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 изображения в режиме реального времени, обнаруживая и классифицируя множество объектов в одном кадре и отслеживая их во всей последовательности.
Эти возможности становятся возможными благодаря различным задачам зрения, таким как обнаружение объектов и сегментация экземпляров, даже когда фары, тени или перекрывающие друг друга автомобили затрудняют обнаружение. Они позволяют модели идентифицировать, classify 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:
Для обучения моделей компьютерного зрения используются большие коллекции изображений, называемые наборами данных. Эти наборы данных тщательно маркируются содержащимися в них объектами, такими как легковые и грузовые автомобили, пешеходы и велосипеды, и служат основой для обучения. Изучая эти помеченные примеры, модель учится распознавать закономерности, что позволяет ей идентифицировать и detect объекты на 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 не просто коллекция изображений. Он включает в себя стандартные метки, протоколы оценки и такие показатели эффективности, как точность, отзыв и средняя точностьmAP). 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.
Модели YOLO11 и YOLO26 поддерживают такие задачи компьютерного зрения, как обнаружение объектов, отслеживание и сегментация экземпляров, что позволяет анализировать дорожное движение даже в условиях недостаточной освещенности. Вот обзор задач компьютерного зрения, которые поддерживают эти модели для анализа ночного движения:
Мы обсудили обучение модели, необходимость наборов данных и задачи, которые решают такие модели, как YOLO11 и YOLO26. Но чтобы собрать все это воедино, необходимо рассмотреть еще одну концепцию: как эти модели применяются для ночного мониторинга.
Модели Ultralytics YOLO поставляются в виде предварительно обученных версий, то есть они уже были обучены на больших наборах данных общего назначения, таких как набор данныхCOCO , который охватывает множество повседневных объектов. Это дает модели сильную базовую способность detect и classify 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 в этом случае системы компьютерного зрения могут помочь справиться с этой проблемой. Эти системы могут отслеживать движение автомобилей и detect их количество в режиме реального времени. Затем эти данные поступают в адаптивные системы управления дорожным движением. Это позволяет быстро перестраивать сигналы в соответствии с реальными дорожными условиями. Так, если одна полоса движения переполнена, а другая пуста, время сигнала может быть мгновенно скорректировано, чтобы устранить узкие места.
Ночное вождение более рискованно, чем дневное, поскольку из-за плохой видимости, неравномерного освещения и бликов водителям сложнее оценивать расстояние. По данным исследований, количество аварий со смертельным исходом на километр в ночное время может быть в три раза выше, чем при дневном свете.
Традиционные методы мониторинга, такие как стационарные камеры наблюдения, дорожные патрули, датчики присутствия транспортных средств и сигнальные системы с фиксированным временем работы, действуют реактивно и не могут detect опасные ситуации на достаточно ранней стадии, 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 загруженности дорог системы обнаружения ночного движения становятся все более интеллектуальными и оперативными. Например, тепловизионные камеры и инфракрасные датчики могут detect тепловые сигналы от людей и транспортных средств, что позволяет видеть даже в полной темноте. Это снижает количество ошибок, возникающих при работе стандартных камер в условиях бликов или плохой освещенности.
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.
