本研究通过在百余辆出租车上安装行车记录仪，建立了一个交通近失事故数据库（NIDB），用于帮助自动驾驶车辆和高级驾驶辅助系统（ADAS）自我学习，并开发了一种近失识别方法，其性能可与人类对近失事故的理解相媲美。

Apr, 2018

本文提出了一个基于卷积神经网络的两流网络结构，可实现交通视频数据中道路用户的实时检测，跟踪和接近事故检测。使用我们提出的交通接近事故数据集（TNAD）进行实验，该数据集涵盖了各种交通交互类型，并在 TNAD 数据集上表现出有竞争力的、定性和定量的高帧率性能。

Jan, 2019

本研究论文提出了一种用于检测闭路电视视频中逆行骑行比率的问题的稀疏采样方法 (WWC-Predictor)，通过利用基于检测的信息和基于方向的信息来提高瞬时信息捕获能力，从而在减少直接跟踪方法的效率不足的同时实现了令人瞩目的性能，证明了该方法在识别和预测逆行骑行实例上的有效性。

May, 2024

本文通过定性和定量分析对比了三种不同的基于模型的风险测量方法，其中基于稀有临界事件和所谓的生存条件的风险测量具有更早的碰撞检测时间，在近碰事故和非碰撞情况下具有较低的误报率，并可作为 TTCE 和高斯方法的泛化，适用于 ADAS 和 AD 的验证。

Mar, 2023

该论文介绍了一个新的交通数据集 I see you，该数据集解决了当前数据集不覆盖近事故场景等问题，使用 YOLOv5 和相机标定方法获取了秘鲁库斯科七个路口的 170 个近事故交通场景数据，该数据集及其代码已经发布于 Github。

Nov, 2022

本文提出了一个用于交通事故分析的新数据集，并在数据分析中发现了由于场景中物体大小和复杂性而导致的行人类别目标检测下降。综合新的 Context Mining 和 Augmented Context Mining 算法，提出了一种用于解决小行人检测问题的检测算法。并在该数据集上使用 Faster R-CNN 和 Accident LSTM 架构进行了交通事故的预测，平均时间到事故已达 1.684 秒，平均精度为 47.25％。

Sep, 2018

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

该研究提出了一种新颖的基准交通灯数据集，包括用于训练和测试的图像和视频，还提出了一种使用双摄像头输出的后处理算法，可以在速度和准确性之间取得平衡，以便自动驾驶汽车可以安全地在城市和半城市道路上导航。

Sep, 2022

提出了一种基于多模态卷积神经网络框架来预测街道交叉口安全性的算法，通过将交通灯识别和交通参与者轨迹估计融合起来进行决策，实现了在交通信号化和未信号化的街道交叉口的安全导航，并在公共基准数据集和提案数据集上实现了最先进的结果。

Aug, 2018

研究单目摄像机进行时间接近碰撞预测的深度学习方法，并提出了一种更精细的预测方法，该方法可以预测毫秒级的接近碰撞时间，结合卷积神经网络进行实验，平均预测误差为 0.75 秒。

Mar, 2019