Ngày 3 tháng 10 năm 2025
Từ tầm nhìn kém đến chói sáng, hãy tìm hiểu lý do khiến độ chính xác của việc phát hiện video giao thông ban đêm trở nên khó khăn và cách thị giác máy tính cải thiện sự an toàn và lưu thông.
Đường xá trông khác biệt trong đêm tối, không chỉ với người lái xe mà còn với cả các hệ thống chịu trách nhiệm đảm bảo an toàn. Tầm nhìn kém, ánh đèn pha chói và phản xạ ánh sáng 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 theo dõi chuyển động, chủ yếu dựa vào phán đoán của con người và các tín hiệu chuyển động đơn giản. Điều này có thể không đáng tin cậy trong điều kiện ánh sáng yếu hoặc giao thông phức tạp. Các phương pháp này có thể xác định nhầm phương tiện hoặc người đi bộ, dẫn đến phát hiện sai hoặc bỏ sót quan sát.
Trí tuệ nhân tạo (AI), học sâu 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 nhìn thấy và diễn giải dữ liệu hình ảnh. Khi nói đến việc phát hiện video giao thông ban đêm, các mô hình Vision AI có thể vượt ra ngoài phạm vi độ sáng hoặc chuyển động, học cách nhận dạng các mẫu phức tạp để cải thiện độ chính xác.
Ví dụ, các mô hình thị giác máy tính như Ultralytics YOLO26 và Ultralytics YOLO11 nổi tiếng với tốc độ và độ chính xác. Chúng 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 và theo dõi chúng qua các chuỗi.
Những khả năng này được thực hiện thông qua nhiều tác vụ thị giác khác nhau, chẳng hạn như phát hiện vật thể và phân đoạn đối tượng, ngay cả khi đèn pha, bóng tối hoặc xe cộ chồng chéo khiến việc phát hiện trở nên khó khăn. Chúng cho phép mô hình xác định, phân loại và phân biệt các vật thể.
Trong bài viết này, chúng ta sẽ khám phá những thách thức của việc giám sát giao thông ban đêm, xem công nghệ thị giác máy tính giải quyết chúng như thế nào và Vision AI đang được ứng dụng như thế nào trong các hệ thống giám sát giao thông thực tế. Cùng bắt đầu nào!
Trước khi tìm hiểu cách thị giác máy tính giải quyết những thách thức trong việc phát hiện giao thông ban đêm, hãy cùng xem xét lý do tại sao việc phát hiện phương tiện vào ban đêm lại khó khăn đến vậy. Dưới đây là một vài yếu tố cần cân nhắc:
Các mô hình thị giác máy tính được đào tạo bằng cách sử dụng các bộ sưu tập hình ảnh lớn được gọi là tập dữ liệu. Các tập dữ liệu này được gắn nhãn cẩn thận với các đối tượng mà chúng chứa, chẳng hạn như ô tô, xe tải, người đi bộ và xe đạp, và đóng vai trò là nền tảng cho việc đào tạo. Bằng cách nghiên cứu các ví dụ được gắn nhãn này, mô hình học cách nhận dạng các mẫu, cho phép nó xác định và phát hiện các đối tượng trong cảnh quay video mới.
Trong quá trình đào tạo, mô hình trích xuất các đặc điểm từ dữ liệu và sử dụng chúng để cải thiện độ chính xác phát hiện. Quá trình này giúp giảm thiểu việc bỏ sót phát hiện và báo động giả khi mô hình tiếp xúc với các cảnh giao thông thực tế.
Tuy nhiên, việc xây dựng bộ dữ liệu hoặc thu thập dữ liệu cho điều kiện ban đêm lại khó khăn hơn nhiều. Chất lượng video kém khiến việc ghi nhãn mất nhiều thời gian và dễ mắc lỗi. 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. Điều này dẫn đến số lượng ví dụ đào tạo để mô hình học hỏi bị hạn chế.
Để giải quyết vấn đề này, các nhà nghiên cứu đã phát triển các bộ dữ liệu chuẩn chuyên biệt. Bộ dữ liệu chuẩn không chỉ là một tập hợp các hình ảnh. Nó bao gồm các nhãn chuẩn hóa, giao thức đánh giá và các chỉ số hiệu suất như độ chính xác, độ thu hồi và độ chính xác trung bình (mAP). Các chỉ số này cho phép kiểm tra và so sánh các thuật toán khác nhau trong cùng điều kiện, đảm bảo đánh giá công bằng và nhất quán.
Ví dụ, tập dữ liệu chuẩn ExDark chứa 7.363 hình ảnh thiếu sáng thuộc 12 loại đối tượng (xe đạp, thuyền, chai, xe buýt, ô tô, mèo, ghế, cốc, chó, xe máy, người, bàn). Mỗi hình ảnh đều được chú thích bằng các hộp giới hạn, và tập 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 ánh sáng yếu.
Tương tự, bộ dữ liệu chuẩn NightOwls cung cấp khoảng 115.000 hình ảnh ban đêm với khoảng 279.000 chú thích về 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 giao thông và các hệ thống hỗ trợ lái xe tiên tiến (ADAS).
Bây giờ chúng ta đã hiểu rõ hơn về những thách thức liên quan và nhu cầu về bộ dữ liệu, hãy cùng xem xét kỹ hơn cách các hệ thống dựa trên tầm nhìn có thể diễn giải video giao thông ban đêm.
Các mô hình như YOLO11 và YOLO26 hỗ trợ các tác vụ thị giác máy tính như phát hiện đối tượng, theo dõi và phân đoạn đối tượng, giúp phân tích giao thông ngay cả trong điều kiện ánh sáng yếu. Dưới đây là tổng quan về các tác vụ AI thị giác mà các mô hình này hỗ trợ để phân tích giao thông ban đêm:
Chúng ta đã thảo luận về việc đào tạo mô hình, nhu cầu về bộ dữ liệu và các tác vụ mà các mô hình như YOLO11 và YOLO26 hỗ trợ. Nhưng để tổng hợp lại, còn một khái niệm nữa cần xem xét: cách các mô hình này thực sự được áp dụng vào giám sát ban đêm.
Các mô hình YOLO của Ultralytics có sẵn dưới dạng phiên bản được đào tạo sẵn, nghĩa là chúng đã được đào tạo trên các tập dữ liệu lớn, đa năng, chẳng hạn như tập dữ liệu COCO , bao gồm nhiều vật thể hàng ngày. Điều này mang lại cho mô hình khả năng cơ sở mạnh mẽ để phát hiện và phân loại các vật thể.
Tuy nhiên, vì các tập dữ liệu này chứa rất ít ví dụ về điều kiện ánh sáng yếu hoặc ban đêm, nên các mô hình được đào tạo trước không hiệu quả trong việc xử lý ánh sáng chói, bóng tối hoặc độ tương phản kém. Để chúng có hiệu quả trong việc phát hiện video giao thông ban đêm, chúng cần được tinh chỉnh trên các tập dữ liệu chuyên biệt phản ánh điều kiện ban đêm thực tế.
Quá trình tinh chỉnh hoặc đào tạo tùy chỉnh bao gồm việc đào tạo mô hình trên các hình ảnh có nhãn bổ sung được chụp trong điều kiện ánh sáng yếu, chẳng hạn như xe cộ bị chói đèn pha, người đi bộ ở vạch qua đường hoặc ngã tư đông đúc vào ban đêm, để mô hình học được các đặc điểm riêng biệt của cảnh đêm.
Sau khi được đào tạo tùy chỉnh, mô hình có thể hỗ trợ các tác vụ như phát hiện, theo dõi, phân đoạn hoặc phân loại với độ chính xác cao hơn nhiều trong điều kiện ánh sáng yếu. Điều này cho phép cơ quan quản lý giao thông áp dụng các mô hình này vào các trường hợp sử dụng thực tế như đếm phương tiện, ước tính tốc độ, điều khiển tín hiệu thích ứng và phòng ngừa tai nạn vào ban đêm.
Tiếp theo, chúng ta hãy xem công nghệ thị giác máy tính có thể được áp dụng như thế nào trong hệ thống giao thông ban đêm thực tế.
Giao lộ đô thị là một trong những khu vực khó quản lý nhất, đặc biệt là vào ban đêm khi tầm nhìn giảm và lưu lượng giao thông trở nên khó dự đoán. Đèn tín hiệu giao thông truyền thống dựa vào bộ hẹn giờ cố định, không thể phản hồi kịp thời với những thay đổi theo thời gian thực. Nghiên cứu cho thấy điều này không chỉ lãng phí thời gian của người lái xe mà còn dẫn đến tiêu thụ nhiên liệu không cần thiết và gây chậm trễ .
Đó chính xác là lúc hệ thống thị giác máy tính có thể giúp vượt qua thách thức này. Các hệ thống này có thể giám sát chuyển động của phương tiện và phát hiện số lượng phương tiện theo thời gian thực. Dữ liệu sau đó được đưa vào hệ thống điều khiển giao thông thích ứng. Điều này cho phép tín hiệu điều chỉnh nhanh chóng để đáp ứng với điều kiện đường xá thực tế. Vì vậy, nếu một làn đường đông đúc trong khi làn đường khác trống, thời gian tín hiệu có thể được điều chỉnh ngay lập tức để giải quyết tình trạng tắc nghẽn.
Lái xe ban đêm nguy hiểm hơn ban ngày vì tầm nhìn hạn chế, ánh sáng không đồng đều và ánh sáng chói khiến người lái khó ước lượng khoảng cách. Thực tế, các nghiên cứu cho thấy tỷ lệ tử vong do tai nạn giao thông trên mỗi km 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 hiện diện phương tiện và hệ thống tín hiệu thời gian cố định, hoạt động theo phản ứng và có thể không phát hiện đủ sớm các tình huống nguy hiểm để ngăn chặn chúng xảy ra.
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 mô hình bất thường trên đường hoặc đường cao tốc. Sử dụng tính năng theo dõi đối tượng, các hệ thống này có thể giám sát hành vi của phương tiện theo thời gian thực và đưa ra cảnh báo khi có dấu hiệu bất thường.
Ví dụ, nếu một phương tiện đang di chuyển chuyển làn, di chuyển quá nhanh trong khu vực đông đúc hoặc giảm tốc độ đột ngột, hệ thống có thể cảnh báo theo thời gian thực. Điều này có nghĩa là các cơ quan chức năng có thể phản ứng nhanh chóng và ngăn ngừa tai nạn trước khi chúng xảy ra.
Đối với xe tự hành và ADAS, việc lái xe ban đêm cũng mang đến những thách thức riêng. Tầm nhìn hạn chế và lưu lượng giao thông khó lường khiến các cảm biến truyền thống khó hoạt động đáng tin cậy hơn, làm dấy lên lo ngại về an toàn.
Thị giác máy tính tăng cường các hệ thống này bằng cách xử lý các tác vụ như phát hiện vật thể, theo dõi làn đường và phân đoạn, cho phép xe nhận diện người đi bộ, xe khác và chướng ngại vật ngay cả trong điều kiện ánh sáng yếu. Khi kết hợp với radar hoặc LiDAR (Phát hiện và Đo khoảng cách bằng Ánh sáng), giúp lập bản đồ môi trường xung quanh dưới dạng 3D, lớp hình ảnh bổ sung này giúp ADAS đưa ra cảnh báo sớm và cung cấp cho xe tự hành khả năng nhận thức cần thiết để di chuyển an toàn hơn vào ban đêm.
Tốc độ là nguyên nhân gây ra một phần ba số ca tử vong do tai nạn giao thông trên toàn thế giới, và nguy cơ này càng trở nên nghiêm trọng hơn vào ban đêm. Bóng tối khiến cảnh sát giao thông khó phát hiện vi phạm hơn, vì các chi tiết rõ ràng vào ban ngày thường bị mờ đi khi trời tối.
Đó là lý do tại sao các hành vi vi phạm như chạy quá tốc độ trên đường vắng, vượt đèn đỏ, hoặc đi sai làn đường thường không bị xử phạt. Công nghệ thị giác máy tính giải quyết vấn đề này bằng cách sử dụng camera hồng ngoại để phát hiện các vi phạm ngay cả trong điều kiện ánh sáng yếu. Các hệ thống này tạo ra các vùng phát hiện, nơi các sự cố được ghi lại, giảm thiểu các báo cáo sai và cung cấp bằng chứng rõ ràng, có thể xác minh. Đối với các cơ quan quản lý giao thông, điều này đồng nghĩa với việc giảm thiểu điểm mù và giảm sự phụ thuộc vào việc kiểm tra thủ công.
Sau đây là một số lợi ích khi sử dụng Vision AI để phát hiện video giao thông ban đêm.
Bên cạnh những lợi ích, việc phát hiện giao thông ban đêm bằng Vision AI cũng có một số hạn chế nhất định. Dưới đây là một số yếu tố cần lưu ý:
Khi các thành phố ngày càng phát triển và đường xá ngày càng đông đúc, việc phát hiện giao thông ban đêm đang dần hướng đến các hệ thống thông minh và nhạy bén hơn. Ví dụ, camera nhiệt và cảm biến hồng ngoại có thể phát hiện dấu hiệu nhiệt từ người và phương tiện, giúp quan sát được ngay cả trong bóng tối hoàn toàn. Điều này giúp giảm thiểu lỗi thường gặp khi camera thông thường gặp khó khăn do ánh sáng chói hoặc thiếu sáng.
Một phương pháp đang phát triển khác là kết hợp camera-LiDAR . Camera cung cấp hình ảnh chi tiết về đường xá, trong khi LiDAR tạo ra bản đồ 3D chính xác. Khi kết hợp với nhau, chúng cải thiện độ chính xác trong việc phát hiện làn đường, phương tiện và chướng ngại vật, đặc biệt là trong điều kiện ánh sáng yếu hoặc sương mù vừa phải.
Đồng thời, những tiến bộ trong việc cải thiện hình ảnh thiếu sáng, nhận dạng người đi bộ và nhận dạng biển số xe đang mở rộng khả năng của thị giác máy tính. Với những cải tiến này, ngay cả những con đường và ngã tư thiếu sáng cũng có thể được giám sát với độ tin cậy cao hơn và ít lỗi hơn.
Việc phát hiện phương tiện vào ban đêm luôn là một thách thức đối với việc giám sát giao thông, nhưng công nghệ thị giác máy tính đang giúp việc này trở nên dễ dàng hơn. Bằng cách giảm thiểu tác động của ánh sáng chói và xử lý các tình huống giao thông phức tạp, công nghệ này cung cấp hình ảnh chính xác hơn về tình trạng đường xá sau khi trời tối. Khi các hệ thống này tiếp tục phát triển, chúng đang mở đường cho giao thông an toàn hơn, thông minh hơn và hiệu quả hơn vào ban đêm.
Bạn đã sẵn sàng tích hợp Vision AI 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 công nghiệp ô tô và Vision AI trong robot . Truy cập kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm. Để bắt đầu với thị giác máy tính ngay hôm nay, hãy xem qua các tùy chọn cấp phép của chúng tôi.
.webp)
