利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023

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

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

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

通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

交通信号灯检测是自动驾驶汽车和驾驶员辅助系统中的一个具有挑战性的问题。本文提出了一种新的交通信号灯检测系统，通过使用通用物体候选生成、精细化的多尺度特征以及注意力机制进行高效处理，解决了卷积神经网络中下采样导致的低分辨率特征对检测的影响问题，并通过对比实验表明，在小型和微型的交通信号灯上至少有 12.6% 的显著改进效果，并且在各种尺寸的交通信号灯上都表现出强大的效果。

Jul, 2023

近期，随着计算机视觉的不断进步，自动驾驶很可能很快将成为现代社会的一部分。然而，仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性，并将其扩展应用于交通场景中实时物体检测，同时提出了适用于自动驾驶的更合适的实时性能指标。

Jan, 2024

本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

May, 2023

使用人工智能和强化学习方法，通过对监控摄像头图像的实时处理，结合 YOLOv9-C 模型进行车辆检测，以及在 OpenAI Gym 的城市环境模拟器中使用多因素强化学习和 DQN 彩虹算法，成功确定并应用交通信号灯的最佳时机。此外，与伊朗车辆图像进行转移学习和重新训练，使模型的准确性得到提高。研究结果表明，该方法在分析监控摄像头和寻找最佳时机的两个部分都具有较高的准确性，且优于先前研究。

May, 2024

实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

Sep, 2023