夜間の交通映像検出：精度が重要な理由を探る

暗闇では、道路はドライバーだけでなく、安全を維持するシステムにとっても異なって見えます。視認性の低下、ヘッドライトのまぶしさ、素早く動く反射光によって、夜間の車両検出はより困難になる可能性があります。

手動観察や動体ベースのカメラなどの従来手法は、主に人の判断と単純な動きの手がかりに依存しています。そのため、低照度や複雑な交通状況では信頼性が低くなる可能性があります。これらの手法では、車両や歩行者を誤認識し、誤検出や見落としにつながる場合があります。

図1. 夜間の照明が不十分な道路の例（出典）

人工知能（AI）、ディープラーニング、コンピュータビジョンは、車両の検出と認識を自動化することで、このギャップを埋めることができます。特に、コンピュータビジョンはAIの一分野であり、機械が視覚データを認識して解釈できるようにします。夜間の交通映像検出では、ビジョンAIモデルは明るさや動きだけに依存せず、複雑なパターンを学習して精度を向上させることができます。

例えば、Ultralytics YOLO26やUltralytics YOLO11などのコンピュータビジョンモデルは、速度と精度で知られています。これらは動画や画像のデータをリアルタイムで処理し、1つのフレーム内にある複数のオブジェクトを検出・分類して、連続するフレーム間で追跡できます。

これらの機能は、物体検出やインスタンスセグメンテーションなど、さまざまなビジョンタスクによって実現されています。ヘッドライト、影、車両同士の重なりによって検出が困難な場合でも、モデルはオブジェクトを識別、分類、区別できます。

この記事では、夜間の交通監視における課題、コンピュータビジョンによる解決方法、そして実際の交通監視システムでビジョンAIがどのように利用されているかを紹介します。早速始めましょう。

夜間検出における課題#

コンピュータビジョンが夜間の交通検出に関する課題をどのように解決するかを説明する前に、暗くなってから車両を見つけることがなぜ難しいのかを見ていきましょう。考慮すべき要因をいくつか紹介します。

• 視認性の低下：照明が限られ、明るさが不足している状況では、カメラで鮮明かつ詳細な映像を撮影することが困難です。画質が低下すると、車両が背景に紛れたり、完全に誤認識されたりする可能性があります。

• 気象条件：雨、霧、もや、さらにはほこりによって、動画の品質がさらに低下する可能性があります。こうした条件では、検出システムが車両と周囲の環境を区別することがより難しくなります。

• ヘッドライトとテールライト：強い光線や反射光によって、カメラが正常に機能しなくなる可能性があります。光の点が車両と誤認識される誤検出が発生し、検出アルゴリズムが混乱して精度が低下する場合があります。

• 車両のオクルージョン：交通量が多い状況では、車両が他の車両の背後に部分的または完全に隠れることがあります。特に、1つのフレーム内で複数の道路利用者が重なっている場合、オクルージョンによって車両の追跡、カウント、分類が複雑になります。

夜間ベンチマークデータセットとメトリクスの必要性#

コンピュータビジョンモデルは、データセットと呼ばれる大量の画像コレクションを使用してトレーニングされます。これらのデータセットには、車、トラック、歩行者、自転車など、含まれているオブジェクトのラベルが丁寧に付けられており、トレーニングの基盤となります。モデルは、こうしたラベル付きの例を学習することでパターンを認識し、新しい動画映像内のオブジェクトを識別・検出できるようになります。

図2. 交通中の車両と歩行者の検出にコンピュータビジョンを使用（出典）

トレーニング中、モデルはデータから特徴を抽出し、それらを使用して検出精度を向上させます。このプロセスにより、モデルが実際の交通シーンに適用された際の検出漏れや誤警報を減らすことができます。

しかし、夜間の状況に対応したデータセットやデータコレクションを構築することは、はるかに困難です。動画品質が低いため、ラベル付けに時間がかかり、ミスも発生しやすくなります。また、事故や通常とは異なる運転行動など、まれではあるものの重要な出来事は、夜間の環境では捉えることが難しい場合があります。その結果、モデルが学習できるトレーニング例の数が限られます。

この問題に対処するため、研究者は専門的なベンチマークデータセットを開発してきました。ベンチマークデータセットは、単なる画像のコレクションではありません。標準化されたラベル、評価プロトコル、適合率、再現率、平均適合率（mAP）などのパフォーマンスメトリクスが含まれています。これらのメトリクスにより、同じ条件下で異なるアルゴリズムをテストして比較でき、公平で一貫した評価が可能になります。

例えば、ExDarkベンチマークデータセットには、12種類のオブジェクトカテゴリ（自転車、ボート、ボトル、バス、車、猫、椅子、カップ、犬、バイク、人、テーブル）にわたる7,363枚の低照度画像が含まれています。各画像にはバウンディングボックスのアノテーションが付けられており、照明が不十分な環境における物体検出と分類を評価する研究で広く使用されています。

図3. ExDarkデータセットの一例（出典）

同様に、NightOwlsベンチマークデータセットには、約115,000枚の夜間画像と、約279,000件の歩行者アノテーションが含まれています。道路の安全性や先進運転支援システム（ADAS）で重要な役割を果たす歩行者検出システムを評価するための主要なリソースとなっています。

コンピュータビジョンが夜間の交通映像検出に役立つ仕組み#

ここまでで課題とデータセットの必要性について理解が深まったところで、ビジョンベースのシステムが夜間の交通映像をどのように解釈できるかを詳しく見ていきましょう。

YOLO11やYOLO26などのモデルは、物体検出、追跡、インスタンスセグメンテーションなどのコンピュータビジョンタスクに対応しており、低照度条件でも交通を分析できます。夜間の交通を分析するために、これらのモデルが対応するビジョンAIタスクの概要を紹介します。

• 物体検出：各フレーム内の車両、歩行者、自転車、その他の道路利用者を識別して位置を特定するタスクです。通常は、それらの周囲にバウンディングボックスを描画します。
• 物体追跡：フレーム間で検出されたオブジェクトを追跡し、同じ車両や歩行者を時間の経過に沿って認識できるようにします。これにより、車両速度の推定や交通の流れの監視が可能になります。
• インスタンスセグメンテーション：オブジェクトが重なっている場合でも個々のオブジェクトを区別し、ピクセルレベルの詳細情報を提供することで、複雑な夜間条件での精度を向上させます。
• 画像分類：画像全体または検出されたオブジェクトを、車、バス、トラック、オートバイなど、あらかじめ定義されたカテゴリに割り当てるタスクです。
• 回転バウンディングボックス（OBB）検出：オブジェクトの正確な角度と向きを捉えます。これにより、夜間の交通で車両が斜めに見えたり、通常とは異なる位置にあったりする場合の精度が向上します。

夜間監視にUltralytics YOLOモデルを使用する#

モデルのトレーニング、データセットの必要性、YOLO11やYOLO26などのモデルが対応するタスクについて説明しました。これらをすべて組み合わせるために、もう1つ説明すべき概念があります。それは、これらのモデルが実際に夜間監視へ適用される方法です。

Ultralytics YOLOモデルは、すぐに使用できる事前トレーニング済みバージョンとして提供されています。これは、日常的なオブジェクトを数多く含むCOCOデータセットなど、大規模な汎用データセットですでにトレーニングされていることを意味します。これにより、モデルはオブジェクトを検出・分類するための強力なベースライン性能を備えています。

ただし、これらのデータセットには低照度や夜間の例がほとんど含まれていないため、事前トレーニング済みモデルは、まぶしさ、影、低コントラストに効果的に対応することが得意ではありません。夜間の交通映像検出で実用的な性能を発揮させるには、実際の夜間条件を反映した専門的なデータセットでファインチューニングする必要があります。

ファインチューニングまたはカスタムトレーニングでは、ヘッドライトのまぶしさの中にいる車両、横断歩道の歩行者、夜間の混雑した交差点など、低照度条件で撮影した追加のラベル付き画像を使ってモデルをトレーニングします。これにより、夜間のシーン特有の特徴を学習できます。

カスタムトレーニングを行うと、モデルは低照度条件でも、検出、追跡、セグメンテーション、分類などのタスクをはるかに高い精度でサポートできます。これにより、交通当局は夜間の車両カウント、速度推定、適応型信号制御、事故防止などの実用的なユースケースにモデルを適用できます。

夜間の交通映像検出におけるビジョンAIの応用#

次に、実際の夜間交通システムにコンピュータビジョンをどのように導入できるかを見ていきましょう。

スマート交通信号はスマートシティ計画を支援できます#

都市部の交差点は、特に夜間に視認性が低下し、交通の流れが予測しにくくなるため、管理が最も難しい場所の一つです。従来の信号は固定タイマーに依存しており、リアルタイムの変化に対応できません。研究によると、これはドライバーの時間を無駄にするだけでなく、不要な燃料消費と遅延にもつながります。

まさにこの課題の解決に、コンピュータビジョンシステムが役立ちます。これらのシステムは車両の動きを監視し、リアルタイムで車両台数を検出できます。そのデータは適応型交通制御システムに送られます。これにより、実際の道路状況に応じて信号を迅速に調整できます。ある車線が混雑して別の車線が空いている場合は、ボトルネックを解消するために信号のタイミングを即座に調整できます。

事故防止#

夜間の運転は、視認性の低下、不均一な照明、まぶしさによってドライバーが距離を判断しにくくなるため、日中よりも危険です。実際、研究によると、夜間の1キロメートル当たりの死亡事故率は、日中の最大3倍になる可能性があります。

固定監視カメラ、道路パトロール、車両存在センサー、固定時間式の信号システムなど、従来の監視手法は事後対応型であり、危険な状況を未然に防ぐのに十分な早さで検出できない場合があります。

コンピュータビジョンソリューションは、ライブ動画ストリームを分析し、道路や高速道路上の異常なパターンを検出することで、この問題に対処できます。物体追跡を使用することで、こうしたシステムは車両の挙動をリアルタイムで監視し、異常が見られた際にアラートを発することができます。

例えば、走行中の車両が車線変更をしている場合、混雑した場所で速度を出しすぎている場合、または急に減速した場合、システムはリアルタイムでフラグを立てることができます。これにより、当局は迅速に対応し、事故が発生する前に防止できます。

自動運転とADAS#

自動運転車やADASにとって、夜間の運転には独自の課題があります。視認性の低下や予測しにくい交通パターンによって、従来のセンサーが安定して機能することが難しくなり、安全上の懸念が生じます。

コンピュータビジョンは、物体検出、車線追跡、セグメンテーションなどのタスクを処理することで、これらのシステムを強化します。これにより、照明が不十分な状況でも、車両が歩行者、他の車、障害物を認識できます。周囲を3DでマッピングするレーダーやLiDAR（光による検知と測距）と組み合わせることで、この視覚的なレイヤーがADASによる早期警告を支援し、自動運転車が夜間により安全に走行するために必要な認識能力を提供します。

図4. 昼間と夜間の両方の条件で撮影された車両映像（出典）

法執行と違反検出#

速度超過は、世界の交通事故死者数の3分の1の原因となっており、夜間にはそのリスクがさらに高まります。暗闇では交通警察が違反を取り締まることが難しくなります。日中には明確に見える詳細も、夜間にはぼやけてしまうためです。

そのため、空いた道路での速度超過、信号無視、反対車線へのはみ出しなどの違反が処罰されないことがよくあります。コンピュータビジョンは、赤外線カメラを使用して低照度条件でも違反を検出することで、この問題に対処します。これらのシステムは、事案を記録する検出ゾーンを作成し、誤検出を減らすとともに、明確で検証可能な証拠を提供します。交通当局にとっては、死角と手動確認への依存を減らせることを意味します。

夜間の交通映像検出のメリットとデメリット#

ここでは、夜間の交通映像検出にビジョンAIを使用するメリットをいくつか紹介します。

• スケーラビリティ：ファインチューニング後のモデルは、多数のカメラや交差点に展開でき、都市全体の監視を支援します。
• 予測分析：過去の動画データを使用して、渋滞や事故が発生しやすい区域を予測し、予防策を支援できます。
• リソースの最適化：当局にリアルタイムの分析情報を提供し、道路パトロールや緊急サービスをより効率的に割り当てるのに役立ちます。

このようなメリットがある一方で、ビジョンAIを使用した夜間の交通検出には一定の制約もあります。考慮すべき要因を以下に示します。

• データへの依存：ビジョンAIシステムの精度は、幅広い夜間条件を捉えた大規模で高品質なデータセットを利用できるかどうかに大きく左右されます。

• 環境上の課題：雨、霧、もやなどの気象要因に加え、カメラレンズの汚れや位置ずれといった実務上の問題によって、検出性能が低下し、定期的なメンテナンスが必要になる場合があります。

• ハードウェア要件：高度なAIモデルの実行には、高性能GPUや専用エッジデバイスが必要になることが多く、大規模な展開のコストと複雑さが増す可能性があります。

夜間のインテリジェント交通システムの展望#

都市が成長し、道路の混雑が進むにつれて、夜間の交通検出はよりインテリジェントで応答性の高いシステムへと進化しています。例えば、サーマルカメラや赤外線センサーは人や車両の熱シグネチャを検出でき、完全な暗闇でも視認できるようになります。これにより、標準的なカメラがまぶしさや低照度に苦戦する際に発生するエラーを減らせます。

図5. 夜間の歩行者検出を強化する暗視技術（出典）

もう1つの進展しつつあるアプローチがカメラとLiDARのフュージョンです。カメラは道路の詳細な画像を提供し、LiDARは正確な3Dマップを生成します。両者を組み合わせることで、特に低照度や中程度の霧の中で、車線、車両、障害物の検出精度を向上させられます。

同時に、低照度画像の強調、歩行者認識、ナンバープレート識別の進歩によって、コンピュータビジョンの機能は拡大しています。こうした改善により、照明が不十分な道路や交差点でも、より高い信頼性と少ないエラーで監視できるようになります。

主なポイント#

夜間の車両検出は、交通監視において常に課題となってきましたが、コンピュータビジョンによってより管理しやすくなっています。まぶしさの影響を抑え、複雑な交通シーンに対応することで、暗くなった後の道路の状況をより正確に把握できます。これらのシステムが進化し続けることで、夜間のより安全でスマートかつ効率的な交通への道が開かれています。

ビジョンAIをプロジェクトに統合する準備はできていますか？活発なコミュニティに参加して、自動車業界におけるAIやロボティクスにおけるビジョンAIなどのイノベーションを発見しましょう。詳細については、GitHubリポジトリをご覧ください。今すぐコンピュータビジョンを始めるには、ライセンスオプションをご確認ください。