Learning Traffic Anomalies from Generative Models on Real-Time Observations
LIP6, LPNHE Sorbonne Université CNRS, IN2P3 Paris, France（LIP6、LPNHE 索邦大学 CNRS、IN2P3 巴黎，法国）；Department of Mathematics Lund University Lund, Scania, Sweden（数学系 哥德堡大学 哥德堡、斯卡纳，瑞典）
本研究提出基于STGAN框架结合图神经网络与LSTM，利用瑞典哥德堡42个摄像头的实时数据，高精度、低误报地检测交通异常。
2025-07-12 cs.AI cs.CV cs.LG
EMF: Event Meta Formers for Event-based Real-time Traffic Object Detection
RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道理工大学）；German Research Center for Artificial Intelligence (DFKI GmbH)（德国人工智能研究中心）
提出一种基于事件的高效目标检测主干网络EMF，结合事件进展提取器与Metaformer概念，在Prophesee Gen1数据集上提升1.6 mAP并减少14%推理时间，成为该领域最快DNN架构。
2025-04-05 cs.CV
Automated Camera Calibration via Homography Estimation with GNNs
Eindhoven University of Technology（埃因霍温理工大学）
针对交通监控相机的自动精准标定需求，提出利用路口拓扑结构、结合虚拟相机构图与图神经网络估计单应性矩阵以获取外参的标定框架，在合成与真实场景下均达当前最优性能。
2023-11-05 cs.AI cs.CV cs.LG
Artificial Intelligence Enabled Traffic Monitoring System
University of Missouri-Columbia（密苏里大学哥伦比亚分校）；WSP USA（美国WSP公司）
手动交通监控可能是一项艰巨的任务，因为交通管理中心操作安装在网络上的无数摄像头。注入一定程度的自动化可以帮助减轻人工操作员执行手动监控的工作量，并促进做出积极的决策，从而减少事故和道路经常性拥堵的影响。本文提出了一种新的方法来自动监控实时的交通镜头使用深度卷积神经网络和一个独立的图形用户界面。作者描述了在开发模型的过程中收到的研究结果，这些模型可以作为人工智能启用的交通监控系统的集成框架。所提出的系统部署了几种最先进的深度学习算法，以自动化不同的流量监控需求。利用带注释的视频监控数据的大型数据库，训练基于深度学习的模型来检测队列，跟踪静止车辆，并将车辆计数制成表格。一个像素级的分割方法被应用到检测交通队列和预测的严重性。实时目标检测算法与不同的跟踪系统相结合，自动检测滞留车辆，以及执行车辆计数。在每个发展阶段，有趣的实验结果，以证明所提出的系统的有效性。总体而言，结果表明，所提出的框架在各种条件下都表现令人满意，而不会受到环境危害的极大影响，如模糊的相机视图，低照度，雨或雪。
2020-10-02 cs.CV
Beyond conventional vision: RGB-event fusion for robust object detection in dynamic traffic scenarios
School of Information Engineering, Chang’an University（信息工程学院，长安大学）；School of Vehicle Mobility & College of AI, Tsinghua University（车辆运动学院与人工智能学院，清华大学）
针对复杂交通环境中RGB相机动态范围受限导致目标检测性能下降的问题，提出运动线索融合网络MCFNet，通过融合RGB与事件相机数据，利用事件校正、动态上采样及跨模态Mamba融合模块实现鲁棒检测，在DSEC-Det等数据集上mAP50提升7.4%。
2025-08-14 cs.CV
Enhancing Traffic Object Detection in Variable Illumination with RGB-Event Fusion
Waytous Co. Ltd.（万拓思有限公司）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对可变光照下传统帧相机交通目标检测信息丢失的问题，提出融合RGB与事件模态的SFNet，构建DSEC-Det数据集，实验证明其检测性能显著优于纯帧方法。
2024-09-15 cs.CV
Comparison of Object Detection Algorithms Using Video and Thermal Images Collected from a UAS Platform: An Application of Drones in Traffic Management
University of South Florida（南佛罗里达大学）；Center for Urban Transportation Research（城市交通研究中心）；Florida Department of Transportation（佛罗里达州交通部）
无人机（UAV）在交通管理中的应用迅速增长，例如交通监视、监控和事件检测。然而，现有的文献缺乏解决方案，实时事件检测，同时在实践中解决隐私问题。本研究探讨了实时车辆检测算法的视觉和红外摄像机，并进行了实验比较其性能。红绿蓝（RGB）视频和热图像是从佛罗里达州坦帕市高速公路沿线的UAS平台收集的。实验设计了量化的性能，实时背景减除为基础的方法在车辆检测从一个固定的摄像机悬停无人机在自由流条件下。根据无人机和传感器相对于道路的几何形状，在实验中设置了几个参数。实验结果表明，基于背景减除的方法在RGB图像上具有良好的检测性能（F1值在0.9左右），在不同方位角的热图像上具有更好的检测性能。这些实验的结果将有助于为使用无人机检测高速公路拥堵的协议、标准和指南的开发提供信息，并为事件检测算法的开发提供投入。
2021-09-27 cs.CV
Traffic Density Estimation using a Convolutional Neural Network
ETH Zurich（苏黎世联邦理工学院）；University of Southern California（南加州大学）；National University of Singapore（新加坡国立大学）
该项目的目标是介绍和展示一个机器学习应用程序，旨在提高新加坡人民的生活质量。特别是，我们研究了使用机器学习解决方案来解决新加坡的交通拥堵问题。用外行人的话来说，我们寻求使新加坡（或任何其他城市）成为一个更顺畅的地方。为了实现这一目标，我们提出了一个端到端的系统，包括1。交通密度估计算法在交通灯/路口和2。一种适当的交通信号控制算法，其利用密度信息进行更好的交通控制。可以使用各种机器学习技术（与CV工具组合）从交通路口图像获得交通密度估计。在研究了各种先进的机器学习方法后，我们决定使用卷积神经网络（CNN）。我们对我们的算法进行了实验，使用陆路交通管理局（LTA）公布的公开可用的交通摄像机数据集，以证明这种方法的可行性。有了这些交通密度估计值，可以应用不同的交通算法来最大限度地减少交通路口的拥堵。
2018-09-05 cs.AI cs.CV cs.LG
InfraDet3D: Multi-Modal 3D Object Detection based on Roadside Infrastructure Camera and LiDAR Sensors
Technical University of Munich（慕尼黑工业大学）
针对车载多模态目标检测感知范围有限的问题，提出路侧多模态3D检测器InfraDet3D，融合两路LiDAR与单目相机检测并结合HD地图优化，在A9数据集测试集达68.48 mAP，将开源数据与代码助力自动驾驶安全。
2023-04-29 cs.CV
A Real-Time Wrong-Way Vehicle Detection Based on YOLO and Centroid Tracking
Chittagong University of Engineering and Technology（吉大港工程技术大学）
错道驾驶是世界范围内道路交通事故和交通堵塞的主要原因之一。通过检测错误的道路车辆，事故的数量可以减少，交通堵塞可以减少。随着实时的【形】交通管理系统的日益普及以及廉价摄像机的出现，监控视频已经成为一个重要的数据来源。在本文中，我们提出了一个自动错误的方式车辆检测系统，从道路上的监控摄像机镜头。我们的系统工作在三个阶段：检测车辆从视频帧使用你只看一次（YOLO）算法，跟踪每个车辆在指定的兴趣区域使用质心跟踪算法和检测错误的方向行驶的车辆。YOLO在目标检测方面非常准确，质心跟踪算法可以有效地跟踪任何运动目标。实验结果表明，该系统可以在不同的光照和天气条件下检测和识别任何逆行车辆。该系统非常简单，易于实现。
2022-10-19 cs.CV
Deep Learning Based Segmentation Free License Plate Recognition Using Roadway Surveillance Camera Images
Havelsan Inc.（哈维桑公司）
智能自动化交通执法解决方案近年来越来越受欢迎。这些解决方案广泛用于安全带违规检测、闯红灯违规检测和超速违规检测。高精度的车牌识别是这些系统中不可或缺的一部分。然而，一般的车牌识别系统需要高分辨率的图像以获得高性能。在这项研究中，我们提出了一种新的车牌识别方法，一般道路监控摄像头。提出的无分割车牌识别算法在字符检测和识别过程中利用基于深度学习的目标检测技术。所提出的方法已被测试2000图像上捕获的道路上。
2019-12-05 cs.CV
Edge Assisted Multi-Camera Vehicle Tracking Framework for Real-Time and Scalable Deployment
University of Bath（巴斯大学）；Starwit Technologies GmbH（Starwit技术公司）；University of Washington（华盛顿大学）
提出一种分布式边缘-服务器框架EASE-MCVT，通过算法和系统优化实现多摄像头车辆跟踪的实时吞吐量和可扩展性。
2026-05-22 cs.CV
How Real is CARLAs Dynamic Vision Sensor? A Study on the Sim-to-Real Gap in Traffic Object Detection
Arizona State University（亚利桑那州立大学）；Indian Institute of Information Technology（印度信息技术学院）
该研究针对基于事件的交通目标检测仿真到现实差距问题，系统评估了仅用CARLA的DVS合成数据训练的循环视觉Transformer模型的跨域表现，首次量化了相关差距并指出需提升DVS仿真保真度与域适应技术。
2025-06-16 cs.CV
TrackletMapper: Ground Surface Segmentation and Mapping from Traffic Participant Trajectories
University of Freiburg（弗赖堡大学）；University of Technology Nuremberg（纽伦堡工业大学）
对道路和街道交叉口等地面基础设施进行鲁棒分类是移动机器人在行人旁边运行的一项重要任务。虽然许多语义分割数据集可用于自动驾驶车辆，但在这些数据集上训练的模型在部署在行人空间中操作的机器人上时表现出很大的域差距。手动注释从行人视点记录的图像既昂贵又耗时。为了克服这一挑战，我们提出了TrackletMapper，一个框架，用于注释地面类型，如人行道，道路和街道交叉口从对象tracklet，而不需要人类注释的数据。为此，我们将机器人自我轨迹和其他交通参与者的路径投影到自我视图相机图像中，为多种类型的地面创建稀疏语义注释，从而可以训练地面分割模型。我们进一步表明，该模型可以通过聚合地面地图并将其投影到相机图像中来自我蒸馏以获得额外的性能优势，与稀疏tracklet注释相比，可以创建更密集的训练注释集。我们定性和定量地证明了我们的研究结果在一个新的大规模数据集的移动机器人在行人区运行。代码和数据集将在http://trackletmapper.cs.uni-freiburg.de上提供。
2023-01-08 cs.CV cs.RO
Dual LiDAR-Based Traffic Movement Count Estimation at a Signalized Intersection: Deployment, Data Collection, and Preliminary Analysis
University of California Riverside（加州大学河滨分校）
本文在加州里亚托市一交叉口部署双激光雷达系统，利用三维边界框检测按方向、运动和类别进行交通运动计数估计，并分析结果趋势及改进方向。
2025-07-17 cs.CV cs.SY eess.SY
Extrinsic Camera Calibration with Semantic Segmentation
Ulm University（乌尔姆大学）
单目摄像头传感器对于智能车辆操作和自动驾驶辅助至关重要，并且在交通控制基础设施中也得到了大量应用。然而，校准单目摄像机是耗时的，并且通常需要大量的人工干预。在这项工作中，我们提出了一个外部的摄像机标定方法，自动化的参数估计，利用图像和点云的语义分割信息。我们的方法依赖于相机姿态的粗略初始测量，并建立在安装在车辆上的激光雷达传感器上，具有高精度定位以捕获相机环境的点云。之后，通过执行语义分割的传感器数据的激光雷达到相机配准来获得相机坐标空间与世界坐标空间之间的映射。我们评估我们的方法模拟和真实世界的数据，以证明低误差测量的校准结果。我们的方法适用于基础设施传感器以及车辆传感器，同时它不需要相机平台的运动。
2022-08-08 cs.CV
AU-AIR: A Multi-modal Unmanned Aerial Vehicle Dataset for Low Altitude Traffic Surveillance
Aarhus University（奥胡斯大学）
安装有摄像机的无人驾驶飞行器（UAV）具有捕获空中（鸟瞰）图像的优势。航空视觉数据的可用性和目标检测算法的最新进展，导致计算机视觉界关注航空图像上的目标检测任务。因此，引入了几个航空数据集，包括带有物体注释的视觉数据。无人机在这些数据集中仅用作飞行摄像机，丢弃关于飞行的不同数据类型（例如，时间、位置、内部传感器）。在这项工作中，我们提出了一个多用途航空数据集（AU-AIR），它具有多模态传感器数据（即，视觉、时间、位置、高度、IMU、速度）。AU-AIR数据集包括用于提取的帧的元数据（即，交通相关对象类别的限界框注释）。此外，我们强调自然和航空图像的背景下，目标检测任务之间的差异。为此，我们在AU-AIR数据集上训练和测试移动物体检测器（包括YOLOv 3-Tiny和MobileNetv 2-SSDLite），这些检测器适用于使用带有UAV的单板计算机进行实时目标检测。由于我们的数据集具有记录数据类型的多样性，它有助于填补计算机视觉和机器人之间的空白。该数据集可在https://bozcani.github.io/auairdataset上获得。
2020-02-03 cs.CV cs.RO
Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic Density Estimation
The Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）；City University of Hong Kong（香港城市大学）
准确的交通状态信息在智能交通系统（ITS）中起着关键作用，它是各种智能移动应用（如信号协调和交通流预测）的重要输入。目前获取交通状态信息的做法是通过专门的传感器，如环路检测器和速度摄像机。在大多数大都市地区，已经安装了交通监控摄像头来监控主干道和高速公路上的交通状况，收集的视频或图像主要用于交通工程师的视觉检查。不幸的是，从交通监控摄像机收集的数据受到4L特性的影响：低帧速率、低分辨率、缺乏注释数据以及位于复杂的道路环境中。因此，尽管交通监控摄像机具有很大的潜力，但4L特性阻碍了它们提供有用的交通状态信息（例如，速度、流量、密度）。本文主要研究交通密度估计问题，因为它广泛适用于各种交通监控系统。据我们所知，目前还缺乏一个整体框架来解决4L特征和从交通监控摄像头数据中提取交通密度信息。有鉴于此，本文提出了一种框架，估计交通密度使用未校准的交通监控摄像机的4L特性。建议的框架包括两个主要组成部分：摄像机校准和车辆检测。摄像机校准方法估计图像和视频中像素之间的实际长度，车辆计数从基于深度学习的车辆检测方法中提取。结合这两个组成部分，可以估计高粒度的流量密度。为了验证拟议的框架，在香港和萨克拉门托进行了两个案例研究。结果表明，摄像机标定的平均绝对误差（MAE）小于0.2米（6米），各种条件下车辆检测的准确率约为90%。整体而言，香港的估计密度的最高平均开支为9.04辆车/公里/行车线，而沙…
2021-10-29 cs.AI cs.CV
Identifying High Accuracy Regions in Traffic Camera Images to Enhance the Estimation of Road Traffic Metrics: A Quadtree-Based Method
The Ohio State University（俄亥俄州立大学）
城市地区实时摄像头的数量不断增加，为有效的交通规划、运营和管理提供高质量的交通数据成为可能。然而，由于当前车辆检测技术的限制以及各种相机条件（例如高度和分辨率），从这些相机馈送导出可靠的交通度量一直是一个挑战。在这项工作中，一个基于四叉树的算法被开发出来，连续分割的图像范围，直到只有高检测精度的区域被保留。这些区域在本文中被称为高精度识别区域（HAIR）。我们演示了如何使用的头发可以提高交通密度估计的准确性，使用交通摄像头在不同的高度和分辨率在俄亥俄州中部的图像。实验结果表明，该算法可以用于获得鲁棒的HAIR车辆检测精度比原始图像范围高41%。HAIR的使用还显著改善了交通密度估计，均方根误差总体降低了49%。
2022-06-14 cs.CV cs.CY
Traffic control using intelligent timing of traffic lights with reinforcement learning technique and real-time processing of surveillance camera images
本研究利用YOLOv9-C模型实时分析监控图像，结合多因素强化学习与DQN Rainbow算法，在OpenAI Gym模拟器中优化交通灯配时，并通过迁移学习提升精度，实现更优的交通控制。
2024-05-22 cs.AI cs.CV
Application of 2D Homography for High Resolution Traffic Data Collection using CCTV Cameras
University of Missouri-Columbia（密苏里大学哥伦比亚分校）；HDR（HDR公司）
本文提出一个基于CCTV摄像机的三阶段视频分析框架，结合车辆识别、二维单应性变换和轨迹跟踪，实现高分辨率交通数据采集，计数误差约±4.5%，速度偏差MSE小于10%。
2024-01-14 cs.AI cs.CV
Toward Planet-Wide Traffic Camera Calibration
Carnegie Mellon University（卡内基梅隆大学）
针对户外交通摄像头标定难、自动化分析潜力难发挥的问题，提出利用街景图像重建公制3D模型的可扩展标定框架，实现超100个全球摄像头定位，新建20个标定摄像头数据集验证其优于现有方法，还可支撑交通分析。
2023-11-06 cs.CV
TrafficLens: Multi-Camera Traffic Video Analysis Using LLMs
NEC Laboratories America（NEC美国实验室）；University of Missouri–Kansas City (UMKC)（密苏里大学-堪萨斯城分校）
TrafficLens通过利用多摄像头重叠区域和对象相似性检测，高效地将视频转换为文本，减少处理时间并提升交通视频分析效率。
2025-11-26 cs.CL cs.CV
Traffic-Aware Multi-Camera Tracking of Vehicles Based on ReID and Camera Link Model
University of Washington（华盛顿大学）
多目标多摄像机跟踪（MTMCT），即，跨多个摄像头跟踪多个目标是智慧城市应用的关键技术。在本文中，我们提出了一个有效的和可靠的MTMCT框架的车辆，它包括一个交通感知的单摄像机跟踪（TSCT）算法，一个基于冗余的摄像机链接模型（CLM）的车辆重新识别（ReID），和一个层次聚类算法来获得跨摄像机车辆轨迹。首先，TSCT，它联合考虑车辆外观，几何特征，和一些常见的交通场景，提出了跟踪车辆在每个摄像头分别。其次，采用基于语义的CLM来促进每对相邻连接的摄像机之间的关系，并为后续车辆ReID添加时空约束。最后，采用层次聚类算法对所有摄像机的车辆轨迹进行融合，得到最终的MTMCT结果。我们提出的MTMCT在CityFlow数据集上进行了评估，并实现了最先进的性能，IDF1为74.93%。
2020-08-30 cs.CV
I see you: A Vehicle-Pedestrian Interaction Dataset from Traffic Surveillance Cameras
Universidad Nacional de San Antonio Abad del Cusco（库斯科圣安东尼奥阿巴德国立大学）；Pontificia Universidad Católica del Perú（秘鲁天主教大学）
自动驾驶汽车的发展在城市交通场景中提出了新的挑战，其中车辆与行人的相互作用是频繁的，例如车辆向行人让行，行人由于接近车辆而减速。在过去的几年里，已经开发了几个数据集来模拟这些相互作用。然而，现有的数据集并不涵盖我们的数据集所涵盖的近乎事故的场景。我们介绍了I see you，一个新的车辆-行人交互数据集，使用YOLOv 5和相机校准方法解决了近乎事故场景中缺乏轨迹数据的问题。我看到你在库斯科-秘鲁的七个十字路口发生了170起险些发生的事故。这个新的数据集和管道代码可以在Github上找到。
2022-11-17 cs.AI cs.CV
Automated Augmentation with Reinforcement Learning and GANs for Robust Identification of Traffic Signs using Front Camera Images
Volvo Cars USA（沃尔沃汽车美国公司）；U. Washington（华盛顿大学）；VolvoCars（沃尔沃汽车）；Chalmers University of Technology（查尔姆斯理工大学）；Fung Institute, University of California, Berkeley（加州大学伯克利分校冯氏研究所）
利用车辆摄像头图像识别交通标志在自动驾驶和路径规划中起着关键作用。然而，前置摄像头图像可能由于模糊、光照变化和故意破坏而失真，这可能导致检测性能下降。作为一种解决方案，机器学习模型必须使用来自多个领域的数据进行训练，并且在每个新领域中收集和标记更多数据既耗时又昂贵。在这项工作中，我们提出了一个端到端的框架，以增强交通标志训练数据，使用最佳的强化学习策略和各种生成对抗网络（GAN）模型，然后可以用来训练交通标志检测器模块。我们的自动增强器可以使用LISA交通标志和BDD-Nexar数据集从转换的夜间，光线不足和不同程度的遮挡中学习。所提出的方法能够将训练数据从一个域映射到另一个域，从而将夜间图像的交通标志检测精度/召回率从0.70/0.66提高到0.83/0.71。
2019-11-15 cs.AI cs.CV cs.LG
Real-time Lane-wise Traffic Monitoring in Optimal ROIs
Purdue University（普渡大学）
本文提出一种新颖的自动化系统，通过从PTZ交通摄像头馈源中自动学习车道位置与交通方向，在最优ROI中持续收集实时分车道交通数据，以解决人工监控不足的问题并提升交通管理效率与安全。
2024-03-29 cs.CV eess.IV
Traffic Camera Calibration via Vehicle Vanishing Point Detection
Comenius University in Bratislava（布拉迪斯拉发科梅纽斯大学）
提出了一种基于交通监控视频中车辆消失点对检测的交通监控摄像机标定方法。为了检测消失点，我们提出了一种CNN，它输出热图，其中消失点的位置使用菱形空间参数化表示，这使我们能够从整个无限投影空间中检测消失点。从一个场景中的多个车辆的消失点检测对，我们建立场景的几何形状，通过估计相机的焦距和道路平面的方向。我们表明，我们的方法在BrnoCarPark数据集上取得了有竞争力的结果，同时比目前最先进的方法要求更少。
2021-03-21 cs.CV
Semantic Topic Analysis of Traffic Camera Images
Massachusetts Institute of Technology（麻省理工学院）
交通摄像机通常是道路基础设施网络中部署的监控组件，为运营商提供有关网络关键点状况的视觉信息。然而，人类观察者通常在其处理同时信息源的能力方面受到限制。由深度学习方法驱动的计算机视觉的最新进展已经实现了一般对象识别，从而为基于相机的感测提供了超越现有人类观察者范式的机会。在本文中，我们提出了一个自然语言处理（NLP）启发的方法，题为标签词袋（BoLW），用于分析图像数据集使用专门的文本标签。BoLW模型以传统的矩阵形式表示数据，支持数据压缩和分解技术，同时保持语义可解释性。我们应用潜在狄利克雷分配（LDA）的主题模型分解成少量的语义主题的标签数据。为了说明我们的方法，我们使用了2017年12月至2018年1月期间从波士顿地区收集的高速公路摄像头图像。我们分析相机对天气事件的敏感性;识别时间交通模式;并分析罕见事件的影响，如寒假和“炸弹旋风”冬季风暴。这项研究表明了我们的方法的灵活性，它使我们能够分析天气事件和高速公路交通只使用交通摄像头图像标签。
2018-09-27 cs.CV
Semantic Analysis of Traffic Camera Data: Topic Signal Extraction and Anomalous Event Detection
Massachusetts Institute of Technology（麻省理工学院）
交通管理中心（TMC）通常使用交通摄像机来提供有关交通、道路和天气状况的情况感知。摄像机镜头对于各种诊断目的非常有用;然而，大多数镜头只保留几天，如果有的话。这在很大程度上是由于目前，重要镜头的识别是通过人工操作员的手动审查完成的-这是一个费力且低效的过程。在这篇文章中，我们提出了一种面向语义的方法来分析序列图像数据，并展示了其应用程序的自动检测的现实世界中，异常事件的天气和交通状况。我们的方法从文本标签中构建图像内容的语义向量表示，这些文本标签可以很容易地从现成的预训练图像标签软件中获得。这些语义标签向量用于构建语义主题信号-物理过程的时间序列表示-使用潜在狄利克雷分配（LDA）主题模型。通过检测主题信号中的异常，我们识别出与冬季风暴和异常交通拥堵相对应的值得注意的镜头。在针对真实世界事件的验证中，使用语义主题信号的异常检测显著优于使用任何单个标签信号的检测。
2019-05-17 cs.CV
Review on Action Recognition for Accident Detection in Smart City Transportation Systems
University of Cincinnati（辛辛那提大学）；Central Michigan University（中央密歇根大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
行动检测和公共交通安全是一个安全的社区和更好的社会的关键方面。使用不同的监控摄像头监控智能城市中的交通流量，可以在识别事故和提醒急救人员方面发挥重要作用。在计算机视觉任务中使用动作识别（AR）有助于在视频监控、医学成像和数字信号处理中的高精度应用。本文对智能城市事故检测和自动交通系统中的动作识别进行了深入的综述。在本文中，我们重点介绍了使用各种交通视频捕获源的AR系统，例如交通路口的静态监控摄像头、高速公路监控摄像头、无人机摄像头和仪表盘摄像头。通过这次审查，我们确定了AR用于自动运输和事故检测的主要技术、分类和算法。我们还检查了AR任务中使用的数据集，确定了数据集的主要来源和数据集的特征。本文为自动驾驶汽车和公共交通安全系统开发和集成事故检测系统提供了潜在的研究方向，在发生道路事故时提醒应急人员和执法人员，以最大限度地减少事故报告中的人为错误，并为受害者提供自发的响应
2022-08-20 cs.AI cs.CV cs.CY
Autocamera Calibration for traffic surveillance cameras with wide angle lenses
Visvesvaraya National Institute of Technology（维什韦什瓦拉亚国家理工学院）；Polytechnique Montréal（蒙特利尔综合理工学院）
提出了一种基于广角镜头的交通监控摄像机自动标定方法。几分钟的视频片段足以让整个校准过程发生。该方法将相机距地平面的高度作为唯一的用户输入，以克服尺度模糊性。校准分两个阶段进行，1.内部校准2.外部校准。通过假设等距离鱼眼畸变和理想的相机模型，实现了内在校准。外部校准是通过估计两个消失点，在地平面上，从车辆在垂直交叉点的运动。第一阶段的内在校准也适用于热成像相机。已经进行了实验，以证明这种方法对可见光以及热成像相机的有效性。索引术语：鱼眼，校准，热成像仪，智能交通系统，消失点
2020-01-20 cs.CV cs.RO
Monocular 3D Vehicle Detection Using Uncalibrated Traffic Cameras through Homography
University of Michigan（密歇根大学）；Collaborative Safety Research Center at the Toyota Motor North America Research & Development（丰田汽车北美研发中心协作安全研究中心）
本文提出了一种从单个交通摄像机中提取车辆在三维世界中的位置和姿态的方法。大多数以前的单目3D车辆检测算法从驾驶员的角度关注车辆上的摄像机，并假设已知的内在和外在校准。与此相反，本文侧重于相同的任务，使用未校准的单目交通摄像机。我们观察到，道路平面和图像平面之间的单应性是必不可少的3D车辆检测和数据合成这项任务，和单应性可以估计没有相机的内在和外在。我们进行3D车辆检测，通过估计旋转的包围盒（R盒）在鸟瞰图（BEV）从逆透视映射生成的图像。我们提出了一种新的回归目标，称为tailed r-box和一种双视图网络架构，可以提高扭曲BEV图像的检测精度。实验表明，所提出的方法可以推广到新的相机和环境设置，尽管在训练过程中看不到它们的图像。
2022-01-04 cs.CV
Mobile Traffic Camera Calibration from Road Geometry for UAV-Based Traffic Surveillance
Embedded Intelligence Lab（嵌入式智能实验室）
本文提出一种轻量级管道，将单目倾斜无人机交通视频转换为局部度量鸟瞰视图表示，利用可见道路几何估算道路平面的homography，以实现车辆轨迹的估计和动态3D立方体的可视化。
2026-05-12 cs.CV
TrafficLoc: Localizing Traffic Surveillance Cameras in 3D Scenes
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；DeepScenario；Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
提出TrafficLoc，一种基于粗到细匹配的图像到点云配准方法，结合几何引导注意力损失和对比学习，在模拟和真实数据集上显著提升交通摄像头定位精度。
2025-03-25 cs.CV
Traffic Danger Recognition With Surveillance Cameras Without Training Data
Peking University（北京大学）；MIX Labs（MIX实验室）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个交通危险识别模型，与任意的交通监控摄像头，以识别和预测车祸。摄像头太多了，无法手动监控。因此，我们开发了一个模型来预测和识别车祸从监控摄像头的基础上的道路平面的三维重建和预测的轨迹。对于正常交通，它支持对车辆之间的速度和距离进行实时主动安全检查，以了解可能的高风险区域。我们实现了很好的预测和识别的汽车碰撞，而不使用任何标记的训练数据的碰撞。在BrnoCompSpeed数据集上的实验表明，该模型可以准确地监测道路，距离测量的平均误差为1.80%，速度测量的平均误差为2.77 km/h，汽车位置预测的平均误差为0.24 m，速度预测的平均误差为2.53 km/h。
2018-11-29 cs.CV cs.MM
Monocular Vision based Crowdsourced 3D Traffic Sign Positioning with Unknown Camera Intrinsics and Distortion Coefficients
Advanced Research Lab, NavInfo Europe（NavInfo欧洲先进研究实验室）
自动驾驶车辆和驾驶员辅助系统利用3D语义地标的地图来改进决策。然而，扩展映射过程以及定期更新这些地图需要巨大的成本。众包地图这些地标，如交通标志的位置提供了一个有吸引力的替代方案。众包地图绘制的最新方法使用地面实况相机参数，这些参数可能并不总是已知的，或者可能随时间而变化。在这项工作中，我们展示了一种方法来计算3D交通标志的位置，而不知道相机的焦距，主点，和失真系数先验。我们验证了我们提出的方法在KITTI的交通标志的公共数据集。仅使用单目彩色摄像机和GPS，我们实现了平均单行程的相对和绝对定位精度分别为0.26米和1.38米。
2020-07-09 cs.CV cs.LG cs.RO
Traffic sign detection and recognition using event camera image reconstruction
AGH University of Science and Technology（AGH科技大学）
提出了一种基于事件摄像机信息的交通标志检测与识别方法。该解决方案使用FireNet深度卷积神经网络将事件重建为灰度帧。训练了两个YOLOv4网络模型，一个基于灰度图像，另一个基于彩色图像。基于灰度图像训练的模型效果最好，效率达到87.03%。
2022-12-16 cs.CV eess.IV
MC-BEVRO: Multi-Camera Bird Eye View Road Occupancy Detection for Traffic Monitoring
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；Department of Computer Science and Physics, Rider University（莱德大学计算机科学与物理系）
提出MC-BEVRO多摄像头鸟瞰图道路占用检测框架，结合CARLA合成数据、早/晚期融合与背景整合，并通过零样本和少样本微调验证仿真到真实的泛化能力。
2025-02-16 cs.CV
Traffic Surveillance Camera Calibration by 3D Model Bounding Box Alignment for Accurate Vehicle Speed Measurement
Brno University of Technology（布尔诺理工大学）
在本文中，我们专注于全自动交通监控摄像机的校准，我们使用的速度测量的过往车辆。我们改进了最近国家的最先进的交通监控摄像机标定方法的基础上检测到的两个消失点。更重要的是，我们提出了一种新的自动场景规模推断方法。该方法基于将车辆的渲染3D模型的边界框与图像中检测到的边界框进行匹配。该方法可以从任意视点使用，因为它没有约束的相机放置。我们在最近的速度测量BrnoCompSpeed的综合数据集上评估我们的方法。实验表明，我们的自动摄像机标定方法通过检测两个消失点减少了50%的误差（平均距离比误差从0.18减少到0.09）相比，以前的国家的最先进的方法。我们还表明，我们的场景规模推断方法是更精确的，优于最先进的自动校准方法的速度测量（误差减少86% -7.98公里/小时至1.10公里/小时）和手动校准（误差减少19% -1.35公里/小时至1.10公里/小时）。我们还提出了定性的结果，建议自动摄像机校准方法从真正的监控摄像机在不同的地方，并在不同的照明条件下（夜间，黎明，白天）获得的视频序列。
2017-06-01 cs.CV
aUToLights: A Robust Multi-Camera Traffic Light Detection and Tracking System
University of Toronto（多伦多大学）；Institute for Aerospace Studies（航空航天研究所）
本文提出aUToLights系统，利用YOLOv5多摄像头融合、高清地图先验和隐马尔可夫模型，实现鲁棒的交通信号灯检测与跟踪，在复杂真实场景中优于单帧单摄像头检测。
2023-09-04 cs.CV cs.RO
Scaling Traffic Insights with AI and Language Model-Powered Camera Systems for Data-Driven Transportation Decision Making
本研究提出一个基于AI的端到端框架，利用微调YOLOv11模型、基于图的视角归一化方法和特定领域大语言模型处理交通摄像头数据，在纽约拥堵定价期间验证了其能以最少人工干预实现大规模、与政策相关的交通监控。
2025-10-11 cs.CV eess.IV
A Novel Vision Transformer for Camera-LiDAR Fusion based Traffic Object Segmentation
Tallinn University of Technology（塔林理工大学）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
本研究提出基于视觉Transformer的相机-激光雷达融合模型CLFT，可实现多类交通目标分割并适配多种天气，提升了自动驾驶感知水平，但恶劣环境下的性能仍待优化。
2025-01-06 cs.CV
Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework
National Taiwan University（国立台湾大学）；Chunghwa Telecom Laboratories（中华电信研究院）；Mobile Drive Technology（行驱科技）
提出Tel2Veh框架，融合电信蜂窝流量与稀疏车流数据，利用图神经网络融合特征差异，预测无摄像头区域的车流，推进交通管理。
2024-03-05 cs.CV cs.LG
Risk Prediction on Traffic Accidents using a Compact Neural Model for Multimodal Information Fusion over Urban Big Data
Fudan University（复旦大学）；China University of Petroleum（中国石油大学）
交通事故风险图预测对于预防事故发生和应急响应的早期规划具有重要意义。在这方面，挑战在于城市大数据的多模式性质。我们提出了一个紧凑的神经集成模型，以减轻过度拟合融合多模态功能，并开发了一些新的功能，如分形测量的道路复杂性的卫星图像，出租车流量，POI，道路宽度和连通性的OpenStreetMap。该解决方案在性能上比基线方法和基于单模态数据的解决方案更有前途。通过微观可视化，揭示了高风险和低风险相关场景的视觉模式，为今后的道路设计提供借鉴。从城市的角度来看，预测的风险图接近地面实况，可以作为优化空间配置的基础，应急响应资源，报警标志。据我们所知，这是第一个工作，融合视觉和时空特征的交通事故预测，并提出了基于数据采掘的城市计算和计算机视觉的城市感知之间的差距。
2021-02-21 cs.CV cs.LG
DualCam: A Novel Benchmark Dataset for Fine-grained Real-time Traffic Light Detection
University of Moratuwa（莫拉图瓦大学）
交通灯检测对于自动驾驶汽车在城市地区安全行驶至关重要。公开可用的交通灯数据集不足以开发用于检测提供重要导航信息的远处交通灯的算法。我们介绍了一种新的基准交通灯数据集捕获使用同步对窄角和广角相机覆盖城市和半城市道路。我们提供了1032个图像用于训练，813个同步图像对用于测试。此外，我们还提供同步视频对进行定性分析。该数据集包括覆盖10个不同类别的分辨率1920 $\times$ 1080的图像。此外，我们提出了一个后处理算法，结合两个摄像机的输出。结果表明，与使用单个相机帧的传统方法相比，我们的技术可以在速度和精度之间取得平衡。
2022-09-03 cs.AI cs.CV cs.RO
Real-time Full-stack Traffic Scene Perception for Autonomous Driving with Roadside Cameras
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
我们提出了一个新颖的和务实的框架与路边摄像机的交通场景感知。所提出的框架涵盖了用于基础设施辅助自动驾驶的全栈路边感知管道，包括目标检测、目标定位、目标跟踪和多相机信息融合。与之前基于视觉的感知框架在训练时依赖于深度偏移或3D注释不同，我们采用了模块化解耦设计，并引入了基于地标的3D定位方法，其中检测和定位可以很好地解耦，以便模型可以仅基于2D注释轻松训练。所提出的框架适用于具有针孔或鱼眼镜头的光学或热成像相机。我们的框架部署在一个双车道的环形交叉口位于埃尔斯沃思路。州圣，美国密歇根州安阿伯市，提供7x24实时的【形】交通流监控和高精度车辆轨迹提取。整个系统在低功耗边缘计算设备上高效运行，所有组件端到端延迟小于20 ms。
2022-06-20 cs.CV cs.RO
Ground Plane Projection for Improved Traffic Analytics at Intersections
Center of Vision Research (CVR) and Centre for AI & Society (CAIS) at York University（约克大学视觉研究中心（CVR）和人工智能与社会研究中心（CAIS））；Vector Institute for Artificial Intelligence（人工智能向量研究所）；Region of York（约克地区）；York University（约克大学）；University of Toronto（多伦多大学）
针对路口转弯流量自动统计任务，本文提出将摄像头检测到的车辆反投影至地平面开展3D坐标分析的方法，单/多摄像头实验均验证该方法可提升轨迹分类与流量统计精度。
2025-11-15 cs.AI cs.CV cs.LG
Recognition and Co-Analysis of Pedestrian Activities in Different Parts of Road using Traffic Camera Video
Texas Advanced Computing Center, The University of Texas at Austin（德克萨斯大学奥斯汀分校德克萨斯高级计算中心）；Center of Transportation Research, The University of Texas at Austin（德克萨斯大学奥斯汀分校交通研究中心）；Austin Transportation Department, City of Austin（奥斯汀市奥斯汀交通局）
行人安全是交通系统管理人员和运营商的优先事项，也是德克萨斯州奥斯汀市采用的Vision Zero战略的主要重点。虽然有许多治疗方法和技术可以有效地改善行人安全，但确定最需要这些治疗方法的位置仍然是一个挑战。目前的做法需要在有限的时间段内手动观察候选位置，导致识别过程耗时，滞后于流量模式随时间的变化，并且缺乏可扩展性。通常最需要安全对策的中间街区位置尤其难以识别和监控。本研究的目的是了解公交车站位置和中间街区交叉口之间的相关性，以协助交通工程师实施零愿景策略，以提高行人安全。在以前的工作中，我们已经开发了一种工具，使用深度神经网络模型来识别交叉事件，通过交通摄像头视频检测行人过街事件。在本文中，我们扩展的方法来识别公交车站的使用与交通摄像头视频从现成的CCTV云台（PTZ）交通监控摄像头安装在附近的十字路口。我们相关的视频检测结果为中间块路口附近的公交车站，行人活动的公交车站在每一侧的中间块路口。我们还实现了一个门户网站，通过自动创建仅显示交叉事件的视频剪辑来促进对行人活动检测的手动审查，从而大大提高了人工审查过程的效率。
2021-11-27 cs.CV
The Interstate-24 3D Dataset: a new benchmark for 3D multi-camera vehicle tracking
Vanderbilt University（范德堡大学）
该文提出一个由高速公路多摄像头视频组成的三维车辆跟踪基准数据集，含87.7万个标注框，并评测了现有跟踪流程，旨在推动自动驾驶影响研究。
2023-08-28 cs.CV
FARSEC: A Reproducible Framework for Automatic Real-Time Vehicle Speed Estimation Using Traffic Cameras
Hasso Plattner Institute（哈索·普拉特纳研究所）；Porsche Digital（保时捷数字公司）；Porsche AG（保时捷股份公司）；University of Potsdam（波茨坦大学）
针对现有交通摄像头车速估计方法跨数据集可复现性与鲁棒性不足的问题，提出FARSEC端到端实时框架，利用深度图预测路段长度并自动适应摄像机移动和多类视频输入。
2023-09-25 cs.CV cs.LG cs.SI
Measurement of Road Traffic Parameters Based on Multi-Vehicle Tracking
University of Zagreb（萨格勒布大学）
计算能力和廉价摄像机的发展使今天的交通管理系统能够包括更多的摄像机和计算机视觉应用，用于交通系统的监测和控制。结合图像处理算法，摄像机作为传感器来测量道路交通参数，如流量，起讫点矩阵，分类车辆，在本文中，我们提出了一个测量系统的道路交通参数（基本运动模型参数和宏观交通参数）。该系统是基于本地二进制模式（LBP）的图像特征分类与级联的温和Adaboost（GAB）分类器，以确定车辆的存在和它在图像中的位置。此外，通过使用扩展卡尔曼滤波器（EKF）和虚拟标记来执行道路交通视频中的车辆跟踪和计数。新提出的系统进行了比较，基于背景减法的系统。通过执行时间和准确性进行比较。
2015-10-16 cs.CV
Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection
Department of Computing Sciences, University of Hartford（计算科学系，哈特福大学）；Department of Electrical and Computer Engineering, Tennessee Technological University（电气与计算机工程系，田纳西技术大学）；Center for Manufacturing Research, Tennessee Technological University（制造研究中心，田纳西技术大学）
本文通过构建CompGTSRB数据集，评估自然对抗性补丁在物理交通标志检测中的有效性，并提出系统物理协议以提升补丁评估的可信度。
2026-02-27 cs.AI cs.CR cs.CV
CityFlow: A City-Scale Benchmark for Multi-Target Multi-Camera Vehicle Tracking and Re-Identification
NVIDIA（英伟达）；San Jose State University（圣何塞州立大学）；University of Washington（华盛顿大学）
使用交通摄像机作为传感器的城市交通优化推动了对先进的多目标多摄像机（MTMC）跟踪的需求。这项工作介绍了CityFlow，这是一个城市规模的交通摄像机数据集，由来自10个十字路口的40个摄像机的超过3小时的同步高清视频组成，两个同步摄像机之间的最长距离为2.5公里。据我们所知，CityFlow是城市环境中空间覆盖范围和摄像机/视频数量最大的数据集。该数据集包含超过20万个带注释的边界框，涵盖了各种场景、视角、车辆模型和城市交通流量条件。提供相机几何形状和校准信息以辅助时空分析。此外，基准的一个子集可用于基于图像的车辆重新识别（ReID）的任务。我们对MTMC跟踪、多目标单摄像机（MTSC）跟踪、目标检测和基于图像的ReID中的基线/最先进方法进行了广泛的实验评估，分析了不同网络架构、损失函数、时空模型及其组合对任务有效性的影响。随着我们在2019年AI城市挑战赛（https：//www.aicitychallenge.org/）上发布基准测试，我们推出了一个评估服务器，让研究人员能够比较他们最新技术的性能。我们希望这个数据集能够促进这一领域的研究，推动最先进的技术向前发展，并在现实世界中实现部署的流量优化。
2019-04-05 cs.CV
