Rilevamento del traffico nei video notturni: perché la precisione è fondamentale

Di notte le strade appaiono diverse, non solo ai conducenti, ma anche ai sistemi responsabili della loro sicurezza. La scarsa visibilità, il riverbero dei fari e i riflessi in rapido movimento possono rendere più difficile il rilevamento dei veicoli nelle ore notturne.

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

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

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

Ad esempio, i modelli di visione artificiale come Ultralytics YOLO26 e Ultralytics YOLO11 sono noti per la velocità e la precisione. Possono elaborare dati video e immagini in tempo reale, rilevando e classificando più oggetti in un fotogramma e seguendoli attraverso una sequenza.

Queste capacità sono rese possibili da diverse attività di visione, come il rilevamento degli oggetti e la segmentazione di 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 analizzeremo le sfide del monitoraggio del traffico notturno, vedremo come la visione artificiale le affronta e scopriremo dove viene applicata l’IA per la visione nei sistemi di monitoraggio del traffico del mondo reale.

Le sfide del rilevamento notturno#

Prima di scoprire come la visione artificiale risolve le sfide 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 luce insufficiente rendono difficile per le telecamere acquisire riprese nitide e dettagliate. Quando la qualità delle immagini si riduce, i veicoli possono confondersi con lo sfondo o essere identificati in modo errato.
• Condizioni meteorologiche: Pioggia, nebbia, foschia o persino polvere possono peggiorare ulteriormente la qualità dei video. In queste condizioni, i sistemi di rilevamento fanno più fatica a distinguere i veicoli dall'ambiente circostante.
• Fari e fanali posteriori: i fasci luminosi e i riflessi possono saturare le telecamere. Possono causare falsi rilevamenti di veicoli, facendo scambiare macchie di luce per veicoli, confondendo gli algoritmi di rilevamento e riducendo la precisione.
• Occlusione dei veicoli: In condizioni di traffico intenso, i veicoli possono essere nascosti parzialmente o completamente da altri veicoli. L'occlusione complica il tracciamento, 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 visione artificiale vengono addestrati usando grandi raccolte di immagini chiamate dataset. Questi dataset sono etichettati con cura per indicare gli oggetti che contengono, come auto, camion, pedoni e biciclette, e costituiscono la base per l'addestramento. Analizzando questi esempi etichettati, il modello impara a riconoscere schemi, così da identificare e rilevare oggetti in nuovi filmati.

Fig. 2. Uso della visione artificiale per rilevare veicoli e pedoni nel traffico (Fonte)

Durante l'addestramento, il modello estrae caratteristiche dai dati e le usa per migliorare la precisione del rilevamento. Questo processo aiuta a ridurre i mancati rilevamenti e i falsi allarmi quando il modello viene esposto a scenari di traffico reali.

Creare dataset o raccolte di dati per le condizioni notturne è però molto più difficile. La scarsa qualità dei 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 acquisire di notte. Di conseguenza, i modelli dispongono di pochi esempi di addestramento da cui 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 etichette standardizzate, protocolli di valutazione e metriche delle prestazioni come precisione, richiamo e media della precisione media (mAP). Queste metriche permettono 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 distribuite in 12 categorie di oggetti (bicicletta, barca, bottiglia, autobus, auto, gatto, sedia, tazza, cane, motocicletta, persone, tavolo). Ogni immagine è annotata con riquadri di delimitazione e il dataset è ampiamente usato nella ricerca per valutare il rilevamento e la classificazione degli oggetti in condizioni di illuminazione insufficiente.

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

Analogamente, il dataset di riferimento NightOwls mette a disposizione 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).

Anche dataset per la guida come BDD100K, che include scene notturne, e il dataset a bassa luminosità nel visibile e nell’infrarosso LLVIP sono disponibili sulla Ultralytics Platform per addestrare e testare i modelli YOLO.

Come la visione artificiale aiuta a rilevare il traffico notturno nei video#

Ora che abbiamo compreso meglio le sfide e la necessità di disporre di dataset, vediamo più da vicino come i sistemi basati sulla visione possono interpretare i video del traffico notturno.

Modelli come YOLO11 e YOLO26 supportano attività di visione artificiale come il rilevamento degli oggetti, la segmentazione delle istanze e il tracciamento, che consentono di analizzare il traffico anche in condizioni di scarsa illuminazione. Ecco una panoramica delle attività di IA per la visione supportate da questi modelli per analizzare il traffico notturno:

• Rilevamento degli oggetti: Questa attività permette di identificare e localizzare veicoli, pedoni, biciclette e altri utenti della strada in ogni fotogramma, di solito disegnando riquadri di delimitazione intorno a loro.
• Segmentazione di 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 auto, autobus, camion o motocicletta.
• Rilevamento di riquadri di delimitazione orientati (OBB): Acquisisce l'angolo esatto e l'orientamento di un oggetto, migliorando la precisione quando i veicoli appaiono in diagonale o in posizioni insolite nel traffico notturno.
• Tracciamento degli oggetti: Aiuta a seguire gli oggetti rilevati attraverso i fotogrammi, consentendo di riconoscere nel tempo lo stesso veicolo o pedone e di stimare la velocità dei veicoli e monitorare il flusso del traffico.

Uso dei modelli Ultralytics YOLO per il monitoraggio notturno#

Abbiamo parlato dell'addestramento dei modelli, della necessità di disporre di dataset e delle attività supportate da modelli come YOLO11 e YOLO26. Per mettere insieme tutti questi elementi, resta da approfondire un altro concetto: come vengono applicati concretamente questi modelli al monitoraggio notturno.

I modelli Ultralytics YOLO sono disponibili già preaddestrati, ovvero sono stati addestrati su grandi dataset generici come il dataset COCO, che comprende molti oggetti di uso quotidiano. In questo modo, il modello dispone già di 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 spesso hanno difficoltà con i riflessi, le ombre o il basso contrasto. Per rilevare efficacemente il traffico notturno nei video, devono essere ottimizzati con dataset specializzati che rispecchino le condizioni notturne del mondo reale.

Il perfezionamento o l'addestramento personalizzato consiste nell'addestrare il modello su ulteriori immagini etichettate acquisite in condizioni di scarsa illuminazione, ad esempio veicoli sotto il riverbero dei fari, pedoni sulle strisce o incroci affollati di notte, affinché impari le caratteristiche specifiche delle scene notturne.

Dopo l’addestramento personalizzato, il modello può supportare attività come rilevamento, tracciamento, segmentazione o classificazione con una precisione molto maggiore in condizioni di scarsa illuminazione. Questo permette alle autorità del traffico di applicare tali 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 notturni.

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

Vediamo ora come adottare la visione artificiale nei sistemi di traffico notturno del mondo reale.

I semafori intelligenti possono favorire la pianificazione delle città intelligenti#

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 solo fa perdere tempo ai conducenti, ma provoca anche consumi di carburante e ritardi inutili.

È qui che i sistemi di visione artificiale possono essere d’aiuto. 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, consentendo ai semafori di adeguarsi rapidamente alle reali condizioni stradali. Così, se una corsia è congestionata mentre un’altra è vuota, la durata dei semafori può essere regolata all’istante per eliminare i colli di bottiglia.

Prevenzione degli incidenti#

Guidare di notte è più rischioso che di giorno perché la visibilità ridotta, l'illuminazione disomogenea e il riverbero rendono più difficile per i conducenti valutare le distanze. Gli studi dimostrano che il tasso di incidenti mortali per chilometro può essere fino a tre volte superiore di notte 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, intervengono in modo reattivo e potrebbero non rilevare le situazioni pericolose abbastanza presto da impedirle.

Le soluzioni di visione artificiale possono affrontare questo problema analizzando i flussi video in diretta e rilevando schemi insoliti sulla strada o in autostrada. Grazie al tracciamento degli oggetti, questi sistemi possono monitorare il comportamento dei veicoli in tempo reale e inviare avvisi quando qualcosa appare anomalo.

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

Guida autonoma e ADAS#

Per i veicoli autonomi e i sistemi ADAS, la guida notturna comporta sfide specifiche. La scarsa visibilità e i flussi di traffico imprevedibili rendono più difficile il funzionamento affidabile dei sensori tradizionali, sollevando preoccupazioni per la sicurezza.

La visione artificiale potenzia questi sistemi gestendo attività come il rilevamento degli oggetti, il tracciamento delle corsie 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 (rilevamento e misurazione della distanza tramite luce), che mappano l'ambiente circostante in 3D, il livello visivo aggiuntivo aiuta i sistemi ADAS a fornire avvisi tempestivi e offre ai veicoli autonomi la consapevolezza necessaria per orientarsi 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#

La velocità eccessiva è responsabile di un decesso su tre causati da incidenti stradali nel mondo, e il rischio aumenta ulteriormente di notte. Il buio rende più difficile per la polizia stradale individuare le infrazioni, poiché i dettagli nitidi alla luce del giorno spesso diventano indistinti dopo il tramonto.

Per questo infrazioni come superare i limiti di velocità su strade vuote, passare con il rosso o invadere la corsia sbagliata spesso restano impunite. La visione artificiale affronta il problema usando telecamere a infrarossi per individuare le infrazioni 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, questo significa meno zone non monitorate e minore dipendenza dai controlli manuali.

Vantaggi e svantaggi del rilevamento del traffico notturno nei video#

Ecco alcuni vantaggi dell'uso dell'IA per la visione nel rilevamento del traffico notturno nei video.

• Scalabilità: Una volta perfezionati, i modelli possono essere distribuiti su molte telecamere o incroci, supportando il monitoraggio di un'intera città.
• Analisi predittiva: I dati storici dei video possono essere usati per prevedere la congestione e le zone a rischio di incidenti, favorendo misure preventive.
• Ottimizzazione delle risorse: Fornisce alle autorità informazioni in tempo reale che aiutano a impiegare pattuglie stradali e servizi di emergenza in modo più efficiente.

Nonostante i vantaggi, il rilevamento del traffico notturno con l'IA per la visione presenta anche alcuni limiti. Ecco alcuni fattori da tenere presenti:

• Dipendenza dai dati: La precisione dei sistemi di IA per la visione dipende fortemente dalla disponibilità di dataset di alta qualità che rappresentino un'ampia varietà di condizioni notturne.
• Sfide ambientali: Le condizioni meteorologiche, come pioggia, nebbia o foschia, e problemi pratici come obiettivi sporchi o disallineati possono ridurre le prestazioni di rilevamento e richiedono una manutenzione regolare.
• Requisiti hardware: L'esecuzione di modelli avanzati di IA richiede spesso GPU ad alte prestazioni o dispositivi edge specializzati, rendendo le distribuzioni su larga scala costose e complesse.

Il futuro dei sistemi di trasporto intelligenti di notte#

Con la crescita delle città e l'aumento del traffico sulle strade, il rilevamento del traffico notturno si sta orientando verso sistemi più intelligenti e reattivi. Le telecamere termiche e i sensori a infrarossi, ad esempio, possono rilevare le tracce termiche di persone e veicoli, rendendo possibile vedere anche nel buio più completo. In questo modo si riducono gli errori che si verificano quando le telecamere standard faticano a gestire il riverbero 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. Usati insieme, migliorano la precisione nel rilevamento delle corsie, dei veicoli e degli 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 visione artificiale. Grazie a questi miglioramenti, è possibile monitorare con maggiore affidabilità e meno errori anche strade e incroci scarsamente illuminati.

Punti chiave#

Rilevare i veicoli di notte è sempre stato difficile per il monitoraggio del traffico, ma la visione artificiale sta rendendo il compito più gestibile. Riducendo l'impatto del riverbero e gestendo scenari di traffico complessi, 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.

Vuoi integrare l'IA per la visione nei tuoi progetti? Unisciti alla nostra community attiva e scopri innovazioni come l'IA nel settore automobilistico e l'IA per la visione nella robotica. Visita il nostro repository GitHub per saperne di più. Per iniziare subito con la visione artificiale, dai un'occhiata alle nostre opzioni di licenza.