基于双流时空融合模型的复杂动态场景智能交通事故检测系统

本文提出了一种创新的多视图双流时空事故检测网络（MDTS-ADNet），通过整合RGB视觉帧的空间信息与光流数据的时间动态，构建了“多尺度-多视图”特征聚合与“时空-动态”三元感知机制。研究构建了涵盖多种场景的4M-TAD数据集，实验表明MDTS-ADNet在曲线下面积（AUC）达到84.33%，优于现有先进技术，并成功开发了集成实时监控的智能预警系统，为提升交通事故检测效率与准确性提供了关键技术方案。

　　

Highlight

传统交通事故检测方法

近年来，通过视觉监控检测道路交通事故事件取得了显著进展。对相关文献的全面评估将现有方法主要分为两类：传统方法和基于深度学习的方法。传统技术依赖于既定标准和人工特征提取，而深度学习方法通过自动特征学习来提升检测效能。

传统方法...

数据构建

为了克服现有交通事故数据集的局限性——例如场景类型单一（通常仅限于高速公路或城市道路）、环境条件受限（多为白天和晴朗天气）以及碰撞类型覆盖有限（主要是车对车碰撞），我们引入了一个名为4M-TAD的交通事故数据集。如图1所示，该数据集围绕四个关键维度进行设计：道路场景、事故类型、...

实验环境与参数

在深度神经网络训练过程中，仔细校准关键参数对于确保模型处理复杂图像时的有效性和准确性至关重要。实验设置和参数详情见表3。

本研究采用了帧级划分策略。所有61,069帧正常帧被分配到训练集，同时从正常和异常数据中随机抽取13,086帧来构建验证集和测试集，...

对比实验

为了评估所提出系统在交通事故识别中的效能，我们将其与七种著名的视频异常检测方法以及AI City Challenge（Track 4, 2021）的结果进行了比较。表4展示了实验结果，其中包括ADA-VAD和ASTNET这两种视频异常检测领域的尖端算法。ADA-VAD方法采用两阶段策略，在样本受限的目标环境中有效识别异常，解决了...

结论、发现、局限性与未来研究

本研究提出了MDTS-ADNet算法，这是一种旨在解决交通事故检测关键挑战的新型深度学习框架。该模型在4M-TAD数据集和AI City Challenge数据集上均经过严格验证，证明了其在不同交通场景下的有效性和泛化能力。研究的关键结论如下：

• •
  (1) 双流DMAC模块的创新性与有效性分析： 双流DMAC模块，...