اكتشاف حركة المرور ليلًا في مقاطع الفيديو: نظرة على أهمية الدقة

تبدو الطرق مختلفة في الظلام، ليس للسائقين فحسب، بل أيضًا للأنظمة المسؤولة عن الحفاظ على سلامتها. فضعف الرؤية، ووهج المصابيح الأمامية، والانعكاسات سريعة الحركة قد تجعل اكتشاف المركبات ليلًا أكثر صعوبة.

تعتمد الأساليب التقليدية، مثل المراقبة اليدوية أو الكاميرات القائمة على الحركة، بشكل أساسي على الحكم البشري ومؤشرات الحركة البسيطة. وقد لا تكون هذه الأساليب موثوقة في ظروف الإضاءة المنخفضة أو حركة المرور المعقدة. وقد تتعرف هذه الأساليب على المركبات أو المشاة بشكل خاطئ، مما يؤدي إلى اكتشافات زائفة أو عدم رصد بعض الحالات.

الشكل 1. مثال على طريق ضعيف الإضاءة ليلًا (المصدر)

يمكن للذكاء الاصطناعي (AI)، والتعلم العميق، والرؤية الحاسوبية سد الفجوة من خلال أتمتة اكتشاف المركبات والتعرف عليها. وتحديدًا، تُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي يتيح للآلات رؤية البيانات المرئية وتفسيرها. وعندما يتعلق الأمر باكتشاف حركة المرور بالفيديو ليلًا، يمكن لنماذج الذكاء الاصطناعي المرئي تجاوز السطوع أو الحركة، والتعلم من أجل التعرف على الأنماط المعقدة التي تحسن الدقة.

فعلى سبيل المثال، تُعرف نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 وUltralytics YOLO11 بسرعتها ودقتها. ويمكنها معالجة بيانات الفيديو والصور في الوقت الفعلي، واكتشاف كائنات متعددة داخل الإطار وتصنيفها، وتتبعها عبر التسلسلات.

تتحقق هذه الإمكانات من خلال مهام رؤية متنوعة، مثل اكتشاف الكائنات وتقسيم المثيلات، حتى عندما تجعل المصابيح الأمامية أو الظلال أو المركبات المتداخلة عملية الاكتشاف صعبة. وهي تمكّن النموذج من تحديد الكائنات وتصنيفها والتمييز بينها.

سنستكشف في هذا المقال تحديات مراقبة حركة المرور ليلًا، ونرى كيف تعالجها الرؤية الحاسوبية، وأين يُطبَّق الذكاء الاصطناعي المرئي في أنظمة مراقبة حركة المرور الواقعية. فلنبدأ!

تحديات الاكتشاف ليلًا#

قبل استكشاف كيفية حل الرؤية الحاسوبية لتحديات اكتشاف حركة المرور ليلًا، لنلقِ نظرة على أسباب صعوبة رصد المركبات بعد حلول الظلام. إليك بعض العوامل التي ينبغي مراعاتها:

• ضعف الرؤية: تجعل الإضاءة المحدودة وظروف الإنارة السيئة من الصعب على الكاميرات التقاط لقطات واضحة ومفصلة. ومع انخفاض جودة الصورة، قد تندمج المركبات مع الخلفية أو يتم التعرف عليها بشكل خاطئ تمامًا.

• الظروف الجوية: يمكن للمطر أو الضباب أو الغشاوة أو حتى الغبار أن يفاقم تدهور جودة الفيديو. وتجعل هذه الظروف أنظمة الاكتشاف أقل قدرة على تمييز المركبات عن محيطها.

• المصابيح الأمامية والخلفية: قد تطغى الحزم الضوئية الساطعة والانعكاسات على الكاميرات. وقد يؤدي ذلك إلى اكتشافات زائفة للمركبات، حيث تُخلط البقع الضوئية بالمركبات، مما يربك خوارزميات الاكتشاف ويقلل الدقة.

• حجب المركبات: في ظروف حركة المرور الكثيفة، قد تختفي المركبات جزئيًا أو كليًا خلف مركبات أخرى. ويعقد الحجب عملية تتبع المركبات وعدّها وتصنيفها، خصوصًا عندما يتداخل العديد من مستخدمي الطريق ضمن إطار واحد.

الحاجة إلى مجموعات بيانات ومعايير مرجعية ليلية#

تُدرَّب نماذج الرؤية الحاسوبية باستخدام مجموعات كبيرة من الصور تُعرف باسم مجموعات البيانات. وتُوسَم مجموعات البيانات هذه بعناية بالكائنات التي تحتوي عليها، مثل السيارات والشاحنات والمشاة والدراجات، وتشكل أساس التدريب. ومن خلال دراسة هذه الأمثلة الموسومة، يتعلم النموذج التعرف على الأنماط، مما يمكّنه من تحديد الكائنات واكتشافها في لقطات فيديو جديدة.

الشكل 2. استخدام الرؤية الحاسوبية لاكتشاف المركبات والمشاة في حركة المرور (المصدر)

أثناء التدريب، يستخلص النموذج السمات من البيانات ويستخدمها لتحسين دقة الاكتشاف. وتساعد هذه العملية على تقليل الاكتشافات الفائتة والإنذارات الكاذبة عند تعريض النموذج لمشاهد حركة المرور الواقعية.

غير أن إنشاء مجموعات البيانات أو مجموعات البيانات الخاصة بظروف الليل أكثر تحديًا بكثير. فجودة الفيديو الرديئة تجعل الوسم مستهلكًا للوقت وعرضة للأخطاء. كما قد يصعب التقاط الأحداث النادرة ولكن المهمة، مثل الحوادث أو سلوك القيادة غير المعتاد، في البيئات الليلية. وينتج عن ذلك عدد محدود من أمثلة التدريب التي يمكن للنماذج التعلم منها.

لمعالجة هذه المشكلة، طوّر الباحثون مجموعات بيانات مرجعية متخصصة. فمجموعة البيانات المرجعية ليست مجرد مجموعة من الصور، بل تتضمن وسومًا موحدة وبروتوكولات تقييم ومقاييس أداء مثل الدقة والاسترجاع ومتوسط الدقة (mAP). وتتيح هذه المقاييس اختبار الخوارزميات المختلفة ومقارنتها في ظل الظروف نفسها، بما يضمن تقييمًا عادلًا ومتسقًا.

فعلى سبيل المثال، تحتوي مجموعة البيانات المرجعية ExDark على 7,363 صورة منخفضة الإضاءة ضمن 12 فئة من الكائنات (دراجة، قارب، زجاجة، حافلة، سيارة، قطة، كرسي، كوب، كلب، دراجة نارية، أشخاص، طاولة). وقد زُوّدت كل صورة بمربعات إحاطة، وتُستخدم مجموعة البيانات على نطاق واسع في الأبحاث لتقييم اكتشاف الكائنات وتصنيفها في ظروف الإضاءة السيئة.

الشكل 3. لمحة عن مجموعة بيانات ExDark (المصدر)

وبالمثل، توفر مجموعة البيانات المرجعية NightOwls نحو 115,000 صورة ليلية مع ما يقارب 279,000 وسم للمشاة. وقد أصبحت موردًا أساسيًا لتقييم أنظمة اكتشاف المشاة، التي تؤدي دورًا حيويًا في السلامة على الطرق وأنظمة مساعدة السائق المتقدمة (ADAS).

كيف تساعد الرؤية الحاسوبية في اكتشاف حركة المرور بالفيديو ليلًا#

بعد أن كوّنا فهمًا أفضل للتحديات الموجودة والحاجة إلى مجموعات البيانات، لنلقِ نظرة عن كثب على كيفية تفسير الأنظمة القائمة على الرؤية لمقاطع فيديو حركة المرور الليلية.

تدعم نماذج مثل YOLO11 وYOLO26 مهام الرؤية الحاسوبية مثل اكتشاف الكائنات وتتبعها وتقسيم المثيلات، مما يجعل تحليل حركة المرور ممكنًا حتى في ظروف الإضاءة المنخفضة. فيما يلي نظرة عامة على مهام الذكاء الاصطناعي المرئي التي تدعمها هذه النماذج لتحليل حركة المرور ليلًا:

• اكتشاف الكائنات: يمكن استخدام هذه المهمة لتحديد مواقع المركبات والمشاة والدراجات وغيرهم من مستخدمي الطريق في كل إطار، عادةً من خلال رسم مربعات إحاطة حولهم.
• تتبع الكائنات: يساعد على متابعة الكائنات المكتشفة عبر الإطارات، مما يتيح التعرف على المركبة أو المشاة نفسيهما بمرور الوقت، ويجعل تقدير سرعة المركبات ومراقبة تدفق حركة المرور أمرًا ممكنًا.
• تقسيم المثيلات: يمكنه تمييز الكائنات الفردية حتى عند تداخلها، موفرًا تفاصيل على مستوى البكسل تحسن الدقة في ظروف الليل المعقدة.
• تصنيف الصور: تسند هذه المهمة صورة كاملة أو كائنًا مكتشفًا إلى فئة محددة مسبقًا، مثل سيارة أو حافلة أو شاحنة أو دراجة نارية.
• اكتشاف مربعات الإحاطة الموجهة (OBB): يلتقط الزاوية والاتجاه الدقيقين للكائن، مما يحسن الدقة عندما تظهر المركبات بشكل قطري أو في مواضع غير اعتيادية ضمن حركة المرور الليلية.

استخدام نماذج Ultralytics YOLO للمراقبة ليلًا#

ناقشنا تدريب النماذج، والحاجة إلى مجموعات البيانات، والمهام التي تدعمها نماذج مثل YOLO11 وYOLO26. لكن لربط كل ذلك معًا، هناك مفهوم آخر ينبغي توضيحه: كيفية تطبيق هذه النماذج فعليًا على المراقبة ليلًا.

تتوفر نماذج Ultralytics YOLO، مباشرةً، بإصدارات مدرَّبة مسبقًا، أي إنها دُرّبت بالفعل على مجموعات بيانات كبيرة عامة الغرض، مثل مجموعة بيانات COCO، التي تغطي العديد من الكائنات اليومية. ويمنح ذلك النموذج قدرة أساسية قوية على اكتشاف الكائنات وتصنيفها.

لكن نظرًا إلى أن مجموعات البيانات هذه تحتوي على أمثلة قليلة جدًا للإضاءة المنخفضة أو الليل، فإن النماذج المدرَّبة مسبقًا لا تتعامل بكفاءة كبيرة مع الوهج أو الظلال أو التباين الضعيف. ولجعلها فعّالة في اكتشاف حركة المرور بالفيديو ليلًا، يجب ضبطها دقيقًا باستخدام مجموعات بيانات متخصصة تعكس ظروف الليل الواقعية.

يتضمن الضبط الدقيق أو التدريب المخصص تدريب النموذج على صور موسومة إضافية ملتقطة في ظروف الإضاءة المنخفضة، مثل مركبات تحت وهج المصابيح الأمامية، أو مشاة في ممرات العبور، أو تقاطعات مزدحمة ليلًا، حتى يتعلم السمات الفريدة للمشاهد الليلية.

بعد تدريبه تدريبًا مخصصًا، يمكن للنموذج دعم مهام مثل الاكتشاف والتتبع والتقسيم والتصنيف بدقة أكبر بكثير في ظروف الإضاءة المنخفضة. ويتيح ذلك لسلطات المرور تطبيق هذه النماذج في حالات استخدام عملية مثل عدّ المركبات، وتقدير السرعة، والتحكم التكيفي في الإشارات، والوقاية من الحوادث ليلًا.

تطبيقات الذكاء الاصطناعي المرئي في اكتشاف حركة المرور بالفيديو ليلًا#

لننظر الآن في كيفية اعتماد الرؤية الحاسوبية في أنظمة حركة المرور الليلية الواقعية.

يمكن لإشارات المرور الذكية دعم تخطيط المدن الذكية#

تُعد التقاطعات الحضرية من أصعب المناطق إدارةً، خصوصًا ليلًا عندما تنخفض الرؤية ويصبح تدفق حركة المرور أقل قابلية للتنبؤ. وتعتمد الإشارات التقليدية على مؤقتات ثابتة لا تستطيع الاستجابة للتغيرات في الوقت الفعلي. وتُظهر الأبحاث أن هذا لا يهدر وقت السائقين فحسب، بل يؤدي أيضًا إلى استهلاك الوقود والتأخيرات غير الضرورية.

وهنا تحديدًا يمكن لأنظمة الرؤية الحاسوبية المساعدة في التغلب على هذا التحدي. إذ تستطيع هذه الأنظمة مراقبة حركة المركبات واكتشاف عددها في الوقت الفعلي. ثم تُغذّى أنظمة التحكم التكيفي في حركة المرور بهذه البيانات، مما يمكّن الإشارات من التكيف سريعًا استجابةً لظروف الطريق الفعلية. فإذا كان أحد المسارات مزدحمًا بينما كان آخر خاليًا، أمكن تعديل توقيت الإشارة فورًا لتخفيف الاختناقات.

الوقاية من الحوادث#

تُعد القيادة ليلًا أكثر خطورة منها نهارًا، لأن انخفاض الرؤية والإضاءة غير المتجانسة والوهج تجعل تقدير المسافات أصعب على السائقين. وفي الواقع، تُظهر الدراسات أن معدل الحوادث المميتة لكل كيلومتر ليلًا قد يكون أعلى بما يصل إلى ثلاثة أضعاف منه في وضح النهار.

تعمل أساليب المراقبة التقليدية، مثل كاميرات المراقبة الثابتة ودوريات الطرق ومستشعرات وجود المركبات وأنظمة الإشارات ذات التوقيت الثابت، بصورة تفاعلية، وقد تفشل في اكتشاف المواقف الخطرة مبكرًا بما يكفي لمنع وقوعها.

يمكن لـحلول الرؤية الحاسوبية معالجة هذا الأمر من خلال تحليل تدفقات الفيديو المباشرة واكتشاف الأنماط غير المعتادة على الطرق أو الطرق السريعة. وباستخدام تتبع الكائنات، تستطيع هذه الأنظمة مراقبة سلوك المركبات في الوقت الفعلي وإصدار تنبيهات عندما يبدو شيء ما غير طبيعي.

فعلى سبيل المثال، إذا كانت مركبة متحركة تغير مسارها، أو تتحرك بسرعة مفرطة في منطقة مزدحمة، أو تبطئ فجأة، فيمكن للنظام الإبلاغ عنها في الوقت الفعلي. وهذا يعني أن السلطات تستطيع الاستجابة بسرعة ومنع الحوادث قبل وقوعها.

القيادة الذاتية وADAS#

تفرض القيادة ليلًا تحدياتها الخاصة على المركبات ذاتية القيادة وأنظمة ADAS. إذ يجعل انخفاض الرؤية وأنماط حركة المرور غير القابلة للتنبؤ أداء المستشعرات التقليدية بدرجة موثوقية أمرًا أصعب، مما يثير مخاوف تتعلق بالسلامة.

تعزز الرؤية الحاسوبية هذه الأنظمة من خلال تنفيذ مهام مثل اكتشاف الكائنات وتتبع المسارات والتقسيم، مما يمكّن المركبات من التعرف على المشاة والسيارات الأخرى والعوائق حتى في ظروف الإضاءة السيئة. وعند دمجها مع الرادار أو LiDAR (الاستشعار والكشف وتحديد المدى)، اللذين يرسمان خريطة للمحيط بتقنية ثلاثية الأبعاد، تساعد الطبقة المرئية الإضافية أنظمة ADAS على تقديم تحذيرات مبكرة، وتمنح المركبات ذاتية القيادة الوعي اللازم للتنقل بأمان أكبر ليلًا.

الشكل 4. لقطات لمركبة ملتقطة في ظروف النهار والليل (المصدر)

إنفاذ القانون واكتشاف المخالفات#

تتسبب السرعة الزائدة في وفاة واحدة من كل ثلاث وفيات مرورية حول العالم، ولا يزداد الخطر إلا سوءًا ليلًا. إذ يجعل الظلام من الصعب على شرطة المرور ضبط المخالفات، لأن التفاصيل الواضحة في وضح النهار غالبًا ما تصبح غير واضحة بعد حلول الظلام.

ولهذا السبب، غالبًا ما تمر مخالفات مثل القيادة بسرعة زائدة على الطرق الخالية، أو تجاوز الإشارات الحمراء، أو الانحراف إلى المسار الخطأ دون عقاب. وتعالج الرؤية الحاسوبية هذه المشكلة باستخدام كاميرات الأشعة تحت الحمراء لرصد المخالفات حتى في ظروف الإضاءة المنخفضة. وتنشئ هذه الأنظمة مناطق اكتشاف تُسجَّل فيها الحوادث، مما يقلل الإيجابيات الكاذبة ويوفر أدلة واضحة قابلة للتحقق. وبالنسبة إلى سلطات النقل، يعني ذلك عددًا أقل من النقاط العمياء واعتمادًا أقل على الفحوصات اليدوية.

إيجابيات وسلبيات اكتشاف حركة المرور بالفيديو ليلًا#

فيما يلي بعض مزايا استخدام الذكاء الاصطناعي المرئي لاكتشاف حركة المرور بالفيديو ليلًا.

• قابلية التوسع: بعد الضبط الدقيق، يمكن نشر النماذج عبر العديد من الكاميرات أو التقاطعات، لدعم المراقبة على مستوى المدينة.
• التحليلات التنبؤية: يمكن استخدام بيانات الفيديو التاريخية للتنبؤ بالازدحام والمناطق المعرضة للحوادث، مما يدعم التدابير الوقائية.
• تحسين الموارد: يزوّد السلطات برؤى آنية تساعد على تخصيص دوريات الطرق وخدمات الطوارئ بكفاءة أكبر.

على الرغم من فوائدها، تأتي مراقبة حركة المرور ليلًا باستخدام الذكاء الاصطناعي المرئي أيضًا مع بعض القيود. إليك بعض العوامل التي ينبغي وضعها في الاعتبار:

• الاعتماد على البيانات: تعتمد دقة أنظمة الذكاء الاصطناعي المرئي بدرجة كبيرة على الوصول إلى مجموعات بيانات عالية الجودة تلتقط نطاقًا واسعًا من الظروف الليلية.

• التحديات البيئية: يمكن للعوامل الجوية مثل المطر أو الضباب أو الغشاوة، إلى جانب المشكلات العملية مثل اتساخ عدسات الكاميرات أو عدم محاذاتها، أن تقلل أداء الاكتشاف وتتطلب صيانة منتظمة.

• متطلبات الأجهزة: يتطلب تشغيل نماذج الذكاء الاصطناعي المتقدمة غالبًا وحدات GPU عالية الأداء أو أجهزة طرفية متخصصة، مما قد يجعل النشر واسع النطاق مكلفًا ومعقدًا.

مستقبل أنظمة النقل الذكية ليلًا#

مع نمو المدن وازدياد ازدحام الطرق، يتجه اكتشاف حركة المرور ليلًا نحو أنظمة أكثر ذكاءً واستجابة. فعلى سبيل المثال، تستطيع الكاميرات الحرارية والمستشعرات العاملة بالأشعة تحت الحمراء اكتشاف البصمات الحرارية للأشخاص والمركبات، مما يجعل الرؤية ممكنة حتى في الظلام الدامس. ويقلل ذلك الأخطاء التي تحدث عندما تواجه الكاميرات القياسية صعوبة مع الوهج أو الإضاءة المنخفضة.

الشكل 5. تعزز تقنية الرؤية الليلية اكتشاف المشاة ليلًا (المصدر)

ومن الأساليب المتنامية الأخرى دمج الكاميرات وLiDAR. توفر الكاميرات صورًا مفصلة للطريق، بينما ينشئ LiDAR خريطة ثلاثية الأبعاد دقيقة. وعند استخدامهما معًا، يحسنان دقة اكتشاف المسارات والمركبات والعوائق، خصوصًا في الإضاءة المنخفضة أو الضباب المعتدل.

وفي الوقت نفسه، توسع التطورات في تحسين الصور منخفضة الإضاءة والتعرف على المشاة وتحديد لوحات الترخيص إمكانات الرؤية الحاسوبية. ومع هذه التحسينات، يمكن مراقبة الطرق والتقاطعات ضعيفة الإضاءة بدرجة أكبر من الموثوقية وبأخطاء أقل.

أهم النقاط المستخلصة#

لطالما كان اكتشاف المركبات ليلًا تحديًا أمام مراقبة حركة المرور، لكن الرؤية الحاسوبية تجعل التعامل معه أكثر سهولة. فمن خلال الحد من تأثير الوهج والتعامل مع مشاهد حركة المرور المعقدة، تقدم صورة أدق لكيفية تصرف الطرق بعد حلول الظلام. ومع استمرار تطور هذه الأنظمة، فإنها تمهد الطريق نحو نقل أكثر أمانًا وذكاءً وكفاءة ليلًا.

هل أنت مستعد لدمج الذكاء الاصطناعي المرئي في مشاريعك؟ انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في صناعة السيارات والذكاء الاصطناعي المرئي في الروبوتات. تفضل بزيارة مستودع GitHub لاكتشاف المزيد. وللبدء في استخدام الرؤية الحاسوبية اليوم، اطلع على خيارات الترخيص.