnas konturer samtidigt som bearbetningspipen hålls stabil.

Sätta systemet på prov

Teamet tränar och utvärderar POP-YOLOv8 på BDD100K, en stor kördatamängd som innehåller tusentals nattliga scener med varierande väder och belysning. De genomför noggranna "ablation"-tester där varje ny modul adderas i tur och ordning för att se hur mycket den bidrar. Feature-enhancement- och uppmärksamhetsmodulerna höjer båda detektionsnoggrannheten, särskilt för delvis dolda fotgängare, även om de initialt sänker modellens hastighet. Ghost-baserade moduler återvinner sedan mycket av den förlorade farten samtidigt som noggrannheten ökar ytterligare. I jämförelse med flera välkända detektorer—inklusive Faster R-CNN och senare YOLO-versioner—uppnår POP-YOLOv8 en bättre balans mellan precision och bildfrekvens i nattliga scener, och presterar särskilt väl på upplysta bilder där förbättringen är måttlig snarare än extrem.

Vad detta betyder för säkrare nätter

För icke-specialister är slutsatsen enkel: POP-YOLOv8 är ett finslipat visionsystem som hjälper bilar att "se" människor mer pålitligt i mörka, röriga gatumiljöer, även när dessa människor är delvis dolda. Genom att kombinera ljushetskorrigering, selektiv inriktning på viktiga bildregioner och effektivare intern arkitektur upptäcker modellen fotgängare mer exakt än flera ledande alternativ samtidigt som den fortfarande kör tillräckligt snabbt för realtidsbruk. Även om ytterligare arbete krävs för att minska beräkningskostnaderna för små enheter, förflyttar system som POP-YOLOv8 självkörande teknik närmare att känna igen de mest sårbara trafikanterna när det verkligen gäller—på dåligt upplysta vägar nattetid.

Citering: Liu, H., Zhang, Z. & Feng, B. POP-YOLOv8: an object detection framework for partially occluded pedestrians in nighttime traffic environments. Sci Rep 16, 4841 (2026). https://doi.org/10.1038/s41598-026-35146-9

Nyckelord: nattlig fotgängardetektion, självkörande fordons säkerhet, objektdetektering, belysningsförbättring för lågkontrastbilder, datorseende