Ngày 3 tháng 10 năm 2025
Từ tầm nhìn kém đến ánh sáng chói, hãy tìm hiểu điều gì gây khó khăn cho độ chính xác của việc phát hiện video giao thông ban đêm và cách thị giác máy tính cải thiện sự an toàn và lưu lượng.
Đường xá trở nên 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 họ. Tầm nhìn kém, ánh đèn pha chói mắt và các phản xạ chuyển động nhanh có thể khiến việc phát hiện xe 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 dựa 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 xác định sai phương tiện hoặc người đi bộ, dẫn đến phát hiện sai hoặc bỏ lỡ 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. Đặc biệt, thị giác máy tính là một nhánh của AI cho phép máy móc nhìn và diễn giải dữ liệu trực quan. Khi nói đến việc phát hiện video giao thông ban đêm, các mô hình Vision AI có thể vượt ra ngoài độ sáng hoặc chuyển động, học cách nhận biết các mẫu phức tạp giúp cải thiện độ chính xác.
Ví dụ: các mô hình thị giác máy tính như Ultralytics YOLO26 và Ultralytics YOLO11 được biết đến với tốc độ và độ chính xác của chúng. Chúng có thể xử lý dữ liệu video và hình ảnh trong thời gian thực, phát hiện và phân loại nhiều đối tượng trong một khung hình và theo dõi chúng trên các chuỗi.
Những khả năng này có được là nhờ các tác vụ thị giác khác nhau, chẳng hạn như phát hiện đối tượng và phân vùng thể hiện (instance segmentation), ngay cả khi đèn pha, bóng đổ hoặc các phương tiện giao nhau gây khó khăn cho việc phát hiện. Chúng cho phép mô hình xác định, phân loại và phân biệt các đối tượng.
Trong bài viết này, chúng ta sẽ khám phá những thách thức của việc giám sát giao thông ban đêm, xem thị giác máy tính giải quyết chúng như thế nào và nơi AI thị giác đang được áp dụng trong các hệ thống giám sát giao thông thực tế. Hãy cùng bắt đầu!
Trước khi khám phá cách thị giác máy tính giải quyết những thách thức của việc phát hiện giao thông ban đêm, hãy xem xét tại sao việc phát hiện phương tiện sau khi trời tối lại khó khăn đến vậy. Dưới đây là một vài yếu tố cần xem xét:
Các mô hình thị giác máy tính được huấn luyện bằng cách sử dụng các bộ sưu tập lớn các hình ảnh được gọi là bộ dữ liệu. Các bộ 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 quá trình huấn luyện. 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 các cảnh quay video mới.
Trong quá trình huấn luyện, mô hình trích xuất các đặc trưng từ dữ liệu và sử dụng chúng để cải thiện độ chính xác phát hiện. Quá trình này giúp giảm số lượng phát hiện bị bỏ sót và cảnh báo sai khi mô hình tiếp xúc với các tình huống giao thông thực tế.
Tuy nhiên, việc xây dựng tập dữ liệu hoặc bộ sưu tập dữ liệu cho các điều kiện ban đêm khó khăn hơn nhiều. Chất lượng video kém khiến việc gắn nhãn tốn thời gian và dễ mắc lỗi. Ngoài ra, những 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 huấn luyện hạn chế để các mô hình học hỏi.
Để giải quyết vấn đề này, các nhà nghiên cứu đã phát triển các bộ dữ liệu chuẩn chuyên biệt. Một bộ dữ liệu chuẩn không chỉ là một tập hợp các hình ảnh. Nó bao gồm các nhãn tiêu chuẩn hóa, giao thức đánh giá và các số liệu hiệu suất như độ chính xác (precision), độ phủ (recall) và độ chính xác trung bình (mean average precision - mAP). Các số liệu này giúp có thể 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: bộ dữ liệu chuẩn ExDark chứa 7.363 hình ảnh thiếu sáng trên 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 các hộp giới hạn và bộ dữ liệu 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. Nó đã trở thành một nguồn tài nguyên quan trọng để đánh giá các hệ thống phát hiện người đi bộ, đóng vai trò quan trọng trong an toàn đường bộ và hệ thống hỗ trợ lái xe nâng cao (ADAS).
Bây giờ chúng ta đã hiểu rõ hơn về những thách thức liên quan và nhu cầu về bộ dữ liệu, hãy xem xét kỹ hơn cách các hệ thống dựa trên thị giác 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 vùng thể hiện, giúp phân tích lưu lượng giao thông ngay cả trong điều kiện ánh sáng yếu. Dưới đây là tổng quan về các tác vụ Vision AI mà các mô hình này hỗ trợ để phân tích lưu lượng giao thông ban đêm:
Chúng ta đã thảo luận về quá trình huấn luyện mô hình, sự cần thiết của các bộ dữ liệu và các tác vụ mà các mô hình như YOLO11 và YOLO26 hỗ trợ. Nhưng để kết hợp tất cả lại với nhau, có một khái niệm nữa cần tìm hiểu: cách các mô hình này thực sự được áp dụng vào việc giám sát ban đêm.
Ngay khi xuất xưởng, các mô hình Ultralytics YOLO đã có sẵn dưới dạng các phiên bản được huấn luyện trước (pre-trained), nghĩa là chúng đã được huấn luyện trên các tập dữ liệu lớn, đa mục đích, chẳng hạn như tập dữ liệu COCO, bao gồm nhiều đối tượng hàng ngày. Điều này cung cấp cho mô hình một khả năng cơ bản mạnh mẽ để phát hiện và phân loại các đối tượng.
Tuy nhiên, vì các bộ dữ liệu này chứa rất ít ví dụ về ánh sáng yếu hoặc ban đêm, nên các mô hình được huấn luyện trước không giỏi trong việc xử lý hiệu quả độ chói, bóng hoặc độ tương phản kém. Để chúng có tác động đến việc phát hiện video giao thông ban đêm, chúng cần được tinh chỉnh trên các bộ dữ liệu chuyên biệt phản ánh các điều kiện ban đêm thực tế.
Tinh chỉnh hoặc huấn luyện tùy chỉnh bao gồm huấn luyện mô hình trên các hình ảnh được gắn nhãn bổ sung được chụp trong điều kiện ánh sáng yếu, chẳng hạn như xe cộ dưới ánh đèn pha, người đi bộ trong vạch kẻ đường hoặc các giao lộ đông đúc vào ban đêm, để nó học các đặc điểm riêng của cảnh ban đêm.
Sau khi được huấn luyện tùy chỉnh, mô hình có thể hỗ trợ các tác vụ như phát hiện, theo dõi, phân vùng hoặc phân loại với độ chính xác cao hơn nhiều trong điều kiện ánh sáng yếu. Điều này cho phép các cơ quan giao thông áp dụng các mô hình như vậy cho các trường hợp sử dụng thực tế như đếm xe, ước tính tốc độ, điều khiển tín hiệu thích ứng và phòng ngừa tai nạn vào ban đêm.
Tiếp theo, hãy xem xét cách thị giác máy tính có thể được áp dụng trong các hệ thống giao thông ban đêm thực tế.
Các 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 đoán hơn. Các tín hiệu truyền thống dựa vào bộ hẹn giờ cố định, không thể phản ứng với những thay đổi theo thời gian thực. Nghiên cứu cho thấy rằng điều này không chỉ lãng phí thời gian cho người lái xe mà còn dẫn đến tiêu thụ nhiên liệu và chậm trễ không cần thiết.
Đó chính xác là nơi mà các hệ thống thị giác máy tính có thể giúp vượt qua thách thức này. Các hệ thống này có thể theo dõi chuyển động của xe và phát hiện số lượng xe theo thời gian thực. Dữ liệu sau đó được đưa vào các hệ thống điều khiển giao thông thích ứng. Điều này cho phép các 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 một làn đường khác trống trải, thời gian tín hiệu có thể được điều chỉnh ngay lập tức để giải tỏa 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 phát hiện phương tiện và hệ thống tín hiệu thời gian cố định, hoạt động một cách thụ động và có thể không phát hiện ra các tình huống nguy hiểm đủ sớm để ngăn chúng xảy ra.
Các giải pháp thị giác máy tính có thể xử lý mối lo ngại này bằng cách phân tích các luồng video trực tiếp và phát hiện các mẫu bất thường trên đường hoặc đường cao tốc. Sử dụng theo dõi đối tượng, các hệ thống này có thể theo dõi hành vi của xe trong thời gian thực và đưa ra cảnh báo khi có điều gì đó bất thường.
Ví dụ: nếu một chiếc xe đang di chuyển chuyển làn, di chuyển quá nhanh trong khu vực tắc nghẽn hoặc giảm tốc độ đột ngột, hệ thống có thể gắn cờ xe đó trong thời gian thực. Điều này có nghĩa là các nhà chức trách có thể phản ứng nhanh chóng và ngăn chặn tai nạn trước khi chúng xảy ra.
Đối với xe tự hành và ADAS, lái xe ban đêm mang đến những thách thức riêng. Tầm nhìn thấp và các kiểu giao thông khó đoán khiến các cảm biến truyền thống khó hoạt động đáng tin cậy hơn, điều này làm tăng thêm những 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 đối tượng, theo dõi làn đường và phân đoạn, cho phép xe nhận diện người đi bộ, các xe khác và chướng ngại vật ngay cả trong điều kiện ánh sáng kém. Khi kết hợp với radar hoặc LiDAR (Phát hiện ánh sáng và đo khoảng cách), giúp lập bản đồ môi trường xung quanh ở chế độ 3D, lớp hình ảnh bổ sung giúp ADAS cung cấp cảnh báo sớm và cung cấp cho xe tự hành nhận thức cần thiết để di chuyển an toàn hơn vào ban đêm.
Chạy quá tốc độ là nguyên nhân của một phần ba số ca tử vong do tai nạn giao thông trên toàn thế giới, và rủi ro này còn tăng lên vào ban đêm. Bóng tối gây khó khăn cho cảnh sát giao thông trong việc phát hiện vi phạm, vì những chi tiết rõ ràng vào ban ngày thường bị mờ đi sau 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 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 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 kết quả dương tính giả và cung cấp bằng chứng rõ ràng, có thể kiểm chứng. Đối với các cơ quan giao thông vận tải, điều đó có nghĩa là ít điểm mù hơn và ít phụ thuộc hơn vào kiểm tra thủ công.
Dưới đây là một số ưu điểm của việc sử dụng Vision AI để phát hiện video giao thông ban đêm.
Mặc dù có những lợi ích, việc phát hiện giao thông ban đêm bằng Vision AI cũng đi kèm với những hạn chế nhất định. Dưới đây là một số yếu tố cần lưu ý:
Khi các thành phố phát triển và đường xá trở nên đông đúc hơn, việc phát hiện giao thông ban đêm đang chuyển sang các hệ thống thông minh và phản ứng nhanh hơn. Ví dụ: camera nhiệt và cảm biến hồng ngoại có thể phát hiện dấu hiệu nhiệt từ người và phương tiện, giúp bạn có thể nhìn thấy ngay cả trong bóng tối hoàn toàn. Điều này làm giảm các lỗi xảy ra khi camera tiêu chuẩn gặp khó khăn với ánh sáng chói hoặc ánh sáng yếu.
Một phương pháp đang phát triển khác là hợp nhất camera-LiDAR. Camera cung cấp hình ảnh chi tiết về đường đi, trong khi LiDAR tạo ra bản đồ 3D chính xác. Khi được sử dụng cùng nhau, chúng cải thiện độ chính xác của việc phát hiện làn đường, xe cộ 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 tăng cường hình ảnh trong điều kiện 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 những con đường và giao lộ 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 thị giác máy tính đang giúp việc này trở nên dễ quản lý hơn. Bằng cách giảm tác động của ánh sáng chói và xử lý các khung cảnh giao thông phức tạp, nó cung cấp một bức tranh chính xác hơn về cách các con đường hoạt động 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 các dự án của mình chưa? 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 học. Truy cập kho lưu trữ GitHub của chúng tôi 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.
