3 octobre 2025
De la mauvaise visibilité à l'éblouissement, découvrez ce qui rend difficile la précision de la détection vidéo du trafic nocturne et comment la vision par ordinateur améliore la sécurité et la fluidité.
Les routes apparaissent 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 qui se déplacent rapidement peuvent compliquer la détection des véhicules la nuit.
Les méthodes traditionnelles, telles que l'observation manuelle ou les caméras basées sur le mouvement, reposent principalement sur le jugement humain et sur des indices de mouvement simples. Ces méthodes peuvent s'avérer peu fiables dans des conditions de faible luminosité ou de trafic complexe. Ces méthodes peuvent mal identifier les véhicules ou les piétons, ce qui entraîne de fausses détections ou des observations manquées.
L'intelligence artificielle (IA), l'apprentissage profond et la vision par ordinateur peuvent combler ce fossé en automatisant la détection et la reconnaissance des véhicules. En particulier, la vision par ordinateur est une branche de l'IA qui permet aux machines de voir et d'interpréter des données visuelles. Lorsqu'il s'agit de la détection vidéo du trafic nocturne, les modèles de Vision AI peuvent aller au-delà de la luminosité ou du mouvement, en apprenant à reconnaître des schémas complexes qui améliorent la précision.
Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO26 et Ultralytics YOLO11 sont connus pour leur rapidité et leur précision. Ils peuvent traiter des données vidéo et des images en temps réel, détecter et classer plusieurs objets au sein d'une même image et les suivre sur plusieurs séquences.
Ces capacités sont rendues possibles par diverses tâches de vision, telles que la détection d'objets et la segmentation d'instances, même lorsque les phares, les ombres ou les véhicules qui se chevauchent rendent la détection difficile. Elles permettent au modèle d'identifier, de classer et de différencier les objets.
Dans cet article, nous allons explorer les défis de la surveillance nocturne du trafic, voir comment la vision par ordinateur les relève et où l'IA de la vision est appliquée dans les systèmes de surveillance du trafic dans le monde réel. C'est parti !
Avant de voir comment la vision par ordinateur résout les problèmes de détection du trafic nocturne, examinons les raisons pour lesquelles il est si difficile de repérer les véhicules après la tombée de la nuit. Voici quelques facteurs à prendre en compte :
Les modèles de vision par ordinateur sont formés à l'aide de grandes collections d'images connues sous le nom d'ensembles de données. Ces ensembles de données sont soigneusement étiquetés en fonction des objets qu'ils contiennent, tels que des voitures, des camions, des piétons et des bicyclettes, et servent de base à la formation. En étudiant ces exemples étiquetés, le modèle apprend à reconnaître des modèles, ce qui lui permet d'identifier et de détecter des objets dans de nouvelles séquences vidéo.
Au cours de la formation, le modèle extrait des caractéristiques des données et les utilise pour améliorer la précision de la détection. Ce processus permet de réduire les détections manquées et les fausses alarmes lorsque le modèle est exposé à des scènes de trafic réelles.
La constitution d'ensembles de données ou de collections de données pour les conditions nocturnes est toutefois beaucoup plus difficile. La mauvaise qualité de la vidéo fait que l'étiquetage prend du temps et est sujet à des erreurs. De plus, les événements rares mais importants, tels que les accidents ou les comportements de conduite inhabituels, peuvent être difficiles à capturer dans des conditions nocturnes. Il en résulte un nombre limité d'exemples de formation à partir desquels les modèles peuvent apprendre.
Pour résoudre ce problème, les chercheurs ont développé des ensembles de données de référence spécialisés. Un ensemble de données de référence est plus qu'une simple collection d'images. Il comprend des étiquettes normalisées, des protocoles d'évaluation et des mesures de performance telles que la précision, le rappel et la précision moyenne (mAP). Ces mesures permettent de tester et de comparer différents algorithmes dans les mêmes conditions, ce qui garantit une évaluation équitable et cohérente.
Par exemple, l'ensemble de données de référence ExDark contient 7 363 images à faible luminosité dans 12 catégories d'objets (vélo, bateau, bouteille, bus, voiture, chat, chaise, tasse, chien, moto, personnes, table). Chaque image est annotée avec des boîtes de délimitation et l'ensemble de données est largement utilisé dans la recherche pour évaluer la détection et la classification d'objets dans des conditions de faible éclairage.
De même, l'ensemble de données de référence NightOwls fournit environ 115 000 images nocturnes avec approximativement 279 000 annotations de piétons. Il est devenu une ressource essentielle pour l'évaluation des systèmes de détection des piétons, qui jouent un rôle vital dans la sécurité routière et les systèmes avancés d'aide à la conduite (ADAS).
Maintenant que nous comprenons mieux les défis à relever et la nécessité de disposer d'ensembles de données, examinons de plus près comment les systèmes basés sur la vision peuvent interpréter les vidéos du trafic nocturne.
Les modèles tels que YOLO11 et YOLO26 prennent en charge des tâches de vision artificielle telles que la détection d'objets, le suivi et la segmentation d'instances, ce qui permet d'analyser le trafic même dans des conditions de faible luminosité. Voici un aperçu des tâches de vision artificielle que ces modèles prennent en charge pour l'analyse du trafic nocturne :
Nous avons parlé de l'entraînement des modèles, de la nécessité de disposer d'ensembles de données et des tâches que les modèles tels que YOLO11 et YOLO26 prennent en charge. Mais pour que tout cela soit complet, il reste encore un concept à aborder : la manière dont ces modèles sont réellement appliqués à la surveillance nocturne.
Les modèles YOLO d'Ultralytics sont disponibles en version pré-entraînée, ce qui signifie qu'ils ont déjà été entraînés sur de grands ensembles de données à usage général, tels que l'ensemble de données COCO, qui couvre de nombreux objets de la vie quotidienne. Cela confère au modèle une forte capacité de base à détecter et à classer les objets.
Cependant, comme ces ensembles de données contiennent très peu d'exemples de faible luminosité ou de nuit, les modèles pré-entraînés ne sont pas très efficaces pour gérer les reflets, les ombres ou les faibles contrastes. Pour qu'ils soient efficaces dans la détection de vidéos de circulation nocturne, ils doivent être affinés sur des ensembles de données spécialisés qui reflètent les conditions nocturnes réelles.
Le réglage fin ou l'entraînement personnalisé consiste à entraîner le modèle sur des images étiquetées supplémentaires capturées dans des conditions de faible luminosité, telles que des véhicules sous l'éblouissement des phares, des piétons sur des passages piétons ou des intersections bondées la nuit, afin qu'il apprenne les caractéristiques uniques des scènes nocturnes.
Une fois formé sur mesure, le modèle peut prendre en charge des tâches telles que la détection, le suivi, la segmentation ou la classification avec une plus grande précision dans des conditions de faible luminosité. Cela permet aux autorités routières d'appliquer ces modèles à des cas d'utilisation pratiques tels que le comptage de véhicules, l'estimation de la vitesse, le contrôle adaptatif de la signalisation et la prévention des accidents la nuit.
Voyons ensuite comment la vision par ordinateur peut être adoptée dans les systèmes de circulation nocturne du monde réel.
Les intersections urbaines font partie des zones les plus difficiles à gérer, en particulier la nuit, lorsque la visibilité diminue et que le flux de circulation devient moins prévisible. Les signaux traditionnels reposent sur des minuteries fixes qui ne peuvent pas répondre aux changements en temps réel. Les recherches montrent que cela fait non seulement 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 aider à relever ce défi. Ces systèmes peuvent surveiller les mouvements des véhicules et détecter le nombre de véhicules en temps réel. Ces données sont ensuite intégrées dans les systèmes de contrôle adaptatif du trafic. Cela permet d'ajuster rapidement les signaux en fonction de l'état réel de la route. Ainsi, si une voie est encombrée alors qu'une autre est vide, la synchronisation des signaux peut être ajustée instantanément pour éliminer les goulets d'étranglement.
La conduite de nuit est plus risquée que celle de jour, car la visibilité réduite, l'éclairage irrégulier et l'éblouissement font que les conducteurs ont plus de mal à évaluer les distances. En fait, des études montrent que le taux d'accidents mortels par kilomètre la nuit peut être jusqu'à trois fois plus élevé que le jour.
Les méthodes de surveillance conventionnelles, telles que les caméras de surveillance fixes, les patrouilles routières, les capteurs de présence de véhicules et les systèmes de signalisation à heure fixe, fonctionnent de manière réactive et peuvent ne pas détecter les situations dangereuses suffisamment tôt pour les empêcher de se produire.
Les solutions de vision par ordinateur peuvent répondre à ce problème en analysant les flux vidéo en direct et en détectant des schémas inhabituels sur la route ou l'autoroute. Grâce au suivi d'objets, ces systèmes peuvent surveiller le comportement des véhicules en temps réel et émettre des alertes lorsque quelque chose semble anormal.
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 réagir rapidement et prévenir les accidents avant qu'ils ne se produisent.
Pour les véhicules autonomes et les systèmes d'assistance à la conduite (ADAS), la conduite de nuit comporte ses propres défis. La faible visibilité et les schémas de circulation imprévisibles empêchent les capteurs traditionnels de fonctionner de manière fiable, ce qui pose des problèmes de sécurité.
La vision par ordinateur améliore ces systèmes en prenant en charge des tâches telles que la détection d'objets, le suivi des voies et la segmentation, ce qui permet aux véhicules de reconnaître les piétons, les autres voitures et les obstacles, même dans de mauvaises conditions d'éclairage. Associée à un radar ou à un système LiDAR (Light Detection and Ranging), qui cartographie l'environnement en 3D, la couche visuelle ajoutée aide les systèmes d'aide à la conduite à émettre des alertes précoces et donne aux véhicules autonomes la conscience dont ils ont besoin pour naviguer de nuit en toute sécurité.
Les excès de vitesse sont responsables d'un décès sur trois dans le monde, et le risque ne fait qu'empirer la nuit. L'obscurité rend plus difficile la détection des infractions par la police routière, car les détails qui sont clairs à la lumière du jour s'estompent souvent après la tombée de la nuit.
C'est pourquoi les infractions telles que les excès de vitesse sur les routes désertes, les brûlages de feux rouges ou les dérives 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, ce qui réduit le nombre de faux positifs et fournit des preuves claires et vérifiables. Pour les autorités chargées des transports, cela signifie moins d'angles morts et moins de dépendance à l'égard des contrôles manuels.
Voici quelques avantages de l'utilisation de Vision AI pour la détection vidéo du trafic nocturne.
Malgré ses avantages, la détection du trafic nocturne à l'aide de Vision AI présente également certaines limites. Voici quelques facteurs à prendre en compte :
À mesure que les villes se développent et que les routes sont de plus en 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 permet de réduire les erreurs qui se produisent lorsque les caméras standard sont confrontées à l'éblouissement ou à la faible luminosité.
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 en cas de faible luminosité ou de brouillard modéré.
Parallèlement, les progrès réalisés dans le domaine de l'amélioration des images à faible luminosité, de la reconnaissance des piétons et de l'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 une plus grande fiabilité et moins d'erreurs.
La détection des véhicules la nuit a toujours été un défi pour la surveillance du trafic, mais la vision par ordinateur rend la tâche plus facile. En réduisant l'impact de l'éblouissement et en gérant des scènes de trafic complexes, elle fournit une image plus précise du comportement des routes après la tombée de la nuit. En continuant à progresser, ces systèmes ouvrent la voie à des transports nocturnes plus sûrs, plus intelligents et plus efficaces.
Prêt à intégrer Vision AI dans vos projets ? Rejoignez notre communauté active et découvrez des innovations telles que l 'IA dans l' industrie automobile et Vision AI dans la robotique. Visitez notre dépôt GitHub pour en savoir plus. Pour vous lancer dans la vision artificielle dès aujourd'hui, consultez nos options de licence.
.webp)