本论文介绍了一个新颖的视频数据集，该数据集来自城市高速公路上相互交叠的交通摄像头，可在交通监控环境中进行多摄像头 3D 物体跟踪。该数据集包含来自至少 16 个摄像头的 3 个场景的视频，总长度为 57 分钟。为每个摄像头视野完全准确地注释了 87,700 个 3D 边界框和相应的物体轨迹，并将其组合成每个场景的空间和时间连续的车辆轨迹。最后，使用现有算法对数据集进行了多个 3D 多摄像头跟踪管道的基准测试，结果表明该数据集具有挑战性，因为在交通拥堵期间，对象的高速移动和严重遮挡可能持续数百帧之久。本研究旨在促进准确和自动的车辆轨迹提取算法的发展，这将在理解自动驾驶车辆技术对交通安全和效率的影响方面发挥重要作用。

Aug, 2023

该论文介绍了一种从交通录像中对车辆进行计数的方法，自动识别相机的 ROI 和车辆的行驶轨迹，并能够应用于常用于发展中国家的 Pan-Tilt-Zoom 相机，取得了良好的测试结果。

Aug, 2021

本研究介绍了用于事件相机的第一个非常大的检测数据集，包含超过 39 小时的汽车记录，涵盖城市，高速公路，郊区和乡村场景等多个不同的驾驶场景和各种天气和照明条件。该数据集的可用性将有助于事件感知视觉任务的主要进步，例如目标检测和分类，并期望在自监督学习方法等其他任务中获得好处。

Jan, 2020

卫星视频对交通监控具有巨大潜力，但由于分辨率和视角的限制，交通监控是一项极具挑战性的任务。本研究构建了一个大规模的卫星交通监控基准，支持微小物体检测、计数和密度估计等多个任务，并在该数据集上评估了经典和最先进的传统计算机视觉方法，以比较不同方法的性能，分析该任务中的挑战，并讨论未来的前景。

Feb, 2024

该研究实施了一个三阶段的视频分析框架，用于从道路上的摄像头提取高分辨率的交通数据，关键组成部分包括目标识别、透视转换和车辆轨迹重建，可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。

Jan, 2024

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

本文介绍了 CityFlow 数据集，它是一个城市级交通相机数据集，包括来自 40 个摄像头的 3 个多小时的高清视频，涵盖 10 个路口，最大距离为 2.5 公里，共包含超过 200K 个标注边界框。这个数据集为 MTMC 跟踪，MTSC 跟踪，物体检测和基于图像的车辆再识别等领域提供了前所未有的较大规模的数据支持，以促进该领域的研究。

Mar, 2019

本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法，并展示了超过 36 万个自动挖掘的物体轨迹，并提出了一种自动发现新类别和学习检测器的方法。此外，我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。

Sep, 2018

本文提出了一种基于街景图像的自动检测并计算感兴趣的重复固定对象的 GPS 坐标的方法，使用两个全卷积神经网络进行处理并使用一种新颖的自定义马尔可夫随机场模型进行三角化，实验证明了本方法的有效性。

Aug, 2017

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