Поскольку тепловизору для формирования изображений не требуется ни подсветки сцены, ни даже оптически прозрачной среды, устройства такого рода находят своё применение в системах автоматизированного управления дорожным движением.
Помимо обнаружения самих транспортных средств в любых погодных условиях и в любое время суток, тепловизор способен обнаруживать возгорания, а также неисправности автомобилей, сопровождающиеся избыточным выделением тепла. Возможны и иные варианты применения термографии — к примеру, для автоматического обнаружения транспортных средств, припаркованных в зоне действия дорожного знака «стоянка запрещена».
Однако тепловизоры могут решать не только задачи безопасности и обнаружения нарушителей ПДД. Одна из наиболее важных задач управления дорожным движением — точный подсчёт плотности трафика транспортных средств. На основе этого показателя программная система автоматически управляет сигналами светофоров, регулирует полосы реверсивного движения и принимает иные меры для того, чтобы максимально разгрузить так называемые «бутылочные горлышки» — места потенциального возникновения заторов.
Применение тепловизоров для контроля потока транспортных средств до недавнего времени считалось вполне очевидным направлением развития систем автоматизированного управления дорожным движением. Несмотря на то, что в результате наблюдаемого сегодня бума видеоаналитики на базе искусственного интеллекта (ИИ) на рынке уже появляются решения, способные конкурировать с тепловизионными по соотношению цены и возможностей, на ключевых транспортных магистралях по-прежнему целесообразно применять именно тепловизионную технику — в особенности в климатических условиях, где нередки осадки, туман и смог.
Одним из аргументов за применение тепловизоров является то, что современные приборы такого рода, в особенности гибридные (совмещённые по полю зрения с телекамерой видимого спектра), уверенно различают людей и транспортные средства в любых условиях и не требуют сверхсложной математики для анализа ситуаций, возникающих в транспортных приложениях. В свою очередь, телевизионные системы на базе ИИ во всех случаях требуют предварительной тренировки в реальных условиях объекта — то есть, нейросетевая аналитика неспособна работать в состоянии «из коробки». Впрочем, вполне вероятно, что в результате этого виртуального соперничества появятся комбинированные решения, где искусственный интеллект будет анализировать изображения обоих типов.
