Dalla scarsa visibilità all'abbagliamento, scopri cosa rende difficile l'accuratezza del rilevamento video del traffico notturno e come la computer vision migliora la sicurezza e il flusso.
Le strade appaiono diverse al buio, non solo per i conducenti, ma anche per i sistemi responsabili della loro sicurezza. La scarsa visibilità, il bagliore dei fari e i riflessi in rapido movimento possono rendere più difficile il rilevamento dei veicoli di notte.
I metodi tradizionali, come l'osservazione manuale o le telecamere basate sul movimento, si basano principalmente sul giudizio umano e su semplici segnali di movimento. Questo può essere inaffidabile in condizioni di scarsa illuminazione o di traffico complesso. Questi metodi possono identificare erroneamente veicoli o pedoni, portando a falsi rilevamenti o mancate osservazioni.
L'intelligenza artificiale (AI), il deep learning e la computer vision possono colmare il divario automatizzando il rilevamento e il riconoscimento dei veicoli. In particolare, la computer vision è una branca dell'AI che consente alle macchine di vedere e interpretare i dati visivi. Quando si tratta di rilevamento video del traffico notturno, i modelli di Vision AI possono andare oltre la luminosità o il movimento, imparando a riconoscere modelli complessi che migliorano la precisione.
Per esempio, i modelli di visione computerizzata come Ultralytics YOLO26 e Ultralytics YOLO11 sono noti per la loro velocità e precisione. Sono in grado di gestire dati video e immagini in tempo reale, rilevando e classificando più oggetti all'interno di un fotogramma e seguendoli nelle varie sequenze.
Queste capacità sono rese possibili da vari compiti di visione, come il rilevamento di oggetti e la segmentazione di istanze, anche quando fari, ombre o veicoli sovrapposti rendono difficile il rilevamento. Queste capacità consentono al modello di identificare, classify e differenziare gli oggetti.
In questo articolo, esploreremo le sfide del monitoraggio del traffico notturno, vedremo come la computer vision le affronta e dove l'AI Vision viene applicata nei sistemi di monitoraggio del traffico del mondo reale. Iniziamo!
Prima di esplorare come la computer vision risolve le sfide del rilevamento del traffico notturno, vediamo perché individuare i veicoli dopo il tramonto è così difficile. Ecco alcuni fattori da considerare:
I modelli di visione computerizzata vengono addestrati utilizzando grandi raccolte di immagini, note come insiemi di dati. Questi insiemi di dati sono accuratamente etichettati con gli oggetti che contengono, come automobili, camion, pedoni e biciclette, e servono come base per l'addestramento. Studiando questi esempi etichettati, il modello impara a riconoscere i modelli, consentendogli di identificare e detect gli oggetti in nuove riprese video.
Durante l'addestramento, il modello estrae le caratteristiche dai dati e le utilizza per migliorare la precisione del rilevamento. Questo processo aiuta a ridurre i falsi negativi e i falsi positivi quando il modello è esposto a scene di traffico reali.
La creazione di dataset o raccolte di dati per condizioni notturne, tuttavia, è molto più impegnativa. La scarsa qualità video rende l'etichettatura dispendiosa in termini di tempo e soggetta a errori. Inoltre, eventi rari ma importanti, come incidenti o comportamenti di guida insoliti, possono essere difficili da catturare in ambienti notturni. Ciò si traduce in un numero limitato di esempi di training da cui i modelli possono apprendere.
Per risolvere questo problema, i ricercatori hanno sviluppato set di dati di riferimento specializzati. Un set di dati di riferimento è più di una semplice raccolta di immagini. Include etichette standardizzate, protocolli di valutazione e metriche di prestazione come precisione, richiamo e precisione mediamAP). Queste metriche consentono di testare e confrontare diversi algoritmi nelle stesse condizioni, garantendo una valutazione equa e coerente.
Ad esempio, il dataset di riferimento ExDark contiene 7.363 immagini in condizioni di scarsa illuminazione in 12 categorie di oggetti (bici, barca, bottiglia, autobus, auto, gatto, sedia, tazza, cane, moto, persone, tavolo). Ogni immagine è annotata con bounding box e il dataset è ampiamente utilizzato nella ricerca per valutare l'object detection e la classificazione in condizioni di scarsa illuminazione.
Allo stesso modo, il dataset di riferimento NightOwls fornisce circa 115.000 immagini notturne con circa 279.000 annotazioni di pedoni. È diventata una risorsa chiave per la valutazione dei sistemi di rilevamento dei pedoni, che svolgono un ruolo fondamentale nella sicurezza stradale e nei sistemi avanzati di assistenza alla guida (ADAS).
Ora che abbiamo una migliore comprensione delle sfide coinvolte e della necessità di dataset, esaminiamo più da vicino come i sistemi basati sulla visione artificiale possono interpretare i video del traffico notturno.
Modelli come YOLO11 e YOLO26 supportano attività di computer vision come il rilevamento di oggetti, il tracciamento e la segmentazione di istanze, che rendono possibile l'analisi del traffico anche in condizioni di scarsa illuminazione. Ecco una panoramica delle attività di Vision AI supportate da questi modelli per l'analisi del traffico notturno:
Abbiamo parlato dell'addestramento dei modelli, della necessità di disporre di set di dati e dei compiti che modelli come YOLO11 e YOLO26 supportano. Ma per mettere tutto insieme, c'è un altro concetto da spiegare: come questi modelli vengono effettivamente applicati al monitoraggio notturno.
I modelliYOLO Ultralytics sono disponibili in versione pre-addestrata, cioè sono già stati addestrati su grandi set di dati generici, come il set di datiCOCO , che comprende molti oggetti di uso quotidiano. Ciò conferisce al modello una forte capacità di base di detect e classify gli oggetti.
Tuttavia, poiché questi set di dati contengono pochissimi esempi di scarsa illuminazione o notturni, i modelli pre-addestrati non sono in grado di gestire efficacemente riverberi, ombre o contrasti insufficienti. Per renderli efficaci per il rilevamento di video notturni del traffico, è necessario metterli a punto su set di dati specializzati che riflettano le condizioni notturne reali.
Il fine-tuning o l'addestramento personalizzato prevede l'addestramento del modello su ulteriori immagini etichettate acquisite in condizioni di scarsa illuminazione, come veicoli sotto il bagliore dei fari, pedoni negli attraversamenti pedonali o incroci affollati di notte, in modo che apprenda le caratteristiche uniche delle scene notturne.
Una volta addestrato in modo personalizzato, il modello può supportare attività come il rilevamento, il tracciamento, la segmentazione o la classificazione con una precisione molto maggiore in condizioni di scarsa illuminazione. Ciò consente alle autorità del traffico di applicare tali modelli per casi d'uso pratici come il conteggio dei veicoli, la stima della velocità, il controllo adattivo dei segnali e la prevenzione degli incidenti di notte.
Successivamente, esaminiamo come la computer vision può essere adottata nei sistemi di traffico notturno reali.
Le intersezioni urbane sono tra le aree più difficili da gestire, soprattutto di notte, quando la visibilità diminuisce e il flusso del traffico diventa meno prevedibile. I semafori tradizionali si basano su timer fissi che non possono rispondere ai cambiamenti in tempo reale. La ricerca dimostra che questo non solo fa perdere tempo agli automobilisti, ma porta anche a inutili consumi di carburante e ritardi.
È proprio qui che i sistemi di visione artificiale possono aiutare a superare questa sfida. Questi sistemi possono monitorare i movimenti dei veicoli e detect il numero in tempo reale. I dati vengono poi inseriti nei sistemi di controllo del traffico adattivi. In questo modo, i segnali si adattano rapidamente alle condizioni reali della strada. Così, se una corsia è affollata mentre un'altra è vuota, la tempistica dei segnali può essere regolata istantaneamente per eliminare le strozzature.
La guida notturna è più rischiosa di quella diurna perché la visibilità ridotta, l'illuminazione irregolare e l'abbagliamento rendono più difficile per i conducenti valutare le distanze. Gli studi dimostrano che il tasso di incidenti mortali per chilometro di notte può essere fino a tre volte superiore a quello diurno.
I metodi di monitoraggio convenzionali, come le telecamere di sorveglianza fisse, le pattuglie stradali, i sensori di presenza dei veicoli e i sistemi di segnalazione a tempo fisso, operano in modo reattivo e possono non riuscire a detect situazioni di pericolo con sufficiente anticipo per evitare che si verifichino.
Le soluzioni di computer vision possono gestire questo problema analizzando i flussi video in diretta e rilevando modelli insoliti sulla strada o sull'autostrada. Utilizzando l'object tracking, questi sistemi possono monitorare il comportamento dei veicoli in tempo reale e inviare avvisi quando qualcosa sembra anomalo.
Ad esempio, se un veicolo in movimento sta cambiando corsia, si muove troppo velocemente in un'area congestionata o rallenta improvvisamente, il sistema può segnalarlo in tempo reale. Ciò significa che le autorità possono rispondere rapidamente e prevenire incidenti prima che accadano.
Per i veicoli autonomi e i sistemi ADAS, la guida notturna presenta sfide specifiche. La scarsa visibilità e i modelli di traffico imprevedibili rendono più difficile per i sensori tradizionali funzionare in modo affidabile, il che solleva problemi di sicurezza.
La visione artificiale migliora questi sistemi gestendo attività come il rilevamento di oggetti, il tracciamento della corsia e la segmentazione, consentendo ai veicoli di riconoscere pedoni, altre auto e ostacoli anche in condizioni di scarsa illuminazione. Se combinato con radar o LiDAR (Light Detection and Ranging), che mappano l'ambiente circostante in 3D, il livello visivo aggiunto aiuta l'ADAS a fornire avvisi tempestivi e offre ai veicoli autonomi la consapevolezza di cui hanno bisogno per navigare in modo più sicuro di notte.
L'eccesso di velocità è responsabile di un incidente stradale mortale su tre in tutto il mondo, e il rischio aumenta di notte. L'oscurità rende più difficile per la polizia stradale individuare le violazioni, poiché i dettagli che sono chiari alla luce del giorno spesso si confondono dopo il tramonto.
Ecco perché le infrazioni come l'eccesso di velocità su strade vuote, il passaggio col rosso o lo spostamento nella corsia sbagliata spesso rimangono impunite. La computer vision affronta questo problema utilizzando telecamere a infrarossi per individuare le violazioni anche in condizioni di scarsa illuminazione. Questi sistemi creano zone di rilevamento in cui vengono registrati gli incidenti, riducendo i falsi positivi e fornendo prove chiare e verificabili. Per le autorità dei trasporti, significa meno punti ciechi e meno dipendenza dai controlli manuali.
Ecco alcuni vantaggi dell'utilizzo della Vision AI per il rilevamento video del traffico notturno.
Nonostante i suoi vantaggi, il rilevamento del traffico notturno tramite Vision AI presenta anche alcune limitazioni. Ecco alcuni fattori da tenere a mente:
Con la crescita delle città e l'aumento del traffico stradale, il rilevamento del traffico notturno si sta orientando verso sistemi più intelligenti e reattivi. Ad esempio, le telecamere termiche e i sensori a infrarossi sono in grado di detect le tracce di calore di persone e veicoli, rendendo possibile la visione anche in condizioni di completa oscurità. In questo modo si riducono gli errori che si verificano quando le telecamere standard si scontrano con i riflessi o la scarsa illuminazione.
Un altro approccio in crescita è la fusione camera-LiDAR. Le telecamere forniscono immagini dettagliate della strada, mentre il LiDAR genera una precisa mappa 3D. Utilizzati insieme, migliorano l'accuratezza del rilevamento di corsie, veicoli e ostacoli, in particolare in condizioni di scarsa illuminazione o nebbia moderata.
Allo stesso tempo, i progressi nel miglioramento delle immagini in condizioni di scarsa illuminazione, nel riconoscimento dei pedoni e nell'identificazione delle targhe stanno ampliando le capacità della computer vision. Grazie a questi miglioramenti, anche le strade e gli incroci scarsamente illuminati possono essere monitorati con maggiore affidabilità e meno errori.
Il rilevamento di veicoli di notte è sempre stata una sfida per il monitoraggio del traffico, ma la computer vision lo sta rendendo più gestibile. Riducendo l'impatto dei riflessi e gestendo scene di traffico complesse, fornisce un quadro più accurato di come si comportano le strade dopo il tramonto. Man mano che questi sistemi continuano ad avanzare, stanno aprendo la strada a un trasporto notturno più sicuro, intelligente ed efficiente.
Pronto a integrare la Vision AI nei tuoi progetti? Unisciti alla nostra attiva community e scopri innovazioni come l'AI nel settore automobilistico e la Vision AI nella robotica. Visita il nostro repository GitHub per saperne di più. Per iniziare oggi stesso con la computer vision, consulta le nostre opzioni di licenza.
