Détection vidéo du trafic nocturne : pourquoi la précision est essentielle

Les routes paraissent différentes dans l’obscurité, non seulement pour les conducteurs, mais aussi pour les systèmes chargés d’assurer leur sécurité. La mauvaise visibilité, l’éblouissement des phares et les reflets rapides peuvent rendre la détection des véhicules plus difficile la nuit.

Les méthodes traditionnelles, comme l’observation manuelle ou les caméras basées sur le mouvement, reposent principalement sur le jugement humain et de simples indices de mouvement. Elles peuvent manquer de fiabilité dans des conditions de faible luminosité ou de circulation complexe. Ces méthodes peuvent mal identifier des véhicules ou des piétons, ce qui entraîne de fausses détections ou des éléments non détectés.

Fig. 1. Exemple de chaussée mal éclairée la nuit (Source)

L’intelligence artificielle (AI), l’apprentissage profond et la vision par ordinateur peuvent combler cette lacune en automatisant la détection et la reconnaissance des véhicules. Plus précisément, la vision par ordinateur est une branche de l’AI qui permet aux machines de voir et d’interpréter des données visuelles. Pour la détection vidéo du trafic de nuit, les modèles de vision AI peuvent aller au-delà de la luminosité ou du mouvement en apprenant à reconnaître des motifs complexes qui améliorent la précision.

Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO26 et Ultralytics YOLO11 sont réputés pour leur rapidité et leur précision. Ils peuvent traiter des données vidéo et image en temps réel, détecter et classer plusieurs objets dans une image, puis les suivre au fil des séquences.

Ces capacités sont rendues possibles par diverses tâches de vision, comme la détection d’objets et la segmentation d’instances, même lorsque les phares, les ombres ou les véhicules qui se chevauchent compliquent la détection. Elles permettent au modèle d’identifier, de classer et de différencier les objets.

Dans cet article, nous examinerons les difficultés liées à la surveillance du trafic de nuit, verrons comment la vision par ordinateur permet de les résoudre et découvrirons dans quels domaines la vision AI est utilisée dans les systèmes réels de surveillance du trafic. C’est parti !

Difficultés de la détection nocturne#

Avant d’examiner comment la vision par ordinateur résout les difficultés de la détection du trafic de nuit, voyons pourquoi il est si difficile de repérer les véhicules après la tombée de la nuit. Voici quelques facteurs à prendre en compte :

• Faible visibilité : un éclairage limité et de mauvaises conditions d’illumination empêchent les caméras de capturer des séquences nettes et détaillées. Lorsque la qualité de l’image diminue, les véhicules peuvent se fondre dans l’arrière-plan ou être complètement mal identifiés.

• Conditions météorologiques : la pluie, le brouillard, la brume ou même la poussière peuvent dégrader davantage la qualité vidéo. Ces conditions rendent plus difficile, pour les systèmes de détection, la distinction entre les véhicules et leur environnement.

• Phares et feux arrière : les faisceaux lumineux intenses et les reflets peuvent saturer les caméras. Cela peut provoquer de fausses détections de véhicules, lorsque des taches lumineuses sont prises pour des véhicules, ce qui perturbe les algorithmes de détection et réduit la précision.

• Occlusion des véhicules : en cas de circulation dense, les véhicules peuvent être partiellement ou entièrement masqués par d’autres. L’occlusion complique le suivi, le comptage et la classification des véhicules, en particulier lorsque plusieurs usagers de la route se chevauchent dans une même image.

La nécessité de jeux de données et de métriques de référence pour la nuit#

Les modèles de vision par ordinateur sont entraînés à l’aide de grandes collections d’images appelées jeux de données. Ces jeux de données sont soigneusement annotés avec les objets qu’ils contiennent, comme des voitures, des camions, des piétons et des vélos, et servent de base à l’entraînement. En étudiant ces exemples annotés, le modèle apprend à reconnaître des motifs, ce qui lui permet d’identifier et de détecter des objets dans de nouvelles séquences vidéo.

Fig. 2. Utilisation de la vision par ordinateur pour détecter les véhicules et les piétons dans la circulation (Source)

Pendant l’entraînement, le modèle extrait des caractéristiques des données et les utilise pour améliorer la précision de la détection. Ce processus contribue à réduire les détections manquées et les fausses alertes lorsque le modèle est exposé à des scènes de circulation réelles.

La création de jeux de données ou de collections de données pour les conditions nocturnes est toutefois beaucoup plus difficile. La mauvaise qualité vidéo rend l’annotation chronophage et sujette aux erreurs. De plus, les événements rares mais importants, comme les accidents ou les comportements de conduite inhabituels, peuvent être difficiles à capturer la nuit. Il en résulte un nombre limité d’exemples d’entraînement à partir desquels les modèles peuvent apprendre.

Pour résoudre ce problème, les chercheurs ont développé des jeux de données de référence spécialisés. Un jeu de données de référence est bien plus qu’une simple collection d’images. Il comprend des annotations standardisées, des protocoles d’évaluation et des métriques de performance telles que la précision, le rappel et la précision moyenne (mAP). Ces métriques permettent de tester et de comparer différents algorithmes dans les mêmes conditions, afin de garantir une évaluation équitable et cohérente.

Par exemple, le jeu de données de référence ExDark contient 7 363 images en basse lumière réparties dans 12 catégories d’objets (vélo, bateau, bouteille, bus, voiture, chat, chaise, tasse, chien, moto, personnes, table). Chaque image est annotée avec des boîtes englobantes, et ce jeu de données est largement utilisé dans la recherche pour évaluer la détection et la classification d’objets dans des conditions de faible illumination.

Fig. 3. Aperçu du jeu de données ExDark (Source)

De même, le jeu de données de référence NightOwls fournit environ 115 000 images nocturnes contenant approximativement 279 000 annotations de piétons. Il est devenu une ressource essentielle pour évaluer les systèmes de détection des piétons, qui jouent un rôle crucial dans la sécurité routière et les systèmes avancés d’aide à la conduite (ADAS).

Comment la vision par ordinateur contribue à la détection vidéo du trafic de nuit#

Maintenant que nous comprenons mieux les difficultés rencontrées et la nécessité de disposer de jeux de données, examinons de plus près comment les systèmes fondés sur la vision peuvent interpréter les vidéos du trafic nocturne.

Des modèles comme YOLO11 et YOLO26 prennent en charge des tâches de vision par ordinateur telles que la détection d’objets, le suivi et la segmentation d’instances, ce qui permet d’analyser la circulation même dans des conditions de faible luminosité. Voici un aperçu des tâches de vision AI prises en charge par ces modèles pour analyser le trafic nocturne :

• Détection d’objets : cette tâche permet d’identifier et de localiser les véhicules, les piétons, les vélos et les autres usagers de la route dans chaque image, généralement en traçant des boîtes englobantes autour d’eux.
• Suivi d’objets : il permet de suivre les objets détectés d’une image à l’autre, afin que le même véhicule ou piéton puisse être reconnu au fil du temps, ce qui permet d’estimer la vitesse des véhicules et de surveiller la circulation.
• Segmentation d’instances : elle permet de distinguer les objets individuels même lorsqu’ils se chevauchent, en fournissant des détails au niveau des pixels qui améliorent la précision dans les conditions nocturnes complexes.
• Classification d’images : cette tâche attribue une image entière ou un objet détecté à une catégorie prédéfinie, comme voiture, bus, camion ou moto.
• Détection par boîte englobante orientée (OBB) : elle capture l’angle et l’orientation exacts d’un objet, améliorant la précision lorsque les véhicules apparaissent en diagonale ou dans des positions inhabituelles dans le trafic nocturne.

Utiliser les modèles Ultralytics YOLO pour la surveillance nocturne#

Nous avons abordé l’entraînement des modèles, la nécessité des jeux de données et les tâches prises en charge par des modèles comme YOLO11 et YOLO26. Mais pour assembler tous ces éléments, il reste un concept à expliquer : la manière dont ces modèles sont réellement appliqués à la surveillance nocturne.

Les modèles Ultralytics YOLO sont disponibles prêts à l’emploi sous forme de versions préentraînées, c’est-à-dire qu’ils ont déjà été entraînés sur de grands jeux de données généralistes, comme le jeu de données COCO, qui couvre de nombreux objets du quotidien. Cela donne au modèle une solide capacité de base pour détecter et classer les objets.

Cependant, comme ces jeux de données contiennent très peu d’exemples en basse lumière ou de nuit, les modèles préentraînés ne sont pas très performants pour gérer efficacement l’éblouissement, les ombres ou le faible contraste. Pour être réellement efficaces dans la détection vidéo du trafic de nuit, ils doivent être ajustés sur des jeux de données spécialisés qui reflètent les conditions nocturnes réelles.

L’ajustement ou l’entraînement personnalisé consiste à entraîner le modèle sur des images annotées supplémentaires capturées dans des conditions de faible luminosité, comme des véhicules soumis à l’éblouissement des phares, des piétons sur des passages cloutés ou des intersections encombrées la nuit, afin qu’il apprenne les caractéristiques propres aux scènes nocturnes.

Une fois entraîné de manière personnalisée, le modèle peut prendre en charge des tâches comme la détection, le suivi, la segmentation ou la classification avec une bien meilleure précision dans des conditions de faible luminosité. Les autorités chargées de la circulation peuvent ainsi appliquer ces modèles à des cas d’usage concrets, comme le comptage des véhicules, l’estimation de la vitesse, le contrôle adaptatif des feux et la prévention des accidents la nuit.

Applications de la vision AI pour la détection vidéo du trafic de nuit#

Examinons maintenant comment la vision par ordinateur peut être adoptée dans les systèmes réels de circulation nocturne.

Les feux de circulation intelligents peuvent contribuer à la planification des villes intelligentes#

Les intersections urbaines sont parmi les zones les plus difficiles à gérer, en particulier la nuit, lorsque la visibilité diminue et que la circulation devient moins prévisible. Les feux traditionnels reposent sur des minuteries fixes qui ne peuvent pas réagir aux changements en temps réel. Les recherches montrent que cela fait perdre du temps aux conducteurs, mais entraîne également une consommation de carburant et des retards inutiles.

C’est précisément là que les systèmes de vision par ordinateur peuvent contribuer à relever ce défi. Ces systèmes peuvent surveiller les mouvements des véhicules et détecter leur nombre en temps réel. Les données sont ensuite transmises à des systèmes adaptatifs de contrôle de la circulation. Cela permet aux feux de s’ajuster rapidement en fonction des conditions réelles de la route. Ainsi, si une voie est encombrée tandis qu’une autre est vide, la durée des feux peut être ajustée instantanément pour résorber les points de congestion.

Prévention des accidents#

Conduire la nuit est plus risqué que le jour, car la visibilité réduite, l’éclairage irrégulier et l’éblouissement rendent l’évaluation des distances plus difficile pour les conducteurs. En fait, des études montrent que le taux d’accidents mortels par kilomètre peut être jusqu’à trois fois plus élevé la nuit qu’en journée.

Les méthodes de surveillance conventionnelles, comme les caméras fixes, les patrouilles routières, les capteurs de présence des véhicules et les systèmes de feux à durée fixe, fonctionnent de manière réactive et peuvent ne pas détecter assez tôt les situations dangereuses pour empêcher qu’elles ne se produisent.

Les solutions de vision par ordinateur peuvent répondre à ce problème en analysant des flux vidéo en direct et en détectant des motifs inhabituels sur la route ou l’autoroute. Grâce au suivi d’objets, ces systèmes peuvent surveiller le comportement des véhicules en temps réel et déclencher des alertes lorsqu’une situation semble anormale.

Par exemple, si un véhicule en mouvement change de voie, roule trop vite dans une zone encombrée ou ralentit brusquement, le système peut le signaler en temps réel. Les autorités peuvent ainsi intervenir rapidement et prévenir les accidents avant qu’ils ne se produisent.

Conduite autonome et ADAS#

Pour les véhicules autonomes et les ADAS, la conduite nocturne comporte ses propres difficultés. La faible visibilité et les schémas de circulation imprévisibles rendent les capteurs traditionnels moins fiables, ce qui soulève des problèmes de sécurité.

La vision par ordinateur améliore ces systèmes en prenant en charge des tâches comme la détection d’objets, le suivi des voies et la segmentation, permettant aux véhicules de reconnaître les piétons, les autres voitures et les obstacles même dans des conditions de faible éclairage. Lorsqu’elle est combinée au radar ou au LiDAR (détection et télémétrie par ondes lumineuses), qui cartographient l’environnement en 3D, cette couche visuelle supplémentaire aide les ADAS à fournir des avertissements précoces et donne aux véhicules autonomes la perception nécessaire pour se déplacer plus sûrement la nuit.

Fig. 4. Séquences vidéo d’un véhicule capturées de jour et de nuit (Source)

Forces de l’ordre et détection des infractions#

La vitesse excessive est responsable d’un décès sur trois dans les accidents de la circulation dans le monde, et le risque ne fait qu’augmenter la nuit. L’obscurité complique la détection des infractions par la police de la circulation, car les détails nets à la lumière du jour deviennent souvent flous après la tombée de la nuit.

C’est pourquoi des infractions comme les excès de vitesse sur des routes désertes, le franchissement de feux rouges ou le déport sur la mauvaise voie restent souvent impunies. La vision par ordinateur s’attaque à ce problème en utilisant des caméras infrarouges pour repérer les infractions même dans des conditions de faible luminosité. Ces systèmes créent des zones de détection où les incidents sont enregistrés, réduisant les faux positifs et fournissant des preuves claires et vérifiables. Pour les autorités chargées des transports, cela signifie moins d’angles morts et une moindre dépendance aux contrôles manuels.

Avantages et inconvénients de la détection vidéo du trafic de nuit#

Voici quelques avantages de l’utilisation de la vision AI pour la détection vidéo du trafic de nuit.

• Évolutivité : une fois ajustés, les modèles peuvent être déployés sur de nombreuses caméras ou intersections et prendre en charge une surveillance à l’échelle de la ville.
• Analyse prédictive : les données vidéo historiques peuvent être utilisées pour prévoir les embouteillages et les zones à risque d’accident, afin de soutenir les mesures préventives.
• Optimisation des ressources : elle fournit aux autorités des informations en temps réel qui les aident à affecter plus efficacement les patrouilles routières et les services d’urgence.

Malgré ses avantages, la détection du trafic nocturne à l’aide de la vision AI présente également certaines limites. Voici quelques facteurs à garder à l’esprit :

• Dépendance aux données : la précision des systèmes de vision AI dépend fortement de l’accès à de grands jeux de données de haute qualité couvrant un large éventail de conditions nocturnes.

• Difficultés environnementales : les facteurs météorologiques comme la pluie, le brouillard ou la brume, ainsi que les problèmes pratiques tels que des lentilles de caméra sales ou mal alignées, peuvent réduire les performances de détection et nécessiter une maintenance régulière.

• Exigences matérielles : l’exécution de modèles AI avancés exige souvent des GPU hautes performances ou des dispositifs edge spécialisés, ce qui peut rendre les déploiements à grande échelle coûteux et complexes.

L’avenir des systèmes de transport intelligents la nuit#

À mesure que les villes se développent et que les routes deviennent plus fréquentées, la détection du trafic nocturne évolue vers des systèmes plus intelligents et plus réactifs. Par exemple, les caméras thermiques et les capteurs infrarouges peuvent détecter les signatures thermiques des personnes et des véhicules, ce qui permet de voir même dans l’obscurité totale. Cela réduit les erreurs qui se produisent lorsque les caméras standard peinent à gérer l’éblouissement ou la faible luminosité.

Fig. 5. La technologie de vision nocturne améliore la détection des piétons la nuit (Source)

Une autre approche en plein essor est la fusion caméra-LiDAR. Les caméras fournissent des images détaillées de la route, tandis que le LiDAR génère une carte 3D précise. Utilisés ensemble, ils améliorent la précision de la détection des voies, des véhicules et des obstacles, en particulier par faible luminosité ou dans un brouillard modéré.

Parallèlement, les progrès en amélioration des images en basse lumière, en reconnaissance des piétons et en identification des plaques d’immatriculation élargissent les capacités de la vision par ordinateur. Grâce à ces améliorations, même les routes et les intersections mal éclairées peuvent être surveillées avec davantage de fiabilité et moins d’erreurs.

Points clés à retenir#

La détection des véhicules la nuit a toujours été un défi pour la surveillance du trafic, mais la vision par ordinateur la rend plus facile à gérer. En réduisant l’impact de l’éblouissement et en traitant les scènes de circulation complexes, elle fournit une image plus précise du comportement des routes après la tombée de la nuit. À mesure que ces systèmes continuent de progresser, ils ouvrent la voie à des transports nocturnes plus sûrs, plus intelligents et plus efficaces.

Prêt à intégrer la vision AI à tes projets ? Rejoins notre communauté active et découvre des innovations comme l’AI dans l’industrie automobile et la vision AI en robotique. Consulte notre dépôt GitHub pour en savoir plus. Pour commencer dès aujourd’hui avec la vision par ordinateur, découvre nos options de licence.