Detección de tráfico por vídeo durante la noche: un vistazo a por qué la precisión es clave

Las carreteras se ven distintas en la oscuridad, no solo para los conductores, sino también para los sistemas responsables de mantener la seguridad en ellas. La baja visibilidad, el resplandor de los faros y los reflejos rápidos pueden hacer que la detección de vehículos durante la noche sea más compleja.

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

Fig 1. Ejemplo de una carretera mal iluminada por la noche (Fuente)

La inteligencia artificial (IA), el aprendizaje profundo y la visión por computador pueden acortar la distancia automatizando la detección y el reconocimiento de vehículos. En concreto, la visión por computador es una rama de la IA que permite a las máquinas ver e interpretar datos visuales. A la hora de detectar tráfico en vídeo por la noche, los modelos de visión artificial van más allá del brillo o el movimiento y aprenden a reconocer patrones complejos que mejoran la precisión.

Por ejemplo, los modelos de visión por computador como Ultralytics YOLO26 y Ultralytics YOLO11 son conocidos por su velocidad y precisión. Pueden procesar datos de vídeo e imagen en tiempo real, detectando y clasificando múltiples objetos dentro de un fotograma y realizándoles un seguimiento a lo largo de secuencias.

Estas capacidades se hacen posibles mediante 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 retos de la vigilancia del tráfico nocturno, veremos cómo la visión artificial los aborda y dónde se aplica la IA de visión en los sistemas de vigilancia del tráfico del mundo real. ¡Empecemos!

Retos en la detección nocturna#

Antes de explorar cómo la visión artificial resuelve los desafíos de la detección de tráfico nocturno, veamos por qué detectar vehículos después del anochecer es tan difícil. Estos son algunos factores a considerar:

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

• Condiciones meteorológicas: La lluvia, la niebla, la calima o incluso el polvo pueden degradar aún más la calidad del vídeo. Estas condiciones hacen que sea más difícil para los sistemas de detección distinguir los vehículos de su entorno.

• Faros y luces traseras: Los haces brillantes y los reflejos pueden abrumar a las cámaras. Esto puede generar detecciones falsas de vehículos, donde los puntos de luz se confunden con vehículos, lo que confunde a los algoritmos de detección y reduce la precisión.

• Oclusión de vehículos: En condiciones de tráfico denso, los vehículos pueden quedar parcial o totalmente ocultos tras otros. La oclusión complica el seguimiento, el conteo y la clasificación de vehículos, especialmente cuando varios usuarios de la vía se solapan en un mismo fotograma.

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

Los modelos de visión por computador se entrenan utilizando grandes colecciones de imágenes conocidas como conjuntos de datos. Estos conjuntos de datos se etiquetan cuidadosamente con los objetos que contienen, tales como coches, camiones, peatones y bicicletas, y sirven como 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 secuencias de vídeo.

Fig 2. Uso de la visión por computador 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 fallidas y las falsas alarmas cuando el modelo se expone a escenas de tráfico del mundo real.

Sin embargo, construir conjuntos de datos o recopilaciones de datos para condiciones nocturnas es mucho más complejo. La mala calidad del vídeo hace que el etiquetado requiera mucho tiempo y sea propenso a errores. Asimismo, los eventos raros pero importantes, como accidentes o comportamientos de conducción inusuales, pueden ser difíciles de capturar en entornos nocturnos. Esto da lugar a un número limitado de ejemplos de entrenamiento a partir de los cuales 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 más que una simple colección de imágenes. Incluye etiquetas estandarizadas, protocolos de evaluación y métricas de rendimiento como la precisión, la exhaustividad (recall) y la precisión media promedio (mAP). Estas métricas permiten probar y comparar diferentes algoritmos en las mismas condiciones, asegurando una evaluación justa y coherente.

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

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

De igual modo, el conjunto de datos de referencia NightOwls proporciona alrededor de 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 al conductor (ADAS).

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

Ahora que tenemos una mejor comprensión de los desafíos involucrados y la necesidad de conjuntos de datos, veamos más de cerca cómo los sistemas basados en visión pueden interpretar vídeos de tráfico nocturno.

Modelos como YOLO11 y YOLO26 admiten tareas de visión por computador como la detección de objetos, el seguimiento y la segmentación de instancias, lo que hace posible analizar el tráfico incluso en condiciones de poca luz. Aquí tienes un resumen de las tareas de visión artificial que estos modelos admiten para analizar el tráfico nocturno:

• Detección de objetos: Esta tarea se puede utilizar para identificar y localizar vehículos, peatones, bicicletas y otros usuarios de la vía en cada fotograma, normalmente dibujando cuadros delimitadores alrededor de ellos.
• Seguimiento de objetos: Ayuda a seguir los objetos detectados entre fotogramas, lo que permite reconocer al mismo vehículo o peatón a lo largo del tiempo, lo que hace posible estimar la velocidad del vehículo y controlar el flujo del tráfico.
• Segmentación de instancias: Puede distinguir objetos individuales incluso cuando se solapan, 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 extrañas en el tráfico nocturno.

Uso de los modelos Ultralytics YOLO para vigilancia nocturna#

Hablamos sobre el entrenamiento de modelos, la necesidad de conjuntos de datos y las tareas que admiten modelos como YOLO11 y YOLO26. Pero para unirlo todo, hay un concepto más que repasar: cómo se aplican realmente estos modelos a la vigilancia nocturna.

Los modelos de Ultralytics YOLO están disponibles de serie como versiones preentrenadas, lo que significa que ya se han entrenado en grandes conjuntos de datos de uso general, como el conjunto de datos COCO, que abarca muchos objetos cotidianos. Esto le otorga al modelo una sólida capacidad de referencia para detectar y clasificar objetos.

Sin embargo, debido a que estos conjuntos de datos contienen muy pocos ejemplos con poca luz o nocturnos, los modelos preentrenados no son muy buenos para manejar el resplandor, las sombras o el bajo contraste de manera efectiva. Para que sean impactantes en la detección de tráfico por vídeo durante la noche, necesitan ser ajustados (fine-tuned) en conjuntos de datos especializados que reflejen las condiciones nocturnas del mundo real.

El ajuste fino o entrenamiento personalizado implica 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 cruces concurridos por la noche, para que aprenda las características únicas de las escenas nocturnas.

Una vez entrenado de forma personalizada, el modelo puede admitir tareas como detección, seguimiento, segmentación o clasificación con una precisión mucho mayor en condiciones de poca luz. Esto permite a las autoridades de tráfico aplicar dichos modelos para casos de uso prácticos como el conteo de vehículos, la estimación de velocidad, el control adaptativo de señales y la prevención de accidentes por la noche.

Aplicaciones de IA de visión para la detección de tráfico por vídeo durante la noche#

A continuación, veamos cómo se puede adoptar la visión artificial en los sistemas de tráfico nocturno del mundo real.

Las señales de tráfico inteligentes pueden apoyar la planificación de ciudades inteligentes#

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

Ahí es exactamente donde los sistemas de visión artificial pueden ayudar a superar este desafío. Estos sistemas pueden monitorear los movimientos de los vehículos y detectar la cantidad de vehículos en tiempo real. Los datos se envían luego a sistemas de control de tráfico adaptativo. Esto permite que las señales se ajusten rápidamente en respuesta a las condiciones reales de la carretera. Entonces, si un carril está congestionado mientras otro está vacío, el tiempo de la señal se puede ajustar al instante para eliminar 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 a la luz del día.

Los métodos de vigilancia convencionales, como cámaras de vigilancia fijas, patrullas de carretera, sensores de presencia de vehículos y sistemas de señales de tiempo fijo, operan de forma reactiva y pueden no detectar situaciones peligrosas lo suficientemente pronto como para evitar que ocurran.

Las soluciones de visión por computador pueden abordar este problema analizando transmisiones de vídeo en directo y detectando patrones inusuales en la carretera o autovía. Mediante el seguimiento de objetos, estos sistemas pueden supervisar el comportamiento de los vehículos en tiempo real y emitir alertas cuando algo parece anormal.

Por ejemplo, si un vehículo en movimiento está cambiando de carril, se mueve demasiado rápido en un área 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 sucedan.

Conducción autónoma y ADAS#

Para los vehículos autónomos y ADAS, la conducción nocturna conlleva sus propios desafíos. La baja visibilidad y los patrones de tráfico impredecibles hacen que sea más difícil para los sensores tradicionales funcionar de manera fiable, lo que genera preocupaciones de seguridad.

La visión artificial mejora estos sistemas al manejar 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 alcance por luz), que mapean el entorno en 3D, la capa visual añadida ayuda a los ADAS a proporcionar advertencias tempranas y da a los vehículos autónomos la conciencia que necesitan para navegar de forma más segura por la noche.

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

Cumplimiento de la ley y detección de infracciones#

El exceso de velocidad es el responsable de una de cada tres muertes en carretera en todo el mundo, y el riesgo no hace más que empeorar por la noche. La oscuridad dificulta que la policía de tráfico detecte las infracciones, ya que los detalles que son claros a la luz del día a menudo se difuminan al caer la noche.

Es por eso que infracciones como el exceso de velocidad en carreteras vacías, pasarse semáforos en rojo o desviarse al carril equivocado a menudo quedan impunes. La visión artificial aborda este problema utilizando cámaras infrarrojas para detectar infracciones incluso en condiciones de poca luz. Estos sistemas crean zonas de detección donde se registran los incidentes, reduciendo los falsos positivos y proporcionando pruebas claras y verificables. Para las autoridades de transporte, significa menos puntos ciegos y menos dependencia de las verificaciones manuales.

Pros y contras de la detección de tráfico por vídeo nocturno#

Aquí hay algunas ventajas de usar IA de visión para la detección de tráfico por vídeo durante la noche.

• Escalabilidad: Una vez ajustados, los modelos pueden desplegarse en muchas cámaras o intersecciones, lo que permite la vigilancia en toda la ciudad.
• Análisis predictivo: Los datos de vídeo históricos se pueden utilizar para pronosticar la congestión y las zonas propensas a accidentes, apoyando medidas preventivas.
• Optimización de recursos: Proporciona a las autoridades información en tiempo real que ayuda a asignar patrullas de carretera y servicios de emergencia de manera más eficiente.

A pesar de sus beneficios, la detección de tráfico nocturno mediante IA de visión también conlleva ciertas limitaciones. Estos son algunos factores a tener en cuenta:

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

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

• Requisitos de hardware: Ejecutar modelos avanzados de IA a menudo exige GPU de alto rendimiento o dispositivos de borde (edge) especializados, lo que puede hacer que el despliegue a gran escala sea costoso y complejo.

El camino a seguir para los sistemas de transporte inteligente por la noche#

A medida que las ciudades crecen y las carreteras se vuelven más concurridas, la detección de tráfico nocturno avanza hacia sistemas más inteligentes y receptivos. Por ejemplo, las cámaras térmicas y los sensores infrarrojos pueden detectar firmas térmicas de personas y vehículos, lo que hace posible ver incluso en la oscuridad total. Esto reduce los errores que ocurren cuando las cámaras estándar luchan con el resplandor o la poca luz.

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

Otro enfoque en auge es la fusión de cámaras y LiDAR. Las cámaras proporcionan imágenes detalladas de la carretera, mientras que el LiDAR genera un mapa 3D preciso. Utilizados conjuntamente, mejoran la precisión en 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 artificial. Con estas mejoras, incluso las carreteras e intersecciones mal iluminadas pueden ser vigiladas con mayor fiabilidad y menos errores.

Conclusiones clave#

Detectar vehículos por la noche siempre ha sido un reto para la vigilancia del tráfico, pero la visión artificial lo está haciendo más manejable. Al reducir el impacto del resplandor y manejar 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, están allanando el camino para un transporte más seguro, inteligente y eficiente durante la noche.

¿Estás listo para integrar la visión artificial en tus proyectos? Únete a nuestra activa comunidad y descubre innovaciones como la IA en la automoción y la visión artificial en la robótica. Visita nuestro repositorio de GitHub para descubrir más. Para empezar a utilizar la visión por computador hoy mismo, consulta nuestras opciones de licencia.