Rilevamento del traffico nei video notturni: perché l'accuratezza è fondamentale

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 durante la notte.

I metodi tradizionali, come l'osservazione manuale o le telecamere basate sul movimento, si affidano principalmente al giudizio umano e a semplici segnali di movimento. Questo può risultare inaffidabile in condizioni di scarsa illuminazione o di traffico complesso. Questi metodi possono identificare erroneamente veicoli o pedoni, causando rilevamenti falsi o mancate osservazioni.

Fig. 1. Un esempio di strada scarsamente illuminata di notte (Fonte)

L'intelligenza artificiale (AI), il deep learning e la computer vision possono colmare questa lacuna automatizzando il rilevamento e il riconoscimento dei veicoli. In particolare, la computer vision è un ramo dell'AI che consente alle macchine di vedere e interpretare i dati visivi. Nel rilevamento video del traffico notturno, i modelli di AI per la visione possono andare oltre la luminosità o il movimento, imparando a riconoscere schemi complessi che migliorano la precisione.

Ad esempio, i modelli di computer vision come Ultralytics YOLO26 e Ultralytics YOLO11 sono noti per la loro velocità e precisione. Possono elaborare dati video e immagini in tempo reale, rilevando e classificando più oggetti all'interno di un fotogramma e monitorandoli lungo sequenze successive.

Queste funzionalità sono rese possibili da diverse attività di visione, come il rilevamento degli oggetti e la segmentazione delle istanze, anche quando fari, ombre o veicoli sovrapposti rendono difficile il rilevamento. Consentono al modello di identificare, classificare e distinguere gli oggetti.

In questo articolo esploreremo le difficoltà del monitoraggio del traffico notturno, vedremo come la computer vision le affronta e dove l'AI per la visione viene applicata nei sistemi di monitoraggio del traffico del mondo reale. Iniziamo!

Le difficoltà del rilevamento notturno#

Prima di esaminare come la computer vision risolve le difficoltà del rilevamento del traffico notturno, vediamo perché individuare i veicoli dopo il tramonto è così difficile. Ecco alcuni fattori da considerare:

• Scarsa visibilità: l'illuminazione limitata e le condizioni di scarsa luminosità rendono difficile per le telecamere acquisire filmati nitidi e dettagliati. Con una qualità dell'immagine ridotta, i veicoli possono confondersi con lo sfondo o essere completamente identificati in modo errato.

• Condizioni meteorologiche: pioggia, nebbia, foschia o persino polvere possono degradare ulteriormente la qualità video. Queste condizioni rendono più difficile per i sistemi di rilevamento distinguere i veicoli dall'ambiente circostante.

• Fari anteriori e posteriori: fasci luminosi e riflessi possono saturare le telecamere. Ciò può creare falsi rilevamenti di veicoli, in cui i punti luminosi vengono scambiati per veicoli, confondendo gli algoritmi di rilevamento e riducendo la precisione.

• Occlusione dei veicoli: in condizioni di traffico intenso, i veicoli possono essere parzialmente o completamente nascosti dietro altri veicoli. L'occlusione complica il monitoraggio, il conteggio e la classificazione dei veicoli, soprattutto quando più utenti della strada si sovrappongono in un singolo fotogramma.

La necessità di dataset e metriche di riferimento per le condizioni notturne#

I modelli di computer vision vengono addestrati utilizzando grandi raccolte di immagini note come dataset. Questi dataset sono annotati accuratamente con gli oggetti che contengono, come automobili, camion, pedoni e biciclette, e costituiscono la base dell'addestramento. Studiando questi esempi annotati, il modello impara a riconoscere gli schemi, riuscendo così a identificare e rilevare gli oggetti in nuovi filmati video.

Fig. 2. Utilizzo della computer vision per rilevare veicoli e pedoni nel traffico (Fonte)

Durante l'addestramento, il modello estrae caratteristiche dai dati e le utilizza per migliorare la precisione del rilevamento. Questo processo contribuisce a ridurre i rilevamenti mancati e i falsi allarmi quando il modello viene esposto a scene di traffico del mondo reale.

La creazione di dataset o raccolte di dati per le condizioni notturne è tuttavia molto più complessa. La scarsa qualità video rende l'annotazione 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 acquisire in contesti notturni. Ne deriva un numero limitato di esempi di addestramento da cui i modelli possono imparare.

Per affrontare questo problema, i ricercatori hanno sviluppato dataset di riferimento specializzati. Un dataset di riferimento è più di una semplice raccolta di immagini. Include annotazioni standardizzate, protocolli di valutazione e metriche delle prestazioni come precisione, richiamo e media della precisione media (mAP). Queste metriche consentono di testare e confrontare algoritmi diversi 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 suddivise in 12 categorie di oggetti (bicicletta, barca, bottiglia, autobus, automobile, gatto, sedia, tazza, cane, motocicletta, persone, tavolo). Ogni immagine è annotata con BBox e il dataset è ampiamente utilizzato nella ricerca per valutare il rilevamento e la classificazione degli oggetti in condizioni di scarsa illuminazione.

Fig. 3. Uno sguardo al dataset ExDark (Fonte)

Analogamente, il dataset di riferimento NightOwls fornisce circa 115.000 immagini notturne con approssimativamente 279.000 annotazioni di pedoni. È diventato una risorsa fondamentale per valutare i sistemi di rilevamento dei pedoni, che svolgono un ruolo vitale nella sicurezza stradale e nei sistemi avanzati di assistenza alla guida (ADAS).

Come la computer vision contribuisce al rilevamento video del traffico notturno#

Ora che comprendiamo meglio le difficoltà coinvolte e la necessità di dataset, esaminiamo più da vicino come i sistemi basati sulla visione possono interpretare i video del traffico notturno.

Modelli come YOLO11 e YOLO26 supportano attività di computer vision come il rilevamento degli oggetti, il tracking e la segmentazione delle istanze, rendendo possibile analizzare il traffico anche in condizioni di scarsa illuminazione. Ecco una panoramica delle attività di AI per la visione supportate da questi modelli per analizzare il traffico notturno:

• Rilevamento degli oggetti: questa attività può essere utilizzata per identificare e localizzare veicoli, pedoni, biciclette e altri utenti della strada in ogni fotogramma, generalmente tracciando BBox attorno a essi.
• Tracking degli oggetti: consente di seguire gli oggetti rilevati tra i fotogrammi, permettendo di riconoscere lo stesso veicolo o pedone nel tempo e di stimare la velocità dei veicoli e monitorare il flusso del traffico.
• Segmentazione delle istanze: consente di distinguere i singoli oggetti anche quando si sovrappongono, fornendo dettagli a livello di pixel che migliorano la precisione in condizioni notturne complesse.
• Classificazione delle immagini: questa attività assegna un'intera immagine o un oggetto rilevato a una categoria predefinita, come automobile, autobus, camion o motocicletta.
• Rilevamento delle BBox orientate (OBB): acquisisce l'angolo e l'orientamento esatti di un oggetto, migliorando la precisione quando i veicoli appaiono in diagonale o in posizioni insolite nel traffico notturno.

Utilizzo dei modelli Ultralytics YOLO per il monitoraggio notturno#

Abbiamo parlato dell'addestramento dei modelli, della necessità di dataset e delle attività supportate da modelli come YOLO11 e YOLO26. Ma per riunire tutti questi elementi, resta da esaminare un altro concetto: come vengono effettivamente applicati questi modelli al monitoraggio notturno.

I modelli Ultralytics YOLO sono disponibili pronti all'uso in versioni preaddestrate, cioè sono già stati addestrati su grandi dataset di uso generale, come il dataset COCO, che comprende molti oggetti di uso quotidiano. Questo fornisce al modello una solida capacità di base per rilevare e classificare gli oggetti.

Tuttavia, poiché questi dataset contengono pochissimi esempi in condizioni di scarsa illuminazione o notturne, i modelli preaddestrati non sono particolarmente efficaci nel gestire bagliori, ombre o scarso contrasto. Per renderli efficaci nel rilevamento video del traffico notturno, è necessario sottoporli a fine-tuning su dataset specializzati che riflettano le condizioni notturne del mondo reale.

Il fine-tuning o addestramento personalizzato consiste nell'addestrare il modello con ulteriori immagini annotate acquisite in condizioni di scarsa illuminazione, come veicoli sotto il bagliore dei fari, pedoni sulle strisce o incroci affollati di notte, affinché impari le caratteristiche uniche delle scene notturne.

Una volta addestrato con dati personalizzati, il modello può supportare attività come rilevamento, tracking, segmentazione o classificazione con una precisione molto maggiore in condizioni di scarsa illuminazione. Ciò consente alle autorità del traffico di applicare questi modelli a casi d'uso pratici come il conteggio dei veicoli, la stima della velocità, il controllo adattivo dei semafori e la prevenzione degli incidenti durante la notte.

Applicazioni dell'AI per la visione nel rilevamento video del traffico notturno#

Vediamo ora come la computer vision può essere adottata nei sistemi di traffico notturno del mondo reale.

I semafori intelligenti possono supportare la pianificazione delle smart city#

Gli incroci urbani 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. Le ricerche mostrano che questo non fa solo perdere tempo ai conducenti, ma causa anche un consumo di carburante e ritardi non necessari.

È proprio qui che i sistemi di computer vision possono contribuire a superare questa difficoltà. Questi sistemi possono monitorare i movimenti dei veicoli e rilevarne il numero in tempo reale. I dati vengono quindi inviati ai sistemi di controllo adattivo del traffico. Ciò consente ai semafori di adattarsi rapidamente alle condizioni stradali effettive. Pertanto, se una corsia è congestionata mentre un'altra è libera, la temporizzazione del semaforo può essere modificata istantaneamente per smaltire i colli di bottiglia.

Prevenzione degli incidenti#

Guidare di notte è più rischioso che durante il giorno, perché la visibilità ridotta, l'illuminazione non uniforme e il bagliore rendono più difficile per i conducenti valutare le distanze. In effetti, gli studi mostrano che il tasso di incidenti mortali per chilometro durante la notte può essere fino a tre volte superiore rispetto alle ore diurne.

I metodi di monitoraggio convenzionali, come le telecamere di sorveglianza fisse, le pattuglie stradali, i sensori di presenza dei veicoli e i sistemi semaforici a tempo fisso, operano in modo reattivo e possono non rilevare abbastanza presto le situazioni pericolose da prevenirle.

Le soluzioni di computer vision possono affrontare questo problema analizzando i flussi video in diretta e rilevando schemi insoliti sulla strada o sull'autostrada. Utilizzando il tracking degli oggetti, questi sistemi possono monitorare il comportamento dei veicoli in tempo reale e generare avvisi quando qualcosa appare anomalo.

Ad esempio, se un veicolo in movimento cambia corsia, procede troppo velocemente in un'area congestionata o rallenta improvvisamente, il sistema può segnalarlo in tempo reale. Ciò significa che le autorità possono intervenire rapidamente e prevenire gli incidenti prima che si verifichino.

Guida autonoma e ADAS#

Per i veicoli autonomi e gli ADAS, la guida notturna presenta difficoltà specifiche. La scarsa visibilità e i modelli di traffico imprevedibili rendono più difficile per i sensori tradizionali funzionare in modo affidabile, sollevando problemi di sicurezza.

La computer vision migliora questi sistemi gestendo attività come il rilevamento degli oggetti, il tracking delle corsie e la segmentazione, consentendo ai veicoli di riconoscere pedoni, altre automobili e ostacoli anche in condizioni di scarsa illuminazione. Quando viene combinata con radar o LiDAR (rilevamento e misurazione della distanza), che mappano l'ambiente circostante in 3D, il livello visivo aggiuntivo aiuta gli ADAS a fornire avvisi tempestivi e offre ai veicoli autonomi la consapevolezza necessaria per muoversi in modo più sicuro di notte.

Fig. 4. Filmati di veicoli acquisiti sia di giorno sia di notte (Fonte)

Forze dell'ordine e rilevamento delle infrazioni#

L'eccesso di velocità è responsabile di un decesso stradale su tre in tutto il mondo e il rischio aumenta ulteriormente di notte. Il buio rende più difficile per la polizia stradale individuare le infrazioni, poiché i dettagli chiaramente visibili alla luce del giorno spesso si confondono dopo il tramonto.

Per questo infrazioni come l'eccesso di velocità su strade deserte, il passaggio con il semaforo rosso o l'ingresso nella corsia sbagliata spesso restano impunite. La computer vision affronta questo problema utilizzando telecamere a infrarossi per individuare le infrazioni anche in condizioni di scarsa illuminazione. Questi sistemi creano zone di rilevamento in cui gli episodi vengono registrati, riducendo i falsi positivi e fornendo prove chiare e verificabili. Per le autorità dei trasporti, ciò significa meno punti ciechi e una minore dipendenza dai controlli manuali.

Vantaggi e svantaggi del rilevamento video del traffico notturno#

Ecco alcuni vantaggi dell'utilizzo dell'AI per la visione nel rilevamento video del traffico notturno.

• Scalabilità: una volta sottoposti a fine-tuning, i modelli possono essere distribuiti su numerose telecamere o intersezioni, supportando il monitoraggio a livello cittadino.
• Analisi predittiva: i dati video storici possono essere utilizzati per prevedere la congestione e le zone soggette a incidenti, supportando misure preventive.
• Ottimizzazione delle risorse: fornisce alle autorità informazioni in tempo reale che aiutano ad allocare in modo più efficiente le pattuglie stradali e i servizi di emergenza.

Nonostante i vantaggi, il rilevamento del traffico notturno tramite AI per la visione presenta anche alcune limitazioni. Ecco alcuni fattori da tenere presenti:

• Dipendenza dai dati: la precisione dei sistemi di AI per la visione dipende fortemente dalla disponibilità di dataset di alta qualità che rappresentino un'ampia gamma di condizioni notturne.

• Difficoltà ambientali: fattori meteorologici come pioggia, nebbia o foschia, oltre a problemi pratici come obiettivi sporchi o disallineati, possono ridurre le prestazioni del rilevamento e richiedere una manutenzione regolare.

• Requisiti hardware: l'esecuzione di modelli di AI avanzati richiede spesso GPU ad alte prestazioni o dispositivi edge specializzati, il che può rendere la distribuzione su larga scala costosa e complessa.

Il futuro dei sistemi di trasporto intelligenti di notte#

Con la crescita delle città e l'aumento del traffico sulle strade, il rilevamento notturno del traffico si sta orientando verso sistemi più intelligenti e reattivi. Ad esempio, le telecamere termiche e i sensori a infrarossi possono rilevare le firme termiche di persone e veicoli, rendendo possibile vedere anche nell'oscurità totale. Ciò riduce gli errori che si verificano quando le telecamere standard faticano a gestire il bagliore o la scarsa illuminazione.

Fig. 5. La tecnologia per la visione notturna migliora il rilevamento dei pedoni di notte (Fonte)

Un altro approccio in crescita è la fusione tra telecamere e LiDAR. Le telecamere forniscono immagini dettagliate della strada, mentre LiDAR genera una mappa 3D precisa. Utilizzati insieme, migliorano la precisione del rilevamento delle corsie, dei veicoli e degli ostacoli, soprattutto 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 strade e incroci scarsamente illuminati possono essere monitorati con maggiore affidabilità e meno errori.

Punti chiave#

Rilevare i veicoli di notte è sempre stato una sfida per il monitoraggio del traffico, ma la computer vision lo sta rendendo più gestibile. Riducendo l'impatto del bagliore e gestendo scene di traffico complesse, offre un quadro più preciso del comportamento delle strade dopo il tramonto. Con il continuo progresso di questi sistemi, si apre la strada a trasporti notturni più sicuri, intelligenti ed efficienti.

Pronto a integrare l'AI per la visione nei tuoi progetti? Unisciti alla nostra community attiva e scopri innovazioni come l'AI nel settore automobilistico e l'AI per la visione 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.