Phát hiện giao thông trong video ban đêm: Vì sao độ chính xác đóng vai trò then chốt

Đường sá trông khác biệt trong bóng tối, không chỉ đối với người lái xe mà còn đối với các hệ thống chịu trách nhiệm giữ an toàn cho đường phố. Tầm nhìn kém, ánh đèn pha chói và các phản xạ 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 phán đoán của con người và các dấu 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 nhận dạng sai phương tiện hoặc người đi bộ, dẫn đến phát hiện sai hoặc bỏ sót đối tượng.

Hình 1. Ví dụ về một đoạn đường thiếu 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 video giao thông vào ban đêm, các model vision AI có thể vượt ra ngoài việc phân tích độ sáng hoặc chuyển động, học cách nhận dạng các mẫu phức tạp để cải thiện độ chính xác.

Chẳng hạn, các model thị giác máy tính như Ultralytics YOLO26 và Ultralytics YOLO11 nổi tiếng về 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, đồng thời theo dõi chúng qua các chuỗi khung hình.

Các 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, ngay cả khi đèn pha, bóng đổ hoặc các phương tiện chồng lấp khiến việc phát hiện trở nên khó khăn. Chúng cho phép model xác định, 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 cách thị giác máy tính giải quyết chúng và các ứng dụng của vision AI trong những hệ thống giám sát giao thông thực tế. Hãy bắt đầu!

Những 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 phát hiện phương tiện sau khi trời tối lại khó đến vậy. Dưới đây là một số yếu tố cần cân nhắc:

• Tầm nhìn kém: Ánh sáng hạn chế và điều kiện chiếu sáng kém khiến camera khó ghi lại cảnh quay sắc nét, chi tiết. Khi chất lượng hình ảnh giảm, phương tiện có thể hòa lẫn vào hậu cảnh hoặc bị nhận dạng sai hoàn toàn.

• Điều kiện thời tiết: Mưa, sương mù, màn sương hoặc thậm chí bụi có thể làm suy 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: Các luồng sáng mạnh và hiện tượng phản xạ có thể làm camera bị quá tải. Điều này có thể tạo ra phát hiện phương tiện sai, khi các điểm sáng bị nhầm là phương tiện, gây nhiễu cho các thuật toán phát hiện và làm giảm độ chính xác.

• Phương tiện bị che khuất: Trong điều kiện giao thông đông đúc, phương tiện có thể bị che khuất một phần hoặc hoàn toàn phía sau các phương tiện khác. Hiện tượng che khuất làm phức tạp việc theo dõi, đếm và phân loại phương tiện, đặc biệt khi nhiều đối tượng tham gia giao thông chồng lấp trong một khung hình.

Sự cần thiết của các bộ dữ liệu benchmark và metric cho ban đêm#

Các model thị giác máy tính được huấn luyện bằng những tập hợp lớn hình ảnh, được gọi là dataset. Các dataset này được gắn nhãn cẩn thận theo những đối tượng chứa trong đó, chẳng hạn như ô tô, xe tải, người đi bộ và xe đạp, đồng thời làm nền tảng cho quá trình huấn luyện. Bằng cách nghiên cứu các ví dụ đã gắn nhãn này, model học cách nhận dạng các mẫu, từ đó có thể xác định và phát hiện đối tượng trong những 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 các 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 đối tượng và cảnh báo sai khi model được áp dụng cho các cảnh giao thông thực tế.

Tuy nhiên, việc xây dựng dataset hoặc các tập hợp dữ liệu cho điều kiện ban đêm khó khăn hơn nhiều. Chất lượng video kém khiến việc gắn nhãn tốn nhiều 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 bối cảnh ban đêm. Điều này dẫn đến 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 dataset benchmark chuyên biệt. Một dataset benchmark không chỉ đơn thuần là tập hợp các hình ảnh. Nó bao gồm nhãn được chuẩn hóa, các protocol đánh giá và các metric hiệu năng như precision, recall và mean average precision (mAP). Những metric này giúp có thể kiểm thử và so sánh các thuật toán khác nhau trong cùng điều kiện, bảo đảm việc đánh giá công bằng và nhất quán.

Ví dụ, dataset benchmark ExDark chứa 7.363 hình ảnh ánh sáng yếu 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 chú thích bằng bounding box, và dataset 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. Tổng quan về dataset ExDark (Nguồn)

Tương tự, dataset benchmark NightOwls cung cấp khoảng 115.000 hình ảnh ban đêm với xấp xỉ 279.000 chú thích người đi bộ. Dataset này đã trở thành 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 các hệ thống hỗ trợ lái xe tiên tiến (ADAS).

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

Giờ đây, khi đã hiểu rõ hơn về những thách thức liên quan và sự cần thiết của dataset, hãy cùng xem xét 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 các tác vụ thị giác máy tính như phát hiện đối tượng, tracking và phân đoạn instance, giúp phân tích giao thông ngay cả trong điều kiện ánh sáng yếu. Dưới đây là tổng quan về các tác vụ vision AI mà những model này hỗ trợ để phân tích giao thông ban đêm:

• Phát hiện đối tượng: Tác vụ này có thể được sử dụng để xác định và định vị 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 xung quanh chúng.
• Theo dõi đối tượng: Tác vụ này giúp theo dõi các đối tượng đã phát hiện qua nhiều khung hình, cho phép nhận dạng cùng một phương tiện hoặc người đi bộ theo thời gian, từ đó có thể ước tính tốc độ phương tiện và giám sát luồng giao thông.
• Phân đoạn instance: Tác vụ này có thể phân biệt từng đối tượng ngay cả khi chúng chồng lấp, cung cấp chi tiết ở cấp pixel để cải thiện độ chính xác trong các 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 một danh mục được xác định trước, chẳng hạn như ô tô, xe buýt, xe tải hoặc xe máy.
• Phát hiện bounding box có hướng (OBB): Ghi nhận chính xác góc và hướng của đối tượng, cải thiện độ chính xác khi phương tiện xuất hiện theo đường chéo hoặc ở các vị trí bất thường trong giao thông ban đêm.

Sử dụng model Ultralytics YOLO để giám sát ban đêm#

Chúng ta đã thảo luận về việc huấn luyện model, sự cần thiết của dataset và các tác vụ mà những model như YOLO11 và YOLO26 hỗ trợ. Tuy nhiên, để kết nối tất cả các nội dung này, còn một khái niệm nữa cần tìm hiểu: cách các model này thực sự được áp dụng vào hoạt động giám sát ban đêm.

Ngay khi cài đặt, các model Ultralytics YOLO đã có sẵn dưới dạng các phiên bản được huấn luyện trước, nghĩa là chúng đã được huấn luyện trên những dataset đa dụng quy mô lớn, chẳng hạn như dataset COCO, bao phủ nhiều đối tượng thường gặp hằng ngày. Điều này mang lại cho model khả năng nền tảng mạnh mẽ trong việc phát hiện và phân loại đối tượng.

Tuy nhiên, vì các dataset này chứa rất ít ví dụ ánh sáng yếu hoặc ban đêm, các model được huấn luyện trước không xử lý tốt hiện tượng chói, bóng đổ hoặc độ tương phản kém. Để đạt hiệu quả trong việc phát hiện video giao thông ban đêm, chúng cần được fine-tune trên các dataset chuyên biệt phản ánh điều kiện ban đêm trong thực tế.

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

Sau khi được huấn luyện tùy chỉnh, model có thể hỗ trợ các tác vụ như phát hiện, tracking, 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 model này vào những 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.

Các ứng dụng vision AI trong phát hiện video giao thông ban đêm#

Tiếp theo, hãy xem thị giác máy tính có thể được triển khai như thế nào trong các hệ thống giao thông ban đêm 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 luồng giao thông trở nên khó dự đoán hơn. Tín hiệu truyền thống dựa trên bộ hẹn giờ cố định, không thể phản ứng với những thay đổi theo thời gian thực. Nghiên cứu cho thấy điều này không chỉ khiến tài xế lãng phí thời gian mà còn dẫn đến mức tiêu thụ nhiên liệu và tình trạng chậm trễ không cần thiết.

Đây chính là lúc các 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 các hệ thống điều khiển giao thông thích ứng. Nhờ vậy, tín hiệu có thể nhanh chóng điều chỉnh theo điều kiện đường thực tế. Vì thế, nếu một làn đường đông đúc trong khi làn khác vắng xe, thời gian tín hiệu có thể được điều chỉnh ngay lập tức để giải tỏa 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 hơn. 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 truyền thống, chẳng hạn như camera giám sát cố định, tuần tra đường bộ, cảm biến phát hiện sự hiện diện của phương tiện và hệ thống tín hiệu theo thời gian cố định, hoạt động theo kiểu phản ứng và có thể không phát hiện các tình huống nguy hiểm đủ sớm để ngăn chúng xảy ra.

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

Chẳng hạn, nếu một phương tiện đang chuyển làn, chạy quá nhanh trong khu vực ùn tắc hoặc đột ngột giảm tốc, hệ thống có thể đánh dấu phương tiện đó theo thời gian thực. Điều này có nghĩa là cơ quan chức năng có thể phản ứng nhanh chóng và ngăn ngừa tai nạn trước khi chúng xảy ra.

Lái xe tự hành và ADAS#

Đối với phương tiện tự hành và ADAS, việc lái xe ban đêm mang đến những thách thức riêng. Tầm nhìn kém và các mẫu giao thông khó dự đoán khiến các cảm biến truyền thống khó hoạt động đáng tin cậy, làm dấy lên những 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 dạng người đi bộ, các ô tô khác và chướng ngại vật ngay cả trong điều kiện chiếu sáng kém. Khi kết hợp với radar hoặc LiDAR (định vị và đo khoảng cách bằng ánh sáng), vốn lập bản đồ môi trường xung quanh trong không gian 3D, lớp thông tin hình ảnh bổ sung giúp ADAS đưa ra cảnh báo sớm và cung cấp cho phương tiện 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 của một trong ba ca tử vong do tai nạn giao thông trên toàn thế giới, và rủi ro này chỉ tăng lên vào ban đêm. Bóng tối khiến cảnh sát giao thông khó phát hiện vi phạm hơn, vì những chi tiết rõ ràng vào ban ngày thường bị nhòe khi trời tối.

Đó là lý do các hành vi vi phạm như chạy quá tốc độ trên đường vắng, vượt đèn đỏ hoặc đi chệch vào làn đường sai 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 ánh sáng yếu. Các hệ thống này tạo ra những vùng phát hiện, nơi các sự cố được ghi lại, giúp giảm false positive và cung cấp bằng chứng rõ ràng, có thể xác minh. Đối với cơ quan quản lý giao thông, điều đó đồng nghĩa với ít điểm mù hơn và giảm sự phụ thuộc vào 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 vision AI để phát hiện video giao thông ban đêm.

• Khả năng mở rộng: Sau khi được fine-tune, các model có thể được triển khai trên nhiều camera hoặc giao lộ, hỗ trợ giám sát trên toàn thành phố.
• Phân tích dự đoán: Dữ liệu video lịch sử có thể được sử dụng để dự báo ùn tắc và các khu vực có nguy cơ xảy ra tai nạn, hỗ trợ các biện pháp phòng ngừa.
• Tối ưu hóa nguồn lực: Cung cấp cho cơ quan chức năng các 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.

Mặc dù mang lại nhiều lợi ích, phát hiện giao thông ban đêm bằng vision AI cũng có 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 vision AI phụ thuộc nhiều vào việc tiếp cận các dataset chất lượng cao quy mô lớn, bao quát nhiều điều kiện ban đêm khác nhau.

• Thách thức môi trường: Các yếu tố thời tiết như mưa, sương mù hoặc màn sương, cùng với những vấn đề thực tế như ống kính camera bẩn hoặc lệch, có thể làm giảm hiệu năng phát hiện và yêu cầu 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 việc triển khai trên quy mô lớn trở nên tốn kém và phức tạp.

Định hướng tương lai của các hệ thống giao thông thông minh vào ban đêm#

Khi các thành phố phát triển và đường sá trở nên đông đúc hơn, việc phát hiện giao thông ban đêm đang hướng tới những 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, giúp quan sát ngay cả trong bóng tối hoàn toàn. Điều này làm giảm các lỗi xảy ra khi camera tiêu chuẩn gặp khó khăn với hiện tượng chói hoặc ánh sáng yếu.

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

Một phương pháp ngày càng phát triển khác là hợp nhất camera-LiDAR. Camera cung cấp hình ảnh chi tiết về mặt đường, trong khi LiDAR tạo ra bản đồ 3D chính xác. Khi được sử dụng cùng nhau, chúng cải thiện độ chính xác trong việc phát hiện làn đường, phương tiện và chướng ngại vật, đặc biệt trong điều kiện ánh sáng yếu hoặc sương mù vừa phải.

Đồng thời, những tiến bộ trong việc cải thiện hình ảnh ánh sáng yếu, 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 các tuyến đường và giao lộ thiếu sáng cũng có thể được giám sát đáng tin cậy hơn và với ít lỗi hơn.

Những điểm chính#

Phát hiện phương tiện vào ban đêm luôn là một thách thức đối với hoạt động giám sát giao thông, nhưng thị giác máy tính đang giúp việc này trở nên dễ quản lý hơn. Bằng cách giảm tác động của hiện tượng chói và xử lý các cảnh giao thông phức tạp, công nghệ này cung cấp bức tranh chính xác hơn về hoạt động của đường sá 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 hơn, thông minh hơn và hiệu quả hơn.

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