Erkennung in Verkehrsvideos bei Nacht: Warum Genauigkeit entscheidend ist

Straßen sehen im Dunkeln anders aus – nicht nur für Fahrer, sondern auch für die Systeme, die für ihre Sicherheit sorgen. Schlechte Sicht, Blendung durch Scheinwerfer und schnell wandernde Reflexionen können die nächtliche Fahrzeugerkennung erschweren.

Herkömmliche Methoden wie manuelle Beobachtung oder bewegungsbasierte Kameras verlassen sich hauptsächlich auf menschliche Einschätzung und einfache Bewegungsmuster. Das kann bei schlechten Lichtverhältnissen oder komplexen Verkehrssituationen unzuverlässig sein. Diese Methoden können Fahrzeuge oder Fußgänger falsch identifizieren, was zu Fehlalarmen oder übersehenen Objekten führt.

Abb. 1. Beispiel für eine schlecht beleuchtete Straße bei Nacht (Quelle)

Künstliche Intelligenz (AI), Deep Learning und Computer Vision können diese Lücke schließen, indem sie die Erkennung und Identifizierung von Fahrzeugen automatisieren. Computer Vision ist insbesondere ein Teilgebiet der AI, das Maschinen ermöglicht, visuelle Daten zu sehen und zu interpretieren. Bei der Erkennung von Verkehrsvideos bei Nacht können Modelle für visuelle AI über Helligkeit oder Bewegung hinausgehen und lernen, komplexe Muster zu erkennen, die die Genauigkeit verbessern.

Modelle für Computer Vision 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 Einzelbilds erkennen und klassifizieren sowie sie über Bildfolgen hinweg verfolgen.

Diese Fähigkeiten werden durch verschiedene Aufgaben der Computer Vision ermöglicht, etwa Objekterkennung und Instanzsegmentierung – selbst wenn Scheinwerfer, Schatten oder sich überschneidende Fahrzeuge die Erkennung erschweren. Dadurch kann das Modell Objekte identifizieren, klassifizieren und voneinander unterscheiden.

In diesem Artikel sehen wir uns die Herausforderungen der nächtlichen Verkehrsüberwachung an, erfahren, wie Computer Vision sie bewältigt, und betrachten, wo visuelle AI in realen Systemen zur Verkehrsüberwachung eingesetzt wird. Beginnen wir!

Herausforderungen bei der Erkennung bei Nacht#

Bevor wir untersuchen, wie Computer Vision die Herausforderungen der nächtlichen Verkehrserkennung löst, sehen wir uns an, warum das Erkennen von Fahrzeugen nach Einbruch der Dunkelheit so schwierig ist. Dabei sind einige Faktoren zu berücksichtigen:

• Schlechte Sicht: Begrenzte Beleuchtung und schlechte Lichtverhältnisse erschweren es Kameras, scharfe und detailreiche Aufnahmen zu erfassen. Bei verringerter Bildqualität können Fahrzeuge mit dem Hintergrund verschmelzen oder vollständig falsch identifiziert werden.

• Wetterbedingungen: Regen, Nebel, Dunst oder sogar Staub können die Videoqualität weiter beeinträchtigen. Unter diesen Bedingungen fällt es Erkennungssystemen schwerer, Fahrzeuge von ihrer Umgebung zu unterscheiden.

• Scheinwerfer und Rückleuchten: Helle Lichtkegel und Reflexionen können Kameras überfordern. Dadurch können Fehl­erkennungen von Fahrzeugen entstehen, bei denen Lichtpunkte mit Fahrzeugen verwechselt werden. Das bringt Erkennungsalgorithmen durcheinander und verringert die Genauigkeit.

• Verdeckung von Fahrzeugen: Bei dichtem Verkehr können Fahrzeuge teilweise oder vollständig hinter anderen verborgen sein. Verdeckungen erschweren die Verfolgung, Zählung und Klassifizierung von Fahrzeugen, insbesondere wenn sich mehrere Verkehrsteilnehmer in einem Einzelbild überlagern.

Der Bedarf an Benchmark-Datensätzen und Messgrößen für die Nacht#

Modelle für Computer Vision werden mit großen Bildsammlungen trainiert, die als Datensätze bezeichnet werden. Diese Datensätze sind sorgfältig mit den darin enthaltenen Objekten wie Autos, Lastwagen, Fußgängern und Fahrrädern beschriftet und bilden die Grundlage für das Training. Durch die Untersuchung dieser beschrifteten Beispiele lernt das Modell, Muster zu erkennen, sodass es Objekte in neuen Videoaufnahmen identifizieren und erkennen kann.

Abb. 2. Erkennung von Fahrzeugen und Fußgängern im Verkehr mit Computer Vision (Quelle)

Während des Trainings extrahiert das Modell Merkmale aus den Daten und nutzt sie, um die Erkennungsgenauigkeit zu verbessern. Dieser Prozess trägt dazu bei, übersehene Erkennungen und Fehlalarme zu reduzieren, wenn das Modell mit realen Verkehrsszenen konfrontiert wird.

Die Erstellung von Datensätzen oder Datensammlungen für nächtliche Bedingungen ist jedoch deutlich schwieriger. Die schlechte Videoqualität macht die Beschriftung zeitaufwendig und fehleranfällig. Außerdem lassen sich seltene, aber wichtige Ereignisse wie Unfälle oder ungewöhnliches Fahrverhalten bei Nacht nur schwer erfassen. Dadurch steht den Modellen nur eine begrenzte Zahl an Trainingsbeispielen zur Verfügung.

Um dieses Problem zu lösen, haben Forschende spezielle Benchmark-Datensätze entwickelt. Ein Benchmark-Datensatz ist mehr als nur eine Bildsammlung. Er umfasst standardisierte Beschriftungen, Bewertungsprotokolle und Leistungskennzahlen wie Präzision, Trefferquote und mittlere durchschnittliche Präzision (mAP). Diese Kennzahlen ermöglichen es, verschiedene Algorithmen unter denselben Bedingungen zu testen und zu vergleichen, und sorgen so für eine faire und konsistente Bewertung.

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 Begrenzungsrahmen annotiert, und der Datensatz wird in der Forschung häufig verwendet, um Objekterkennung und -klassifizierung bei schlechter Beleuchtung zu bewerten.

Abb. 3. Einblick in den ExDark-Datensatz (Quelle)

Der NightOwls-Benchmark-Datensatz umfasst ähnlich etwa 115.000 Nachtaufnahmen mit ungefähr 279.000 Fußgängerannotationen. Er hat sich zu einer wichtigen Ressource für die Bewertung von Fußgängererkennungssystemen entwickelt, die eine entscheidende Rolle für die Verkehrssicherheit und fortschrittliche Fahrerassistenzsysteme (ADAS) spielen.

Wie Computer Vision die Erkennung von Verkehrsvideos bei Nacht unterstützt#

Nachdem wir nun die Herausforderungen und den Bedarf an Datensätzen besser verstehen, sehen wir uns genauer an, wie visuelle Systeme Verkehrsvideos bei Nacht interpretieren können.

Modelle wie YOLO11 und YOLO26 unterstützen Aufgaben der Computer Vision wie Objekterkennung, Verfolgung und Instanzsegmentierung. Dadurch lässt sich der Verkehr auch bei schlechten Lichtverhältnissen analysieren. Hier ist ein Überblick über die von diesen Modellen unterstützten Aufgaben der visuellen AI zur Analyse des nächtlichen Verkehrs:

• Objekterkennung: Mit dieser Aufgabe lassen sich Fahrzeuge, Fußgänger, Fahrräder und andere Verkehrsteilnehmer in jedem Einzelbild identifizieren und lokalisieren, üblicherweise durch das Zeichnen von Begrenzungsrahmen um sie herum.
• Objektverfolgung: Sie verfolgt erkannte Objekte über mehrere Einzelbilder hinweg. Dadurch kann dasselbe Fahrzeug oder derselbe Fußgänger über längere Zeit wiedererkannt werden, was die Schätzung der Fahrzeuggeschwindigkeit und die Überwachung des Verkehrsflusses ermöglicht.
• Instanzsegmentierung: Sie kann einzelne Objekte auch bei Überlappungen unterscheiden und liefert Details auf Pixelebene, die die Genauigkeit unter komplexen nächtlichen Bedingungen verbessern.
• Bildklassifizierung: Bei dieser Aufgabe wird ein vollständiges Bild oder ein erkanntes Objekt einer vordefinierten Kategorie wie Auto, Bus, Lastwagen oder Motorrad zugeordnet.
• Erkennung orientierter Begrenzungsrahmen (OBB): Dabei werden der genaue Winkel und die Ausrichtung eines Objekts erfasst. Das verbessert die Genauigkeit, wenn Fahrzeuge im nächtlichen Verkehr diagonal oder in ungewöhnlichen Positionen erscheinen.

Ultralytics YOLO-Modelle für die nächtliche Überwachung verwenden#

Wir haben das Training von Modellen, den Bedarf an Datensätzen und die von Modellen wie YOLO11 und YOLO26 unterstützten Aufgaben besprochen. Um alles zusammenzuführen, fehlt noch ein Konzept: Wie werden diese Modelle tatsächlich für die nächtliche Überwachung eingesetzt?

Ultralytics YOLO-Modelle sind direkt als vortrainierte Versionen verfügbar. Das bedeutet, dass sie bereits mit großen, allgemein ausgerichteten Datensätzen wie dem COCO-Datensatz trainiert wurden, der viele Alltagsobjekte abdeckt. Dadurch verfügt das Modell über eine solide Grundlage für die Erkennung und Klassifizierung von Objekten.

Da diese Datensätze jedoch nur sehr wenige Beispiele bei schlechten Lichtverhältnissen oder bei Nacht enthalten, können die vortrainierten Modelle Blendung, Schatten oder geringen Kontrast nicht besonders gut verarbeiten. Damit sie bei der Erkennung von Verkehrsvideos bei Nacht effektiv eingesetzt werden können, müssen sie mit speziellen Datensätzen feinjustiert werden, die reale nächtliche Bedingungen abbilden.

Beim Feinjustieren oder benutzerdefinierten Training wird das Modell mit zusätzlichen beschrifteten Bildern trainiert, die bei schlechten Lichtverhältnissen aufgenommen wurden, etwa von Fahrzeugen mit Scheinwerferblendung, Fußgängern auf Zebrastreifen oder überfüllten Kreuzungen bei Nacht. So lernt es die besonderen Merkmale nächtlicher Szenen.

Nach dem benutzerdefinierten Training kann das Modell Aufgaben wie Erkennung, Verfolgung, Segmentierung oder Klassifizierung bei schlechten Lichtverhältnissen deutlich genauer unterstützen. Dadurch können Verkehrsbehörden solche Modelle für praktische Anwendungsfälle wie Fahrzeugzählung, Geschwindigkeitsschätzung, adaptive Ampelsteuerung und Unfallvermeidung bei Nacht einsetzen.

Anwendungen visueller AI zur Erkennung von Verkehrsvideos bei Nacht#

Sehen wir uns nun an, wie Computer Vision in realen Verkehrssystemen für die Nacht eingesetzt werden kann.

Intelligente Ampeln unterstützen die Planung intelligenter Städte#

Städtische Kreuzungen gehören zu den am schwierigsten zu verwaltenden Bereichen, insbesondere nachts, wenn die Sicht abnimmt und der Verkehrsfluss unberechenbarer wird. Herkömmliche Ampeln verwenden feste Zeitpläne, die nicht auf Veränderungen in Echtzeit reagieren können. Untersuchungen zeigen, dass dies nicht nur Zeit für Fahrer verschwendet, sondern auch zu unnötigem Kraftstoffverbrauch und Verzögerungen führt.

Genau hier können Systeme für Computer Vision helfen, diese Herausforderung zu bewältigen. Sie können Fahrzeugbewegungen überwachen und die Anzahl der Fahrzeuge in Echtzeit erkennen. Die Daten werden anschließend in adaptive Verkehrssteuerungssysteme eingespeist. Dadurch können Ampeln schnell auf die tatsächlichen Straßenbedingungen reagieren. Wenn also eine Spur überlastet und eine andere frei ist, lässt sich die Ampelschaltung sofort anpassen, um Engpässe aufzulösen.

Unfallvermeidung#

Nachts zu fahren ist riskanter als am Tag, weil eingeschränkte Sicht, ungleichmäßige Beleuchtung und Blendung es Fahrern erschweren, Entfernungen einzuschätzen. Studien zeigen sogar, dass die Rate tödlicher Unfälle pro Kilometer nachts bis zu dreimal höher sein kann als bei Tageslicht.

Herkömmliche Überwachungsmethoden wie fest installierte Überwachungskameras, Straßenpatrouillen, Sensoren zur Erkennung der Fahrzeugpräsenz und zeitgesteuerte Ampelsysteme reagieren erst auf Ereignisse und können Gefahrensituationen möglicherweise nicht früh genug erkennen, um sie zu verhindern.

Lösungen für Computer Vision können dieses Problem bewältigen, indem sie Live-Videostreams analysieren und ungewöhnliche Muster auf Straßen oder Autobahnen erkennen. Mithilfe der Objektverfolgung können diese Systeme das Verhalten von Fahrzeugen in Echtzeit überwachen und Warnungen auslösen, wenn etwas abnormal erscheint.

Wenn ein fahrendes Fahrzeug beispielsweise die Spur wechselt, sich in einem überlasteten Bereich zu schnell bewegt oder plötzlich langsamer wird, kann das System es in Echtzeit markieren. Dadurch können Behörden schnell reagieren und Unfälle verhindern, bevor sie passieren.

Autonomes Fahren und ADAS#

Für autonome Fahrzeuge und ADAS bringt das Fahren bei Nacht eigene Herausforderungen mit sich. Schlechte Sicht und unvorhersehbare Verkehrsmuster erschweren die zuverlässige Leistung herkömmlicher Sensoren, was Sicherheitsbedenken aufwirft.

Computer Vision erweitert diese Systeme durch Aufgaben wie Objekterkennung, Spurverfolgung und Segmentierung. Dadurch können Fahrzeuge Fußgänger, andere Autos und Hindernisse auch bei schlechten Lichtverhältnissen erkennen. In Kombination mit Radar oder LiDAR (Lichtdetektion und Entfernungsmessung), die die Umgebung in 3D abbilden, hilft die zusätzliche visuelle Ebene ADAS, frühzeitig zu warnen, und gibt autonomen Fahrzeugen die nötige Wahrnehmung, um sich nachts sicherer fortzubewegen.

Abb. 4. Fahrzeugaufnahmen bei Tageslicht und bei Nacht (Quelle)

Strafverfolgung und Erkennung von Verkehrsverstößen#

Geschwindigkeitsüberschreitungen sind weltweit für jeden dritten tödlichen Verkehrsunfall verantwortlich, und nachts steigt das Risiko noch weiter. Dunkelheit erschwert es der Verkehrspolizei, Verstöße zu erkennen, da Details, die bei Tageslicht deutlich sichtbar sind, nach Einbruch der Dunkelheit oft verschwimmen.

Deshalb bleiben Verstöße wie zu schnelles Fahren auf leeren Straßen, das Überfahren roter Ampeln oder das Abkommen auf die falsche Spur häufig ungeahndet. Computer Vision geht dieses Problem an, indem Infrarotkameras Verstöße auch bei schlechten Lichtverhältnissen erkennen. Diese Systeme richten Erkennungszonen ein, in denen Vorfälle aufgezeichnet werden. Dadurch verringern sie Fehlalarme und liefern klare, überprüfbare Beweise. Für Verkehrsbehörden bedeutet das weniger tote Winkel und eine geringere Abhängigkeit von manuellen Kontrollen.

Vor- und Nachteile der Erkennung von Verkehrsvideos bei Nacht#

Hier sind einige Vorteile des Einsatzes visueller AI zur Erkennung von Verkehrsvideos bei Nacht.

• Skalierbarkeit: Nach der Feinjustierung können Modelle auf vielen Kameras oder an zahlreichen Kreuzungen eingesetzt werden und eine stadtweite Überwachung unterstützen.
• Prädiktive Analysen: Historische Videodaten können verwendet werden, um Verkehrsstaus und unfallträchtige Zonen vorherzusagen und vorbeugende Maßnahmen zu unterstützen.
• Ressourcenoptimierung: Das System liefert Behörden Erkenntnisse in Echtzeit und hilft ihnen, Straßenpatrouillen und Rettungsdienste effizienter einzusetzen.

Trotz ihrer Vorteile bringt die nächtliche Verkehrserkennung mit visueller AI auch gewisse Einschränkungen mit sich. Dabei solltest du folgende Faktoren berücksichtigen:

• Datenabhängigkeit: Die Genauigkeit von Systemen für visuelle AI hängt stark vom Zugang zu großen, hochwertigen Datensätzen ab, die eine große Bandbreite nächtlicher Bedingungen abbilden.

• Umgebungsbedingte Herausforderungen: Wetterfaktoren wie Regen, Nebel oder Dunst sowie praktische Probleme wie verschmutzte oder falsch ausgerichtete Kameraobjektive können die Erkennungsleistung verringern und regelmäßige Wartung erfordern.

• Hardwareanforderungen: Der Betrieb fortschrittlicher AI-Modelle erfordert häufig leistungsstarke GPUs oder spezielle Edge-Geräte, was eine großflächige Bereitstellung kostspielig und komplex machen kann.

Die Zukunft intelligenter Verkehrssysteme bei Nacht#

Mit dem Wachstum der Städte und zunehmendem Verkehr entwickelt sich die nächtliche Verkehrserkennung hin zu intelligenteren und reaktionsfähigeren Systemen. Wärmebildkameras und Infrarotsensoren können beispielsweise Wärmesignaturen von Menschen und Fahrzeugen erkennen und ermöglichen so die Sicht selbst bei völliger Dunkelheit. Dadurch werden Fehler reduziert, die auftreten, wenn herkömmliche Kameras mit Blendung oder schlechten Lichtverhältnissen zu kämpfen haben.

Abb. 5. Nachtsichttechnologie verbessert die Fußgängererkennung bei Nacht (Quelle)

Ein weiterer wachsender Ansatz ist die Fusion von Kamera und LiDAR. Kameras liefern detaillierte Bilder der Straße, während LiDAR eine präzise 3D-Karte erzeugt. Zusammen verbessern sie die Genauigkeit bei der Erkennung von Spuren, Fahrzeugen und Hindernissen, insbesondere bei schlechten Lichtverhältnissen oder mäßigem Nebel.

Gleichzeitig erweitern Fortschritte bei der Bildverbesserung unter schlechten Lichtverhältnissen, der Fußgängererkennung und der Identifizierung von Kfz-Kennzeichen die Fähigkeiten von Computer Vision. Dank dieser Verbesserungen können selbst schlecht beleuchtete Straßen und Kreuzungen zuverlässiger und mit weniger Fehlern überwacht werden.

Wichtige Erkenntnisse#

Die Erkennung von Fahrzeugen bei Nacht war für die Verkehrsüberwachung schon immer eine Herausforderung, doch Computer Vision macht sie besser beherrschbar. Durch die Verringerung des Einflusses von Blendung und die Verarbeitung komplexer Verkehrsszenen liefert sie ein genaueres Bild davon, wie sich der Verkehr nach Einbruch der Dunkelheit verhält. Mit der weiteren Entwicklung dieser Systeme ebnen sie den Weg für sichereren, intelligenteren und effizienteren Verkehr bei Nacht.

Möchtest du visuelle AI in deine Projekte integrieren? Tritt unserer aktiven Community bei und entdecke Innovationen wie AI in der Automobilindustrie und visuelle AI in der Robotik. Besuche unser GitHub-Repository, um mehr zu erfahren. Wenn du heute mit Computer Vision beginnen möchtest, sieh dir unsere Lizenzoptionen an.