Phát hiện video giao thông vào ban đêm: Tại sao độ chính xác lại là chìa khóa

Đường phố trông khác biệt trong bóng tối, không chỉ đối với người lái xe mà còn đối với các hệ thống chịu trách nhiệm đảm bảo an toàn cho họ. Tầm nhìn kém, độ chói của đèn pha và các phản chiếu di chuyển 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 dựa vào đánh giá 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 tình trạng giao thông phức tạp. Các phương pháp này có thể nhận dạng sai phương tiện hoặc người đi bộ, dẫn đến các phát hiện sai hoặc bỏ sót các quan sát.

Hình 1. Ví dụ về một đoạn đường được chiếu sáng kém vào ban đêm (Nguồn)

Trí tuệ nhân tạo (AI), deep learning và computer vision có thể thu hẹp khoảng cách này bằng cách tự động hóa việc phát hiện và nhận dạng phương tiện. Đặc biệt, computer vision là một nhánh của AI cho phép máy móc nhìn và diễn giải dữ liệu hình ảnh. Khi nói đến phát hiện video giao thông vào ban đêm, các model vision AI có thể vượt xa việc dựa vào độ sáng hoặc chuyển động, bằng cách học cách nhận biết các mẫu phức tạp giúp cải thiện độ chính xác.

Ví dụ, các model computer vision 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 cũng như theo dõi chúng trên các chuỗi hình ảnh.

Những khả năng này đạt được thông qua các tác vụ thị giác khác nhau, chẳng hạn như object detection và instance segmentation, ngay cả khi đèn pha, bóng đổ hoặc các phương tiện chồng lấp làm cho việc phát hiện trở nên khó khăn. Chúng cho phép model nhận diện, 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 vào ban đêm, xem xét cách computer vision giải quyết chúng và nơi vision AI đang được ứng dụng trong các hệ thống giám sát giao thông thực tế. Hãy cùng bắt đầu!

Link to this sectionNhững thách thức trong phát hiện vào ban đêm#

Trước khi khám phá cách computer vision giải quyết những thách thức của việc phát hiện giao thông vào ban đêm, hãy cùng xem 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:

• Tầm nhìn thấp: Ánh sáng hạn chế và điều kiện chiếu sáng kém khiến camera khó ghi lại được những thước phim sắc nét, chi tiết. Với chất lượng hình ảnh giảm sút, các phương tiện có thể hòa lẫn vào nền hoặc bị nhận dạng sai hoàn toàn.

• Điều kiện thời tiết: Mưa, sương mù, mù mịt hoặc thậm chí là bụi có thể làm giảm chất lượng video hơn nữa. Những điều kiện này khiến các hệ thống phát hiện khó phân biệt phương tiện với môi trường xung quanh.

• Đèn pha và đèn hậu: Các chùm sáng mạnh và phản xạ có thể gây nhiễu cho camera. Nó có thể tạo ra các phát hiện phương tiện giả, trong đó các đốm sáng bị nhầm lẫn với phương tiện, gây rối các thuật toán phát hiện và làm giảm độ chính xác.

• Sự che khuất phương tiện: Trong điều kiện giao thông đông đúc, các phương tiện có thể bị che khuất một phần hoặc hoàn toàn bởi các xe khác. Sự che khuất gây phức tạp cho việc theo dõi, đếm và phân loại phương tiện, đặc biệt là khi nhiều người tham gia giao thông chồng lấp trong cùng một khung hình.

Link to this sectionNhu cầu về các bộ dữ liệu benchmark và các chỉ số vào ban đêm#

Computer vision models được huấn luyện bằng cách sử dụng các bộ sưu tập hình ảnh lớn được gọi là datasets. Các datasets này được gán 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 huấn luyện. Bằng cách nghiên cứu các ví dụ được gán nhãn này, model học cách nhận biết các mẫu, cho phép nó nhận diện và phát hiện các đối tượng trong các đoạn video mới.

Hình 2. Sử dụng computer vision 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 khi phát hiện. Quá trình này giúp giảm thiểu việc bỏ sót phát hiện và báo động giả khi model tiếp xúc với các cảnh giao thông thực tế.

Tuy nhiên, việc xây dựng các datasets hoặc bộ sưu tập dữ liệu cho điều kiện ban đêm khó khăn hơn nhiều. Chất lượng video kém làm cho việc gán nhãn trở nên 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 môi trường ban đêm. Điều này dẫn đến số lượng ví dụ huấn luyện hạn chế để model học hỏi.

Để giải quyết vấn đề này, các nhà nghiên cứu đã phát triển các bộ dữ liệu benchmark chuyên biệt. Một bộ dữ liệu benchmark không chỉ là một bộ sưu tập hình ảnh. Nó bao gồm các nhãn tiêu chuẩn hóa, các quy trình đánh giá và các chỉ số hiệu suất như precision, recall và mean average precision (mAP). Các chỉ số này giúp việc kiểm tra và so sánh các thuật toán khác nhau trong cùng điều kiện trở nên khả thi, đảm bảo việc đánh giá công bằng và nhất quán.

Ví dụ, bộ dữ liệu 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 boxes và bộ dữ liệu này được sử dụng rộng rãi trong nghiên cứu để đánh giá việc phát hiện và phân loại đối tượng trong điều kiện chiếu sáng kém.

Hình 3. Một cái nhìn về bộ dữ liệu ExDark (Nguồn)

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

Link to this sectionCách computer vision hỗ trợ phát hiện video giao thông vào ban đêm#

Giờ đây khi đã hiểu rõ hơn về những thách thức và nhu cầu về bộ dữ liệu, hãy cùng xem xét kỹ hơn cách các hệ thống dựa trên thị giác có thể diễn giải video giao thông vào ban đêm.

Các model như YOLO11 và YOLO26 hỗ trợ các computer vision tasks như object detection, tracking và instance segmentation, giúp việc phân tích giao thông ngay cả trong điều kiện ánh sáng yếu trở nên khả thi. Dưới đây là tổng quan về các tác vụ vision AI mà các model này hỗ trợ để phân tích giao thông ban đêm:

• Object detection: Tác vụ này có thể được sử dụng để nhận diện và định vị phương tiện, người đi bộ, xe đạp và những người tham gia giao thông khác trong từng khung hình, thường là bằng cách vẽ bounding boxes xung quanh chúng.
• Object tracking: Giúp theo dõi các đối tượng đã được phát hiện qua các khung hình, cho phép nhận diện cùng một phương tiện hoặc người đi bộ theo thời gian, từ đó giúp ước tính tốc độ phương tiện và giám sát lưu lượng giao thông.
• Instance segmentation: Có thể phân biệt các đối tượng riêng lẻ ngay cả khi chúng chồng lấp, cung cấp chi tiết ở mức pixel giúp cải thiện độ chính xác trong các điều kiện ban đêm phức tạp.
• Image classification: Tác vụ này gán toàn bộ hình ảnh hoặc một đối tượng đã được phát hiện vào một danh mục được xác định trước, chẳng hạn như ô tô, xe buýt, xe tải hoặc xe máy.
• Oriented bounding box (OBB) detection: Ghi lại 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 lạ trong giao thông ban đêm.

Link to this sectionSử dụng các model Ultralytics YOLO để giám sát ban đêm#

Chúng ta đã thảo luận về việc huấn luyện model, nhu cầu về bộ dữ liệu và các tác vụ mà các model như YOLO11 và YOLO26 hỗ trợ. Nhưng để kết hợp tất cả lại, còn một khái niệm nữa cần xem xét: cách các model này thực sự được áp dụng vào việc giám sát ban đêm.

Ngay khi xuất xưởng, các model Ultralytics YOLO đã có sẵn các phiên bản pre-trained, nghĩa là chúng đã được huấn luyện trên các bộ dữ liệu lớn, mục đích chung, chẳng hạn như COCO dataset, bao gồm nhiều đối tượng hàng ngày. Điều này mang lại cho model khả năng nền tảng mạnh mẽ để phát hiện và phân loại đối tượng.

Tuy nhiên, vì các bộ dữ liệu này chứa rất ít ví dụ về điều kiện ánh sáng yếu hoặc ban đêm, nên các model pre-trained không xử lý tốt độ chói, bóng đổ hoặc độ tương phản kém một cách hiệu quả. Để làm cho chúng hiệu quả cho việc phát hiện video giao thông ban đêm, chúng cần được fine-tune trên các bộ dữ liệu chuyên biệt phản ánh điều kiện ban đêm thực tế.

Việc fine-tune hoặc custom training bao gồm việc huấn luyện model trên các hình ảnh được gán nhãn bổ sung được chụp trong điều kiện ánh sáng yếu, chẳng hạn như phương tiện dưới ánh đèn pha, người đi bộ tại các lối qua đường, hoặc các giao lộ đông đúc vào ban đêm, để nó học được các đặc trưng độc đáo của các cảnh ban đêm.

Sau khi đã được custom-trained, model có thể hỗ trợ các tác vụ như detection, tracking, segmentation hoặc classification 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 model như vậy cho 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.

Link to this sectionCác ứng dụng vision AI cho phát hiện video giao thông vào ban đêm#

Tiếp theo, hãy cùng xem cách computer vision có thể được áp dụng trong các hệ thống giao thông ban đêm thực tế.

Link to this sectionTín hiệu giao thông thông minh có thể hỗ trợ quy hoạch thành phố thông minh#

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 dự đoán hơn. Các tín hiệu truyền thống dựa vào bộ hẹn giờ cố định không thể phản ứng với các thay đổi thời gian thực. Nghiên cứu cho thấy điều này không chỉ gây lãng phí thời gian cho người lái xe mà còn dẫn đến fuel consumption and delays không cần thiết.

Đó chính là nơi các hệ thống computer vision 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 kiểm soát giao thông thích ứng. Điều này cho phép các tín hiệu điều chỉnh nhanh chóng để phản ứng với điều kiện đường thực tế. Vì vậy, nếu một làn đường đông đúc trong khi làn khác trống, thời gian tín hiệu có thể được điều chỉnh ngay lập tức để giải tỏa các điểm tắc nghẽn.

Link to this sectionPhòng ngừa tai nạn#

Lái xe vào ban đêm rủi ro hơn ban ngày vì tầm nhìn giảm, ánh sáng không đều và độ chói khiến người lái xe khó phán đoán khoảng cách hơn. Trên thực tế, các nghiên cứu cho thấy fatal accident rate 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 một cách bị động và có thể không phát hiện được các tình huống nguy hiểm sớm để ngăn chặn chúng xảy ra.

Computer vision solutions 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 object tracking, các hệ thống này có thể giám sát hành vi của phương tiện trong thời gian thực và đưa ra cảnh báo khi có điều gì đó bất thường xuất hiện.

Ví dụ, nếu một phương tiện đang chuyển làn, di chuyển quá nhanh trong khu vực tắc nghẽn hoặc giảm tốc độ đột ngột, hệ thống có thể đánh dấu nó trong thời gian thực. Điều này có nghĩa là các cơ quan chức năng có thể phản ứng nhanh chóng và ngăn chặn tai nạn trước khi chúng xảy ra.

Link to this sectionLái xe tự động và ADAS#

Đối với các phương tiện tự động và ADAS, việc lái xe vào ban đêm mang lại những thách thức riêng. Tầm nhìn thấp và các kiểu giao thông khó đoán làm cho các cảm biến truyền thống khó hoạt động ổn định, điều này gây lo ngại về an toàn.

Computer vision tăng cường các hệ thống này bằng cách xử lý các tác vụ như object detection, lane tracking và segmentation, cho phép các phương tiện nhận diện người đi bộ, các xe khác và các vật cản ngay cả trong điều kiện ánh sáng kém. Khi kết hợp với radar hoặc LiDAR (Light Detection and Ranging), giúp lập bản đồ môi trường xung quanh ở dạng 3D, lớp hình ảnh bổ sung giúp ADAS đưa ra cảnh báo sớm và cung cấp cho các phương tiện tự động sự nhận thức cần thiết để di chuyển an toàn hơn vào ban đêm.

Hình 4. Hình ảnh phương tiện được chụp trong cả điều kiện ban ngày và ban đêm (Nguồn)

Link to this sectionThực thi pháp luật và phát hiện vi phạm#

Speeding là nguyên nhân gây ra một trong ba vụ tử vong do giao thông trên toàn thế giới, và rủi ro chỉ trở nên tồi tệ 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 nhòe 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 lấn sai làn đường thường không bị xử phạt. Computer vision 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 các vùng phát hiện nơi các sự cố được ghi lại, cắt giảm các báo động giả và cung cấp bằng chứng rõ ràng, có thể kiểm chứng. Đối với các cơ quan giao thông, điều này có nghĩa là ít điểm mù hơn và ít phụ thuộc vào các kiểm tra thủ công hơn.

Link to this sectionƯu và nhược điểm của phát hiện video giao thông vào ban đêm#

Dưới đây là một số ưu điểm của việc sử dụng vision AI để phát hiện video giao thông vào ban đêm.

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

Bất chấp những lợi ích đó, 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 ghi nhớ:

• Sự phụ thuộc vào dữ liệu: Độ chính xác của các hệ thống vision AI phụ thuộc rất nhiều vào quyền truy cập vào các high-quality datasets lớn, ghi lại nhiều điều kiện ban đêm khác nhau.

• Thách thức về môi trường: Các yếu tố thời tiết như mưa, sương mù hoặc mù mịt, cũng như các vấn đề thực tế như ống kính camera bị bẩn hoặc lệch, có thể làm giảm hiệu suất phát hiện và đòi hỏi bảo trì thường xuyên.

• Yêu cầu phần cứng: Việc chạy các model AI tiên tiến thường đòi hỏi các GPU hiệu suất cao hoặc các thiết bị biên chuyên dụng, điều này có thể làm cho việc triển khai quy mô lớn trở nên tốn kém và phức tạp.

Link to this sectionTương lai cho 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 vào ban đêm đang hướng tới các hệ thống thông minh và phản hồi tốt hơn. Ví dụ, camera nhiệt và cảm biến hồng ngoại có thể phát hiện các dấu hiệu nhiệt từ con người và phương tiện, giúp khả năng quan sát ngay cả trong bóng tối hoàn toàn. Điều này làm giảm các sai số xảy ra khi các camera tiêu chuẩn gặp khó khăn với độ chói hoặc ánh sáng yếu.

Hình 5. Công nghệ nhìn đêm tăng cường phát hiện người đi bộ vào ban đêm (Nguồn)

Một cách tiếp cận đang phát triển khác là camera-LiDAR fusion. Camera cung cấp hình ảnh chi tiết của con 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 vật cản, đặc biệt là trong điều kiện ánh sáng yếu hoặc sương mù nhẹ.

Đồng thời, những tiến bộ trong việc tăng cường hình ảnh ánh sáng yếu, nhận diện người đi bộ và xác định biển số xe đang mở rộng khả năng của computer vision. Với những cải tiến này, ngay cả những con đường và giao lộ được chiếu sáng kém cũng có thể được giám sát với độ tin cậy cao hơn và ít sai sót hơn.

Link to this sectionCác điểm chính cần lưu ý#

Phát hiện phương tiện vào ban đêm luôn là một thách thức đối với giám sát giao thông, nhưng computer vision đang làm cho việc này trở nên dễ quản lý hơn. Bằng cách giảm tác động của độ chói và xử lý các cảnh giao thông phức tạp, nó cung cấp một bức tranh chính xác hơn về hành vi của đường phố 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? Hãy tham gia community năng động của chúng tôi và khám phá các đổi mới như AI in the automotive và vision AI in robotics. Hãy truy cập GitHub repository của chúng tôi để khám phá thêm. Để bắt đầu với computer vision ngay hôm nay, hãy xem qua các licensing options của chúng tôi.