面向夜间低照度的交通监控视频车辆检测系统设计与实现（OpenCV+YOLO8）

💗博主介绍：✌全网粉丝20W+,CSDN全栈领域优质创作者，博客之星、掘金/华为云/阿里云等平台优质作者,计算机毕设实战导师。目前专注于大学生项目实战开发,讲解,毕业答疑辅导，欢迎高校老师/同行前辈交流合作✌
💗主要服务内容：免费功能设计、选题定题、开题报告、任务书、程序开发、论文编写和辅导、论文降重、程序讲解、答辩辅导等，欢迎咨询~
👇🏻 精彩专栏 推荐订阅👇🏻
计算机毕业设计精品项目案例（持续更新，值得收藏！）✅
2026-2027年计算机毕业设计选题推荐：计算机专业毕业设计题目大全✅
全网最全计算机毕业设计选题推荐：计算机毕设选题指导及避坑指南✅
🌟文末获取源码+数据库+文档🌟
感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以和学长沟通，希望帮助更多的人

一.项目概述

针对夜间低照度交通监控场景存在画面昏暗、噪声干扰大、车辆密集重叠、目标特征弱化，导致传统车辆检测算法漏检、误检率较高的问题，本文设计并实现了一套面向夜间低照度环境的交通监控视频车辆检测系统。系统采用前后端分离架构，基于Vue3、Element Plus搭建可视化管理平台，依托Django REST Framework构建稳定后端接口，结合Redis与Celery实现视频检测任务异步处理，有效解决视频推理耗时阻塞问题。在算法层面，通过改进Retinex算法完成夜间图像去噪与亮度增强，优化低光图像质量；利用YOLOv8目标检测模型完成多类别车辆识别，并结合HSV色彩空间实现车辆颜色判定，适配夜间中度密集车流检测场景。实验结果表明，本文模型mAP@0.5可达0.981，在低照度、车辆遮挡场景下仍具备较高检测精度与稳定性。系统实现了图像视频上传、画质增强、车辆检测、结果可视化、数据统计与模型评估等完整功能，界面简洁、运行稳定，能够满足夜间道路交通智能监控的实际应用需求，具备良好的实用性与工程推广价值。

二.开发技术栈

整套道路交通夜间车辆智能检测系统采用前后端分离架构搭建，后端基于 Python Django 生态搭建业务服务与 AI 推理模块，前端使用 Vue3 构建可视化管理后台，搭配成熟的中间件、深度学习框架、算法库与工程化工具，适配夜间低照度图像增强、密集车辆目标检测、异步视频处理、数据统计可视化、权限安全管控等核心业务场景，各模块技术明细如下：

三.系统分析

3.1 功能性需求分析

3.1.1 用户端功能需求

用户端面向普通操作人员，核心服务于夜间低照度道路交通车辆检测日常业务使用，权限轻量化、操作简洁，聚焦媒体素材上传、智能检测、结果查看与个人数据管理，无系统配置、用户管理、模型评估等高权限操作，具体功能需求如下：
（1）用户登录与个人中心管理
普通用户可通过注册账号、密码完成系统登录，基于JWT Token实现无状态认证，登录状态持久化保存。支持自主修改登录密码、查看个人基础信息，退出登录自动清空本地Token，保障账号使用安全。用户端仅拥有个人数据操作权限，无法查看、修改其他用户的检测任务与数据。
（2）图像/视频素材上传与预处理
用户可自主上传业务场景素材，支持JPG、PNG格式夜间监控图像、MP4格式监控视频文件，同时支持接入实时道路交通监控视频流。针对上传的夜间低照度、中度车辆密集场景素材，系统自动执行前置预处理操作，完成高斯去噪、低照度图像增强、对比度优化，修复夜间画面昏暗、噪点过多、细节缺失等问题，为后续车辆精准检测提供高质量图像数据。
（3）夜间车辆智能检测与属性识别
用户可对预处理后的图像、视频素材发起检测任务，系统异步调用YOLOv8目标检测模型，完成夜间密集车辆的精准检测。可自动识别画面中各类机动车，区分轿车、货车、客车、摩托车等车型，同时基于HSV色彩空间算法识别车辆主体颜色，输出每辆车辆的检测置信度，自动过滤行人、道路设施等无关干扰目标，适配夜间中度拥堵、车辆重叠遮挡的复杂场景。
（4）检测结果可视化预览与回放
检测任务完成后，用户可实时查看可视化检测结果。系统自动在原始画面中绘制车辆检测框，同步标注车型、车色、检测置信度等信息，支持原图与检测结果图左右分栏对比查看。针对视频检测结果，提供完整的播放、暂停、逐帧回放、进度拖拽功能，方便用户查看关键帧检测效果，直观复核夜间场景下的车辆检测精度。
（5）个人检测记录查询与管理
系统自动保存用户所有的检测任务记录，包含检测时间、素材类型、车辆检测总数、车型分布数据、检测结果截图、处理状态等完整信息。用户可通过时间区间、素材类型、车辆类型等条件筛选个人历史任务，支持查看任务详情、重复发起检测任务、导出检测结果文件，便于日常业务数据留存与复盘。
（6）基础数据统计查看
用户可查看个人检测任务的基础统计数据，包括单任务车辆总数、各类车型数量及占比、视频车流密度变化趋势等。系统通过折线图、柱状图、饼图等可视化图表直观展示统计结果，支持图表预览与截图保存，满足日常业务数据汇总需求。

3.1.2 管理端功能需求

管理端面向系统超级管理员，拥有系统最高操作权限，在包含所有普通用户功能的基础上，新增系统权限管控、全局数据管理、模型精度评估、数据统计分析等核心功能，支撑系统运维、数据审核、算法效果评估等后台管理工作，具体功能需求如下：
（1）全量用户权限管理
管理员拥有完整的用户账号管理权限，支持新增、查询、启用/禁用普通用户账号，可统一管理所有注册用户信息。系统基于RBAC基于角色的访问控制模型，实现精细化权限划分，区分管理员与普通用户的操作边界，可配置用户功能访问权限，杜绝越权操作，保障系统安全稳定运行。同时支持全局用户密码重置、用户信息修改等运维操作。
（2）全局检测任务管理
管理员可查看系统内所有用户的全部检测任务记录，支持跨用户、跨时间段批量检索、筛选所有检测数据，可统一审核、归档、清理无效检测任务与冗余素材文件。支持批量导出全系统检测数据，掌握整体系统使用情况与夜间车辆检测业务数据。
（3）夜间图像增强与检测任务调度
管理员可手动发起批量图像增强、批量车辆检测任务，针对大批量夜间监控素材进行统一处理。依托Celery异步任务机制，可查看全局任务执行状态、进度、异常日志，支持暂停、终止、重试异常任务，统筹调度系统检测资源，提升大批量数据处理效率。
（4）全方位检测数据统计分析
相较于普通用户的基础统计功能，管理端支持全局数据统计分析，可统计指定时间段内系统整体检测车辆总数、各车型占比分布、车流密度变化规律、不同夜间场景下的检测数据差异等核心指标。通过ECharts生成多维度可视化统计报表，支持报表导出、数据汇总分析，为交通场景数据分析、算法优化提供数据支撑。
（5）模型检测精度评估管理
核心专属管理功能，针对夜间低照度、中度车辆密集的核心应用场景，系统自动计算YOLOv8模型检测准确率、召回率、误检率、漏检率等核心评估指标。管理员可通过数据表格、对比柱状图直观查看模型性能，系统自动统计分析模型误检、漏检原因，如夜间光线昏暗、车辆重叠遮挡、远景小目标模糊等，为模型迭代优化、算法参数调优提供量化依据。
（6）系统安全与日志管理
管理员可监控系统运行状态，依托JWT鉴权、Token黑名单机制、bcrypt密码加密体系，保障系统账号与数据安全。同时可查看系统操作日志、接口访问日志、任务执行日志，追溯异常操作与任务故障，排查系统运行问题，维护系统长期稳定运行。

3.2 核心模型与服务需求

3.2.1 核心模型需求

本系统核心模型围绕夜间低照度、中度密集车辆检测场景设计，包含图像增强、目标检测、车辆属性识别三大核心模型，是系统实现智能化检测的核心基础，具体需求如下：
（1）改进Retinex图像增强模型
针对夜间监控图像亮度低、对比度差、噪声干扰大的问题，基于Retinex算法优化构建图像增强模型。模型需具备自适应亮度调节能力，有效提亮夜间画面暗部细节，抑制高斯噪声、画面噪点，结合直方图均衡化优化画面对比度，避免图像过度曝光失真。可适配各类夜间低照度交通场景图像、视频帧，为目标检测模型提供高质量预处理图像，从源头提升车辆检测准确率。
（2）YOLOv8车辆目标检测模型
系统核心推理模型，基于PyTorch框架部署，专门适配夜间低照度、车辆中度密集重叠的复杂交通场景。模型需精准区分轿车、货车、客车、摩托车等多类机动车，过滤行人、路牌、护栏等背景干扰；内置NMS非极大值抑制算法，自动去除重复检测框，输出目标检测坐标、检测置信度；支持静态图片、动态视频、实时视频流多场景推理，兼顾检测速度与检测精度，满足实时监控检测需求。
（3）车辆颜色识别模型
基于OpenCV HSV色彩空间变换构建轻量型颜色识别模型，通过裁剪车辆检测框区域、过滤路面阴影与环境光干扰，精准识别车辆黑、白、红、黄、蓝、灰等主流车身颜色，实现车辆属性的全方位识别，丰富检测结果维度，满足精细化统计分析需求。

3.2.2 核心服务需求

基于系统功能需求与核心模型能力，拆解出八大核心业务服务，各服务解耦独立、协同联动，形成完整的“素材上传-预处理-智能检测-统计分析-结果归档-权限管控”业务闭环，具体服务需求如下：
（1）媒体素材上传与解析服务
支持图片、本地视频、实时监控视频流三类素材接入，完成文件格式、大小合规校验，实现素材分片上传、服务器统一存储管理。针对视频文件自动解码、批量抽帧，针对实时流持续拉帧预处理，统一标准化输入格式，为后续图像处理与模型推理提供支撑。
（2）夜间图像预处理增强服务
封装标准化图像处理流水线，依次完成图像高斯去噪、改进Retinex亮度增强、自适应直方图对比度优化，独立提供单张图像、批量视频帧增强接口。服务可自动适配夜间暗光、噪点密集、车辆遮挡等场景，输出优化后的高清图像数据。
（3）异步AI检测推理服务
基于Celery+Redis实现模型推理异步化，解耦前端Web请求与后端耗时推理任务。服务调用YOLOv8模型完成车辆检测、车型分类、颜色识别、检测框绘制，自动保存标注结果素材，实时回写任务执行状态，避免前端请求阻塞，提升系统并发处理能力。
（4）检测结果可视化渲染服务
负责检测结果的可视化处理，自动在原始图像、视频帧上叠加检测框、车型、车色、置信度等标注信息，实现原图与检测图分栏对比。同时封装视频播放、暂停、逐帧回放等交互能力，为前端结果展示提供接口支撑。
（5）多维度数据统计分析服务
聚合单任务、多任务检测数据，完成车辆计数、车型占比统计、车流密度时序分析、模型精度指标计算。适配ECharts图表数据格式，向前端输出标准化饼图、柱状图、折线图数据源，支持统计数据导出、汇总分析。
（6）历史任务归档与检索服务
持久化存储所有用户的检测任务全量数据，包含任务信息、素材路径、检测结果、统计数据、截图资料等。提供多条件筛选、分页查询、详情查看、任务复用、记录删除等接口，支撑用户与管理员的历史数据查阅需求。
（7）模型精度评估服务
自动匹配模型预测数据与真实标注数据，批量计算准确率、召回率、误检率等核心评估指标，智能统计夜间场景下模型检测误差诱因，生成可视化评估报表，为算法迭代、参数调优提供数据支撑。
（8）用户认证与权限管控服务
实现JWT令牌生成、校验、过期刷新与登出作废，通过bcrypt加盐加密完成用户密码安全存储。基于RBAC角色权限体系，实现管理员与普通用户的功能权限隔离，统一拦截非法访问与越权操作，保障系统数据与功能安全。

四.系统总体设计

4.1 体系结构设计

前端展示层：Vue3 + Element Plus + ECharts，负责人机交互、文件上传、视频 / 图片标注预览、统计图表展示、用户操作录入
API 网关层：Django REST Framework，统一接口入参校验、跨域处理、Token 鉴权、路由分发
业务逻辑层：Django Views + 自定义 Service 分层，拆分用户管理、任务管理、检测记录、模型评估四大业务模块
数据访问层：Django ORM + MySQL，所有业务数据落地持久化
AI 模型推理层：PyTorch + YOLOv8 + OpenCV，图像预处理、Retinex 增强、车辆目标检测、车型颜色识别、结果绘图
异步任务调度层：Celery + Redis，异步处理超大视频解析与 AI 推理任务
静态文件存储层：Django Media 文件系统，存储上传原图、标注后效果图、处理完成视频文件

4.2 功能模块设计

基于系统的整体框架结构，将系统分为7大模块，在各个模块之间进行配合工作完成整个系统的各种功能，系统模块划分见下图所示：

五.实验分析与系统实现

5.1 实验分析

1. F1-置信度曲线分析

F1分数综合衡量精确率与召回率，曲线覆盖6类车型及整体效果。各类别在置信度0~0.8区间F1值均处于高位，模型稳定性良好；全局最优F1为0.96，对应置信度0.549，此时两项指标达到最佳平衡，验证模型在夜间车辆检测场景具备优秀性能与鲁棒性。

2. 精确率-置信度曲线分析

模型精确率随置信度阈值提升单调递增，阈值为1.0时整体精确率可达1.0。阈值设置越高，车辆误检数量越少，精确率与置信度关联性极强，可根据业务需求灵活划定置信门槛。

3. P-R精确率召回率曲线分析

6类车型AP值均高于0.96，整体mAP@0.5为0.981。P-R曲线紧贴左上角，代表模型在高召回率前提下依旧保持高精准度，对夜间密集车辆场景泛化能力与综合检测能力突出。

4. 召回率-置信度曲线分析

召回率与置信度呈反向下降趋势：置信度为0时全局召回率约0.99，几乎无漏检；阈值超过0.8后召回率大幅下滑。说明低阈值可减少漏检，过高阈值易造成目标丢失，实际部署需折中选取置信度。

5. 混淆矩阵分析

混淆矩阵对角线为各类正确识别样本，轿车Sedan识别样本最多。类别间错分数量少、背景误识别占比低，车型分类准确度高，适配夜间低照度道路交通检测业务场景。

6. 实际检测效果图

下图为系统在夜间低照度、中度拥堵监控画面下的车辆检测实测效果，可直观看到目标框标注、车型与颜色属性识别结果，验证算法落地可用性。

5.2 系统实现

1.登录页面

系统采用账号密码登录，基于JWT完成身份校验，区分管理员与普通用户角色权限。

2.系统首页

首页汇总系统核心运营概览数据，快捷跳转上传检测、图像增强、历史记录、数据统计等功能模块。

3.视频车辆检测功能

支持MP4视频上传，后台通过Celery异步执行YOLOv8推理，完成车辆定位、车型与颜色识别，前端展示标注完成的可视化结果。

4.夜间图像增强功能

基于改进Retinex算法对暗光图片去噪提亮，页面左右分栏展示原图与增强后效果图，直观观察画质优化效果。

5.个人检测历史记录

留存用户全部检测任务，按文件名、任务状态、车辆总数、置信度、创建时间多条件筛选，支持重复检测与结果回看。

6.个人中心

统计个人累计检测任务、总识别车辆数量等数据，同时提供密码修改、基础信息维护等账号管理功能。

7.用户管理模块

管理员专属功能，查看全部账号信息，基于RBAC分配角色权限，启用、禁用或重置用户账号。

8.全局检测任务管理

管理员可查看所有用户提交的检测任务，统一管理任务状态、批量清理冗余文件，统筹系统算力资源。

9.模型性能评估页面

可视化展示模型准确率、召回率、AP、mAP等核心指标，量化分析模型在夜间场景下的检测短板，为算法优化提供依据。

10.全局数据统计分析

汇总平台总用户、总任务、总检测车辆等大盘数据，借助ECharts生成检测趋势、任务占比等图表，实现业务数据可视化分析。

六.部分代码实现

6.1 项目开发核心技术难点说明

难点 1：夜间低照度、中度密集场景下车辆检测精度不足
夜间监控画面存在光线昏暗、画面噪声大、车辆相互遮挡重叠、远景目标过小等问题，极易造成车辆漏检、误检，车型与车身颜色识别偏差。通用 YOLOv8 预训练模型多基于自然光数据集训练，暗光场景适配性较差，直接部署会大幅降低检测准确率。
解决方案：采用改进 Retinex 算法做图像前置增强，抑制噪点、提亮暗部细节；对夜间交通数据集做马赛克、亮度扰动等数据增强微调 YOLOv8 模型，优化 NMS 非极大值抑制参数，提升重叠车辆分离效果，强化复杂场景检测鲁棒性。
难点 2：大体积视频异步推理时系统性能卡顿问题
上传的长时长监控视频逐帧检测属于 GPU/CPU 密集型耗时任务，若采用同步接口处理会直接阻塞 Web 服务，多用户并发提交检测任务还会引发队列拥堵、前端超时报错，同时视频帧解码、绘制标注框、结果文件存储也会占用大量服务器资源。
解决方案：使用 Celery+Redis 搭建异步任务队列，将视频解析、图像增强、YOLOv8 模型推理全部后台离线执行；对重复统计数据、高频查询结果做 Redis 缓存；限制视频单帧推理频率、丢弃冗余无效帧，平衡检测精度与系统并发运行效率。

6.2 夜间车辆检测与车型颜色判定核心代码

fromrest_framework.viewsimportAPIViewfromrest_framework.responseimportResponseimportnumpyasnpimportcv2fromcore.detectimportyolo_detect# YOLOv8推理封装函数fromcore.enhanceimportretinex_enhance# 夜间图像增强函数fromcore.color_recognizeimportget_car_color# HSV颜色识别函数classCarDetectView(APIView):defpost(self,request):file_obj=request.FILES.get("file")ifnotfile_obj:returnResponse({"code":400,"msg":"未上传文件"})# 读取图片二进制流img_bytes=file_obj.read()nparr=np.frombuffer(img_bytes,np.uint8)img_bgr=cv2.imdecode(nparr,cv2.IMREAD_COLOR)# 第一步：夜间低照度图像增强预处理enhance_img=retinex_enhance(img_bgr)# 第二步：YOLOv8车辆目标检测detect_results=yolo_detect(enhance_img,conf_threshold=0.55)car_list=[]forresindetect_results:x1,y1,x2,y2,cls_name,conf=res# 裁剪车辆ROI区域进行颜色识别car_roi=enhance_img[y1:y2,x1:x2]car_color=get_car_color(car_roi)car_list.append({"bounding_box":[int(x1),int(y1),int(x2),int(y2)],"car_type":cls_name,"car_color":car_color,"confidence":round(float(conf),2)})returnResponse({"code":200,"total_cars":len(car_list),"car_info":car_list})

源码及文档获取

文章下方名片联系我即可~
大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻
精彩专栏推荐订阅：在下方专栏👇🏻

最新计算机毕业设计选题篇-选题推荐
小程序毕业设计精品项目案例-200套
Java毕业设计精品项目案例-200套
Python毕业设计精品项目案例-200套
大数据毕业设计精品项目案例-200套
💟💟如果大家有任何疑虑，欢迎在下方位置详细交流。