3 ottobre 2025
Dalla scarsa visibilità all'abbagliamento, scoprite 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 ai conducenti, ma anche ai sistemi responsabili della loro sicurezza. La scarsa visibilità, l'abbagliamento dei fari e i riflessi in rapido movimento possono rendere più difficile il rilevamento notturno dei veicoli.
I metodi tradizionali, come l'osservazione manuale o le telecamere basate sul movimento, si basano principalmente sul giudizio umano e su semplici indizi di movimento. Ciò può essere inaffidabile in condizioni di scarsa illuminazione o di traffico complesso. Questi metodi possono identificare erroneamente i veicoli o i pedoni, causando falsi rilevamenti o mancate osservazioni.
L'intelligenza artificiale (AI), l'apprendimento profondo e la computer vision possono colmare questo divario automatizzando il rilevamento e il riconoscimento dei veicoli. In particolare, la computer vision è una branca dell'IA che consente alle macchine di vedere e interpretare i dati visivi. Quando si tratta di rilevare 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.
Ad esempio, i modelli di computer vision 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, classificare e differenziare gli oggetti.
In questo articolo esploreremo le sfide del monitoraggio notturno del traffico, vedremo come la computer vision le affronta e dove la Vision AI viene applicata nei sistemi di monitoraggio del traffico del mondo reale. Iniziamo!
Prima di esplorare il modo in cui 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 rilevare gli oggetti in nuove riprese video.
Durante l'addestramento, il modello estrae le caratteristiche dai dati e le utilizza per migliorare l'accuratezza del rilevamento. Questo processo aiuta a ridurre i mancati rilevamenti e i falsi allarmi quando il modello viene esposto a scene di traffico reali.
La creazione di set di dati o raccolte di dati per le condizioni notturne, tuttavia, è molto più impegnativa. La scarsa qualità dei video rende l'etichettatura lunga 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 addestramento da cui i modelli possono imparare.
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 media (mAP). Queste metriche consentono di testare e confrontare diversi algoritmi nelle stesse condizioni, garantendo una valutazione equa e coerente.
Ad esempio, il dataset di benchmark ExDark contiene 7.363 immagini in condizioni di scarsa illuminazione appartenenti a 12 categorie di oggetti (bicicletta, barca, bottiglia, autobus, auto, gatto, sedia, tazza, cane, moto, persone, tavolo). Ogni immagine è annotata con caselle di delimitazione e il dataset è ampiamente utilizzato nella ricerca per valutare il rilevamento e la classificazione degli oggetti in condizioni di scarsa illuminazione.
Analogamente, il set di dati di riferimento NightOwls fornisce circa 115.000 immagini notturne con circa 279.000 annotazioni di pedoni. È diventato una risorsa fondamentale per la valutazione dei sistemi di rilevamento dei pedoni, che svolgono un ruolo vitale nella sicurezza stradale e nei sistemi avanzati di assistenza alla guida (ADAS).
Ora che abbiamo una migliore comprensione delle sfide da affrontare e della necessità di disporre di serie di dati, diamo un'occhiata più da vicino a come i sistemi di visione 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 modelli YOLO di Ultralytics sono disponibili in versione pre-addestrata, cioè sono già stati addestrati su grandi set di dati generici, come il set di dati COCO, che comprende molti oggetti di uso quotidiano. Ciò conferisce al modello una forte capacità di base di rilevare e classificare gli oggetti.
Tuttavia, poiché questi set di dati contengono pochi esempi in condizioni di scarsa illuminazione o di notte, i modelli preaddestrati non sono in grado di gestire efficacemente i riflessi, le ombre o il contrasto. Per renderli efficaci nel rilevamento dei video del traffico notturno, è necessario metterli a punto su set di dati specializzati che riflettano le condizioni notturne del mondo reale.
La messa a punto o l'addestramento personalizzato prevede l'addestramento del modello su ulteriori immagini etichettate acquisite in condizioni di scarsa illuminazione, come veicoli sotto i riflessi dei fari, pedoni sulle strisce pedonali o incroci affollati di notte, in modo da apprendere le caratteristiche uniche delle scene notturne.
Una volta addestrato su misura, il modello può supportare compiti 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 a casi d'uso pratici come il conteggio dei veicoli, la stima della velocità, il controllo adattivo dei segnali e la prevenzione degli incidenti notturni.
Vediamo poi come la computer vision può essere adottata nei sistemi di traffico notturno del mondo reale.
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 segnali tradizionali si basano su temporizzatori fissi che non possono rispondere ai cambiamenti in tempo reale. Le ricerche dimostrano che questo non solo fa perdere tempo agli automobilisti, ma comporta anche un inutile consumo 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 rilevarne 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.
Guidare di notte è più rischioso che di giorno, 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 rilevare le situazioni di pericolo con sufficiente anticipo per evitare che si verifichino.
Le soluzioni di visione computerizzata possono gestire questo problema analizzando i flussi video in diretta e rilevando modelli insoliti sulla strada o sull'autostrada. Utilizzando il tracciamento degli oggetti, questi sistemi possono monitorare il comportamento dei veicoli in tempo reale e lanciare avvisi quando qualcosa appare anomalo.
Ad esempio, se un veicolo in movimento cambia corsia, si muove troppo velocemente in un'area congestionata o rallenta improvvisamente, il sistema può segnalarlo in tempo reale. In questo modo le autorità possono reagire rapidamente e prevenire gli incidenti prima che si verifichino.
Per i veicoli autonomi e gli ADAS, la guida notturna comporta delle sfide. La scarsa visibilità e i modelli di traffico imprevedibili rendono più difficile l'affidabilità dei sensori tradizionali, sollevando problemi di sicurezza.
La visione computerizzata migliora questi sistemi gestendo compiti come il rilevamento degli 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 il radar o il LiDAR (Light Detection and Ranging), che mappano l'ambiente circostante in 3D, il livello visivo aggiunto aiuta gli ADAS a fornire avvisi tempestivi e dà ai veicoli autonomi la consapevolezza necessaria per navigare in modo più sicuro di notte.
L'eccesso di velocità è responsabile di un incidente stradale su tre in tutto il mondo e il rischio si aggrava solo di notte. L'oscurità rende più difficile per la polizia stradale individuare le infrazioni, poiché i dettagli che sono chiari alla luce del giorno spesso si confondono al buio.
Ecco perché infrazioni come l'eccesso di velocità su strade vuote, il passaggio con il semaforo rosso o la deriva nella corsia sbagliata rimangono spesso impunite. La visione computerizzata 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 incidenti vengono registrati, riducendo i falsi positivi e fornendo prove chiare e verificabili. Per le autorità di trasporto, ciò significa meno punti ciechi e meno ricorso a controlli manuali.
Ecco alcuni vantaggi dell'utilizzo di Vision AI per il rilevamento video del traffico notturno.
Nonostante i vantaggi, il rilevamento del traffico notturno tramite Vision AI presenta anche alcune limitazioni. Ecco alcuni fattori da tenere presenti:
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 rilevare 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 telecamera-LiDAR. Le telecamere forniscono immagini dettagliate della strada, mentre il LiDAR genera una mappa 3D precisa. Usate insieme, migliorano l'accuratezza del rilevamento di corsie, veicoli e ostacoli, in particolare in condizioni di scarsa illuminazione o di 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 poco illuminati possono essere monitorati con maggiore affidabilità e meno errori.
Il rilevamento dei 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 dell'abbagliamento e gestendo scene di traffico complesse, fornisce un'immagine più accurata del comportamento delle strade dopo il tramonto. Con i continui progressi di questi sistemi, si apre la strada a un trasporto notturno più sicuro, più intelligente e più efficiente.
Siete pronti a integrare Vision AI nei vostri progetti? Unitevi alla nostra attiva comunità e scoprite innovazioni come l'IA nell' industria automobilistica e la Vision AI nella robotica. Visitate il nostro repository GitHub per saperne di più. Per iniziare subito a lavorare con la computer vision, date un'occhiata alle nostre opzioni di licenza.
.webp)