现如今,随着信息化技术的飞跃发展,人工智能方面的研究和应用越来越得到人们的重视,尤其是在图像处理方面,常见的交通事故检测系统正是大量使用到了图像处理技术。对于现在已有的的交通事故检测系统来说,大部分都没有考虑到使用过程中存在低光照的外部环境对于车辆事故识别准确率的影响,这使得已有的交通事故检测系统很难在低光照条件下准确检测到所发生的车辆事故,进而对城市交通状况产生了不小的影响。目前,对于低光照图像和视频的处理方法有很多,但是大部分基于神经网络的方法其复杂度过高,网络模型过于复杂,训练过程繁琐,从而限制了整个系统在实际场景下的可用性和可操作性。本课题首先对已有的两种神经网络模型Glad Net和Dense Net进行改进,以此来实现低光照条件下的车辆事故检测,从而提高检测系统在低光照条件下对车辆事故的准确率。本课题研究的车辆事故检测系统主要是基于深度学习理论和技术来实现的,可以提高在低光照环境下对车辆事故检测的准确率。在该车辆事故检测系统中,主要包含:用户启动树莓派对交通事故现场进行视频流的采集,并对视频进行亮度增强;并且将亮度增强后的视频进行车辆事故的检测。为了提高检测系统对车辆事故检测的准确率,本文在交通事故检测的预处理阶段引入了降噪、细节恢复等机制和方法,此后,在车辆事故检测过程中,引入了计算机视觉中的注意力和GRU机制。首先利用改进后的Glad Net神经网络对低光照环境下的交通事故视频数据进行亮度增强,然后利用改进后的Dense Net网络进行车辆事故的检测,最终得到事故率等统计结果信息。本系统采用的是C/S架构,用户通过系统界面就可以便捷的实现车辆事故的检测。通过理论分析和大量的实验可以看出,本课题所提出的基于深度学习的低光照环境下的车辆事故检测系统在降噪、细节恢复、以及车辆事故检测等方面,都具有较好的性能。