3 октября 2025 г.
Узнайте, что делает ночное обнаружение трафика с помощью видео сложной задачей — от плохой видимости до бликов, и как компьютерное зрение повышает безопасность и улучшает трафик.
Дороги выглядят по-разному в темноте не только для водителей, но и для систем, отвечающих за их безопасность. Плохая видимость, блики фар и быстро движущиеся отражения могут затруднить обнаружение транспортных средств в ночное время.
Традиционные методы, такие как визуальное наблюдение или камеры, основанные на движении, в основном полагаются на человеческое суждение и простые признаки движения. Это может быть ненадежным в условиях низкой освещенности или сложной дорожной обстановки. Эти методы могут неправильно идентифицировать транспортные средства или пешеходов, что приводит к ложным обнаружениям или пропущенным наблюдениям.
Искусственный интеллект (ИИ), глубокое обучение и компьютерное зрение могут устранить этот пробел за счет автоматизации обнаружения и распознавания транспортных средств. В частности, компьютерное зрение — это раздел ИИ, который позволяет машинам видеть и интерпретировать визуальные данные. Когда дело доходит до обнаружения трафика в ночное время, модели Vision AI могут выходить за рамки яркости или движения, учась распознавать сложные закономерности, которые повышают 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 режиме реального времени, обнаруживая и классифицируя несколько объектов в кадре и отслеживая их в последовательностях.
Эти возможности стали возможными благодаря различным задачам компьютерного зрения, таким как обнаружение объектов и сегментация экземпляров, даже когда фары, тени или перекрывающиеся транспортные средства затрудняют обнаружение. Они позволяют модели идентифицировать, классифицировать и различать объекты.
В этой статье мы рассмотрим проблемы мониторинга дорожного движения в ночное время, посмотрим, как компьютерное зрение решает их, и где Vision AI применяется в реальных системах мониторинга дорожного движения. Начнем!
Прежде чем изучать, как компьютерное зрение решает проблемы обнаружения трафика в ночное время, давайте посмотрим, почему обнаружение транспортных средств в темноте так сложно. Вот несколько факторов, которые следует учитывать:
Модели компьютерного зрения обучаются с использованием больших коллекций изображений, известных как наборы данных. Эти наборы данных тщательно маркируются объектами, которые они содержат, такими как автомобили, грузовики, пешеходы и велосипеды, и служат основой для обучения. Изучая эти помеченные примеры, модель учится распознавать закономерности, что позволяет ей идентифицировать и обнаруживать объекты в новых видеоматериалах.
Во время обучения модель извлекает признаки из данных и использует их для повышения точности обнаружения. Этот процесс помогает уменьшить количество пропущенных обнаружений и ложных срабатываний, когда модель сталкивается с реальными дорожными сценами.
Однако создание наборов данных или коллекций данных для ночных условий является гораздо более сложной задачей. Плохое качество видео затрудняет маркировку и повышает вероятность ошибок. Кроме того, редкие, но важные события, такие как аварии или необычное поведение при вождении, трудно зафиксировать в ночное время. Это приводит к ограниченному количеству обучающих примеров для моделей.
Для решения этой проблемы исследователи разработали специализированные эталонные наборы данных. Эталонный набор данных — это больше, чем просто набор изображений. Он включает в себя стандартизированные метки, протоколы оценки и показатели производительности, такие как точность, полнота и средняя средняя точность (mAP). Эти метрики позволяют тестировать и сравнивать различные алгоритмы в одинаковых условиях, обеспечивая справедливую и последовательную оценку.
Например, эталонный набор данных ExDark содержит 7363 изображения, снятых при слабом освещении, по 12 категориям объектов (велосипед, лодка, бутылка, автобус, автомобиль, кошка, стул, чашка, собака, мотоцикл, люди, стол). Каждое изображение аннотировано ограничивающими рамками, и этот набор данных широко используется в исследованиях для оценки обнаружения объектов и классификации в условиях плохого освещения.
Аналогично, эталонный набор данных NightOwls предоставляет около 115 000 ночных изображений с примерно 279 000 аннотациями пешеходов. Он стал ключевым ресурсом для оценки систем обнаружения пешеходов, которые играют жизненно важную роль в безопасности дорожного движения и передовых системах помощи водителю (ADAS).
Теперь, когда у нас есть лучшее понимание связанных с этим проблем и потребности в наборах данных, давайте подробнее рассмотрим, как системы на основе машинного зрения могут интерпретировать ночные видеозаписи дорожного движения.
Такие модели, как YOLO11 и YOLO26, поддерживают задачи компьютерного зрения, такие как обнаружение объектов, отслеживание и сегментация экземпляров, что позволяет анализировать трафик даже в условиях низкой освещенности. Вот обзор задач Vision AI, которые эти модели поддерживают для анализа ночного трафика:
Мы обсудили обучение моделей, необходимость в наборах данных и задачи, которые поддерживают такие модели, как YOLO11 и YOLO26. Но чтобы собрать все воедино, необходимо рассмотреть еще одну концепцию: как эти модели фактически применяются для ночного мониторинга.
Ultralytics YOLO модели поставляются в виде предварительно обученных версий, то есть они уже были обучены на больших наборах данных общего назначения, таких как набор данных COCO, который охватывает многие повседневные объекты. Это дает модели прочную базовую способность обнаруживать и классифицировать объекты.
Однако, поскольку эти наборы данных содержат очень мало примеров при слабом освещении или в ночное время, предварительно обученные модели не очень хорошо справляются с бликами, тенями или плохой контрастностью. Чтобы они были эффективными для обнаружения трафика в ночное время, их необходимо дообучить на специализированных наборах данных, отражающих реальные ночные условия.
Тонкая настройка или пользовательское обучение включает в себя обучение модели на дополнительных размеченных изображениях, снятых в условиях низкой освещенности, таких как автомобили при свете фар, пешеходы на пешеходных переходах или оживленные перекрестки ночью, чтобы она изучила уникальные особенности ночных сцен.
После обучения на пользовательских данных модель может поддерживать такие задачи, как обнаружение, отслеживание, сегментация или классификация, с гораздо большей точностью в условиях низкой освещенности. Это позволяет дорожным службам применять такие модели для практических задач, таких как подсчет транспортных средств, оценка скорости, адаптивное управление сигналами и предотвращение аварий в ночное время.
Далее, давайте посмотрим, как компьютерное зрение может быть применено в реальных системах ночного дорожного движения.
Городские перекрестки — одни из самых сложных мест для управления, особенно ночью, когда видимость ухудшается, а транспортный поток становится менее предсказуемым. Традиционные сигналы полагаются на фиксированные таймеры, которые не могут реагировать на изменения в режиме реального времени. Исследования показывают, что это не только тратит время водителей, но и приводит к ненужному расходу топлива и задержкам.
Именно здесь системы компьютерного зрения могут помочь преодолеть эту проблему. Эти системы могут отслеживать движение транспортных средств и определять их количество в режиме реального времени. Затем данные передаются в адаптивные системы управления дорожным движением. Это позволяет сигналам быстро адаптироваться к фактическим дорожным условиям. Так, если одна полоса перегружена, а другая пуста, время работы светофора можно мгновенно отрегулировать для устранения заторов.
Вождение ночью более рискованно, чем днем, потому что ухудшенная видимость, неравномерное освещение и блики затрудняют водителям оценку расстояний. Фактически, исследования показывают, что количество смертельных случаев на километр ночью может быть в три раза выше, чем днем.
Традиционные методы мониторинга, такие как стационарные камеры видеонаблюдения, дорожное патрулирование, датчики присутствия транспортных средств и системы сигнализации с фиксированным временем, работают реактивно и могут не обнаружить опасные ситуации достаточно рано, чтобы предотвратить их возникновение.
Решения в области компьютерного зрения могут решить эту проблему, анализируя потоковое видео в реальном времени и выявляя необычные закономерности на дороге или автомагистрали. Используя отслеживание объектов, эти системы могут контролировать поведение транспортных средств в режиме реального времени и выдавать предупреждения, если что-то кажется ненормальным.
Например, если движущееся транспортное средство перестраивается между полосами, движется слишком быстро в перегруженном районе или внезапно замедляется, система может отметить это в режиме реального времени. Это означает, что власти могут быстро реагировать и предотвращать аварии до того, как они произойдут.
Для автономных транспортных средств и ADAS вождение в ночное время сопряжено со своими проблемами. Низкая видимость и непредсказуемые схемы движения затрудняют надежную работу традиционных датчиков, что вызывает опасения по поводу безопасности.
Компьютерное зрение улучшает эти системы, выполняя такие задачи, как обнаружение объектов, отслеживание полосы движения и сегментация, позволяя транспортным средствам распознавать пешеходов, другие автомобили и препятствия даже в условиях плохой освещенности. В сочетании с радаром или LiDAR (Light Detection and Ranging), которые отображают окружающую среду в 3D, добавленный визуальный слой помогает ADAS предоставлять ранние предупреждения и дает автономным транспортным средствам осведомленность, необходимую для более безопасной навигации в ночное время.
Превышение скорости является причиной каждой третьей смерти в дорожно-транспортных происшествиях во всем мире, и риск только возрастает в ночное время. Темнота затрудняет сотрудникам дорожной полиции выявление нарушений, поскольку детали, которые хорошо видны при дневном свете, часто размываются после наступления темноты.
Именно поэтому такие нарушения, как превышение скорости на пустых дорогах, проезд на красный свет или выезд на встречную полосу, часто остаются безнаказанными. Компьютерное зрение решает эту проблему, используя инфракрасные камеры для обнаружения нарушений даже в условиях низкой освещенности. Эти системы создают зоны обнаружения, где регистрируются инциденты, сокращая количество ложных срабатываний и предоставляя четкие, проверяемые доказательства. Для транспортных органов это означает меньше слепых зон и меньшую зависимость от ручных проверок.
Вот некоторые преимущества использования Vision AI для обнаружения трафика в ночное время.
Несмотря на свои преимущества, обнаружение трафика в ночное время с использованием Vision AI также имеет определенные ограничения. Вот некоторые факторы, которые следует учитывать:
По мере роста городов и увеличения интенсивности дорожного движения системы ночного обнаружения трафика становятся все более интеллектуальными и адаптивными. Например, тепловизионные камеры и инфракрасные датчики могут обнаруживать тепловые сигнатуры людей и транспортных средств, что позволяет видеть даже в полной темноте. Это уменьшает количество ошибок, которые возникают, когда стандартные камеры испытывают трудности с бликами или недостаточным освещением.
Еще один набирающий популярность подход — слияние данных с камер и лидаров. Камеры предоставляют детальные изображения дороги, а лидар генерирует точную 3D-карту. Совместное использование улучшает точность обнаружения полос движения, транспортных средств и препятствий, особенно в условиях низкой освещенности или умеренного тумана.
В то же время достижения в области улучшения изображений при слабом освещении, распознавания пешеходов и идентификации номерных знаков расширяют возможности компьютерного зрения. Благодаря этим улучшениям даже плохо освещенные дороги и перекрестки можно контролировать с большей надежностью и меньшим количеством ошибок.
Обнаружение транспортных средств в ночное время всегда было сложной задачей для мониторинга дорожного движения, но компьютерное зрение делает ее более управляемой. Уменьшая воздействие бликов и обрабатывая сложные сцены дорожного движения, оно обеспечивает более точную картину того, как ведут себя дороги в темное время суток. Поскольку эти системы продолжают развиваться, они открывают путь к более безопасным, интеллектуальным и эффективным перевозкам в ночное время.
Готовы интегрировать Vision AI в свои проекты? Присоединяйтесь к нашему активному сообществу и откройте для себя такие инновации, как ИИ в автомобильной промышленности и Vision AI в робототехнике. Посетите наш репозиторий на GitHub, чтобы узнать больше. Чтобы начать работу с компьютерным зрением уже сегодня, ознакомьтесь с нашими вариантами лицензирования.
.webp)