YOLOv11在夜间场景的改进：低光照增强与热成像融合-（结合红外图像或低光照增强算法提升夜间检测）

一、夜间目标检测的挑战与技术背景

1.1 夜间场景的视觉特性与检测难点

夜间环境下的目标检测面临着诸多独特挑战，这些挑战主要源于光照条件的极端变化和传感器物理特性的限制。从光学物理角度来看，夜间场景的光照强度通常比白天低3-5个数量级，导致传统RGB相机捕获的信号噪声比(SNR)急剧下降。根据尼奎斯特采样定理，当光照强度低于传感器噪声等效曝光量(NEE)时，图像信息将不可逆地丢失。这种现象在计算机视觉中表现为三种典型退化模式：

1. 光子噪声主导的量子限制区域：当光照强度低于1 lux时，图像噪声主要来自光子到达的随机性(泊松噪声)，信噪比(SNR)与√N成正比(N为光子数)。此时传统基于RGB的检测算法mAP通常会下降40-60%。

2. 非线性响应区域：在0.1-10 lux的中低光照条件下，相机传感器的响应呈现显著非线性，导致图像动态范围压缩、色彩失真和细节丢失。研究表明，此时基于深度学习的检测器在COCO数据集上的性能下降幅度可达35-50%。

3. 频域特征退化：傅里叶分析显示，低光照图像的频域能量分布向低频区域集中，高频成分(边缘和纹理)的信噪比下降尤为明显。FE-YOLO团队的测量表明，在<1 lux条件下，图像高频成分的SNR可下降15-20dB。

表：不同光照条件下目标检测性能对比