本篇论文通过计算机视觉建立车辆跟踪模型，用于检测高速公路上的交通异常，并提出了检测、跟踪和分析交通的步骤，具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪，以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受，F1 分数为 85.7%，均方误差为 25.432。

Oct, 2023

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

本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

Apr, 2021

本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

Oct, 2023

捕捉来自监控视频的异常事件提高了市民的安全和福祉。本文应用基于边缘计算的人工智能（EdgeAI）满足安全需求的低延迟要求。我们使用弱监督视频异常检测技术（RTFM）将端到端犯罪现场异常检测系统应用于监控摄像头，并借助边缘计算技术。该系统直接在多个 Jetson 边缘设备上进行测试，结合 NVIDIA 的软件开发工具包 TensorRT 以提高系统性能。该方法在可用数据集（如 UCF-Crime 和 UIT VNAnomaly）上与其他最先进算法相比取得了竞争力。该系统在使用仅 3.11GB RAM 的 Jetson 边缘设备上实现了每秒 47.56 帧的推理速度。我们还发现，该 AI 系统在能耗方面比早期版本的 Jetson 设备性能提高了 15%，而能耗降低了 50%。

Jul, 2023

这篇论文介绍了一种大规模的高速公路交通数据集，用于异常检测，利用深度学习模型可以提高事故报告准确性和减少延迟。

Jun, 2024

这篇系统综述主要研究与连接和自动驾驶车辆相关的异常检测。研究发现，神经网络（如 LSTM，CNN 和自编码器）以及单类支持向量机是最常用的人工智能算法。大多数异常检测模型使用真实世界的车辆数据进行训练，但常常人为地向数据集中注入攻击和故障等异常情况。这些模型主要通过召回率、准确率、精确率、F1 分数和误报率等五个主要评估指标进行评估。此外，文章提出了几项建议，包括综合使用多个评估指标、公开分享模型以促进研究社区的合作和验证，并需要建立具有预定义异常或网络攻击的基准数据集来测试和改进提出的基于异常的检测模型的有效性。此外，对使用不同于 CAN 协议（如以太网和 FlexRay）的入侵检测系统的研究还缺乏。

May, 2024

自动驾驶需依赖多种传感器和高性能计算单元搭载的 AI 模型，但面临着巨大数据负担和能耗问题，本文回顾了连接车辆应用、车辆通信、Edge AI 技术的最新进展并重点关注能源效率，探讨了提高能源效率的方法，为低功耗、内存受限制的系统和自主车辆的能量优化提供了启示。

Apr, 2023

本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

May, 2021