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

本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024

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

本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

Nov, 2017

该研究综合分析了美国不同地区的交通事故，并提出了一个使用交通监控摄像头和动作识别系统进行事故检测和交通分析的框架，将该框架与紧急服务整合，以提高交通事故的响应效率并减少人为错误。此外，研究还探讨了智能交通事故检测系统在智能城市中的应用，旨在改善交通管理和减少交通事故的严重程度。

Jul, 2023

本文提出一种决策树驱动的深度学习方法，通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间，并通过实验验证取得了 F1 score：0.8571 和 S4 score：0.5686。

Apr, 2021

本文探讨用于交通视频分析的深度学习方法，着重强调自动驾驶车辆和人类驾驶车辆的行驶安全。提出一个典型的处理流程，可以通过提取操作安全指标和提供通用提示和指南来理解和解释交通视频。主要包括视频增强、视频稳定、语义和事件分割、目标检测和分类、轨迹提取、速度估计、事件分析、建模和异常检测等几个步骤。重点在于选择最佳步骤并提供缺少模块的新设计来引导交通分析师开发他们自己的自定义处理框架。还回顾了现有的开源工具和公共数据集，以帮助训练深度学习模型。此外，还调查了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统的汽车等相关的研究领域的联系和缺失方面。最后，回顾了交通监控系统的商业实施、未来展望以及广泛使用此类系统所面临的开放性问题和挑战。

Mar, 2022

基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

Mar, 2024

本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

Jan, 2017

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