深度学习在交通安全分析领域的应用综述

深度学习在交通安全分析领域的应用综述

This  paper  explores  Deep  Learning  (DL)  methods  that  are  used  or  have  the  potential  to  be  used  for

traffic  video  analysis,  emphasizing  driving  safety  for  both  Autonomous  Vehicles  (AVs)  and  humanoperated  vehicles.  We  present  a  typical  processing  pipeline,  which  can  be  used  to  understand  and  interpret  traffic  videos  by  extracting  operational  safety  metrics  and  providing  general  hints  and  guidelines  to  improve  traffic  safety.  This  processing  framework  includes  several  steps,  including  video

enhancement,  video  stabilization,  semantic  and  incident  segmentation,  object  detection  and  classification,  trajectory  extraction,  speed  estimation,  event  analysis,  modeling  and  anomaly  detection.  Our

main  goal  is  to  guide  traffic  analysts  to  develop  their  own  custom-built  processing  frameworks  by

selecting  the  best  choices  for  each  step  and  offering  new  designs  for  the  lacking  modules  by  providing  a  comparative  analysis  of  the  most  successful  conventional  and  DL-based  algorithms  proposed

for  each  step.  We  also  review  existing  open-source  tools  and  public  datasets  that  can  help  train  DL

models.  To  be  more  specific,  we  review  exemplary  traffic  problems  and  mentioned  requires  steps  for

each  problem.  Besides,  we  investigate  connections  to  the  closely  related  research  areas  of  drivers’

cognition  evaluation,  Crowd-sourcing-based  monitoring  systems,  Edge  Computing  in  roadside  infrastructures,  Automated  Driving  Systems  (ADS)-equipped  vehicles,  and  highlight  the  missing  gaps.

Finally,  we  review  commercial  implementations  of  traffic  monitoring  systems,  their  future  outlook,

and  open  problems  and  remaining  challenges  for  widespread  use  of  such  systems