1.一种基于LLC-YOLO算法的车辆目标检测，其特征在于，包括如下步骤：步骤1、获取图像数据集，并通过脚本对数据集进行筛选，筛选得到标签为夜晚的图片，进而将标签文件从JSON格式转换为YOLO格式；

步骤2、构建LLC-YOLO模型，所述LLC-YOLO模型包括LLC-Net、主干网络backbone、颈部网络CMCF-Neck和head；所述主干网络backbone应用YOLOv5，所述CMCF-Neck以YOLOv5颈部网络为主要网络架构，所述YOLOv5颈部网络中的C3模块中，使用CMConv卷积替代普通卷积Conv重构成M3模块；

所述CMConv的卷积结构，输入通道数为c1的特征，通过普通卷积将通道数变为c2/2，然后通过深度可分离卷积得到c2/2的特征图，通过Concat把普通卷积和深度可分离卷积的输出连接起来，接着使用Shuffle操作将普通卷积和深度可分离卷积的对应通道匹配连接在一起，得到输出通道数为c2的特征图；

步骤3、通过LLC-Net对筛选出的夜晚图片进行低光增强；

所述低光增强的方法为：通过LLC-Net中的拉普拉斯金字塔将输入的图像分为不同尺度的特征图L0、L1、L2、L3；在不同尺度的特征图Li(i＝0、1、2、3)上使用LLC-Net中图像增强模块处理潜在的语义特征；通过自下而上的方式，输入为L3的图像增强模块通过上采样后输出与输入为L2的图像增强模块的输出连接在一起，以此方式向上递推最在终输入为L0的图像增强模块得到包含不同尺度信息的特征图；

所述图像增强模块包括通过Concat连接的自适应低通滤波器和边缘信息提取模块；

步骤4、通过backbone对低光增强后的图片进行特征提取；

步骤5、通过CMCF-Neck进行通道间的特征融合；

步骤6、通过head输出检测结果。

2.根据权利要求1所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述数据集预处理后按照8：1：1的比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述自适应低通滤波器的实现方式：在不同尺度的图像中，使用自适应低通滤波器捕获各个通道中的低频信息，并使用1*1、2*2、3*3、6*6的平均池化进行特征过滤，仅允许低于截至频率的信息通过，其公式如下所示：Filter(fi)＝Up(βs(fi))

其中fi表示是channelsplit输出的一部分，Up是双线性插值采样，βs是不同尺寸s×s的自适应平均池化。

4.根据权利要求1所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述边缘信息提取模块包括上下分支结构和边缘分支结构，上下分支结构定义为：

CB(x)＝x+γ(F1(x1))

其中x1＝σ(F2(x)).x，x是输入特征，F是3*3大小的卷积层，γ是LeakyReLU，σ是Softmax函数；

边缘分支结构定义为：

EB(x)＝F3(Cannyh(x)+Cannyw(x))+x

其中，x是输入特征，Cannyh和Cannyw分别是垂直和水平方向上的边缘运算，F是3*3大小的卷积层。

5.根据权利要求1所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述CMConv卷积参数量：Flops1＝w.h.k1.k2.c1/2+c2/2

其中，w是输出特征图的宽度，h是输出特征图的高度，k1、k2是卷积核的大小，尺寸是3*3，c1是每个卷积核的通道数，也是输入特征图的通道数，c2是输出特征图的通道数。

6.根据权利要求1所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述LLC-YOLO模型训练时的损失函数表达式如下：L＝L(x,c,l,g)+γLRepGT

其中，LRepGT为排斥损失，γ为权重系数，用于平衡辅助损失，用P+＝{P}，表示与真实框IoU大于0.5的所有候选框的集合，G+＝{G}表示所有真实框的集合；

排斥损失可由以下公式计算得到：

7.根据权利要求6所述的一种基于LLC-YOLO算法的车辆目标检测，其特征在于，所述LLC-YOLO模型部署环境：cuda11.3、深度学习框架pytorch1.12.1、Intel core i9-13900ksCPU、128G内存、GPU为NVIDIA GeForce RTX 4090，显存为24G；训练时，设置的训练次数为100轮次，每次训练输入的batch size为16张，训练过程时通过tensorboard观察训练过程，训练结束后，保存训练好的权重。