基于深度学习的交通事故监控视频自动检测与定位方法

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8（2022）379www.elsevier.com/locate/icte基于深度学习的交通监控视频交通事故检测与定位Karishma Pawar1，Baghdad，Vahida Attar1印度浦那工程学院计算机工程信息技术系接收日期：2021年6月13日;接收日期：2021年9月8日;接受日期：2021年11月7日2021年11月15日网上发售摘要真实世界的交通监控视频需要持续的监控，以在发生致命事故时进行监控并采取适当的行动。然而，在人工监督下连续监测它们是容易出错和繁琐的。因此，通过将问题公式化为异常检测，提出了一种用于道路事故自动检测和定位的深度学习方法。该方法遵循一类分类的方法，并应用时空自动编码器和序列到序列的长短期记忆自动编码器建模的空间和时间表示的视频。该模型在一个真实的视频交通监控数据集上运行，在定性和定量上都取得了© 2021 由 Elsevier B.V. 发 布 代 表 韩 国 通 信 和 信 息 科 学 研 究 所 这 是 一 篇 基 于 CC BY-NC-ND 许 可 证 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：事故检测;深度学习;一类分类;视频监控1. 介绍人工智能的普及和物联网设备的普遍使用导致了智慧城市项目，以提高生活质量[1，2]。可持续交通是智慧城市的关键方面之一，其目标是开发（1）依赖实时数据的公共部门智能交通系统(2)交通管理平台，以避免混乱，和（3）安全和主动交通控制应用。道路上车辆数量的增加给道路交通管理人员和当局处理道路事故等挑战造成了很大负担，因此需要进行快速监测，以减少生命和财产损失的可能性。因此，为了检测和避免事故等事故，城市都部署了闭路电视监控摄像头用于交通监控。实时手动检查监控视频，以监控交通并识别任何不必要的事件的发生，*通讯作者。电子邮件地址：kvppawar@gmail.com（K.Pawar），vahida.coep.ac.in（V.Attar）。1所有作者都认可了即将出版的手稿版本同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.11.004人力不是一个可行的解决办法。此外，视频从闭路电视摄像头连续传输，一些不寻常的活动可能会被容易出错的手动监控遗漏。这就需要设计一个自动化模型来检测不寻常的事件，如可持续交通和有效的交通管理的事故。计算机视觉技术作为一种灵丹妙药，已被广泛应用于智能交通监控和管理。基于计算机视觉的技术的一般流水线如下：（1）从背景和来自静止以及移动视频场景的其他道路实体分割车辆;（2）对所有类别的车辆（诸如公共汽车、货车、轿车等）进行分类;（3）提取用于不同交通相关操作的时空特征，如车辆计数、车辆跟踪、轨迹跟踪、检测异常事件，如事故。此外，这种基于计算机视觉的系统应该在变化的照明和交通条件下操作。出于同样的动机，已经提出了一种用于检测和定位道路事故的深度学习方法。具体而言，我们认为道路事故的发生是异常活动的特殊情况，即，异常发现和定位道路事故将有助于缩短救援队的反应时间，确保旅行安全。本文的贡献如下。2405-9595/© 2021由Elsevier B. V.代表韩国通信与信息科学研究所发布。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。K. Pawar和V. AttarICT Express 8（2022）379380本文通过使用基于时空自编码器和序列到序列长短期记忆（LSTM）自编码器的深度学习方法来解决作为异常检测的特殊情况的道路事故的检测和局部化问题。为了处理标记异常数据稀缺的问题，模型只需要在正常事件上进行训练，然后通过遵循一类分类范式将异常检测为分布外数据。本文提出的研究通过以下基于深度学习和一类分类范式的异常活动检测方法来解决事故检测任务。据我们所知，我们是第一个应用LSTM变体的人，即序列到序列LSTM，以滑动窗口的方式进行异常检测任务，以证明新颖性。该模型以级联方式应用卷积自动编码器和具有序列到序列学习能力的LSTM。所提出的方法的关键在于，它以无监督的方式学习，从而减轻了生成标记的异常道路事故数据的需要。该文件的内容概述如下。第2节讨论了处理道路事故检测任务的方法。第3节描述了事故检测任务如何形成异常检测问题以及详细的方法。第4节阐明了用于评估拟议模型的实验细节、数据集和性能指标，以及定量和定性结果和相关比较分析。第五部分是结论性的评论，并提出了进一步研究的建议.2. 相关工作Fig. 1. 制定交通视频监控事故检测任务的技术。汽车之间的相互作用被认为是一个指导点用于异常检测使用潜在狄利克雷分配（LDA）的流量建模。在局部化方面，通过计算行为的空间梯度构造有限时间李雅普诺夫场，并采用分水岭算法对异常进行局部化。由于数据和计算处理器以更便宜的成本大量可用，深度学习技术已经重新兴起，并证明其在许多领域中的显着可用性，如对象检测[8，9]，图像分类[10]，异常检测[11]，主题建模[12]，表示学习[13]，语义分割[14]，视觉跟踪[15]等，因此深度学习技术也已用于事故检测。Ren等人[16]研究了时空相关性的影响，关系的交通事故数据，并开发了基于递归神经网络模型的事故风险预测，可以作为一个积极的系统，以警告有关的交通事故。为了提高准确性，还可以结合更多的特征，如道路、交通流的特征博尔特尼科夫在应用于道路交通事故检测的视觉监控领域已经进行了很多研究在道路交通事故中的异常检测的详细审查被广泛地覆盖在[3]中，给出了智能交通系统中解决问题的指针。交通视频监控中的事故检测主要包括基于交通流模式、车辆跟踪和相互作用、时空相关性、目标检测和异常活动检测等技术。1 .一、第一类方法是基于交通流模式，通常模拟正常的交通模式，如有效的左转弯，右转弯或直行。偏离正常模式被认为是异常交通事件[4，5]。第二类方法侧重于检测和提取移动车辆的特征，如车辆之间的距离，加速度，方向，跟踪[6]。 Hui等人[6]使用高斯混合模型进行车辆检测，使用均值漂移算法进行车辆跟踪。第三类方法遵循社会学概念和车辆之间的模型相互作用，用于检测事故。Sultani和Choi [7]提出了一个智能模型，等人[17]实现了基于3D卷积神经网络（CNN）的事故检测模型，解决了不同的天气和照明条件。他们使用视频游戏来生成视频流量并训练模型。在测试过程中，他们应用了两个损失函数，有和没有光流模式，以抑制照明条件和背景场景的影响。该模型在现实世界的交通视频进行评估。Tian等人[18]提出了一种基于对象检测算法的深度学习模型- You Only Look Once（YOLO），并利用从车辆基础设施系统获得的其他信息，如事故位置，事故类型和照明条件。该模型利用多尺度特征融合技术和具有动态权重的损失函数进行准确和实时的检测。Yao等人提出的方法。[19]遵循基于对象跟踪和异常活动的技术。他们将无监督学习方法应用于安装在仪表板上的摄像头视频。在这种情况下，模型是用对象和自我运动的正常事件训练的。在测试时，偏离正常模型的模式被视为异常。具体来说，他们的模型预测了物体在··K. Pawar和V. AttarICT Express 8（2022）379381∑=i0--j=1K0个...... n正在进行的帧，然后应用异常检测算法。除此之外，还有深度学习方法解决道路交通和路面监测的视觉监控[20，21]。Ohgushi等人。[20]提出使用具有语义分割的自动编码器来解决检测道路上障碍物的任务。具体地说，自动编码器由作为编码部分的语义图像生成器和作为解码部分的图像生成器组成。他们的方法以一种无监督的方式工作，这样模型只在正常的道路场景上训练。Varona等人。[21]提出使用基于卷积神经网络，LSTM网络和水库计算模型的深度学习模型进行坑洞检测和路面分类。3. 拟议方法3.1. 问题公式化我们制定的交通道路事故检测的任务作为一个异常检测问题。异常模式偏离正常模式，并且异常发生的持续时间很短。然而，由于缺乏异常活动的标记数据，模型仅在正常事件上训练，然后在异常数据上测试，即，模型学习正常的数据模式，不符合正常模式的模式被认为是异常的。这种范例被称为单类分类，如图2所示。学习正常模式的结果是形成一些超球面，位于超球面之外的点是异常的。通常，在一类分类问题中，正常数据被假设为负类，异常数据被假设为正类[22]。3.2. 异常检测和定位的拟议方法自动编码器对于视频的有效表示非常有用。因此，我们以前的工作[13]集中在对自动编码器的严格分析上，因此，卷积自动编码器[14]图二. 一级分类。frame.由CffIE（.）通过应用滑动窗口技术以窗口大小m堆叠在一起这堆潜伏的表示被馈送到具有序列到序列学习能力的LSTM自动编码器，即，SLffiE（.）来学习时间模式为了遵循一类分类，我们拟合正态帧（训练数据）到高斯分布。为了实现这一点，径向基函数层应用于LSTM编码器中的瓶颈层之前，具有序列到序列学习SLffiEenc（.）. 因此，形成将正态数据拟合为高斯分布。期间测试时，分布外（异常）数据落在这种超球面之外，有助于检测异常。一旦训练数据被拟合到具有RBF核的高斯分布，则针对使用滑动窗口技术获得的m个帧的堆栈生成η维向量。一旦训练完成，所有序列（f ′0. n）被收集具有dimen-其中K表示训练序列的数量，并且η表示潜在向量的维度。然后，对于潜在向量的每个维度η，平均值（μi）和标准值（偏差（σi）计算如下。Ktocoder和具有序列到序列的学习能力已被用于时空特征学习的任务。 图 3描述了µ1f′Kj=1... n[j][i]（1）所提出的交通异常检测模型的工作监控录像卷积自动编码器和具有序列到序列学习的∑Kσi=（f ′0. n[j][i] − µi）2在图4和图5中分别描述了这种能力。图图4（a）和5（a）分别给出了卷积自动编码器和具有序列到序列学习能力的LSTM自动编码器的编码器部分中使用的分层细节和激活函数。类似地，Fig. 图4（b）和5（b）给出了解码器部分的细节。视频帧f0，f1，. . . ... n.卷积编码器CffIE（.）用于获得视频剪辑中的每个帧的编码表示以用于空间学习。CffiE（.）使用L2距离来最小化实际帧和重建帧在计算出μi和σi后，应用算法1检测测试序列ftest是否异常。为了获得异常评分，使用了超参数α和β。算法1示出了应用于异常检测的步骤。对于异常定位，取h×w的移动窗口，其中h表示高度，w表示宽度，然后滑过从卷积解码器获得的整个重建帧。如果特定窗口大于β×η，则该窗口被注释为异常并且应用边界框。（二）K. Pawar和V. AttarICT Express 8（2022）379382==图3.第三章。 交通监控视频中异常检测的模型。表1IITH道路事故数据集的详细信息帧数正常帧1，27，138异常帧863用于培训的正常帧94，720用于测试33，281帧（32，418正常帧863事故帧道路交通事故。数据集的详细信息见表1。4.1.2. 评估指标相等错误率（EER）。EER可以定义如下。4. 实验硬件与软件为了进行实验，英、英、俄、法、普、法、尼n（三）机器与NVIDIA GeForce GTX 940MX GPU与4 GB RAM和i7- 7500 U CPU 2.9 GHz 和 具 有 NVIDIA GeForce GTX940MX GPU和4 GB RAM已被使用。TensorFlow 2.0.0框架和Python 3.7.5用于实现。4.1. IITH道路交通事故数据集4.1.1. IITH道路事故数据集所提出的模型的有效性在真实世界的交通监控视频上进行了测试，即IITH道路事故数据集[23]。这个数据集是从安装在不同广场的闭路电视摄像机网络中收集的，这些摄像机捕捉了印度海得拉巴市的道路事故现场。图 6其中，FP表示假阳性，FN表示假阴性，并且n表示考虑用于异常检测的视频帧的总计数。EER的值越小，意味着模型在检测异常方面越好受试者工作特征曲线下面积（AUC）。通过首先绘制ROC曲线并计算该曲线覆盖的面积来获得AUC值。ROC曲线通过绘制所有分类阈值下的FPR和TPR来显示模型的分类能力。AUC值越高，表明模型越好。平均精密度（mAP）。在mAP中，每个阈值表示预测边界框和地面实况边界框之间的重叠百分比。这个阈值被称为Intersection over Union（IoU）。计算如下。显示示例视频帧。数据集中的每个场景都以正常的交通事件开始，并以事件I oU重叠面积联合区（四+K. Pawar和V. AttarICT Express 8（2022）379383）K. Pawar和V. AttarICT Express 8（2022）379384图四、 卷积自动编码器（a）编码器（b）解码器的细节。mAP的值越高，意味着模型在定位感兴趣区域方面越好。4.1.3. 结果讨论和比较分析用于在帧级检查模型的性能，即，检查模型是否正确识别帧是否具有异常，已经使用了EER和AUC。类似地，对于像素级的评估，即，检查模型是否正确定位帧中的异常，我们使用mAP作为性能度量。对于帧级检测，已获得ROC曲线，如图所示。 7，相应的AUC为79%。帧级异常检测的EER为20.50%。由于IITH道路事故数据集不提供用于在像素级（本地化）检查模型有效性的地面实况，我们使用注释工具labellmg在每个提取的视频帧中使用边界框坐标手动注释数据集，然后使用mAP检查性能图五. 具有序列到序列学习能力的LSTM自动编码器的细节（a）编码器（b）解码器。对应于范围从0.1到1.0的IoU阈值范围的mAP值已在图中示出。8 .第八条。在40%阈值下，所提出的模型实现了60%的mAP用于像素级评估，如图所示。8 .第八条。图图9和图10示出了模型在IITH道路事故数据集上的定性性能，其中事故场景由模型定位。我们将其性能与本文的结果进行了比较[24]如表2所示。这是文献中的一篇论文，其中对IITH道路事故数据集进行了帧级评价。基于表2中的比较，与最先进的方法相比，拟定模型在AUC方面的性能提高了2%[22]。K. Pawar和V. AttarICT Express 8（2022）379385图六、 来自IITH道路事故数据集的样本视频帧 [23]。图7.第一次会议。帧 级评价的ROC（AUC =79%）。图9.第九条。 定位显示一辆自行车和一辆巴士相撞。图8.第八条。不 同 阈 值 的 mAP评分。表2IITH道路事故数据集的比较分析图10个。 定位显示一辆自动人力车与一辆汽车相撞。4.2. 在Iowa DOT异常数据集4.2.1. 来自2021 AI City Challenge的2021人工智能城市挑战赛分为5个任务，即使用物联网设备进行多类别多运动车辆计数，城市规模多摄像头车辆重新识别，城市规模方法帧级AUCEER地图[24]第二十四话百分之七十七22.50%–该模型百分之七十九20.50%百分之六K. Pawar和V. AttarICT Express 8（2022）379386×21 =·=多摄像机车辆跟踪，交通异常检测和基于自然障碍的车辆检索[25]。在五个挑战中，我们在属于交通异常检测轨道4的2021 AI城市挑战数据集上执行了所提出的模型[26]。该数据集由爱荷华州的DOT在多条高速公路上收集。异常包括单辆和多辆车辆的碰撞以及车辆失速的发生在交通异常检测数据集（Iowa DOT异常数据集）中，训练集和测试集分别有100和150个视频。录像片段已经录好了 每秒30帧，分辨率为800 410。如第3节所述，所提出的模型仅基于正常数据构建正常模型，并使用单类学习将道路事故检测为异常（分布样本之外）。此外，该模型支持 但是，它不负责检测熄火车辆。因此，为了在AI CityChallenge的交通异常检测数据集上测试所提出的模型，我们以以下方式管理数据集。我们从训练集和测试集中删除了属于失速车辆的视频片段（不显示道路事故的发生）。此外，还删除了发生事故（车辆的单次和多次碰撞）的视频剪辑， 训练集。然后，该模型在策划数据集的正常视频剪辑上进行训练，并在同时发生正常和事故事件的数据集上进行测试。这种方式模型以无监督的方式进行训练（在正常数据上进行训练，对正常和异常道路事故数据的测试4.2.2. 评估指标为了证明模型在事故检测方面的性能，如AI城市挑战中所述，使用了F1评分[25]。F1分数计算如下.图十一岁基 于 F1 的Iowa DOT异常数据集对比分析得分基于F1得分的2021年AI城市挑战赛（第4轨道）中提出的无监督学习方法与监督学习方法的比较。图12示出了在定位来自爱荷华州DOT异常数据集中的2个不同场景的汽车彼此碰撞的事件方面的模型的定性评估。为处理第四项任务所采用的方法通过最先进的[27-Baidu-SIAT [27]遵循流水线框架编码传递预处理，动态跟踪和后处理。预处理包括背景建模、车辆检测、道路模板构建和异常车辆跟踪。动态跟踪模型的运动模式和时空跟踪的车辆定位异常的开始时间。字节跳动[28]应用背景建模、时空异常管的盒级跟踪以及精确检测异常时间段的改进。WHU [29]使用框级和像素级跟踪识别异常，并使用双模态双边轨迹跟踪从帧中提取时空特征。USF [30]的方法包括以向前和向后的方式对帧的背景进行建模，F2 精确度·召回率T P精确度+召回率T P+1（F P+F N）（五）通过两阶段的车辆检测，并计算检测区域的结构相似性。Mizzou-ISU [31]遵循背景建模，道路掩模提取和自适应阈值，由方程式（5），真阳性（TP）检测指示帧被正确地预测在真正异常事件（事故事件）的10秒内异常。假阳性（FN）表示模型未能正确预测真实的异常事件。假阳性（FP）表示预测的异常事件不是实际的异常事件。4.2.3. 结果讨论和比较分析参考AI City Chal- lenge [25]的评价指标，F1评分用于评估性能事故检测模型。基于4.2.1节中提到的训练和测试策略，我们获得了78.58%的F1分数.研究结果与解决AI城市交通异常检测挑战任务4的论文进行了比较。然而，可以注意到，论文[27-相反，所提出的模型遵循无监督学习。图 11显示比较用于异常检测。总之，论文[27-相反，本文提出的方法遵循无监督学习策略，因此，在爱荷华州DOT异常数据集上的性能各不相同。然而，所提出的方法只需要在异常事件之前的前兆视频帧上进行训练，并且有效地工作，而不需要任何标记的异常数据。4.3. DoTA数据集4.3.1. DoTA数据集交通异常检测（DoTA）是从YouTube频道收集的交通异常检测数据集，其中包含许多仪表板摄像头事故视频[32]。该数据集包含4677个具有时间、空间和类别注释的视频。数据集中的异常是由于事故导致的道路上车辆碰撞。为了与其他最先进的方法进行比较，我们遵循以下策略：K. Pawar和V. AttarICT Express 8（2022）379387图12个。 定位显示一辆车撞上了另一辆车。在[33]中提到。该数据集被随机划分为3275个训练视频和1402个测试视频。如第3节所述，所提出的模型遵循一类学习策略。因此，我们从每个视频中提取前兆正常帧进行训练，并建立正常模型。最后，一个模型进行了测试的道路交通事故检测的测试数据4.3.2. 评估指标我们使用ROC曲线和AUC在帧水平上评估模型的性能。4.3.3. 结果讨论和比较分析我们实现了84.70%的AUC检测的道路交通事故在帧级。为了进行比较，我们使用AUC评估了模型的性能，并与其他最先进的无监督学习方法进行了比较，如图13所示。给出了比较的方法的总结。在ConvLST-MAE [34]中，2D CNN用于从帧中提取空间信息，多层ConvLSTM以循环方式对时间特征进行编码，并最终进行2D解码 用于重建输入帧。ConvAE [35]方法使用时空自动编码器。它使用2D卷积编码器对时间堆叠图像进行编码，并使用解卷积层进行解码以重建输入。AnoPred [36]方法接受四个连续的RGB图像作为输入，并在UNet模型的帮助下预测未来的图像，并使用多任务丢失功能来提高预测的准确性。[19]方法使用多流RNN自动编码器对正常视频的边界框轨迹进行建模。过去的轨迹和自我运动被编码以预测未来的对象边界。Entrance [33]方法结合了[19，36]中提出的方法，以获得仅外观和以对象为中心的检测方法图13岁帧 级评价时的ROC（AUC = 84.70%）。图十四岁 基于AUC的DoTA数据集的比较分析。基于图14所示的比较，所提出的模型比最先进的基于无监督学习的方法提高了11.7%[33]。5. 结论和今后的方向在本文中，我们提出了一种基于深度学习的道路事故检测和定位方法。所提出的方法的好处是，我们只需要在正常的交通事件上训练模型，由于一类学习范式，异常被检测为分布样本之外。我们在三个基准数据集上评估了模型的性能。作为未来发展方向的一部分，该代码可以部署在PYNQ等硬件上，以更快地处理视频帧进行异常检测。此外，研究可以集中在使用主动学习的异常检测。主动学习将能够根据在正常和异常数据中发现的更新的行为模式，通过人工干预来更新模型。CRediT作者贡献声明Karishma Pawar：研究的概念和设计，数据采集，数据分析和/或解释，写作- 审查编辑。Vahida Attar：研究的概念和设计，数据的分析和/或解释，写作-评论编辑。竞合利益作者声明，他们没有已知的可能影响本文所报告工作K. Pawar和V. AttarICT Express 8（2022）379388引用[1] A. Zanella，N. Bui，A.卡斯特拉尼湖Vangelista，M. Zorzi，物联网智能城市，IEEE IoT J。1（1）（2014）22[2] M. Kumar，K.S. Raju，D.库马尔，北Goyal，S. Verma，A. Singh，基于物联网的智能城市监控视觉识别的有效框架，多媒体工具应用。（2021）1[3] K.K. Santhosh，D.P. Dogra，P.P. Roy，使用视觉监控的道路交通异常检测：调查，ACM Comput。监视器53（2020）1-26。[4] W. Hu，X.肖，Z. Fu，D. Xie，T.谭，S.杨文，一种基于统计的运动模式学习系统，北京：计算机科学出版社。马赫内特尔28（2006）1450-1464。[5] H. Tan ， J. Zhang ， J. Feng ， F. Li ， Vehicle speed measurementforaccident scene investigation，in：2010 IEEE 7th Int. Conf. E-Bus.工程师：2010年，第389-392.[6] F. Jiansheng等人，基于视觉的实时交通事故检测，在：第11届世界大会。自动控制，2014，pp. 1035-1038.[7] W. Sultani，J.Y. Choi，使用智能驾驶员模型的异常交通检测，2010年第20届国际会议模式识别，2010年，第324 -327[8] A.R.帕塔克，M.潘迪，S。Rautaray，深度学习在物体检测中的应用，ProcediaComput。Sci.132（2018）1706http://dx.doi.org/10.1016/j.procs.2018.05.144[9] A.R.帕塔克，M.潘迪，S。Rautaray，K. Pawar，使用深度卷积神经网络进行对象检测的评估，卷。673，2018年。[10] G.阿尔甘岛Ulusoy，在存在噪声标签的情况下使用深度学习进行图像分类：一项调查，Knowl。基础系统215（2021）106771。[11] K. Pawar，V. Attar，基于视频的异常活动检测的深度学习方法，万维 网22 （2 ）（ 2019 ）571http://dx.doi.org/10.1007/s11280-018-0582-1[12] A.R.帕塔克，M.潘迪，S。Rautaray，主题级情绪分析 社交媒体数据使用深度学习，应用软件计算。108（2021）107440.[13] K. Pawar，V.Z. Attar，用于数据表示的自动编码器架构的评估，在：W。Pedrycz，S. M. Chen（Eds.），Deep Learning：Conceptsand Architectures，Springer International Publishing，2020，pp. 101-132[14] A. Ouaoun ， A. Taleb-Ahmed ， Deep learning forreal-timesemanticsegmentation ： Application in ultrasound imaging ， PatternRecognit. Lett. 144（2021）27-34.[15] S.M.马尔瓦斯蒂-扎德湖Cheng，H. Ghanei-Yakhdan，S. Kasaei，DeepLearning for Visual Tracking：A Comprehensive Survey，IEEETrans. 内特尔运输单系统（2021年）。[16] H.任，Y.宋杰王玉. Hu，J. Lei，A deep learning approach tothecitywide traffic accident risk prediction，in：2018 21st Int. Conf. 内特尔运输单系统：2018年，页3346-3351。[17] M. Bortnikov ， A. Khan ， A.M. Khattak ， M. Ahmad ， Accidentrecognitionvia 3d cnns for automated traffic monitoring in smartcities，in：Sci. INF. 会议，2019年，页256-264。[18] D.田角，澳-地Zhang，X. Duan，X. Wang，基于协同车辆基础设施系 统 的 自 动 车 祸 检 测 方 法 ， IEEE Access 7 （ 2019 ） 127453-127463。[19] Y. Yao，M. Xu，Y.王，D. J.克兰德尔，E. M.阿特金斯，第一人称视频中的无监督交通事故检测，2019年，ArXiv Prepr。arXiv：1903.00618。[20] T. Ohgushi，K. Horiguchi，M. Yamanaka，基于语义分割自动编码器的道路障碍物检测方法，在：Proc. Asian Conf. Comput.可见，2020年。[21] B. Varona，A. Monteserin，A. Teyseyre，自动路面监测和坑洞检测的深度学习方法，无处不在的计算24（2020）519-534。[22] S.S. Khan，M.G.马登，一个类别分类的最新趋势调查，在：L。Coyle，J. Freyne（Eds.），人工智能与认知科学，Springer BerlinHeidelberg，2010，pp. 188-197.[23] IITH道路事故数据集，https://sites.google.com/site/dineshsinghindian/iith_accident-dataset。[24] D. Singh ， C.K. Mohan ， Deep spatio-temporal representation fordetection of road accidents using stacked autoencoder ， IEEE Trans.Intell.运输单系统20（3）（2019）879http://dx.doi.org/10.1109/TITS。2018.2835308。[25] M. Naphade，S. Wang，D.C. Anastasiu，Z. Tang，M.- C. Chang，X.Yang，Y.尧湖，澳-地Zheng，P. Chakraborty，C.E.洛佩斯，A.Sharma ， Q. Feng ， V. Ablavsky ， S. Scaroff ， The 5th AI CityChallenge，IEEEConf. Comput. 目视模式识别。工作2021年[26] 爱荷华州DOT异常数据集，https://www.aicitychallenge.org/2021-data-and-evaluation/。[27] Y. Zhao，W. Wu，Y.他，Y. Li，X.谭，S. Chen，良好做法和一个强大的基线流量异常检测，在：Proc. IEEE/CVF会议。Comput.目视模式识别，2021年，第102页。3993-4001[28] J.Wu，X. Wang，X.肖氏Y. Wang，用于车辆异常检测的箱级管跟踪和细化，在：Proc. IEEE/CVF Conf. Comput。目视模式识别，2021年，第102页。4112-4118[29] J.Chen，G.丁氏Y. 杨，W. 汉，K. Xu ，T. Gao， Z. Zhang ，W.Ouysang，H.蔡氏Z. Chen，通过双边轨迹跟踪的双模态车辆异常检测，在：Proc. IEEE/CVF Conf. Comput.目视模式识别，2021年，第102页。4016-4025[30] K. Doshi，Y. Yilmaz，交通视频中异常检测的有效方法，在：Proc.IEEE/CVF Conf. Comput。目视模式识别，2021年，第102页。4236-4244[31] A. Alberah，一种基于视觉的系统，用于使用深度学习和决策树进行流量异常检测，在：Proc. IEEE/CVF Conf. Comput. 目视模式识别，2021年，第102页。4207-4212[32] DoTA 数 据 集 ， https://github.com/MoonBlvd/Detection-of-Traffic-Anomaly。[33] Y. Yao、X. Wang，M. Xu，Z. Pu，E. Atkins，D.克兰德尔，什么时候，在哪里，做什么？一个新的数据集，用于驾驶视频中的异常检测，2020年，ArXiv Prepr。arXiv：2004.03044。[34] Y.S. Chong，Y.H. Tay，使用时空自动编码器检测视频中的异常事件，2017年，CoRR。abs/1701.0。http://arxiv.org/abs/1701.01546。[35] M. Hasan，J. Choi，J. Neumann，A.K. Roy-Chowdhury，L.S.戴维斯，学习视频序列中的时间规律性，在：计算。目视 模式识别。（CVPR），2016 IEEE Conf.，2016年，页733-742。[36] W. Liu ， W. Luo ， L. Lian ，S. Gao ， Future frame prediction foranomaly detection-a new baseline，in：Proc. IEEE Conf. Comput.目视模式识别，2018年，页6536-6545