Oktober 3, 2025
Von schlechter Sicht bis hin zu Blendeffekten: Erfahren Sie, was die Genauigkeit der Videoerkennung bei Nacht zu einer Herausforderung macht, und wie Computer Vision die Sicherheit und den Verkehrsfluss verbessert.
Straßen erscheinen im Dunkeln anders, nicht nur für die Fahrer, sondern auch für die Systeme, die für ihre Sicherheit sorgen. Schlechte Sicht, blendende Scheinwerfer und sich schnell bewegende Reflektionen können die Erkennung von Fahrzeugen bei Nacht erschweren.
Herkömmliche Methoden, wie die manuelle Beobachtung oder bewegungsbasierte Kameras, verlassen sich hauptsächlich auf das menschliche Urteilsvermögen und einfache Bewegungshinweise. Dies kann bei schlechten Lichtverhältnissen oder komplexen Verkehrsverhältnissen unzuverlässig sein. Diese Methoden können Fahrzeuge oder Fußgänger falsch identifizieren, was zu falschen Erkennungen oder verpassten Beobachtungen führt.
Künstliche Intelligenz (KI), Deep Learning und Computer Vision können diese Lücke schließen, indem sie die Erkennung und Erkennung von Fahrzeugen automatisieren. Computer Vision ist ein Teilgebiet der KI, das es Maschinen ermöglicht, visuelle Daten zu sehen und zu interpretieren. Wenn es um die Erkennung von nächtlichen Verkehrsvideos geht, können KI-Modelle der Vision über Helligkeit oder Bewegung hinausgehen und lernen, komplexe Muster zu erkennen, die die Genauigkeit verbessern.
Computer-Vision-Modelle wie Ultralytics YOLO26 und Ultralytics YOLO11 sind beispielsweise für ihre Geschwindigkeit und Präzision bekannt. Sie können Video- und Bilddaten in Echtzeit verarbeiten, mehrere Objekte innerhalb eines Bildes erkennen und klassifizieren und sie über Sequenzen hinweg verfolgen.
Ermöglicht werden diese Fähigkeiten durch verschiedene Bildverarbeitungsaufgaben wie Objekterkennung und Instanzsegmentierung, selbst wenn Scheinwerfer, Schatten oder sich überlappende Fahrzeuge die Erkennung erschweren. Sie ermöglichen es dem Modell, Objekte zu identifizieren, zu klassifizieren und zu unterscheiden.
In diesem Artikel werden wir die Herausforderungen der nächtlichen Verkehrsüberwachung erkunden und sehen, wie Computer Vision diese löst und wo Vision AI in realen Verkehrsüberwachungssystemen eingesetzt wird. Legen wir los!
Bevor wir uns damit befassen, wie Computer Vision die Herausforderungen der nächtlichen Verkehrserkennung löst, sollten wir uns ansehen, warum das Erkennen von Fahrzeugen bei Dunkelheit so schwierig ist. Hier sind einige Faktoren zu berücksichtigen:
Computer-Vision-Modelle werden anhand großer Bildsammlungen, so genannter Datensätze, trainiert. Diese Datensätze werden sorgfältig mit den darin enthaltenen Objekten wie Autos, Lastwagen, Fußgängern und Fahrrädern beschriftet und dienen als Grundlage für das Training. Durch das Studium dieser beschrifteten Beispiele lernt das Modell, Muster zu erkennen, so dass es in der Lage ist, Objekte in neuem Videomaterial zu identifizieren und zu erkennen.
Während des Trainings extrahiert das Modell Merkmale aus den Daten und verwendet sie zur Verbesserung der Erkennungsgenauigkeit. Dieser Prozess trägt dazu bei, verpasste Erkennungen und Fehlalarme zu reduzieren, wenn das Modell realen Verkehrsszenen ausgesetzt wird.
Die Erstellung von Datensätzen oder Datensammlungen für nächtliche Bedingungen ist jedoch viel schwieriger. Schlechte Videoqualität macht die Kennzeichnung zeitaufwändig und fehleranfällig. Außerdem können seltene, aber wichtige Ereignisse wie Unfälle oder ungewöhnliches Fahrverhalten in der Nacht schwer zu erfassen sein. Dies führt zu einer begrenzten Anzahl von Trainingsbeispielen, aus denen die Modelle lernen können.
Um dieses Problem zu lösen, haben Forscher spezielle Benchmark-Datensätze entwickelt. Ein Benchmark-Datensatz ist mehr als nur eine Sammlung von Bildern. Er umfasst standardisierte Kennzeichnungen, Bewertungsprotokolle und Leistungskennzahlen wie Präzision, Recall und mittlere durchschnittliche Präzision (mAP). Diese Messgrößen ermöglichen es, verschiedene Algorithmen unter denselben Bedingungen zu testen und zu vergleichen, um eine faire und einheitliche Bewertung zu gewährleisten.
Der ExDark-Benchmark-Datensatz enthält beispielsweise 7.363 Bilder bei schlechten Lichtverhältnissen aus 12 Objektkategorien (Fahrrad, Boot, Flasche, Bus, Auto, Katze, Stuhl, Tasse, Hund, Motorrad, Menschen, Tisch). Jedes Bild ist mit Bounding Boxes versehen, und der Datensatz wird in der Forschung häufig zur Bewertung der Objekterkennung und -klassifizierung bei schlechten Lichtverhältnissen verwendet.
Auch der NightOwls-Benchmark-Datensatz enthält rund 115 000 Nachtaufnahmen mit etwa 279 000 Fußgängerkommentaren. Er hat sich zu einer wichtigen Ressource für die Bewertung von Fußgängererkennungssystemen entwickelt, die für die Verkehrssicherheit und fortschrittliche Fahrerassistenzsysteme (ADAS) eine wichtige Rolle spielen.
Nachdem wir nun ein besseres Verständnis für die damit verbundenen Herausforderungen und den Bedarf an Datensätzen haben, wollen wir uns genauer ansehen, wie bildverarbeitungsbasierte Systeme nächtliche Verkehrsvideos interpretieren können.
Modelle wie YOLO11 und YOLO26 unterstützen Computer-Vision-Aufgaben wie Objekterkennung, Verfolgung und Instanzsegmentierung, die es ermöglichen, den Verkehr auch bei schlechten Lichtverhältnissen zu analysieren. Hier finden Sie einen Überblick über die Vision AI-Aufgaben, die diese Modelle für die Analyse des nächtlichen Verkehrs unterstützen:
Wir haben über die Modellschulung, den Bedarf an Datensätzen und die Aufgaben gesprochen, die Modelle wie YOLO11 und YOLO26 unterstützen. Aber um das alles zusammenzufassen, müssen wir noch ein weiteres Konzept durchgehen: wie diese Modelle tatsächlich bei der nächtlichen Überwachung angewendet werden.
Die YOLO-Modelle von Ultralytics sind als vorgefertigte Versionen erhältlich, d. h. sie wurden bereits auf großen, allgemeinen Datensätzen wie dem COCO-Datensatz trainiert, der viele Alltagsobjekte abdeckt. Dadurch verfügt das Modell über eine starke Grundfähigkeit zur Erkennung und Klassifizierung von Objekten.
Da diese Datensätze jedoch nur sehr wenige Beispiele für schwache Lichtverhältnisse oder die Nacht enthalten, sind die trainierten Modelle nicht in der Lage, Blendung, Schatten oder schlechten Kontrast effektiv zu verarbeiten. Um sie für die Erkennung von Verkehrsvideos bei Nacht nutzbar zu machen, müssen sie anhand spezieller Datensätze, die die realen Bedingungen bei Nacht widerspiegeln, feinabgestimmt werden.
Bei der Feinabstimmung oder dem benutzerdefinierten Training wird das Modell mit zusätzlichen markierten Bildern trainiert, die bei schlechten Lichtverhältnissen aufgenommen wurden, wie z. B. Fahrzeuge im grellen Scheinwerferlicht, Fußgänger auf Zebrastreifen oder belebte Kreuzungen bei Nacht, damit es die besonderen Merkmale von Nachtszenen lernt.
Sobald das Modell individuell trainiert ist, kann es Aufgaben wie Erkennung, Verfolgung, Segmentierung oder Klassifizierung bei schlechten Lichtverhältnissen mit viel höherer Genauigkeit unterstützen. Dadurch können Verkehrsbehörden solche Modelle für praktische Anwendungsfälle wie Fahrzeugzählung, Geschwindigkeitsabschätzung, adaptive Signalsteuerung und Unfallverhütung bei Nacht einsetzen.
Als Nächstes wollen wir uns ansehen, wie die Computer Vision in realen nächtlichen Verkehrssystemen eingesetzt werden kann.
Städtische Kreuzungen gehören zu den am schwierigsten zu regelnden Bereichen, vor allem nachts, wenn die Sichtweite abnimmt und der Verkehrsfluss weniger vorhersehbar ist. Herkömmliche Signale sind auf feste Zeitschaltuhren angewiesen, die nicht auf Echtzeitänderungen reagieren können. Untersuchungen zeigen, dass dies nicht nur Zeitverluste für die Fahrer bedeutet, sondern auch zu unnötigem Kraftstoffverbrauch und Verzögerungen führt.
Genau hier können Computer-Vision-Systeme helfen, diese Herausforderung zu meistern. Diese Systeme können Fahrzeugbewegungen überwachen und die Anzahl der Fahrzeuge in Echtzeit ermitteln. Die Daten werden dann in adaptive Verkehrssteuerungssysteme eingespeist. So können die Signale schnell an die tatsächlichen Straßenverhältnisse angepasst werden. Wenn also eine Spur überfüllt ist, während eine andere leer ist, kann die Signalzeit sofort angepasst werden, um Engpässe zu beseitigen.
Das Fahren bei Nacht ist risikoreicher als am Tag, weil eingeschränkte Sicht, ungleichmäßige Beleuchtung und Blendung es dem Fahrer erschweren, Entfernungen einzuschätzen. Studien zeigen, dass die Zahl der tödlichen Unfälle pro Kilometer bei Nacht bis zu dreimal höher ist als bei Tageslicht.
Herkömmliche Überwachungsmethoden, wie fest installierte Überwachungskameras, Straßenpatrouillen, Fahrzeugsensoren und zeitlich festgelegte Signalsysteme, arbeiten reaktiv und können gefährliche Situationen nicht früh genug erkennen, um sie zu verhindern.
Computer-Vision-Lösungen können dieses Problem lösen, indem sie Live-Videoströme analysieren und ungewöhnliche Muster auf der Straße oder Autobahn erkennen. Mithilfe der Objektverfolgung können diese Systeme das Fahrzeugverhalten in Echtzeit überwachen und Warnungen ausgeben, wenn etwas ungewöhnlich erscheint.
Wenn zum Beispiel ein Fahrzeug die Spur wechselt, in einem Stau zu schnell fährt oder plötzlich abbremst, kann das System dies in Echtzeit anzeigen. Das bedeutet, dass die Behörden schnell reagieren und Unfälle verhindern können, bevor sie passieren.
Für autonome Fahrzeuge und ADAS bringt das Fahren bei Nacht eigene Herausforderungen mit sich. Geringe Sichtverhältnisse und unvorhersehbare Verkehrsmuster erschweren die zuverlässige Funktion herkömmlicher Sensoren, was zu Sicherheitsbedenken führt.
Computervision verbessert diese Systeme, indem sie Aufgaben wie Objekterkennung, Spurverfolgung und Segmentierung übernimmt und es den Fahrzeugen ermöglicht, Fußgänger, andere Autos und Hindernisse auch bei schlechten Lichtverhältnissen zu erkennen. In Kombination mit Radar oder LiDAR (Light Detection and Ranging), die die Umgebung in 3D abbilden, hilft die zusätzliche visuelle Ebene ADAS dabei, frühzeitige Warnungen auszusprechen und gibt autonomen Fahrzeugen das nötige Bewusstsein, um bei Nacht sicherer zu navigieren.
Geschwindigkeitsübertretungen sind weltweit für einen von drei Verkehrstoten verantwortlich, und das Risiko wird bei Nacht noch größer. Bei Dunkelheit ist es für die Verkehrspolizei schwieriger, Verstöße zu erkennen, da Details, die bei Tageslicht klar sind, bei Dunkelheit oft verschwimmen.
Deshalb werden Verstöße wie Geschwindigkeitsübertretungen auf leeren Straßen, das Überfahren roter Ampeln oder das Abbiegen in die falsche Fahrspur oft nicht geahndet. Computervision geht dieses Problem an, indem Infrarotkameras eingesetzt werden, um Verstöße auch bei schlechten Lichtverhältnissen zu erkennen. Diese Systeme schaffen Erkennungsbereiche, in denen Vorfälle aufgezeichnet werden, wodurch die Zahl der Fehlalarme verringert und eindeutige, überprüfbare Beweise geliefert werden. Für die Verkehrsbehörden bedeutet dies weniger tote Winkel und weniger Abhängigkeit von manuellen Kontrollen.
Hier einige Vorteile des Einsatzes von Vision AI für die nächtliche Verkehrsvideoerkennung.
Trotz ihrer Vorteile bringt die nächtliche Verkehrserkennung mit Vision AI auch einige Einschränkungen mit sich. Hier sind einige Faktoren, die zu beachten sind:
Da die Städte wachsen und die Straßen immer belebter werden, entwickelt sich die nächtliche Verkehrserkennung hin zu intelligenteren und reaktionsfähigeren Systemen. Wärmebildkameras und Infrarotsensoren können beispielsweise die Wärmesignatur von Menschen und Fahrzeugen erkennen und ermöglichen es, auch bei völliger Dunkelheit zu sehen. Dadurch werden Fehler reduziert, die auftreten, wenn Standardkameras mit Blendung oder schwachem Licht zu kämpfen haben.
Ein weiterer wachsender Ansatz ist die Fusion von Kamera und LiDAR. Kameras liefern detaillierte Bilder der Straße, während LiDAR eine präzise 3D-Karte erstellt. Zusammengenommen verbessern sie die Genauigkeit der Erkennung von Fahrspuren, Fahrzeugen und Hindernissen, insbesondere bei schwachem Licht oder leichtem Nebel.
Gleichzeitig erweitern Fortschritte bei der Bildverbesserung bei schlechten Lichtverhältnissen, der Fußgängererkennung und der Identifizierung von Nummernschildern die Möglichkeiten der Computer Vision. Dank dieser Verbesserungen können selbst schlecht beleuchtete Straßen und Kreuzungen mit größerer Zuverlässigkeit und weniger Fehlern überwacht werden.
Die Erkennung von Fahrzeugen in der Nacht war schon immer eine Herausforderung für die Verkehrsüberwachung, aber mit Hilfe der Computer Vision wird diese Aufgabe immer leichter zu bewältigen sein. Durch die Reduzierung von Blendeffekten und die Verarbeitung komplexer Verkehrsszenen liefert es ein genaueres Bild davon, wie sich die Straßen nach Einbruch der Dunkelheit verhalten. Die Weiterentwicklung dieser Systeme ebnet den Weg für einen sichereren, intelligenteren und effizienteren Verkehr bei Nacht.
Sind Sie bereit, Vision AI in Ihre Projekte zu integrieren? Werden Sie Teil unserer aktiven Community und entdecken Sie Innovationen wie KI in der Automobilindustrie und Vision AI in der Robotik. Besuchen Sie unser GitHub-Repository, um mehr zu erfahren. Wenn Sie noch heute mit Computer Vision beginnen möchten, sehen Sie sich unsere Lizenzierungsoptionen an.
.webp)