Detección de tráfico nocturno en vídeo: un análisis de por qué la precisión es clave

Las carreteras parecen diferentes en la oscuridad, no solo para los conductores, sino también para los sistemas responsables de mantenerlas seguras. La poca visibilidad, el deslumbramiento de los faros y los reflejos en movimiento rápido pueden dificultar la detección de vehículos durante la noche.

Los métodos tradicionales, como la observación manual o las cámaras basadas en el movimiento, dependen principalmente del criterio humano y de simples indicios de movimiento. Esto puede resultar poco fiable en condiciones de poca luz o de tráfico complejo. Estos métodos pueden identificar erróneamente vehículos o peatones, lo que provoca detecciones falsas u observaciones omitidas.

Fig. 1. Ejemplo de una carretera con poca iluminación por la noche (Fuente)

La inteligencia artificial (AI), el aprendizaje profundo y la visión por ordenador pueden cerrar esta brecha automatizando la detección y el reconocimiento de vehículos. En concreto, la visión por ordenador es una rama de la AI que permite a las máquinas ver e interpretar datos visuales. En la detección de vídeo del tráfico nocturno, los modelos de AI de visión pueden ir más allá del brillo o el movimiento y aprender a reconocer patrones complejos que mejoran la precisión.

Por ejemplo, los modelos de visión por ordenador como Ultralytics YOLO26 y Ultralytics YOLO11 son conocidos por su velocidad y precisión. Pueden procesar datos de vídeo e imágenes en tiempo real, detectar y clasificar varios objetos dentro de un fotograma y seguirlos a lo largo de secuencias.

Estas capacidades son posibles gracias a diversas tareas de visión, como la detección de objetos y la segmentación de instancias, incluso cuando los faros, las sombras o los vehículos superpuestos dificultan la detección. Permiten al modelo identificar, clasificar y diferenciar objetos.

En este artículo, exploraremos los desafíos de la monitorización del tráfico nocturno, veremos cómo los aborda la visión por ordenador y dónde se está aplicando la AI de visión en sistemas reales de monitorización del tráfico. ¡Empecemos!

Desafíos de la detección nocturna#

Antes de explorar cómo la visión por ordenador resuelve los desafíos de la detección del tráfico nocturno, veamos por qué resulta tan difícil detectar vehículos después del anochecer. Estos son algunos factores que debes tener en cuenta:

• Poca visibilidad: La iluminación limitada y las malas condiciones lumínicas dificultan que las cámaras capturen imágenes nítidas y detalladas. Con una calidad de imagen reducida, los vehículos pueden confundirse con el fondo o identificarse erróneamente por completo.

• Condiciones meteorológicas: La lluvia, la niebla, la bruma e incluso el polvo pueden degradar aún más la calidad del vídeo. Estas condiciones dificultan que los sistemas de detección distingan los vehículos de su entorno.

• Faros y luces traseras: Los haces de luz intensos y los reflejos pueden saturar las cámaras. Esto puede provocar detecciones falsas de vehículos, al confundir los puntos luminosos con vehículos, lo que desorienta a los algoritmos de detección y reduce la precisión.

• Oclusión de vehículos: En condiciones de tráfico intenso, los vehículos pueden quedar parcialmente o totalmente ocultos detrás de otros. La oclusión complica el seguimiento, el recuento y la clasificación de vehículos, especialmente cuando varios usuarios de la vía se superponen en un mismo fotograma.

La necesidad de conjuntos de datos y métricas de referencia nocturnos#

Los modelos de visión por ordenador se entrenan utilizando grandes colecciones de imágenes conocidas como conjuntos de datos. Estos conjuntos están cuidadosamente etiquetados con los objetos que contienen, como coches, camiones, peatones y bicicletas, y sirven de base para el entrenamiento. Al estudiar estos ejemplos etiquetados, el modelo aprende a reconocer patrones, lo que le permite identificar y detectar objetos en nuevas imágenes de vídeo.

Fig. 2. Uso de la visión por ordenador para detectar vehículos y peatones en el tráfico (Fuente)

Durante el entrenamiento, el modelo extrae características de los datos y las utiliza para mejorar la precisión de la detección. Este proceso ayuda a reducir las detecciones omitidas y las falsas alarmas cuando el modelo se expone a escenas de tráfico reales.

Sin embargo, crear conjuntos de datos o recopilaciones de datos para condiciones nocturnas es mucho más difícil. La mala calidad del vídeo hace que el etiquetado requiera mucho tiempo y sea propenso a errores. Además, los eventos poco frecuentes pero importantes, como los accidentes o los comportamientos de conducción inusuales, pueden ser difíciles de capturar en entornos nocturnos. Esto se traduce en un número limitado de ejemplos de entrenamiento de los que los modelos pueden aprender.

Para abordar este problema, los investigadores han desarrollado conjuntos de datos de referencia especializados. Un conjunto de datos de referencia es mucho más que una simple colección de imágenes. Incluye etiquetas estandarizadas, protocolos de evaluación y métricas de rendimiento como la precisión, la exhaustividad y la precisión media (mAP). Estas métricas permiten probar y comparar distintos algoritmos en las mismas condiciones, garantizando una evaluación justa y coherente.

Por ejemplo, el conjunto de datos de referencia ExDark contiene 7363 imágenes con poca luz distribuidas en 12 categorías de objetos (bicicleta, barco, botella, autobús, coche, gato, silla, taza, perro, motocicleta, personas y mesa). Cada imagen está anotada con cuadros delimitadores y el conjunto de datos se utiliza ampliamente en investigación para evaluar la detección y clasificación de objetos en condiciones de poca iluminación.

Fig. 3. Un vistazo al conjunto de datos ExDark (Fuente)

Del mismo modo, el conjunto de datos de referencia NightOwls proporciona unas 115 000 imágenes nocturnas con aproximadamente 279 000 anotaciones de peatones. Se ha convertido en un recurso clave para evaluar sistemas de detección de peatones, que desempeñan un papel fundamental en la seguridad vial y en los sistemas avanzados de asistencia a la conducción (ADAS).

Cómo ayuda la visión por ordenador en la detección de vídeo del tráfico nocturno#

Ahora que conocemos mejor los desafíos implicados y la necesidad de conjuntos de datos, veamos más de cerca cómo los sistemas basados en visión pueden interpretar vídeos del tráfico nocturno.

Modelos como YOLO11 y YOLO26 admiten tareas de visión por ordenador como la detección de objetos, el seguimiento y la segmentación de instancias, que permiten analizar el tráfico incluso en condiciones de poca luz. Este es un resumen de las tareas de AI de visión que admiten estos modelos para analizar el tráfico nocturno:

• Detección de objetos: Esta tarea puede utilizarse para identificar y localizar vehículos, peatones, bicicletas y otros usuarios de la vía en cada fotograma, normalmente dibujando cuadros delimitadores a su alrededor.
• Seguimiento de objetos: Ayuda a seguir los objetos detectados entre fotogramas, lo que permite reconocer el mismo vehículo o peatón a lo largo del tiempo, estimar la velocidad de los vehículos y monitorizar el flujo del tráfico.
• Segmentación de instancias: Puede distinguir objetos individuales incluso cuando se superponen, proporcionando detalles a nivel de píxel que mejoran la precisión en condiciones nocturnas complejas.
• Clasificación de imágenes: Esta tarea asigna una imagen completa o un objeto detectado a una categoría predefinida, como coche, autobús, camión o motocicleta.
• Detección de cuadros delimitadores orientados (OBB): Captura el ángulo y la orientación exactos de un objeto, mejorando la precisión cuando los vehículos aparecen en diagonal o en posiciones inusuales en el tráfico nocturno.

Uso de modelos Ultralytics YOLO para la monitorización nocturna#

Hemos hablado del entrenamiento de modelos, de la necesidad de conjuntos de datos y de las tareas que admiten modelos como YOLO11 y YOLO26. Pero, para unirlo todo, queda un concepto más que explicar: cómo se aplican realmente estos modelos a la monitorización nocturna.

Los modelos Ultralytics YOLO están disponibles de serie en versiones preentrenadas; es decir, ya se han entrenado con grandes conjuntos de datos de propósito general, como el conjunto de datos COCO, que abarca muchos objetos cotidianos. Esto proporciona al modelo una sólida capacidad inicial para detectar y clasificar objetos.

Sin embargo, como estos conjuntos de datos contienen muy pocos ejemplos con poca luz o nocturnos, los modelos preentrenados no son especialmente buenos a la hora de gestionar eficazmente el deslumbramiento, las sombras o el bajo contraste. Para que resulten útiles en la detección de vídeo del tráfico nocturno, es necesario ajustarlos con conjuntos de datos especializados que reflejen las condiciones nocturnas del mundo real.

El ajuste fino o el entrenamiento personalizado consiste en entrenar el modelo con imágenes etiquetadas adicionales capturadas en condiciones de poca luz, como vehículos bajo el deslumbramiento de los faros, peatones en pasos de cebra o intersecciones concurridas por la noche, para que aprenda las características propias de las escenas nocturnas.

Una vez entrenado de forma personalizada, el modelo puede admitir tareas como la detección, el seguimiento, la segmentación o la clasificación con mucha mayor precisión en condiciones de poca luz. Esto permite a las autoridades de tráfico aplicar estos modelos a casos de uso prácticos, como el recuento de vehículos, la estimación de la velocidad, el control adaptativo de los semáforos y la prevención de accidentes durante la noche.

Aplicaciones de la AI de visión para la detección de vídeo del tráfico nocturno#

A continuación, veamos cómo puede adoptarse la visión por ordenador en sistemas reales de tráfico nocturno.

Los semáforos inteligentes pueden contribuir a la planificación de ciudades inteligentes#

Las intersecciones urbanas son algunas de las zonas más difíciles de gestionar, especialmente por la noche, cuando la visibilidad disminuye y el flujo del tráfico se vuelve menos predecible. Los semáforos tradicionales dependen de temporizadores fijos que no pueden responder a los cambios en tiempo real. Las investigaciones muestran que esto no solo hace perder tiempo a los conductores, sino que también provoca un consumo de combustible y retrasos innecesarios.

Ahí es precisamente donde los sistemas de visión por ordenador pueden ayudar a superar este desafío. Estos sistemas pueden monitorizar los movimientos de los vehículos y detectar su número en tiempo real. A continuación, los datos se introducen en sistemas adaptativos de control del tráfico. Esto permite que los semáforos se ajusten rápidamente en respuesta a las condiciones reales de la carretera. Así, si un carril está congestionado mientras otro está vacío, el tiempo de los semáforos puede ajustarse al instante para despejar los cuellos de botella.

Prevención de accidentes#

Conducir de noche es más arriesgado que durante el día porque la visibilidad reducida, la iluminación irregular y el deslumbramiento dificultan que los conductores calculen las distancias. De hecho, los estudios muestran que la tasa de accidentes mortales por kilómetro durante la noche puede ser hasta tres veces mayor que con luz diurna.

Los métodos de monitorización convencionales, como las cámaras de vigilancia fijas, las patrullas de carretera, los sensores de presencia de vehículos y los sistemas de semáforos con tiempos fijos, funcionan de forma reactiva y pueden no detectar las situaciones peligrosas con suficiente antelación para evitar que se produzcan.

Las soluciones de visión por ordenador pueden abordar este problema analizando flujos de vídeo en directo y detectando patrones inusuales en la carretera o la autopista. Mediante el seguimiento de objetos, estos sistemas pueden monitorizar el comportamiento de los vehículos en tiempo real y emitir alertas cuando algo parece anómalo.

Por ejemplo, si un vehículo en movimiento cambia de carril, circula demasiado rápido en una zona congestionada o reduce la velocidad de repente, el sistema puede marcarlo en tiempo real. Esto significa que las autoridades pueden responder rápidamente y prevenir accidentes antes de que ocurran.

Conducción autónoma y ADAS#

Para los vehículos autónomos y los sistemas ADAS, la conducción nocturna plantea sus propios desafíos. La poca visibilidad y los patrones de tráfico impredecibles dificultan que los sensores tradicionales funcionen de forma fiable, lo que genera problemas de seguridad.

La visión por ordenador mejora estos sistemas al encargarse de tareas como la detección de objetos, el seguimiento de carriles y la segmentación, lo que permite a los vehículos reconocer peatones, otros coches y obstáculos incluso en condiciones de poca iluminación. Cuando se combina con radar o LiDAR (detección y medición de distancias mediante luz), que cartografían el entorno en 3D, esta capa visual adicional ayuda a los sistemas ADAS a proporcionar avisos tempranos y ofrece a los vehículos autónomos la percepción que necesitan para desplazarse con mayor seguridad durante la noche.

Fig. 4. Imágenes de vehículos capturadas tanto de día como de noche (Fuente)

Fuerzas del orden y detección de infracciones#

El exceso de velocidad es responsable de una de cada tres muertes por accidente de tráfico en todo el mundo, y el riesgo solo empeora por la noche. La oscuridad dificulta que la policía de tráfico detecte las infracciones, ya que los detalles que se ven con claridad durante el día a menudo se desdibujan después del anochecer.

Por eso, infracciones como exceder la velocidad en carreteras vacías, saltarse semáforos en rojo o desviarse al carril equivocado suelen quedar impunes. La visión por ordenador aborda este problema mediante cámaras infrarrojas que detectan infracciones incluso en condiciones de poca luz. Estos sistemas crean zonas de detección donde se registran los incidentes, reducen los falsos positivos y proporcionan pruebas claras y verificables. Para las autoridades de transporte, esto significa menos puntos ciegos y una menor dependencia de las comprobaciones manuales.

Ventajas e inconvenientes de la detección de vídeo del tráfico nocturno#

Estas son algunas ventajas de utilizar AI de visión para la detección de vídeo del tráfico nocturno.

• Escalabilidad: Una vez ajustados, los modelos pueden desplegarse en numerosas cámaras o intersecciones, proporcionando monitorización a escala urbana.
• Análisis predictivo: Los datos históricos de vídeo pueden utilizarse para pronosticar la congestión y las zonas propensas a sufrir accidentes, lo que permite adoptar medidas preventivas.
• Optimización de recursos: Proporciona a las autoridades información en tiempo real que les ayuda a asignar las patrullas de carretera y los servicios de emergencia de forma más eficiente.

A pesar de sus ventajas, la detección del tráfico nocturno mediante AI de visión también presenta ciertas limitaciones. Estos son algunos factores que debes tener en cuenta:

• Dependencia de los datos: La precisión de los sistemas de AI de visión depende en gran medida del acceso a conjuntos de datos de alta calidad que capturen una amplia variedad de condiciones nocturnas.

• Desafíos ambientales: Factores meteorológicos como la lluvia, la niebla o la bruma, así como problemas prácticos como las lentes de cámara sucias o desalineadas, pueden reducir el rendimiento de la detección y exigir un mantenimiento periódico.

• Requisitos de hardware: Ejecutar modelos avanzados de AI suele requerir GPU de alto rendimiento o dispositivos edge especializados, lo que puede hacer que el despliegue a gran escala resulte costoso y complejo.

El futuro de los sistemas de transporte inteligente durante la noche#

A medida que las ciudades crecen y las carreteras se vuelven más transitadas, la detección del tráfico nocturno avanza hacia sistemas más inteligentes y adaptables. Por ejemplo, las cámaras térmicas y los sensores infrarrojos pueden detectar las firmas térmicas de personas y vehículos, lo que permite ver incluso en completa oscuridad. Esto reduce los errores que se producen cuando las cámaras estándar tienen dificultades con el deslumbramiento o la poca luz.

Fig. 5. La tecnología de visión nocturna mejora la detección de peatones durante la noche (Fuente)

Otro enfoque cada vez más extendido es la fusión de cámara y LiDAR. Las cámaras proporcionan imágenes detalladas de la carretera, mientras que LiDAR genera un mapa 3D preciso. Utilizados conjuntamente, mejoran la precisión de la detección de carriles, vehículos y obstáculos, especialmente con poca luz o niebla moderada.

Al mismo tiempo, los avances en la mejora de imágenes con poca luz, el reconocimiento de peatones y la identificación de matrículas están ampliando las capacidades de la visión por ordenador. Con estas mejoras, incluso las carreteras y las intersecciones con poca iluminación pueden monitorizarse con mayor fiabilidad y menos errores.

Conclusiones clave#

Detectar vehículos por la noche siempre ha sido un desafío para la monitorización del tráfico, pero la visión por ordenador lo está haciendo más manejable. Al reducir el impacto del deslumbramiento y gestionar escenas de tráfico complejas, proporciona una imagen más precisa de cómo se comportan las carreteras después del anochecer. A medida que estos sistemas sigan avanzando, allanarán el camino hacia un transporte nocturno más seguro, inteligente y eficiente.

¿Preparado para integrar la AI de visión en tus proyectos? Únete a nuestra comunidad activa y descubre innovaciones como la AI en la industria del automóvil y la AI de visión en robótica. Visita nuestro repositorio de GitHub para descubrir más. Para empezar hoy mismo con la visión por ordenador, consulta nuestras opciones de licencia.