Обнаружение объектов на видео с ночным движением: почему точность имеет значение

В темноте дороги выглядят иначе не только для водителей, но и для систем, отвечающих за их безопасность. Плохая видимость, блики фар и быстро движущиеся отражения могут усложнить обнаружение автомобилей в ночное время.

Традиционные методы, такие как наблюдение человеком или камеры, реагирующие на движение, в основном полагаются на человеческую оценку и простые признаки движения. В условиях низкой освещённости или сложного трафика это может быть ненадёжно. Такие методы могут неправильно идентифицировать автомобили или пешеходов, что приводит к ложным срабатываниям или пропущенным объектам.

Рис. 1. Пример плохо освещённой дороги ночью (Источник)

Искусственный интеллект (AI), глубокое обучение и компьютерное зрение помогают устранить этот разрыв, автоматизируя обнаружение и распознавание автомобилей. В частности, компьютерное зрение — это область AI, которая позволяет машинам видеть и интерпретировать визуальные данные. В задачах обнаружения объектов на видео с ночным движением модели vision AI могут учитывать не только яркость или движение, но и учиться распознавать сложные закономерности, повышающие точность.

Например, модели компьютерного зрения, такие как Ultralytics YOLO26 и Ultralytics YOLO11, известны своей скоростью и точностью. Они могут обрабатывать видео- и графические данные в реальном времени, обнаруживая и классифицируя несколько объектов в кадре и отслеживая их в последовательности кадров.

Эти возможности обеспечиваются различными задачами компьютерного зрения, такими как обнаружение объектов и сегментация экземпляров, даже когда фары, тени или перекрывающие друг друга автомобили усложняют обнаружение. Они позволяют модели идентифицировать, классифицировать и различать объекты.

В этой статье мы рассмотрим проблемы мониторинга дорожного движения ночью, узнаем, как компьютерное зрение помогает их решать, и разберём, где vision AI применяется в реальных системах мониторинга трафика. Давайте начнём!

Проблемы обнаружения объектов ночью#

Прежде чем разбирать, как компьютерное зрение решает проблемы обнаружения объектов в ночном трафике, рассмотрим, почему замечать автомобили после наступления темноты так сложно. Вот несколько факторов, которые стоит учитывать:

• Плохая видимость: Ограниченное освещение и недостаточная подсветка затрудняют получение камерами чётких и детализированных кадров. При снижении качества изображения автомобили могут сливаться с фоном или вовсе неправильно идентифицироваться.

• Погодные условия: Дождь, туман, дымка и даже пыль могут ещё больше ухудшить качество видео. Из-за этого системам обнаружения сложнее отличать автомобили от окружающей обстановки.

• Фары и задние фонари: Яркий свет и отражения могут перегружать камеры. Это может приводить к ложному обнаружению автомобилей, когда световые пятна принимаются за автомобили, сбивая алгоритмы обнаружения и снижая точность.

• Перекрытие автомобилей: В условиях плотного трафика автомобили могут быть частично или полностью скрыты за другими автомобилями. Перекрытия усложняют отслеживание, подсчёт и классификацию автомобилей, особенно когда несколько участников дорожного движения перекрывают друг друга в одном кадре.

Необходимость ночных эталонных наборов данных и метрик#

Модели компьютерного зрения обучаются на больших коллекциях изображений, известных как наборы данных. Эти наборы данных тщательно размечаются с указанием содержащихся в них объектов, таких как автомобили, грузовики, пешеходы и велосипеды, и служат основой обучения. Изучая такие размеченные примеры, модель учится распознавать закономерности, что позволяет ей идентифицировать и обнаруживать объекты на новых видеозаписях.

Рис. 2. Использование компьютерного зрения для обнаружения автомобилей и пешеходов в трафике (Источник)

Во время обучения модель извлекает признаки из данных и использует их для повышения точности обнаружения. Этот процесс помогает сократить число пропущенных объектов и ложных срабатываний, когда модель работает с реальными дорожными сценами.

Однако создание наборов данных или коллекций данных для ночных условий гораздо сложнее. Низкое качество видео делает разметку трудоёмкой и повышает вероятность ошибок. Кроме того, редкие, но важные события, такие как аварии или необычное поведение за рулём, бывает сложно зафиксировать ночью. В результате модели получают ограниченное количество обучающих примеров.

Чтобы решить эту проблему, исследователи разработали специализированные эталонные наборы данных. Эталонный набор данных — это не просто коллекция изображений. Он включает стандартизированные метки, протоколы оценки и метрики производительности, такие как точность, полнота и средняя точность (mAP). Эти метрики позволяют тестировать и сравнивать разные алгоритмы в одинаковых условиях, обеспечивая справедливую и последовательную оценку.

Например, эталонный набор данных ExDark содержит 7 363 изображения при низкой освещённости в 12 категориях объектов (велосипед, лодка, бутылка, автобус, автомобиль, кошка, стул, чашка, собака, мотоцикл, люди, стол). На каждом изображении размечены ограничивающие рамки, а сам набор данных широко используется в исследованиях для оценки обнаружения и классификации объектов при недостаточном освещении.

Рис. 3. Обзор набора данных ExDark (Источник)

Аналогично, эталонный набор данных NightOwls содержит около 115 000 ночных изображений примерно с 279 000 разметок пешеходов. Он стал важным ресурсом для оценки систем обнаружения пешеходов, которые играют ключевую роль в безопасности дорожного движения и передовых системах помощи водителю (ADAS).

Как компьютерное зрение помогает обнаруживать объекты на видео с ночным трафиком#

Теперь, когда мы лучше понимаем существующие проблемы и необходимость наборов данных, давайте подробнее рассмотрим, как системы на основе компьютерного зрения интерпретируют ночные видеозаписи дорожного движения.

Модели YOLO11 и YOLO26 поддерживают такие задачи компьютерного зрения, как обнаружение объектов, отслеживание и сегментация экземпляров, что позволяет анализировать дорожное движение даже в условиях низкой освещённости. Ниже приведён обзор задач vision AI, которые эти модели поддерживают для анализа ночного трафика:

• Обнаружение объектов: Эта задача используется для идентификации и определения местоположения автомобилей, пешеходов, велосипедов и других участников дорожного движения в каждом кадре, обычно с помощью ограничивающих рамок.
• Отслеживание объектов: Оно помогает отслеживать обнаруженные объекты в последовательности кадров, позволяя распознавать один и тот же автомобиль или пешехода с течением времени, а также оценивать скорость автомобилей и контролировать транспортный поток.
• Сегментация экземпляров: Она позволяет различать отдельные объекты даже при их перекрытии и предоставляет детализацию на уровне пикселей, повышая точность в сложных ночных условиях.
• Классификация изображений: Эта задача относит целое изображение или обнаруженный объект к заранее определённой категории, например к автомобилю, автобусу, грузовику или мотоциклу.
• Обнаружение ориентированных ограничивающих рамок (OBB): Фиксирует точный угол и ориентацию объекта, повышая точность, когда автомобили находятся по диагонали или в необычном положении в ночном трафике.

Использование моделей Ultralytics YOLO для ночного мониторинга#

Мы обсудили обучение моделей, необходимость наборов данных и задачи, которые поддерживают такие модели, как YOLO11 и YOLO26. Но чтобы объединить всё это в единую систему, осталось разобрать ещё одну концепцию: как именно эти модели применяются для ночного мониторинга.

Модели Ultralytics YOLO доступны в готовом виде как предварительно обученные версии: это означает, что они уже обучены на больших наборах данных общего назначения, таких как набор данных COCO, охватывающий множество повседневных объектов. Благодаря этому модель обладает хорошей базовой способностью обнаруживать и классифицировать объекты.

Однако такие наборы данных содержат очень мало примеров при низкой освещённости или в ночное время, поэтому предварительно обученные модели плохо справляются с бликами, тенями и низкой контрастностью. Чтобы эффективно использовать их для обнаружения объектов на видео с ночным трафиком, необходимо дообучить модели на специализированных наборах данных, отражающих реальные ночные условия.

Дообучение или пользовательское обучение включает обучение модели на дополнительных размеченных изображениях, снятых при низкой освещённости, например на изображениях автомобилей с бликами фар, пешеходов на переходах или переполненных перекрёстков ночью, чтобы модель изучила уникальные особенности ночных сцен.

После пользовательского обучения модель может значительно точнее выполнять такие задачи, как обнаружение, отслеживание, сегментация и классификация, в условиях низкой освещённости. Это позволяет дорожным службам применять такие модели для практических задач, включая подсчёт автомобилей, оценку скорости, адаптивное управление сигналами светофора и предотвращение аварий ночью.

Применение vision AI для обнаружения объектов на видео с ночным трафиком#

Теперь рассмотрим, как компьютерное зрение может применяться в реальных системах управления ночным дорожным движением.

Умные светофоры могут поддерживать планирование умных городов#

Городские перекрёстки — одни из самых сложных объектов для управления, особенно ночью, когда видимость снижается, а транспортный поток становится менее предсказуемым. Традиционные светофоры работают по фиксированным таймерам и не могут реагировать на изменения в реальном времени. Исследования показывают, что это не только отнимает время у водителей, но и приводит к излишнему расходу топлива и задержкам.

Именно здесь системы компьютерного зрения помогают решить эту проблему. Они могут отслеживать перемещения автомобилей и в реальном времени определять их количество. Затем эти данные передаются в адаптивные системы управления дорожным движением. Благодаря этому сигналы светофора быстро подстраиваются под фактические дорожные условия. Если одна полоса перегружена, а другая свободна, длительность сигналов можно мгновенно изменить, чтобы устранить заторы.

Предотвращение аварий#

Вождение ночью опаснее, чем днём, поскольку сниженная видимость, неравномерное освещение и блики затрудняют оценку расстояния. Исследования показывают, что уровень смертельных аварий на километр ночью может быть до трёх раз выше, чем при дневном свете.

Традиционные методы мониторинга, такие как стационарные камеры наблюдения, дорожные патрули, датчики присутствия автомобилей и системы сигналов с фиксированным временем, работают реактивно и могут не успеть обнаружить опасные ситуации, чтобы предотвратить их.

Решения на основе компьютерного зрения помогают справиться с этой проблемой, анализируя видеопотоки в реальном времени и обнаруживая необычные закономерности на дороге или автомагистрали. Используя отслеживание объектов, такие системы могут в реальном времени контролировать поведение автомобилей и отправлять предупреждения, если что-то выглядит необычно.

Например, если движущийся автомобиль перестраивается, едет слишком быстро в перегруженной зоне или внезапно замедляется, система может в реальном времени пометить это событие как подозрительное. Благодаря этому службы могут быстро отреагировать и предотвратить аварию.

Автономное вождение и ADAS#

Для автономных автомобилей и ADAS вождение ночью сопряжено с отдельными сложностями. Низкая видимость и непредсказуемые схемы движения затрудняют надёжную работу традиционных датчиков, что вызывает опасения за безопасность.

Компьютерное зрение расширяет возможности таких систем, выполняя задачи обнаружения объектов, отслеживания полос движения и сегментации, благодаря чему автомобили могут распознавать пешеходов, другие автомобили и препятствия даже в условиях плохого освещения. В сочетании с радаром или LiDAR (обнаружение и измерение дальности с помощью света), которые создают трёхмерную карту окружающей обстановки, дополнительный визуальный слой помогает ADAS заранее предупреждать об опасностях, а автономным автомобилям — безопаснее ориентироваться ночью.

Рис. 4. Видеозапись автомобиля, снятая днём и ночью (Источник)

Правоохранительные органы и обнаружение нарушений#

Превышение скорости является причиной каждой третьей смертельной аварии в мире, и ночью риск только возрастает. Темнота мешает сотрудникам дорожной полиции выявлять нарушения, поскольку детали, хорошо различимые при дневном свете, после наступления темноты часто становятся размытыми.

Поэтому такие нарушения, как превышение скорости на пустых дорогах, проезд на красный свет или выезд в неправильную полосу, часто остаются без наказания. Компьютерное зрение решает эту проблему с помощью инфракрасных камер, которые выявляют нарушения даже в условиях низкой освещённости. Эти системы создают зоны обнаружения, в которых фиксируются инциденты, сокращая число ложноположительных срабатываний и предоставляя чёткие проверяемые доказательства. Для транспортных служб это означает меньше слепых зон и меньшую зависимость от ручных проверок.

Плюсы и минусы обнаружения объектов на видео с ночным трафиком#

Вот несколько преимуществ использования vision AI для обнаружения объектов на видео с ночным трафиком.

• Масштабируемость: После дообучения модели можно развернуть на множестве камер или перекрёстков, обеспечив мониторинг всего города.
• Прогнозная аналитика: Исторические видеоданные можно использовать для прогнозирования заторов и зон повышенной аварийности, поддерживая профилактические меры.
• Оптимизация ресурсов: Система предоставляет службам информацию в реальном времени, которая помогает эффективнее распределять дорожные патрули и экстренные службы.

Несмотря на преимущества, обнаружение объектов в ночном трафике с помощью vision AI также имеет определённые ограничения. Вот несколько факторов, которые стоит учитывать:

• Зависимость от данных: Точность систем vision AI во многом зависит от доступа к большим высококачественным наборам данных, охватывающим широкий спектр ночных условий.

• Экологические проблемы: Погодные факторы, такие как дождь, туман или дымка, а также практические проблемы вроде загрязнённых или неправильно установленных объективов камер могут снизить эффективность обнаружения и потребовать регулярного обслуживания.

• Требования к оборудованию: Запуск продвинутых моделей AI часто требует высокопроизводительных GPU или специализированных периферийных устройств, что может сделать масштабное развёртывание дорогим и сложным.

Будущее интеллектуальных транспортных систем в ночное время#

По мере роста городов и увеличения загруженности дорог обнаружение объектов в ночном трафике развивается в направлении более интеллектуальных и отзывчивых систем. Например, тепловизионные камеры и инфракрасные датчики могут обнаруживать тепловые сигнатуры людей и автомобилей, позволяя видеть даже в полной темноте. Это снижает число ошибок, возникающих, когда обычные камеры не справляются с бликами или низкой освещённостью.

Рис. 5. Технология ночного видения повышает качество обнаружения пешеходов ночью (Источник)

Другой перспективный подход — объединение данных с камер и LiDAR. Камеры предоставляют детализированные изображения дороги, а LiDAR создаёт точную трёхмерную карту. Вместе они повышают точность обнаружения полос движения, автомобилей и препятствий, особенно при слабом освещении или умеренном тумане.

Одновременно достижения в области улучшения изображений при низкой освещённости, распознавания пешеходов и идентификации номерных знаков расширяют возможности компьютерного зрения. Благодаря этим улучшениям даже плохо освещённые дороги и перекрёстки можно надёжнее контролировать с меньшим числом ошибок.

Основные выводы#

Обнаружение автомобилей ночью всегда было сложной задачей для мониторинга дорожного движения, но компьютерное зрение делает её более управляемой. Снижая влияние бликов и обрабатывая сложные дорожные сцены, оно даёт более точное представление о поведении дорог после наступления темноты. По мере дальнейшего развития таких систем они прокладывают путь к более безопасному, интеллектуальному и эффективному транспорту в ночное время.

Готов интегрировать vision AI в свои проекты? Присоединяйся к нашему активному сообществу и узнай о таких инновациях, как AI в автомобильной отрасли и vision AI в робототехнике. Посети наш репозиторий на GitHub, чтобы узнать больше. Чтобы начать работу с компьютерным зрением уже сегодня, ознакомься с нашими вариантами лицензирования.