اكتشاف حركة المرور في الفيديو ليلاً: نظرة على سبب أهمية الدقة

تبدو الطرق مختلفة في الظلام، ليس فقط للسائقين، ولكن أيضاً للأنظمة المسؤولة عن الحفاظ على سلامتهم. فضعف الرؤية، ووهج المصابيح الأمامية، والانعكاسات سريعة الحركة يمكن أن تجعل كشف المركبات ليلاً أكثر صعوبة.

تعتمد الطرق التقليدية، مثل المراقبة اليدوية أو الكاميرات القائمة على الحركة، بشكل أساسي على التقدير البشري وإشارات الحركة البسيطة. وهذا يمكن أن يكون غير موثوق به في ظروف الإضاءة المنخفضة أو ظروف حركة المرور المعقدة. قد تخطئ هذه الطرق في تحديد المركبات أو المشاة، مما يؤدي إلى اكتشافات خاطئة أو تفويت للملاحظات.

الشكل 1. مثال على طريق مضاء بشكل سيء في الليل (المصدر)

يمكن للذكاء الاصطناعي (AI)، والتعلم العميق، ورؤية الكمبيوتر سد الفجوة من خلال أتمتة اكتشاف المركبات والتعرف عليها. على وجه الخصوص، تُعد رؤية الكمبيوتر فرعًا من الذكاء الاصطناعي يتيح للآلات رؤية البيانات المرئية وتفسيرها. وعندما يتعلق الأمر باكتشاف فيديو المرور ليلاً، يمكن لنماذج الذكاء الاصطناعي الرؤيوي تجاوز السطوع أو الحركة، لتتعلم التعرف على أنماط معقدة تحسن الدقة.

على سبيل المثال، تشتهر نماذج رؤية الكمبيوتر مثل Ultralytics YOLO26 وUltralytics YOLO11 بسرعتها ودقتها. يمكنها التعامل مع بيانات الفيديو والصور في الوقت الفعلي، واكتشاف وتصنيف عدة كائنات داخل إطار وتتبعها عبر التسلسلات.

تتحقق هذه القدرات من خلال مهام رؤية متنوعة، مثل كشف الكائنات وتجزئة المثيلات، حتى عندما تجعل المصابيح الأمامية، أو الظلال، أو المركبات المتداخلة عملية الكشف صعبة. وهي تمكّن النموذج من تحديد الكائنات وتصنيفها والتمييز بينها.

في هذه المقالة، سوف نستكشف تحديات مراقبة حركة المرور ليلاً، ونرى كيف تعالجها الرؤية الحاسوبية، وأين يتم تطبيق الرؤية بالذكاء الاصطناعي في أنظمة مراقبة حركة المرور الواقعية. لنبدأ!

التحديات في الكشف الليلي#

قبل استكشاف كيفية حل الرؤية الحاسوبية لتحديات كشف حركة المرور ليلاً، دعونا نلقي نظرة على سبب صعوبة رصد المركبات بعد حلول الظلام. إليك بعض العوامل التي يجب مراعاتها:

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

• ظروف الطقس: يمكن للأمطار، والضباب، والضباب الدخاني، أو حتى الغبار أن تزيد من تدهور جودة الفيديو. هذه الظروف تجعل من الصعب على أنظمة الكشف تمييز المركبات عن محيطها.

• المصابيح الأمامية والخلفية: يمكن للأشعة الساطعة والانعكاسات أن تطغى على الكاميرات. وقد تخلق كشفاً خاطئاً للمركبات، حيث يتم الخلط بين نقاط الضوء والمركبات، مما يربك خوارزميات الكشف ويقلل الدقة.

• تداخل المركبات: في ظروف حركة المرور المزدحمة، يمكن أن تكون المركبات مخفية جزئياً أو كلياً خلف مركبات أخرى. يؤدي التداخل إلى تعقيد تتبع المركبات، وعدّها، وتصنيفها، خاصة عندما يتداخل مستخدمو الطريق المتعددون ضمن إطار واحد.

الحاجة إلى مجموعات بيانات ومقاييس مرجعية ليلية#

يتم تدريب نماذج رؤية الكمبيوتر باستخدام مجموعات كبيرة من الصور تُعرف بمجموعات البيانات. تتم تسمية مجموعات البيانات هذه بعناية مع الكائنات التي تحتوي عليها، مثل السيارات، والشاحنات، والمشاة، والدراجات الهوائية، وتكون بمثابة الأساس للتدريب. ومن خلال دراسة هذه الأمثلة المصنفة، يتعلم النموذج التعرف على الأنماط، مما يتيح له تحديد الكائنات واكتشافها في لقطات الفيديو الجديدة.

الشكل 2. استخدام رؤية الكمبيوتر لاكتشاف المركبات والمشاة في حركة المرور (المصدر)

أثناء التدريب، يستخلص النموذج الميزات من البيانات ويستخدمها لتحسين دقة الكشف. تساعد هذه العملية في تقليل الاكتشافات الفائتة والإنذارات الكاذبة عندما يتعرض النموذج لمشاهد مرورية واقعية.

ومع ذلك، فإن بناء مجموعات البيانات أو مجموعات البيانات لظروف الليل يعد أكثر صعوبة بكثير. تجعل جودة الفيديو الضعيفة عملية التصنيف تستغرق وقتًا طويلاً وعرضة للأخطاء. كما أن الأحداث النادرة ولكن المهمة، مثل الحوادث أو سلوك القيادة غير Usual، قد يكون من الصعب التقاطها في الإعدادات الليلية. وينتج عن ذلك عدد محدود من أمثلة التدريب التي يمكن للنماذج التعلم منها.

ولمعالجة هذه المشكلة، طور الباحثون مجموعات بيانات مرجعية متخصصة. مجموعة البيانات المرجعية هي أكثر من مجرد مجموعة من الصور. فهي تتضمن تصنيفات قياسية، وبروتوكولات تقييم، ومقاييس أداء مثل الدقة، والاستدعاء، ومتوسط دقة القياس (mAP). تجعل هذه المقاييس من الممكن اختبار ومقارنة الخوارزميات المختلفة تحت نفس الظروف، مما يضمن تقييماً عادلاً ومتسقاً.

على سبيل المثال، تحتوي مجموعة بيانات المعيار ExDark على 7,363 صورة منخفضة الإضاءة عبر 12 فئة من الكائنات (دراجة، قارب، زجاجة، حافلة، سيارة، قطة، كرسي، كوب، كلب، دراجة نارية، أشخاص، طاولة). يتم التعليق على كل صورة بمربعات محيطية، وتُستخدم مجموعة البيانات على نطاق واسع في الأبحاث لتقييم اكتشاف الكائنات وتصنيفها في ظروف الإضاءة الضعيفة.

الشكل 3. لمحة عن مجموعة بيانات ExDark (المصدر)

وبالمثل، توفر مجموعة بيانات المعيار NightOwls حوالي 115,000 صورة ليلية مع ما يقريب من 279,000 تعليق للمشاة. لقد أصبحت مصدرًا رئيسيًا لتقييم أنظمة اكتشاف المشاة، والتي تلعب دورًا حيويًا في السلامة المرورية وأنظمة مساعدة السائق المتقدمة (ADAS).

كيف تساعد الرؤية الحاسوبية في كشف حركة المرور في الفيديو ليلاً#

الآن بعد أن أصبح لدينا فهم أفضل للتحديات التي تنطوي عليها والحاجة إلى مجموعات البيانات، دعونا نلقي نظرة فاحصة على كيفية قيام الأنظمة القائمة على الرؤية بتفسير فيديوهات حركة المرور ليلاً.

تدعم نماذج مثل YOLO11 وYOLO26 مهام رؤية الكمبيوتر مثل اكتشاف الكائنات، والتتبع، وتجزئة المثيلات، مما يجعل من الممكن تحليل حركة المرور حتى في ظروف الإضاءة المنخفضة. إليك نظرة عامة على مهام الذكاء الاصطناعي الرؤيوي التي تدعمها هذه النماذج لتحليل حركة المرور الليلية:

• كشف الكائنات: يمكن استخدام هذه المهمة لتحديد وتحديد مواقع المركبات، والمشاة، والدراجات، وغيرهم من مستخدمي الطريق في كل إطار، وعادة ما يتم ذلك عن طريق رسم صناديق إحاطة حولهم.
• تتبع الكائنات: يساعد في متابعة الكائنات المكتشفة عبر الإطارات، مما يسمح بالتعرف على نفس المركبة أو المشاة بمرور الوقت، وهو ما يجعل من الممكن تقدير سرعة المركبة ومراقبة تدفق حركة المرور.
• تجزئة المثيلات: يمكنها التمييز بين الكائنات الفردية حتى عندما تتداخل، مما يوفر تفاصيل على مستوى البكسل تحسن الدقة في الظروف الليلية المعقدة.
• تصنيف الصور: تخصص هذه المهمة صورة كاملة أو كائناً مكتشفاً لفئة محددة مسبقاً، مثل سيارة، أو حافلة، أو شاحنة، أو دراجة نارية.
• كشف صندوق الإحاطة الموجه (OBB): يلتقط الزاوية الدقيقة للكائن واتجاهه، مما يحسن الدقة عندما تظهر المركبات بشكل قطري أو في أوضاع غريبة في حركة المرور ليلاً.

استخدام نماذج Ultralytics YOLO للمراقبة الليلية#

ناقشنا تدريب النموذج، والحاجة إلى مجموعات البيانات، والمهام التي تدعمها نماذج مثل YOLO11 و YOLO26. ولكن لجمع كل ذلك معاً، هناك مفهوم آخر يجب استعراضه: كيف يتم تطبيق هذه النماذج فعلياً على المراقبة الليلية.

تتوفر نماذج Ultralytics YOLO جاهزة للاستخدام كنسخ مدربة مسبقًا، مما يعني أنه قد تم بالفعل تدريبها على مجموعات بيانات كبيرة وعامة الأغراض، مثل مجموعة بيانات COCO، والتي تغطي العديد من الكائنات اليومية. يمنح هذا النموذج قدرة أساسية قوية على اكتشاف الكائنات وتصنيفها.

ومع ذلك، ونظراً لأن مجموعات البيانات هذه تحتوي على القليل جداً من الأمثلة في الإضاءة المنخفضة أو الليلية، فإن النماذج المدربة مسبقاً ليست جيدة في التعامل مع الوهج، أو الظلال، أو التباين الضعيف بفعالية. ولجعلها مؤثرة في كشف حركة المرور في الفيديو ليلاً، يجب ضبطها بدقة على مجموعات بيانات متخصصة تعكس ظروف الليل الواقعية.

يتضمن الضبط الدقيق أو التدريب المخصص تدريب النموذج على صور مصنفة إضافية ملتقطة في ظروف إضاءة منخفضة، مثل المركبات تحت وهج المصابيح الأمامية، أو المشاة في معابر المرتجلين، أو التقاطعات المزدحمة في الليل، ليتعلم الميزات الفريدة للمشاهد الليلية.

بمجرد تدريبه بشكل مخصص، يمكن للنموذج دعم مهام مثل الكشف، أو التتبع، أو التجزئة، أو التصنيف بدقة أكبر بكثير في ظروف الإضاءة المنخفضة. وهذا يسمح لسلطات المرور بتطبيق مثل هذه النماذج لحالات استخدام عملية مثل عد المركبات، وتقدير السرعة، والتحكم التكيفي في الإشارات، ومنع الحوادث ليلاً.

تطبيقات الرؤية بالذكاء الاصطناعي لكشف حركة المرور في الفيديو ليلاً#

بعد ذلك، دعونا نلقي نظرة على كيفية تبني الرؤية الحاسوبية في أنظمة المرور الليلية الواقعية.

إشارات المرور الذكية يمكن أن تدعم تخطيط المدن الذكية#

تعد تقاطعات الطرق الحضرية من أصعب المناطق التي يجب إدارتها، خاصة في الليل عندما تنخفض الرؤية وتصبح تدفقات المرور أقل قابلية للتنبؤ. تعتمد الإشارات التقليدية على مؤقتات ثابتة لا تستطيع الاستجابة للتغيرات في الوقت الفعلي. تُظهر الأبحاث أن هذا لا يضيع وقت السائقين فحسب، بل يؤدي أيضًا إلى استهلاك الوقود والتأخيرات غير الضرورية.

هذا بالضبط هو المكان الذي يمكن أن تساعد فيه أنظمة الرؤية الحاسوبية في التغلب على هذا التحدي. يمكن لهذه الأنظمة مراقبة حركات المركبات واكتشاف عدد المركبات في الوقت الفعلي. ثم يتم إدخال البيانات في أنظمة التحكم التكيفي في حركة المرور. وهذا يمكّن الإشارات من التكيف بسرعة استجابةً لظروف الطريق الفعلية. لذا، إذا كان أحد المسارات مزدحماً بينما الآخر فارغ، يمكن تعديل توقيت الإشارة فوراً لتخفيف الاختناقات.

منع الحوادث#

تعتبر القيادة في الليل أكثر خطورة مقارنة بالنهار نظرًا لانخفاض الرؤية، والإضاءة غير المتساوية، والوهج الذي يجعل من الصعب على السائقين تقدير المسافات. في الواقع، تشير الدراسات إلى أن معدل الحوادث المميتة لكل كيلومتر في الليل يمكن أن يكون أعلى بثلاث مرات مقارنة بضوء النهار.

تعمل طرق المراقبة التقليدية، مثل كاميرات المراقبة الثابتة، ودوريات الطرق، وأجهزة استشعار وجود المركبات، وأنظمة الإشارات ذات التوقيت الثابت، بشكل تفاعلي وقد تفشل في اكتشاف المواقف الخطرة مبكراً بما يكفي لمنع حدوثها.

يمكن لـحلول رؤية الكمبيوتر معالجة هذه المشكلة من خلال تحليل تدفقات الفيديو الحية واكتشاف الأنماط غير العادية على الطريق أو الطريق السريع. باستخدام تتبع الكائنات، يمكن لهذه الأنظمة مراقبة سلوك المركبات في الوقت الفعلي وإطلاق تنبيهات عندما يبدو شيء ما غير طبيعي.

على سبيل المثال، إذا كانت مركبة متحركة تغير مساراتها، أو تتحرك بسرعة كبيرة في منطقة مزدحمة، أو تبطئ فجأة، يمكن للنظام وضع علامة عليها في الوقت الفعلي. وهذا يعني أن السلطات يمكنها الاستجابة بسرعة ومنع الحوادث قبل وقوعها.

القيادة الذاتية و ADAS#

بالنسبة للمركبات ذاتية القيادة و ADAS، تجلب القيادة الليلية تحدياتها الخاصة. ضعف الرؤية وأنماط حركة المرور غير المتوقعة تجعل من الصعب على أجهزة الاستشعار التقليدية العمل بشكل موثوق، مما يثير مخاوف تتعلق بالسلامة.

تعمل الرؤية الحاسوبية على تحسين هذه الأنظمة من خلال التعامل مع مهام مثل كشف الكائنات، وتتبع المسار، والتجزئة، مما يمكن المركبات من التعرف على المشاة، والسيارات الأخرى، والعوائق حتى في ظروف الإضاءة السيئة. عند دمجها مع الرادار أو LiDAR (كشف الضوء وتحديد المدى)، الذي يخطط للمحيط في 3D، تساعد طبقة الرؤية المضافة ADAS في توفير تحذيرات مبكرة وتمنح المركبات ذاتية القيادة الوعي الذي تحتاجه للتنقل بشكل أكثر أماناً ليلاً.

الشكل 4. لقطات مركبة ملتقطة في ظروف النهار والليل على حد سواء (المصدر)

تطبيق القانون وكشف المخالفات#

تعتبر السرعة الزائدة مسؤولة عن وفاة مرورية واحدة من كل ثلاث وفيات مرورية في جميع أنحاء العالم، وتزداد المخاطر سوءًا في الليل. تجعل الظلمة من الصعب على شرطة المرور رصد المخالفات، حيث غالبًا ما تتشوش التفاصيل التي تكون واضحة في ضوء النهار بعد حلول الظلام.

ولهذا السبب غالباً ما تمر مخالفات مثل السرعة الزائدة على الطرق الفارغة، أو تجاوز الإشارات الحمراء، أو الانحراف إلى المسار الخطأ دون عقاب. تعالج الرؤية الحاسوبية هذه المشكلة باستخدام كاميرات الأشعة تحت الحمراء لرصد المخالفات حتى في ظروف الإضاءة المنخفضة. تنشئ هذه الأنظمة مناطق كشف حيث يتم تسجيل الحوادث، مما يقلل من النتائج الإيجابية الخاطئة ويوفر أدلة واضحة وقابلة للتحقق. بالنسبة لسلطات النقل، فهذا يعني نقاط عمياء أقل واعتماداً أقل على الفحوصات اليدوية.

إيجابيات وسلبيات كشف حركة المرور في الفيديو ليلاً#

فيما يلي بعض مزايا استخدام الرؤية بالذكاء الاصطناعي لكشف حركة المرور في الفيديو ليلاً.

• القابلية للتوسع: بمجرد ضبط النماذج بدقة، يمكن نشرها عبر العديد من الكاميرات أو التقاطعات، مما يدعم المراقبة على مستوى المدينة.
• التحليلات التنبؤية: يمكن استخدام بيانات الفيديو التاريخية للتنبؤ بالمناطق المزدحمة والمعرضة للحوادث، مما يدعم التدابير الوقائية.
• تحسين الموارد: يوفر للسلطات رؤى في الوقت الفعلي تساعد في تخصيص دوريات الطرق وخدمات الطوارئ بشكل أكثر كفاءة.

على الرغم من فوائدها، فإن كشف حركة المرور ليلاً باستخدام الرؤية بالذكاء الاصطناعي يأتي أيضاً مع قيود معينة. إليك بعض العوامل التي يجب وضعها في الاعتبار:

• الاعتماد على البيانات: تعتمد دقة أنظمة الذكاء الاصطناعي الرؤيوي بشكل كبير على الوصول إلى مجموعات بيانات عالية الجودة وكبيرة تلتقط مجموعة واسعة من الظروف الليلية.

• التحديات البيئية: يمكن لعوامل الطقس مثل الأمطار، أو الضباب، أو الضباب الدخاني، بالإضافة إلى المشكلات العملية مثل عدسات الكاميرا المتسخة أو غير المحاذية، أن تقلل من أداء الكشف وتتطلب صيانة دورية.

• متطلبات الأجهزة: غالباً ما يتطلب تشغيل نماذج الذكاء الاصطناعي المتقدمة وحدات معالجة رسوميات (GPUs) عالية الأداء أو أجهزة حافة متخصصة، مما قد يجعل النشر على نطاق واسع مكلفاً ومعقداً.

الطريق إلى الأمام لأنظمة النقل الذكية ليلاً#

مع نمو المدن وازدحام الطرق، يتجه كشف حركة المرور ليلاً نحو أنظمة أكثر ذكاءً واستجابة. على سبيل المثال، يمكن للكاميرات الحرارية وأجهزة استشعار الأشعة تحت الحمراء اكتشاف التوقيعات الحرارية للأشخاص والمركبات، مما يجعل من الممكن الرؤية حتى في الظلام الدامس. وهذا يقلل من الأخطاء التي تحدث عندما تواجه الكاميرات القياسية صعوبة مع الوهج أو الإضاءة المنخفضة.

الشكل 5. تحسن تقنية الرؤية الليلية اكتشاف المشاة في الليل (المصدر)

هناك نهج متزايد آخر وهو دمج الكاميرا مع تقنية الليدار. توفر الكاميرات صورًا مفصلة للطريق، بينما يُنشئ الليدار خريطة ثلاثية الأبعاد دقيقة. عند استخدامهما معًا، فإنهما يحسنان دقة اكتشاف الممرات، والمرع, والعقبات، لا سيما في الإضاءة المنخفضة أو الضباب المعتدل.

في الوقت نفسه، تعمل التطورات في تحسين صور الإضاءة المنخفضة، والتعرف على المشاة، وتحديد لوحات الترخيص على توسيع قدرات الرؤية الحاسوبية. مع هذه التحسينات، يمكن مراقبة حتى الطرق والتقاطعات ضعيفة الإضاءة بموثوقية أكبر وأخطاء أقل.

أبرز النقاط#

لطالما كان كشف المركبات ليلاً تحدياً لمراقبة حركة المرور، ولكن الرؤية الحاسوبية تجعل الأمر أكثر قابلية للإدارة. من خلال تقليل تأثير الوهج والتعامل مع مشاهد حركة المرور المعقدة، فإنه يوفر صورة أكثر دقة لكيفية تصرف الطرق بعد حلول الظلام. ومع استمرار تقدم هذه الأنظمة، فهي تمهد الطريق لنقل أكثر أماناً وذكاءً وكفاءة في الليل.

هل أنت مستعد لدمج الذكاء الاصطناعي الرؤيوي في مشاريعك؟ انضم إلى مجتمعنا النشط واكتشف الابتكارات مثل الذكاء الاصطناعي في قطاع السيارات والذكاء الاصطناعي الرؤيوي في الروبوتات. تفضل بزيارة مستودع GitHub الخاص بنا لاكتشاف المزيد. للبدء في استخدام رؤية الكمبيوتر اليوم، راجع خيارات الترخيص الخاصة بنا.