Phát hiện phương tiện trong video giao thông ban đêm: Vì sao độ chính xác là yếu tố then chốt

Đường sá trông khác khi trời tối, không chỉ đối với tài xế mà còn với các hệ thống chịu trách nhiệm đảm bảo an toàn. Tầm nhìn kém, ánh đèn pha chói và phản chiếu chuyển động nhanh có thể khiến việc phát hiện phương tiện vào ban đêm trở nên khó khăn hơn.

Các phương pháp truyền thống, chẳng hạn như quan sát thủ công hoặc camera dựa trên chuyển động, chủ yếu phụ thuộc vào đánh giá của con người và các tín hiệu chuyển động đơn giản. Những phương pháp này có thể không đáng tin cậy trong điều kiện thiếu sáng hoặc giao thông phức tạp. Chúng có thể nhận diện nhầm phương tiện hoặc người đi bộ, dẫn đến phát hiện sai hoặc bỏ sót đối tượng.

Hình 1. Ví dụ về một con đường tối thiếu ánh sáng vào ban đêm (Nguồn)

Trí tuệ nhân tạo (AI), deep learning và thị giác máy tính có thể thu hẹp khoảng cách bằng cách tự động hóa việc phát hiện và nhận dạng phương tiện. Cụ thể, thị giác máy tính là một nhánh của AI cho phép máy móc quan sát và diễn giải dữ liệu hình ảnh. Đối với việc phát hiện phương tiện trong video giao thông ban đêm, các model AI thị giác có thể vượt xa việc chỉ dựa vào độ sáng hoặc chuyển động, đồng thời học cách nhận diện các mẫu phức tạp để cải thiện độ chính xác.

Ví dụ, các model thị giác máy tính như Ultralytics YOLO26 và Ultralytics YOLO11 nổi tiếng về tốc độ và độ chính xác. Các model này có thể xử lý dữ liệu video và hình ảnh theo thời gian thực, phát hiện và phân loại nhiều đối tượng trong một khung hình, đồng thời theo dõi chúng qua các chuỗi khung hình.

Những khả năng này được hỗ trợ bởi nhiều tác vụ thị giác khác nhau, chẳng hạn như phát hiện đối tượng và phân đoạn instance, kể cả khi đèn pha, bóng đổ hoặc các phương tiện che khuất lẫn nhau khiến việc phát hiện trở nên khó khăn. Những tác vụ này cho phép model nhận diện, phân loại và phân biệt các đối tượng.

Trong bài viết này, chúng ta sẽ tìm hiểu những thách thức của việc giám sát giao thông ban đêm, xem computer vision giải quyết các thách thức đó như thế nào và AI thị giác đang được ứng dụng ra sao trong các hệ thống giám sát giao thông thực tế.

Thách thức khi phát hiện vào ban đêm#

Trước khi tìm hiểu cách thị giác máy tính giải quyết các thách thức trong việc phát hiện giao thông ban đêm, hãy xem vì sao việc nhận biết phương tiện sau khi trời tối lại khó khăn đến vậy. Dưới đây là một số yếu tố cần cân nhắc:

• Tầm nhìn hạn chế: Ánh sáng yếu và điều kiện chiếu sáng kém khiến camera khó ghi lại cảnh quay rõ nét, chi tiết. Chất lượng hình ảnh suy giảm có thể khiến phương tiện hòa lẫn vào nền hoặc bị nhận diện sai hoàn toàn.
• Điều kiện thời tiết: Mưa, sương mù, mù khô hoặc thậm chí bụi có thể làm giảm thêm chất lượng video. Những điều kiện này khiến các hệ thống phát hiện khó phân biệt phương tiện với môi trường xung quanh hơn.
• Đèn pha và đèn hậu: Ánh sáng mạnh và hiện tượng phản chiếu có thể làm camera quá tải. Chúng có thể gây ra trường hợp phát hiện nhầm phương tiện, khi các đốm sáng bị nhận diện là xe, khiến thuật toán phát hiện bị nhầm lẫn và giảm độ chính xác.
• Phương tiện bị che khuất: Khi giao thông đông đúc, phương tiện có thể bị các phương tiện khác che khuất một phần hoặc hoàn toàn. Hiện tượng che khuất gây khó khăn cho việc theo dõi, đếm và phân loại phương tiện, đặc biệt khi nhiều đối tượng tham gia giao thông chồng lấp trong cùng một khung hình.

Nhu cầu về bộ dữ liệu benchmark và metric cho ban đêm#

Các model thị giác máy tính được huấn luyện bằng những tập hợp hình ảnh lớn gọi là dataset. Các dataset này được gán nhãn cẩn thận cho những đối tượng có trong ảnh, chẳng hạn như ô tô, xe tải, người đi bộ và xe đạp, và là nền tảng cho quá trình huấn luyện. Bằng cách học từ các ví dụ đã gán nhãn, model học cách nhận diện mẫu, nhờ đó có thể xác định và phát hiện đối tượng trong cảnh quay video mới.

Hình 2. Sử dụng thị giác máy tính để phát hiện phương tiện và người đi bộ trong giao thông (Nguồn)

Trong quá trình huấn luyện, model trích xuất đặc trưng từ dữ liệu và sử dụng chúng để cải thiện độ chính xác phát hiện. Quy trình này giúp giảm số lần bỏ sót và cảnh báo sai khi model được đưa vào các tình huống giao thông thực tế.

Tuy nhiên, việc xây dựng dataset hoặc tập hợp dữ liệu cho điều kiện ban đêm khó khăn hơn nhiều. Chất lượng video kém khiến việc gán nhãn tốn thời gian và dễ xảy ra sai sót. Ngoài ra, các sự kiện hiếm gặp nhưng quan trọng, chẳng hạn như tai nạn hoặc hành vi lái xe bất thường, có thể khó ghi lại trong điều kiện ban đêm. Vì vậy, số lượng ví dụ huấn luyện để model học bị hạn chế.

Để giải quyết vấn đề này, các nhà nghiên cứu đã phát triển những bộ dữ liệu benchmark chuyên biệt. Một bộ dữ liệu benchmark không chỉ là tập hợp hình ảnh. Bộ dữ liệu này còn có nhãn được chuẩn hóa, quy trình đánh giá và các metric hiệu năng như precision, recall và độ chính xác trung bình (mAP). Những metric này cho phép kiểm thử và so sánh các thuật toán khác nhau trong cùng điều kiện, đảm bảo việc đánh giá công bằng và nhất quán.

Ví dụ, bộ dữ liệu benchmark ExDark có 7.363 hình ảnh thiếu sáng thuộc 12 danh mục đối tượng (xe đạp, thuyền, chai, xe buýt, ô tô, mèo, ghế, cốc, chó, xe máy, người, bàn). Mỗi hình ảnh được gán bounding box và bộ dữ liệu này được sử dụng rộng rãi trong nghiên cứu để đánh giá khả năng phát hiện và phân loại đối tượng trong điều kiện chiếu sáng kém.

Hình 3. Một phần dữ liệu trong dataset ExDark (Nguồn)

Tương tự, bộ dữ liệu benchmark NightOwls cung cấp khoảng 115.000 hình ảnh ban đêm với khoảng 279.000 nhãn người đi bộ. Bộ dữ liệu này đã trở thành nguồn tài nguyên quan trọng để đánh giá các hệ thống phát hiện người đi bộ, vốn đóng vai trò thiết yếu trong an toàn đường bộ và hệ thống hỗ trợ lái xe tiên tiến (ADAS).

Các dataset lái xe như BDD100K, bao gồm cảnh ban đêm, và dataset hồng ngoại khả kiến trong điều kiện thiếu sáng LLVIP cũng có trên Ultralytics Platform để huấn luyện và kiểm thử các model YOLO.

Thị giác máy tính hỗ trợ phát hiện video giao thông ban đêm như thế nào#

Giờ đây, khi đã hiểu rõ hơn về các thách thức và nhu cầu về dataset, hãy cùng tìm hiểu kỹ hơn cách các hệ thống dựa trên thị giác có thể diễn giải video giao thông ban đêm.

Các model như YOLO11 và YOLO26 hỗ trợ những tác vụ computer vision như phát hiện đối tượng, phân đoạn instance và theo dõi, cho phép phân tích giao thông ngay cả trong điều kiện thiếu sáng. Dưới đây là tổng quan về các tác vụ AI thị giác mà những model này hỗ trợ để phân tích giao thông ban đêm:

• Phát hiện đối tượng: Tác vụ này có thể được dùng để nhận diện và xác định vị trí phương tiện, người đi bộ, xe đạp và những đối tượng tham gia giao thông khác trong từng khung hình, thường bằng cách vẽ bounding box quanh chúng.
• Phân đoạn instance: Tác vụ này có thể phân biệt từng đối tượng riêng lẻ ngay cả khi chúng chồng lấp, cung cấp chi tiết ở cấp độ pixel để cải thiện độ chính xác trong điều kiện ban đêm phức tạp.
• Phân loại hình ảnh: Tác vụ này gán toàn bộ hình ảnh hoặc một đối tượng đã phát hiện vào danh mục được xác định trước, chẳng hạn như ô tô, xe buýt, xe tải hoặc xe máy.
• Phát hiện bounding box định hướng (OBB): Tác vụ này xác định chính xác góc và hướng của đối tượng, cải thiện độ chính xác khi phương tiện xuất hiện theo đường chéo hoặc ở vị trí bất thường trong giao thông ban đêm.
• Theo dõi đối tượng: Tác vụ này giúp theo dõi các đối tượng đã phát hiện qua nhiều khung hình, cho phép nhận diện cùng một phương tiện hoặc người đi bộ theo thời gian. Nhờ đó, có thể ước tính tốc độ phương tiện và giám sát lưu lượng giao thông.

Sử dụng model Ultralytics YOLO để giám sát ban đêm#

Chúng ta đã thảo luận về quá trình huấn luyện model, nhu cầu về dataset và các tác vụ mà những model như YOLO11 và YOLO26 hỗ trợ. Nhưng để kết nối tất cả các nội dung này, còn một khái niệm cần tìm hiểu: cách những model này được ứng dụng thực tế vào việc giám sát ban đêm.

Các model Ultralytics YOLO có sẵn dưới dạng phiên bản pretrained, nghĩa là chúng đã được huấn luyện trên những dataset đa dụng quy mô lớn như dataset COCO, bao gồm nhiều đối tượng thường gặp hằng ngày. Nhờ vậy, model có nền tảng vững chắc để phát hiện và phân loại đối tượng.

Tuy nhiên, do các dataset này có rất ít ví dụ trong điều kiện thiếu sáng hoặc ban đêm, các model được huấn luyện trước thường gặp khó khăn với ánh sáng chói, bóng đổ hoặc độ tương phản thấp. Để hoạt động hiệu quả khi phát hiện giao thông ban đêm trong video, các model cần được tinh chỉnh trên những dataset chuyên biệt phản ánh điều kiện thực tế vào ban đêm.

Fine-tune hoặc huấn luyện tùy chỉnh là quá trình huấn luyện model trên các hình ảnh bổ sung đã gán nhãn, được ghi lại trong điều kiện thiếu sáng, chẳng hạn như phương tiện dưới ánh đèn pha chói, người đi bộ trên vạch qua đường hoặc giao lộ đông đúc vào ban đêm, để model học được các đặc trưng riêng của cảnh ban đêm.

Sau khi được huấn luyện tùy chỉnh, model có thể thực hiện các tác vụ như phát hiện, theo dõi, phân đoạn hoặc phân loại với độ chính xác cao hơn nhiều trong điều kiện thiếu sáng. Nhờ đó, cơ quan quản lý giao thông có thể áp dụng các model này vào những trường hợp thực tế như đếm phương tiện, ước tính tốc độ, điều khiển tín hiệu thích ứng và ngăn ngừa tai nạn vào ban đêm.

Ứng dụng AI thị giác trong phát hiện video giao thông ban đêm#

Tiếp theo, hãy tìm hiểu cách ứng dụng thị giác máy tính trong các hệ thống giao thông ban đêm ngoài thực tế.

Tín hiệu giao thông thông minh có thể hỗ trợ quy hoạch đô thị thông minh#

Các giao lộ đô thị là một trong những khu vực khó quản lý nhất, đặc biệt vào ban đêm khi tầm nhìn giảm và lưu lượng giao thông trở nên khó dự đoán hơn. Đèn tín hiệu truyền thống dựa vào bộ hẹn giờ cố định và không thể phản ứng với những thay đổi theo thời gian thực. Nghiên cứu cho thấy điều này không chỉ khiến tài xế mất thời gian mà còn dẫn đến lãng phí nhiên liệu và chậm trễ không cần thiết.

Đây là lúc các hệ thống computer vision có thể hỗ trợ. Những hệ thống này có thể giám sát chuyển động của phương tiện và đếm số lượng phương tiện theo thời gian thực. Dữ liệu sau đó được đưa vào các hệ thống điều khiển giao thông thích ứng. Nhờ vậy, đèn tín hiệu có thể nhanh chóng điều chỉnh theo tình hình thực tế trên đường. Chẳng hạn, nếu một làn đường đông xe còn làn khác thông thoáng, thời gian đèn có thể được điều chỉnh ngay lập tức để giải tỏa các điểm ùn tắc.

Phòng ngừa tai nạn#

Lái xe vào ban đêm nguy hiểm hơn ban ngày vì tầm nhìn giảm, ánh sáng không đồng đều và hiện tượng chói khiến tài xế khó phán đoán khoảng cách. Trên thực tế, các nghiên cứu cho thấy tỷ lệ tai nạn chết người trên mỗi kilomet vào ban đêm có thể cao gấp ba lần so với ban ngày.

Các phương pháp giám sát thông thường, chẳng hạn như camera giám sát cố định, tuần tra đường bộ, cảm biến phát hiện phương tiện và hệ thống tín hiệu theo thời gian cố định, hoạt động theo hướng phản ứng và có thể không phát hiện tình huống nguy hiểm đủ sớm để ngăn chặn sự cố.

Các giải pháp thị giác máy tính có thể giải quyết vấn đề này bằng cách phân tích luồng video trực tiếp và phát hiện các mẫu bất thường trên đường hoặc đường cao tốc. Nhờ sử dụng tính năng theo dõi đối tượng, các hệ thống này có thể giám sát hành vi phương tiện theo thời gian thực và gửi cảnh báo khi phát hiện dấu hiệu bất thường.

Ví dụ, nếu một phương tiện đang chuyển làn, chạy quá nhanh trong khu vực đông đúc hoặc đột ngột giảm tốc, hệ thống có thể gắn cờ phương tiện đó theo thời gian thực. Nhờ vậy, cơ quan chức năng có thể phản ứng nhanh chóng và ngăn tai nạn trước khi xảy ra.

Lái xe tự hành và ADAS#

Đối với xe tự hành và ADAS, việc lái xe ban đêm đặt ra những thách thức riêng. Tầm nhìn hạn chế và lưu lượng giao thông khó dự đoán khiến các cảm biến truyền thống khó hoạt động đáng tin cậy, làm gia tăng lo ngại về an toàn.

Thị giác máy tính nâng cao các hệ thống này bằng cách xử lý những tác vụ như phát hiện đối tượng, theo dõi làn đường và phân đoạn, cho phép phương tiện nhận diện người đi bộ, ô tô khác và chướng ngại vật ngay cả trong điều kiện chiếu sáng kém. Khi kết hợp với radar hoặc LiDAR (công nghệ đo khoảng cách và phát hiện bằng ánh sáng), dùng để lập bản đồ môi trường xung quanh dưới dạng 3D, lớp thông tin hình ảnh bổ sung giúp ADAS đưa ra cảnh báo sớm và cung cấp cho xe tự hành khả năng nhận biết cần thiết để di chuyển an toàn hơn vào ban đêm.

Hình 4. Cảnh quay phương tiện được ghi lại trong cả điều kiện ban ngày và ban đêm (Nguồn)

Thực thi pháp luật và phát hiện vi phạm#

Chạy quá tốc độ là nguyên nhân gây ra một trong ba ca tử vong do tai nạn giao thông trên toàn thế giới, và nguy cơ này còn cao hơn vào ban đêm. Trời tối khiến cảnh sát giao thông khó phát hiện vi phạm hơn, vì những chi tiết dễ nhìn thấy vào ban ngày thường trở nên mờ nhòe sau khi trời tối.

Đó là lý do những vi phạm như chạy quá tốc độ trên đường vắng, vượt đèn đỏ hoặc đi chệch sang làn đường ngược chiều thường không bị xử phạt. Thị giác máy tính giải quyết vấn đề này bằng cách sử dụng camera hồng ngoại để phát hiện vi phạm ngay cả trong điều kiện thiếu sáng. Các hệ thống này tạo vùng phát hiện để ghi lại sự cố, giảm kết quả dương tính giả và cung cấp bằng chứng rõ ràng, có thể xác minh. Đối với cơ quan quản lý giao thông, điều này đồng nghĩa với ít điểm mù hơn và giảm phụ thuộc vào việc kiểm tra thủ công.

Ưu và nhược điểm của việc phát hiện video giao thông ban đêm#

Dưới đây là một số lợi ích của việc sử dụng AI thị giác để phát hiện video giao thông ban đêm.

• Khả năng mở rộng: Sau khi được fine-tune, các model có thể triển khai trên nhiều camera hoặc giao lộ, hỗ trợ giám sát toàn thành phố.
• Phân tích dự đoán: Có thể sử dụng dữ liệu video lịch sử để dự báo tình trạng ùn tắc và các khu vực dễ xảy ra tai nạn, hỗ trợ triển khai biện pháp phòng ngừa.
• Tối ưu hóa nguồn lực: Công nghệ này cung cấp cho cơ quan chức năng thông tin chuyên sâu theo thời gian thực, giúp phân bổ lực lượng tuần tra đường bộ và dịch vụ khẩn cấp hiệu quả hơn.

Dù có nhiều lợi ích, việc phát hiện giao thông ban đêm bằng AI thị giác cũng tồn tại một số hạn chế. Dưới đây là những yếu tố cần lưu ý:

• Phụ thuộc vào dữ liệu: Độ chính xác của các hệ thống AI thị giác phụ thuộc nhiều vào khả năng tiếp cận các dataset chất lượng cao, bao quát nhiều điều kiện ban đêm khác nhau.
• Thách thức từ môi trường: Các yếu tố thời tiết như mưa, sương mù hoặc mù khô, cùng với những vấn đề thực tế như ống kính camera bẩn hoặc lệch hướng, có thể làm giảm hiệu năng phát hiện và đòi hỏi bảo trì thường xuyên.
• Yêu cầu phần cứng: Việc chạy các model AI tiên tiến thường đòi hỏi GPU hiệu năng cao hoặc thiết bị edge chuyên dụng, khiến triển khai trên quy mô lớn tốn kém và phức tạp.

Tương lai của các hệ thống giao thông thông minh vào ban đêm#

Khi các thành phố mở rộng và đường sá trở nên đông đúc hơn, việc phát hiện giao thông ban đêm đang hướng đến các hệ thống thông minh và phản hồi nhanh hơn. Ví dụ, camera nhiệt và cảm biến hồng ngoại có thể phát hiện dấu hiệu nhiệt từ người và phương tiện, cho phép quan sát ngay cả trong bóng tối hoàn toàn. Điều này giúp giảm lỗi xảy ra khi camera thông thường gặp khó khăn do ánh sáng chói hoặc thiếu sáng.

Hình 5. Công nghệ nhìn ban đêm cải thiện khả năng phát hiện người đi bộ vào ban đêm (Nguồn)

Một hướng tiếp cận ngày càng phổ biến khác là hợp nhất camera-LiDAR. Camera cung cấp hình ảnh chi tiết về mặt đường, trong khi LiDAR tạo bản đồ 3D chính xác. Khi kết hợp, hai công nghệ này cải thiện độ chính xác trong việc phát hiện làn đường, phương tiện và chướng ngại vật, đặc biệt trong điều kiện thiếu sáng hoặc sương mù nhẹ.

Đồng thời, những tiến bộ trong công nghệ tăng cường hình ảnh thiếu sáng, nhận diện người đi bộ và nhận dạng biển số xe đang mở rộng khả năng của thị giác máy tính. Nhờ những cải tiến này, ngay cả đường sá và giao lộ thiếu ánh sáng cũng có thể được giám sát đáng tin cậy hơn và ít sai sót hơn.

Điểm chính cần ghi nhớ#

Phát hiện phương tiện vào ban đêm luôn là một thách thức đối với công tác giám sát giao thông, nhưng thị giác máy tính đang giúp việc này trở nên dễ quản lý hơn. Bằng cách giảm ảnh hưởng của ánh sáng chói và xử lý các cảnh giao thông phức tạp, công nghệ này cung cấp cái nhìn chính xác hơn về tình hình giao thông sau khi trời tối. Khi các hệ thống này tiếp tục phát triển, chúng đang mở đường cho hoạt động giao thông ban đêm an toàn, thông minh và hiệu quả hơn.

Bạn đã sẵn sàng tích hợp AI thị giác vào dự án của mình chưa? Hãy tham gia cộng đồng năng động của chúng tôi và khám phá những đổi mới như AI trong ngành ô tô và AI thị giác trong robot học. Truy cập kho GitHub để khám phá thêm. Để bắt đầu với thị giác máy tính ngay hôm nay, hãy xem các tùy chọn cấp phép của chúng tôi.