Детекция дорожного движения ночью: почему точность имеет значение

Дороги ночью выглядят иначе не только для водителей, но и для систем, отвечающих за их безопасность. Плохая видимость, блики фар и быстро движущиеся отражения могут сделать обнаружение транспортных средств в ночное время более сложной задачей.

Традиционные методы, такие как визуальное наблюдение или камеры с датчиками движения, в основном полагаются на человеческое суждение и простые сигналы движения. Это может быть ненадежно в условиях низкой освещенности или сложной дорожной обстановки. Такие методы могут ошибочно идентифицировать транспортные средства или пешеходов, что приводит к ложным срабатываниям или пропущенным событиям.

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

Искусственный интеллект (ИИ), глубокое обучение и computer vision помогают преодолеть этот разрыв, автоматизируя обнаружение и распознавание транспортных средств. В частности, компьютерное зрение — это ветвь ИИ, которая позволяет машинам видеть и интерпретировать визуальные данные. Когда речь идет об анализе видеопотоков ночного трафика, модели визуального ИИ способны выходить за рамки простой яркости или движения, обучаясь распознаванию сложных паттернов, повышающих точность.

Например, такие модели компьютерного зрения, как Ultralytics YOLO26 и Ultralytics YOLO11, известны своими скоростью и точностью. Они могут обрабатывать видео- и изображения в реальном времени, обнаруживая и классифицируя множество объектов в кадре, а также отслеживая их по ходу последовательности кадров.

Эти возможности реализуются благодаря различным задачам компьютерного зрения, таким как обнаружение объектов и сегментация экземпляров, даже когда свет фар, тени или перекрывающиеся транспортные средства затрудняют обнаружение. Это позволяет модели идентифицировать, классифицировать и различать объекты.

В этой статье мы изучим проблемы ночного мониторинга дорожного движения, узнаем, как computer vision помогает их решить, и где vision AI уже применяется в реальных системах контроля трафика. Давай начнем!

Проблемы обнаружения в ночное время#

Прежде чем изучать, как computer vision решает проблемы обнаружения транспортных средств ночью, давай посмотрим, почему это так сложно. Вот несколько факторов, которые стоит учесть:

• Низкая видимость: Ограниченное освещение и плохие условия освещенности затрудняют получение камерами четких и детализированных кадров. При снижении качества изображения транспортные средства могут сливаться с фоном или вовсе неверно идентифицироваться.

• Погодные условия: Дождь, туман, дымка или даже пыль могут дополнительно ухудшить качество видео. Эти условия усложняют задачам обнаружения отделение транспортных средств от окружающей среды.

• Фары и задние фонари: Яркие лучи и отражения могут перегружать камеры. Это может создавать ложное обнаружение транспортных средств, когда световые пятна принимаются за автомобили, сбивая с толку алгоритмы и снижая точность.

• Перекрытие транспортных средств (окклюзия): В условиях интенсивного движения автомобили могут быть частично или полностью скрыты другими транспортными средствами. Окклюзия усложняет отслеживание, подсчет и классификацию, особенно когда несколько участников дорожного движения перекрывают друг друга в одном кадре.

Необходимость в ночных эталонных наборах данных и метриках#

Модели компьютерного зрения обучаются с использованием больших коллекций изображений, известных как датасеты. Эти датасеты тщательно размечаются по содержащимся в них объектам, таким как автомобили, грузовики, пешеходы и велосипеды, и служат основой для обучения. Изучая эти размеченные примеры, модель учится распознавать паттерны, что позволяет ей идентифицировать и обнаруживать объекты на новых видеозаписях.

Рис. 2. Использование компьютерного зрения для обнаружения транспортных средств и пешеходов в дорожном потоке (Источник)

Во время обучения модель извлекает признаки из данных и использует их для повышения точности обнаружения. Этот процесс помогает сократить количество пропущенных обнаружений и ложных тревог, когда модель сталкивается с реальными дорожными сценами.

Однако создание датасетов или коллекций данных для ночных условий сопряжено со значительными трудностями. Низкое качество видео делает разметку трудоемкой и подверженной ошибкам. Кроме того, редкие, но важные события, такие как аварии или необычное поведение за рулем, бывает трудно зафиксировать в ночных условиях. Это приводит к ограниченному числу примеров для обучения моделей.

Чтобы решить эту проблему, исследователи разработали специализированные эталонные наборы данных (бенчмарки). Эталонный набор данных — это не просто коллекция изображений. Он включает стандартизированную разметку, протоколы оценки и метрики производительности, такие как precision, recall и mAP. Эти метрики позволяют тестировать и сравнивать различные алгоритмы в одинаковых условиях, обеспечивая честную и последовательную оценку.

Например, эталонный датасет ExDark содержит 7363 изображения с низкой освещенностью по 12 категориям объектов (велосипед, лодка, бутылка, автобус, автомобиль, кошка, стул, чашка, собака, мотоцикл, люди, стол). Каждое изображение аннотировано ограничивающими рамками (bounding boxes), и этот датасет широко используется в исследованиях для оценки обнаружения и классификации объектов в условиях плохой освещенности.

Рис. 3. Взгляд на датасет ExDark (Источник)

Аналогичным образом эталонный датасет NightOwls предоставляет около 115 000 ночных изображений с примерно 279 000 аннотаций пешеходов. Он стал ключевым ресурсом для оценки систем обнаружения пешеходов, которые играют жизненно важную роль в обеспечении безопасности дорожного движения и в продвинутых системах помощи водителю (ADAS).

Как computer vision помогает в обнаружении транспортных средств на видео в ночное время#

Теперь, когда у нас есть лучшее понимание проблем и потребности в данных, давай подробнее рассмотрим, как системы на основе компьютерного зрения могут интерпретировать ночные видео с дорог.

Модели вроде YOLO11 и YOLO26 поддерживают такие задачи компьютерного зрения, как обнаружение объектов, трекинг и сегментация экземпляров, что позволяет анализировать дорожное движение даже в условиях низкой освещенности. Вот краткий обзор задач визуального ИИ, которые поддерживают эти модели для анализа ночного трафика:

• Обнаружение объектов (Object detection): Эта задача используется для идентификации и локализации автомобилей, пешеходов, велосипедов и других участников дорожного движения в каждом кадре, обычно путем рисования bbox вокруг них.
• Отслеживание объектов (Object tracking): Помогает сопровождать обнаруженные объекты между кадрами, позволяя распознавать один и тот же автомобиль или пешехода с течением времени, что дает возможность оценивать скорость движения и контролировать транспортный поток.
• Сегментация экземпляров (Instance segmentation): Позволяет различать отдельные объекты, даже когда они перекрываются, предоставляя детализацию на уровне пикселей, что повышает точность в сложных ночных условиях.
• Классификация изображений (Image classification): Эта задача присваивает всему изображению или обнаруженному объекту предопределенную категорию, например, автомобиль, автобус, грузовик или мотоцикл.
• Обнаружение ориентированных bbox (OBB): Фиксирует точный угол и ориентацию объекта, повышая точность, когда транспортные средства появляются по диагонали или в необычных положениях при ночном трафике.

Использование моделей Ultralytics YOLO для ночного мониторинга#

Мы обсудили обучение моделей, необходимость наборов данных и задачи, поддерживаемые моделями вроде YOLO11 и YOLO26. Но чтобы объединить все это, есть еще одна концепция: как эти модели применяются для ночного мониторинга на практике.

Модели Ultralytics YOLO доступны «из коробки» в предобученном виде, что означает их предварительное обучение на крупных универсальных датасетах, таких как COCO dataset, который охватывает множество повседневных объектов. Это дает модели прочную базовую способность обнаруживать и классифицировать объекты.

Однако, поскольку эти наборы данных содержат очень мало примеров при низкой освещенности или ночью, предобученные модели не очень эффективно справляются с бликами, тенями или плохим контрастом. Чтобы сделать их эффективными для обнаружения на видео в ночное время, их необходимо дообучать на специализированных наборах данных, отражающих реальные ночные условия.

Тонкая настройка (fine-tuning) или пользовательское обучение предполагают дообучение модели на дополнительных размеченных изображениях, снятых в условиях низкой освещенности — например, автомобили в свете фар, пешеходы на переходах или загруженные перекрестки ночью, — чтобы модель усвоила уникальные особенности ночных сцен.

После custom training модель может поддерживать такие задачи, как обнаружение, отслеживание, сегментация или классификация, с гораздо более высокой точностью в условиях низкой освещенности. Это позволяет транспортным властям применять такие модели для практических целей, таких как подсчет транспортных средств, оценка скорости, адаптивное управление сигналами и предотвращение аварий ночью.

Приложения Vision AI для обнаружения транспортных средств на видео в ночное время#

Далее давай посмотрим, как computer vision внедряется в реальные ночные дорожные системы.

Умные светофоры могут поддержать планирование умных городов#

Городские перекрестки — одни из самых сложных участков для управления, особенно ночью, когда видимость падает, а транспортный поток становится менее предсказуемым. Традиционные светофоры полагаются на фиксированные таймеры, не способные реагировать на изменения в реальном времени. Исследования показывают, что это не только тратит время водителей, но и ведет к избыточному потреблению топлива и заторам.

Именно здесь системы computer vision могут помочь преодолеть эту проблему. Эти системы способны отслеживать перемещения транспортных средств и подсчитывать их количество в режиме реального времени. Данные затем передаются в адаптивные системы управления трафиком. Это позволяет светофорам быстро реагировать на реальную ситуацию на дороге. Так что, если одна полоса перегружена, а другая пуста, тайминг светофора можно мгновенно настроить для ликвидации заторов.

Предотвращение аварий#

Ночное вождение рискованнее дневного, поскольку ограниченная видимость, неравномерное освещение и блики затрудняют оценку расстояний водителем. Фактически исследования показывают, что уровень смертельных ДТП на один километр ночью может быть до трех раз выше, чем при дневном свете.

Традиционные методы мониторинга, такие как стационарные камеры наблюдения, дорожные патрули, датчики присутствия и светофоры с фиксированным временем работы, действуют реактивно и могут не заметить опасные ситуации достаточно рано, чтобы предотвратить их.

Решения на базе компьютерного зрения помогают решить эту проблему, анализируя живые видеопотоки и выявляя необычные паттерны на дороге или автомагистрали. Используя трекинг объектов, такие системы могут отслеживать поведение транспортных средств в реальном времени и подавать сигналы тревоги при появлении аномалий.

Например, если движущийся автомобиль перестраивается, едет слишком быстро в перегруженной зоне или внезапно замедляется, система может отметить это в режиме реального времени. Это означает, что власти могут отреагировать быстро и предотвратить аварии до того, как они произойдут.

Автономное вождение и ADAS#

Для автономных транспортных средств и ADAS ночное вождение несет свои вызовы. Низкая видимость и непредсказуемые паттерны движения усложняют надежную работу традиционных датчиков, что вызывает вопросы безопасности.

Computer vision улучшает эти системы, беря на себя задачи обнаружения объектов, отслеживания полос и сегментации, позволяя автомобилям распознавать пешеходов, другие машины и препятствия даже при плохом освещении. В сочетании с радаром или LiDAR (Light Detection and Ranging), которые создают 3D-карту окружения, дополнительный визуальный слой помогает ADAS предоставлять ранние предупреждения и дает автономным автомобилям осведомленность, необходимую для более безопасного передвижения ночью.

Рис. 4. Видеоматериалы с транспортными средствами, снятые днем и ночью (Источник)

Правоохранительные органы и выявление нарушений#

Превышение скорости является причиной каждого третьего смертельного ДТП в мире, и риск только возрастает в темное время суток. Темнота усложняет дорожной полиции фиксацию нарушений, так как детали, отчетливые днем, после наступления темноты часто размываются.

Именно поэтому такие нарушения, как превышение скорости на пустых дорогах, проезд на красный свет или выезд на чужую полосу, часто остаются безнаказанными. Computer vision решает эту проблему с помощью инфракрасных камер, которые замечают нарушения даже при слабом свете. Эти системы создают зоны обнаружения, где фиксируются инциденты, снижая количество ложных срабатываний и предоставляя четкие проверяемые доказательства. Для транспортных властей это означает меньше слепых зон и меньшую зависимость от ручных проверок.

Плюсы и минусы обнаружения на видео в ночное время#

Вот некоторые преимущества использования vision AI для ночного обнаружения на дорогах.

• Масштабируемость: После дообучения модели могут быть развернуты на многих камерах или перекрестках, обеспечивая мониторинг в масштабах всего города.
• Предиктивная аналитика: Исторические данные с камер могут использоваться для прогнозирования заторов и зон, склонных к авариям, поддерживая профилактические меры.
• Оптимизация ресурсов: Предоставляет властям инсайты в реальном времени, помогая более эффективно распределять дорожные патрули и службы экстренной помощи.

Несмотря на преимущества, ночное обнаружение с помощью vision AI имеет и свои ограничения. Вот несколько факторов, которые стоит учитывать:

• Зависимость от данных: Точность систем визуального ИИ напрямую зависит от доступа к крупным высококачественным датасетам, охватывающим самые разные ночные условия.

• Экологические факторы: Погодные условия, такие как дождь, туман или дымка, а также практические проблемы, вроде грязных или смещенных линз камер, могут снизить производительность и требуют регулярного обслуживания.

• Аппаратные требования: Запуск продвинутых моделей ИИ часто требует высокопроизводительных GPU или специализированных edge-устройств, что может сделать крупномасштабное развертывание дорогим и сложным.

Будущее интеллектуальных транспортных систем в ночное время#

По мере роста городов и увеличения интенсивности движения системы ночного обнаружения становятся все более интеллектуальными и отзывчивыми. Например, тепловизоры и инфракрасные датчики могут обнаруживать тепловые сигнатуры людей и транспортных средств, что позволяет «видеть» даже в полной темноте. Это снижает ошибки, возникающие, когда стандартные камеры не справляются с бликами или низким освещением.

Рис. 5. Технология ночного видения улучшает обнаружение пешеходов в темное время суток (Источник)

Еще один набирающий популярность подход — слияние данных камер и лидара. Камеры предоставляют детальные изображения дороги, в то время как лидар формирует точную 3D-карту. При совместном использовании они повышают точность обнаружения полос, транспортных средств и препятствий, особенно в условиях низкой освещенности или умеренного тумана.

В то же время достижения в области улучшения изображений при низкой освещенности, распознавания пешеходов и идентификации номерных знаков расширяют возможности computer vision. Благодаря этим улучшениям даже плохо освещенные дороги и перекрестки могут контролироваться с большей надежностью и меньшим количеством ошибок.

Основные выводы#

Обнаружение транспортных средств ночью всегда было сложной задачей для мониторинга, но computer vision делает ее более управляемой. Снижая влияние бликов и справляясь со сложными дорожными сценами, он обеспечивает более точную картину того, как ведут себя дороги в темное время суток. По мере развития этих систем они прокладывают путь к более безопасным, умным и эффективным перевозкам ночью.

Готов интегрировать визуальный ИИ в свои проекты? Присоединяйся к нашему активному сообществу и открывай для себя такие инновации, как ИИ в автомобильной промышленности и компьютерное зрение в робототехнике. Посети наш репозиторий на GitHub, чтобы узнать больше. Чтобы начать работу с компьютерным зрением уже сегодня, ознакомься с нашими вариантами лицензирования.