در محیط‌های با دید محدود مانند مه، باران یا گردوغبار، تشخیص دقیق وسایل نقلیه چالشی اساسی برای سیستم‌های بینایی ماشین محسوب می‌شود. این مقاله رویکردی دومرحله‌ای برای بهبود عملکرد سیستم‌های تشخیص و ردیابی در چنین شرایطی ارائه می‌دهد. در گام نخست، از روش پیش‌پردازش سطح روشنایی تطبیقی وزن‌دار جهت افزایش وضوح، کنتراست و کیفیت تصاویر بهره گرفته شد. این بهبود تصویری، به طور مؤثری ورودی مناسب‌تری برای الگوریتم‌های تشخیص فراهم کرده و بر موانع ناشی از افت دید غلبه کرده است. در مرحله دوم، دو خط‌پردازشی مجزا پیاده‌سازی و مقایسه شده‌اند: نخست، استفاده از YOLOv8 به‌عنوان مدل تشخیص شیء سبک، سریع و دقیق، و دوم، ترکیب الگوریتم GM-PHD برای تشخیص آماری و ردیابی چندهدفه. نتایج نشان می‌دهند که هم‌افزایی میان بهبود تصویر و مدل‌های یادگیری عمیق می‌تواند کارایی سیستم را در شرایط جوی نامساعد به شکل محسوسی ارتقا دهد. به صورت کمی، دقت تشخیص وسایل نقلیه در تصاویر به حدود ۸۲٪ و نرخ موفقیت ردیابی چندهدفه به حدود ۵۷٪ رسیده است، که بیانگر اثر مثبت و قابل توجه نوآوری ارائه‌شده بر عملکرد سیستم است. باوجود برخی محدودیت‌ها همچون نبود داده‌های برچسب خورده و ضعف ردیابی در صحنه‌های پیچیده، مسیرهایی نظیر استفاده از الگوریتم‌های پیشرفته‌تر ردیابی و داده‌های واقعی می‌تواند کاربردهای عملی این سیستم را در حوزه‌هایی مانند خودروهای خودران و نظارت هوشمند شهری گسترش دهد.