基于车辆轨迹的高速公路异常事件自动检测算法.pdf

基于车辆轨迹的高速公路异常事件自动检测算法*李斌1马静1徐学才2马昌喜3（1.兰州朗青交通科技有限公司 兰州 730030；2.华中科技大学土木与水利工程学院 武汉 430074；3.兰州交通大学交通运输学院 兰州 730070)摘要：高速公路异常事件自动检测是有效保障道路交通安全和运输效率的重要手段，由于监控视频数据量巨大，现有自动检测算法存在实时性、准确性低的问题。为此本文提出了基于轨迹分类的对比性悲观似然（comparative pessimistic likelihood estimation，CPLE）算法。构建了包含车辆检测、车辆跟踪和轨迹分类3种功能的异常事件自动检测模型框架，采用YOLO v3对车辆进行目标检测，获得4类不同车辆类型的相关信息，采用简单在线和实时跟踪算法对车辆进行多目标跟踪，获得不同场景的异常事件车辆轨迹；基于半监督学习，采用极大似然法对车辆轨迹分类进行改进，引入对比性悲观似然估计，围绕其对比和悲观原则进行参数设置和标定，进行异常事件轨迹分类和确认，提出基于车辆轨迹的异常事件自动检测算法。以甘肃省G312线公路智能化检测系统为测试对象，共收集1 300段视频，形成530条测试集轨迹和630条验证集轨迹，测试结果表明：通过对不同场景异常事件进行检测和预警，基于对比性悲观似然估计的轨迹分类算法性能准确率达到89.7%，比自学习和监督学习方法的准确率分别高出23.6%和41.3%，尽管对散落货物和超速事件的检测正确性稍低，平均为77.0%,但突发性停车、拥堵和事故的检测平均正确率达98.2%，在严重影响交通的事件检测方面的平均正确率达到94%。本方法丰富了高速公路异常事件自动检测算法，可作为异常事件自动检测提供备选方法。关键词：交通安全；高速公路；车辆轨迹；YOLO v3；SORT；对比性悲观似然估计中图分类号：U491.5文献标识码：Adoi：10.3963/j.jssn.1674-4861.2023.03.003An Automatic Freeway Incident Detection Algorithm using VehicleTrajectoriesLI Bin1MAJing1XU Xuecai2MAChangxi3(1.Lanzhou LongKing Transportation Science&Technology Co.Ltd.,Lanzhou 730030,China;2.School of Civil and Hydraulic Engineering,Huazhong University of Science and Technology,Wuhan 430074,China;3.School of Traffic and Transportation Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)Abstract：An automatic freeway incident detection method is important for maintaining a safe,efficient traffic op-eration.Due to the fact that a large number of surveillance videos may hinder the real-time and accurate response ofcurrent automatic incident detection algorithms,a comparative pessimistic likelihood estimation(CPLE)algorithmbased on trajectory classification is proposed.A framework for automatic detection of anomalous events,which con-tains vehicle detection,vehicle tracking and trajectory classification,is developed.YOLO v3 is employed to detectthe vehicles,and related information about four different types of vehicles is obtained.Online real-time tracking al-gorithms are used for multi-target tracking of vehicles.Anomalous event vehicle trajectories are obtained for differ-ent scenarios.Based on semi-supervised learning,the maximum likelihood method is employed to improve the clas-sification of vehicle trajectories.CPLE is introduced and parameter setting and labeling are centered on comparisonand pessimistic rules in order to classify and determine the incident trajectories,consequently,the automatic inci-收稿日期：2021-10-20*国家自然科学基金项目（52062027、72131008）、甘肃省科技重大专项计划项目（22ZD6GA010）资助第一作者简介：李斌（1982），本科，高级工程师.研究方向：交通新基建、智能交通.E-mail: 通信作者：徐学才（1979），博士，副研究员.研究方向：智能交通系统、机器学习.E-mail:xuecai_基于车辆轨迹的高速公路异常事件自动检测算法李斌马静徐学才马昌喜23交通信息与安全2023 年3 期第 41卷总 244期0引言高速公路安全化、信息化和智能化是保障交通安全、畅通和可持续发展的重要手段。高速公路的异常事件指公路上偶发性事件，如突发性故障停车、货物散落、交通事故和非常发性拥堵等1，而目前国内高速公路的异常事件检测主要采取依靠人工监控，即通过查看高速公路视频或接到报警电话，通知调度人员处理异常事件，但由于视频数据量巨大，人工监控往往费时费力，导致实时性、准确性降低。如何利用现有的计算机技术、信息技术和人工智能技术对视频数据进行异常事件自动检测，将对提高高速公路运营效率意义显著。随着人工智能和检测技术的快速发展，其中视频、图像检测在数据挖掘、静态和动态目标特征提取、目标识别和跟踪，以及判断机制方面有得天独厚的优越性，更能在图像、语音、自然语言处理和其它数据类处理方面，彰显出强大的功能2。因而，其在高速公路异常事件自动检测系统的应用将在一定程度上提升智能化水平。在多种异常事件检测算法中，轨迹预测技术可以预测车辆在未来某一时刻的轨迹及行为结果，已应用于汽车行业和城市乘车系统。当高速公路车辆发生异常事件时，车辆轨迹会发生变化，因此，将车辆轨迹技术引入高速公路异常事件检测中是1种可行的方法。然而，异常事件检测依旧存在诸多挑战。遮挡问题依旧没有很好地解决，对动态目标的提取有一定困难；在不同场景下对多目标识别和跟踪问题仍存在相当的难度；而且，随着检测精度的提高，算法的复杂性也随之增加，同时对算法的速度造成一定的影响。因此，本文基于车辆轨迹，采用YOLO v3车辆检测和SORT多目标跟踪算法，从各种交通流视频、图像中提取出异常事件数据，引入对比性悲观似然估计进行事件轨迹分类和确认，进行动态、实时判断，使得车辆检测和跟踪精度得到提升，达到了较好的异常事件检测效果，提高了对高速公路网的感知、控制和协同管理能力。目前，高速公路异常事件自动检测算法因检测的理论依据不同3，主要包括以下几种算法。1）模式识别算法，以Masters等4提出的加州算法为代表。该类算法主要通过交通事件发生时上、下游交通流数据不同，占有率增加和平均车速下降等条件，判断事件是否发生。算法简单，易操作，但阈值较难确定。2）统计预测算法主要是将检测数据和统计技术（如标准偏差算法、贝叶斯算法等）相结合，以Levin 等5为代表，根据统计数据对当前交通状态的预测，与实际数据相比，判断是否发生了交通事件。算法简单，性能良好，但时间较长。3）突变理论算法，以McMaster算法6为代表，主要采用交通流参数、平均车速和道路占有率确定高于或低于事先确定的阈值，判断是否有交通事件发生。算法性能好，但阈值难确定，效率低。4）时间序列算法，以Ahmed等7提出的自回归移动平均方法（ARIMA）为代表，通过前3个时间段的交通数据对当前交通状态进行预测，若预测值与实际值结果差距较大，则判定事件发生。模型检测性能良好，但比较注重合适的交通流模型。5）平滑滤波算法，以卡尔曼滤波检测算法和小波分析理论为代表8-9，根据速度、密度和预设的阈值进行比较来判断是否发生交通事件。虽然参数选择较为简单，但阈值较难确定，而且对交通状态的稳定程度要求较高。6）人工智能算法，以神经网络算法为代表10，通过模拟人的大脑思考过程，学习和训练道路上交通流运行的规律，并对交通事件进行预测，比较符合高速公路动态、实时和随机性的特点，比其他算法效果dent detection algorithm based on vehicle trajectories is proposed.The intelligent inspection system of Gansu Prov-ince G312 highway is used as a test object.A total of 1 300 videos were collected.Among them,530 and 630 tracksare employed as test set and validation set,respectively.By testing difference scenarios of incidents and prewarning,the algorithm accuracy of trajectory classification based on CPLE reaches 89.7%,which is 23.6%higher than that ofself-learning and 41.3%higher than that of supervised learning,respectively.Although the accuracy of scatteredgoods and speeding is averaged about 77.0%,the accuracy of sudden stopping,congestion,and accidents reaches98.2%,and as for the incident detection influencing traffic seriously,the average accuracy reaches 94%.The pro-posed method enriches automatic incident detection algorithms and can be considered an alternative for freeway in-cident detection.Keywords：trafficsafety;freeway;vehicletrajectory;YOLOv3;SORT;comparativepessimisticlikelihoodestimation24好。算法稳定性好，通用性好，但模型稍显复杂。7）视频图像检测算法，以Michalopoulos11为代表，是目前较为直接和精确的检测算法，通过将视频处理分解为图片，运用图像处理技术12，对视频中的车辆进行特征提取、识别和跟踪13，确定车辆的异常行为，对交通事件进行检测和判断。算法检测时间短，精度高，但对设备要求较高。综上所述，通过上述各类算法的对比发现，模式识别、突变理论和平滑滤波算法虽然模型简单，但阈值较难确定；统计算法虽检测性能良好，但时间较长，而时间序列算法比较适合短期交通流预测；视频图像检测算法整体性能稳定，检测时间短，精度较高，较其它方法更优，且视频图像检测算法更能适应复杂交通系统的动态、实时的要求，因此，本文主要借助于这类算法对高速公路异常事件进行自动检测，以确保检测实时性和可靠性。基于视频图像的检测算法主要分为基于轨迹的方法和基于像素的方法。基于轨迹的方法主要是通过确定单个车辆的轨迹来判定事件的发生，此方法主要适用于交通密度较低或者非拥堵状态下，当交通密度较高时，基于像素的方法可以通过去除背景或基于光流的运动来检测14。本文主要针对高速公路非拥堵状况下异常交通事件检测，故主要对基于轨迹的方法进行分析和探讨。1模型框架构建由于交通流本身的动态性、实时性和随机性规律，对高速公路事件检测技术提出了更高的要求。基于视频图像的检测算法，可以通过车辆目标的提取、识别、跟踪、轨迹预测获得车辆运动的相关信息，并对不同场景异常事件进行检测，并将异常事件信息作为后续学习的样本进行存储。基于轨迹的交通事件检测包括3项基本任务：车辆检测、车辆跟踪和轨迹分类。目前车辆检测和车辆跟踪算法比较成熟，故直接采用YOLO和SORT算法，本文的工作主要针对轨迹分类进行改进，提出基于半监督学习的极大似然（maximum likelihood,ML）法，引入对比性悲观释然估计（comparative pes-simistic likelihood estimation,CPLE），验证方法的精确率和有效性。1.1车辆检测近年来，随着卷积神经网络（convolutional neu-ral networks，CNN）在物体检测和分类性能方面的显著提高，出现各种各样的卷积神经网络算法，其中You Only Look Once（YOLO）是基于深度学习的目标检测器，其主要贡献在于能够实时检测多目标的前提下达到优良的检测效果15-16，与传统的卷积神经网络在不同的位置设置多个检测器相比，YOLO只需要对图像检测1次即可完成所有的检测，见图1。图1YOLO的检测过程Fig.1Detectionprocess of YOLO虽然目前 YOLO 算法最先进的是 v8 模型，但研究过程中采用比较稳定的 v3 版本，效果相当。本文采用COCO数据集（是1个可用于图像检测、语义分割和图像标题生成的大规模数据集，有超过 33 万张图像，包含 150 万个目标，80 个目标类别，91 种材料类别可用于训练），将80种车辆划分为小汽车、摩托车、巴士和卡车这4类进行车辆检测。1.2车辆跟踪多目标跟踪（multi-object tracking,MOT）17数据集，是MOT给出的衡量多目标检测跟踪方法性能的数据集17-18，其中简单在线和实时跟踪（SORT）是目前多目标跟踪算法中效果较了的算法19，本文采用卡尔曼滤波和匈牙利算法对数据进行在线多目标跟踪。对于每1个车辆ID，目标跟踪器模块输出一系基于车辆轨迹的高速公路异常事件自动检测算法李斌马静徐学才马昌喜25交通信息与安全2023 年3 期第 41卷总 244期列边框坐标X-中心（Xc）和Y-中心（Yc），这样可形成轨迹，因此轨迹界定为一系列二维坐标点，即TRi=(p1p2pjpleni)（1）式中：pj为边框坐标的二维点；leni为轨迹长度，对不同的轨迹是不一样的。1.3轨迹分类基于轨迹的事件检测采用的方法主要分为无监督学习和有监督学习这2类。无监督学习可根据类别未知（没有被标记）的训练样本分析车辆轨迹模式，而有监督学习用已知某种或某些特性的样本作为训练集，整体上检测或分类结果较好，但应用中的主要问题在于有监督数据样本的缺乏和手工标注数据的成本，特别是视频中手工标注车辆轨迹是极度费力，并且非常昂贵，不可衡量。为充分利用这2类学习的优点，本文提出半监督学习的方法来构建事件检测的整体框架，即通过手工标注少量的正常车辆轨迹和发生事件的车辆轨迹，然后扩展至无标签车辆轨迹来提高分类性能。2基于轨迹分类的CPLE算法本文采用半监督学习的目的是通过挖掘容易获得的无标签数据来提高监督分类器的性能，其中已证实可改善分类性能的方法为极大似然（ML）法。本文基于极大似然法对轨迹分类问题进行改进，引入对比性悲观似然估计（CPLE），充分发挥其对比和悲观的核心原则，即少量标注正常车辆轨迹和发生事件的车辆轨迹,并扩展至无标签车辆轨迹来提高分类性能，然后通过不同场景的检测率对比分析，验证本文方法的有效性。引入对比性悲观似然估计的原因是基于其2个核心原则：对比和悲观，对比意味着相比于监督模型，目标函数能明确地控制半监督分类的潜在改善，即将有标签样本的效果纳入考虑，要保证这部分样本的效果不会比直接用有监督模型差；悲观则是在给无标签样本赋值标签时是悲观的，在这种悲观的情况下再去迭代，结果不论无标签样本的真实标签是如何分布的，都能取得不差于有监督模型的效果。所以该部分的主要工作即围绕CPLE的对比和悲观原则进行参数设置和标定。对于K级监督分类，其对数似然目标函数可表达为L(|X)=i=1Nlg p()xiyi|=k=1Kj=1Nklg p()xijk|（2）式中：等级k包含Nk个样本；N=k=KNk为总样本；X=()xi,yiNi=1为有标签的样本数量；yiC=12Ks为对应的标签。所以有监督的最大似然估计值sup可将上述标准最大化表示为sup=argmaxL(|X)（3）假设所有的样本都有真实标签，则有全标签的样本可表示为XV*=X(uiv*i)Mi=1（4）式中：ui为无标签样本i的集合；vi*为无标签样本i的真实标签；M为样本数量。opt给出分类器的参数估计为opt=argmaxL(|XV*)（5）式中：L为 lg-likelihood。如果在全标签样本上建模，那么得到的估算参数opt则是最佳的参数。由于sup中监督参数的评估针对XV*的X子集，所以L(sup|XV*)L(opt|XV*)（6）而sup是基于有标签样本X估算出来的，那么它生成似然值要比全标签样本的似然值要小，原因是由于缺失一部分无标签样本的标签导致的，因此似然值的排序如下。L(sup|XV*)L(semi|XV*)L(opt|XV*)（7）若能利用无标签样本的信息，得到的估算参数为semi，那么得到的似然值是介于sup和opt之间的某个值。所以，对比性悲观似然估计的算法就是要保证semi的估算至少要优于sup，即将二者生产的似然值之差纳入考虑。为了计算无标签样本的似然比，引入1个类别的后验概率qki，表示无标签样本i属于k类的概率。假设该值是给定的，可计算其似然值如下。L(|XUq)=L(|X)+i=1Mk=1Kqkilg p()uik|（8）其中，等式右边第2部分是无标签样本在给定后验概率q时的似然值。对于给定的q，半监督评估与sup的似然值之差可表示为CL(sup|XUq)=L(|XUq)-L(sup|XUq)（9）该式差值越大，说明与有标签样本单独建模相比，无标签样本带来的信息更多，模型的效果越好。但因式（8）中的q是未知的，所以不能直接求解CL最大值。因为对比性悲观似然估计对无标签样本真实标签的预估抱悲观态度，会取稍差的q，使得CL26最小。CPL(sup|XU)=minqMk-1CL(sup|XUq)（10）最后，在稍差的q里面选取1个使得CL最大。semi=argmaxL(sup|XU)（11）算法的具体步骤如下。步骤1。利用有标签的样本X建模，得到估算的sup。步骤2。初始化q。步骤3。在给定q下计算得到CPL。步骤4。最大化CPL得到估算的。步骤5。将带入CL，并最小化CL，得到估算的q。步骤6。重复步骤35直到CPL收敛，最终得到估算的semi。通过上述步骤，CPLE的对比原则主要体现在sup的估算，而悲观原则主要是CPL和semi的估算，该方法的引入既体现了极大似然法简单易懂的方面，又反映出半监督学习的优点。3数据描述2020 年 10 月 1 日11 月 1 日期间，在甘肃省G312线七墩至瓜州公路工程中心部署公路智能化检测系统进行测试。共采集50处监控视频，监控视角均清晰，无遮挡，整体运行比较稳定，不考虑极端天气对算法的不利影响。共收集到1 300段视频，其中200段视频有异常事件，每段视频持续60 s，以每秒30帧的速度清晰地捕捉到事件的发生。视频清晰度从800480分辨率至1 9201 080分辨率不等。在150段异常事件视频中，采用Javascript中的标注工具手工标注了其中10段涉事视频车辆边框，产生了15条涉事车辆的轨迹，作为有标签数据。这些轨迹与上述车辆检测的YOLO v3 算法和车辆跟踪 SORT 算法的结果相匹配。对每帧视频，手工标注的边框与检测到的最大重叠数一致，而且手工标注的事件轨迹与追踪算法获得的轨迹一致。剩余的视频中的轨迹划定为正常轨迹，通过随机选择15条轨迹划定为标签数据，这样就形成了15条正常轨迹和15条事件轨迹的有标签数据集，用于算法检测。从剩余的视频中随机选择90段事件视频作为无标签数据集，通过上述车辆检测和跟踪算法共获得1 000条轨迹。剩余的50段涉事视频均分为测试集和验证集，各25段，最终形成测试集530条轨迹和验证集630条轨迹，见表1。表1数据分类Tab.1Data classification类型有标签数据无标签数据正常151 000异常15测试集530530验证集6306304检测效果分析基于车辆检测算法YOLO v3，车辆跟踪SORT算法和对比性悲观似然估计分类，进行实时性能测试。图2给出了车辆上方边框的检测样本图，图3给出了车辆轨迹的样本图，其中车辆尾部的直线表示1条唯一的轨迹。图2车辆检测边框图Fig.2Boundingbox of vehicledetection图3车辆轨迹样本图Fig.3Sampleof vehicletrajectory如上所述，本文有标签轨迹数据集包括15条事件轨迹和15条正常轨迹。为了检验有标签数据对算法的敏感性，分别对15条轨迹事件和正常轨迹有标签样本运行算法，通过测试集和验证集对比性悲观似然估计和对比模型的有效性进行验证。若视频中至少有 1 条轨迹异常，则该视频标定为事件视频。算法的准确率AC界定为正确检测为事件的视频占总视频的比例。AC=CP+CNP+N（9）式中：P和N分别为事件视频和正常视频的数量；CP和CN分别为正确检测到事件视频和正常视频的数量。图4给出了有标签样本采用验证数据集的每种算法的准确率。通过20次的反复测试，结果发现对比性悲观似然估计的准确率整体优于其他半监督和基于车辆轨迹的高速公路异常事件自动检测算法李斌马静徐学才马昌喜27交通信息与安全2023 年3 期第 41卷总 244期监督学习方法，平均提高约34%。值得注意的是基于半监督算法的自学习方法，比监督学习的准确率要低，特别是在有标签样本超过18个之后，说明并不是所有的半监督算法都能确保改善有标签样本的准确率。10.80.60.40.20有标签样本/个101418222630CPLESelf-learningSupervised准确率图4有标签样本算法的准确率对比Fig.4Accuracycomparisonof labeledsamplealgorithm上述算法获得的最佳模型可用于无标签验证数据集，表2给出了每种算法的准确率。由表2可见：对比性悲观似然估计能识别大部分事件视频（21/25），准确率达到 0.89，高于自学习准确率（0.72）和监督学习准确率（0.63），分别高出23.6%和41.3%；由于绝大多数轨迹都是正常的，所有的算法均能较好地检测出正常视频。此点表明对比性悲观似然估计算法能从无标签数据集中成功地提取事件轨迹和正常轨迹，检测性能较好。表2检测算法性能对比Tab.2Accuracy comparison of detection algorithm算法CPLE自学习监督学习CP845659CN928896AC0.890.720.63改善效果/%23.641.3基于上述检测结果，各种异常事件判定条件如下。1）散落货物。通过对散落货物外部特征进行提取，并对其运动轨迹进行跟踪和检测，确定是散落货物，进行预警。2）突发性故障停车及超速。根据高速公路上车辆行驶最低和最高速度，对车辆行驶轨迹进行跟踪并进行检测，当车辆速度小于预先设定的阈值，则判定当前跟踪的车辆发生异常事件；相反，若车辆速度大于预先设定的最高速度，则可判定当前跟踪的车辆超速行驶，并进行预警。3）非常发性拥堵。根据高速公路上交通流量和行驶速度，对车辆行驶轨迹进行跟踪并进行检测，当流量达到预先设定的阈值，速度小于特定的阈值时，可判定当前路段存在一定程度的拥堵，进行预警。通过上述过程的不断运行，检测出不同的异常事件类型，输出预警类型或无预警，并累计各种场景下的交通运行状况的样本进行学习，以提高检测的精确度和准确率。通过近1年的运行，与实际报警记录与高速公路管理部门的监控记录相对比，测试结果平均正确率达到90%,但在严重影响交通的事件检测方面的平均正确率达到94%，具体的各种异常事件的报警正确率见表3。表3异常事件报警正确率统计Tab.3Statistics of incidents alarming accuracy rate事件类型散落货物突发性停车超速拥堵事故报警总数505 3151281414正确数365 0971051394误报数142182320正确率/%72.095.982.098.6100.0其中，散落货物正确率较低，未达到75%，主要原因货物散落后的轨迹不规则，需进一步收集海量样本进行训练，检测和判定技术需进一步改善和提高；对于突发性停车占报警总数的近95%，是高速公路异常事件的主要来源，而算法对突发性停车的正确率近96%，基本可确认算法的检测准确性；超速正确性稍低，达到82%，同样需要继续使用海量的样本进行训练，提高正确率；而拥堵和事故接近全部测试正确，正确率达到98.6%和100%，性能较优。总的来看，该算法总体正确率为89.7%,尽管散落货物和超速正确性稍低，平均为77.0%,但突发性停车、拥堵和事故平均正确率达98.2%,重要的是后三者事件类型占总事件类型的96.8%,故整体来看该算法的正确性较优。5结束语本文基于轨迹的方法对非拥堵状况下高速公路异常事件进行了探讨，应用半监督技术对事件检测进行分析，基于YOLO v3进行车辆检测和SORT车辆跟踪，引入对比性悲观似然估计进行事件轨迹分类和确认，经过实验与分析，得出以下结论。1）基于对比性悲观似然估计的轨迹分类算法性能优于传统的半监督和监督学习算法。2）采用上述基于轨迹的规则与判定方法，和实际发生的交通异常事件相比，对突发性停车的准确率近96%，而拥堵和事故接近全部测试正确，整体准确率较高，达到异常事件检测的目的。由于甘肃省高速公路整体流量不大，异常事件的视频不多，下一步，将着重从误报率较高的事件类型出发，采集海量的样本进行训练，对相应的检测技28术进行改进和优化，以提高在各种不同场景下的检测准确率。另外，需收集相关数据，进一步确认和改善算法速度，而且对于轨迹追踪过程中出现断裂和车辆框偏移造成的事件检测影响需进一步研究。参考文献References1李浩澜.基于视频图形的高速公路异常事件实时检测系统D.重庆：重庆理工大学，2020.LI H L.A real-time detection system for abnormal events ofhighway based on imageD.Chongqing：Chongqing Univer-sity of Technology，2020.（in Chinese）2常丹丹.基于深度学习的公路货物运输量预测方法研究D.西安：长安大学，2018.CHANG D D.Research on volume of road cargo transporta-tion forecasting method based on deep learningD.Xian：Changan University，2018.（in Chinese）3EVANS J，WATERSON B，HAMILTON A.Evolution and fu-ture of urban road incident detection algorithmsJ.Journal ofTransportation Engineering Part A：Systems，2020，146（6）：03120001.4MASTERS P H，LAM J，WONG K.Incident detection algo-rithms for COMPASS-An advanced traffic management sys-temC.Vehicle Navigation and Information Systems Confer-ence，New York，U.S.A.：IEEE，1991.5LEVEN M，Krause G M.Incident detection：A Bayesian ap-proachJ.Transportation Research Record，1978（682）：52-58.6LYALL B B.Performance evaluation of the McMaster inci-dent detection algorithmD.Ontario：McMaster University，1991.7AHMED S A，COOK A R.Application of time-series analysistechniques to freeway incident detectionJ.TransportationResearch Record，1982（841），19-21.8CREMER M，SCHUTT H.A comprehensive concept for si-multaneous state observation，parameter estimation and inci-dent detectionC.The 11thInternational Symposium on Trans-portation and Traffic Theory，Amsterdam，Netherlands：Else-vier，1990.9TENG H，QI Y.Application of wavelet technique to freewayincident detectionJ.Transportation Research Part C：Emerg-ing Technologies，2003，11（3/4）：289-308.10朱金凤.基于YOLO-v3的高速公路交通事件检测系统研究D.徐州：中国矿业大学，2020.ZHU J F.Research on expressway traffic incident detectionsystem based on YOLO-v3D.Xuzhou：China University ofMining and Technology，2020.（in Chinese）11MICHALOPOULOS P G.Vehicle detection video throughimage processing：the Autoscope systemJ.Transactions onVehicular Technology，1991，40（1）：21-29.12CHARKRABORTY P.Freeway traffic incident detection us-ing large scale traffic data and camerasD.Iowa：Iowa StateUniversity，2019.13冯汝怡，李志斌，吴启范，范昌彦.航拍视频车辆检测目标关联与时空轨迹匹配J.交通信息与安全，2021，9（2）：61-69.FENG R Y，LI Z B，WU Q F，et al.Association of vehicle ob-ject detection and the time-space trajectory matching fromaerial videosJ.Journal of Transport Information and Safety，2021，9（2）：61-69.（in Chinese）14LIN Y，LI L，JING H，et al.Automated traffic incident detec-tion with a smaller dataset based on generative adversarialnetworksJ.Accident Analysis&Prevention，2020（4）：105628.15乔鹏.基于深度学习和边缘任务卸载的交通流量检测研究D.西安：西安电子科技大，2019.QIAO P.Research on traffic flow detection based on deeplearning and edge task offloadingD.Xian：Xi Dian Univer-sity，2019.（in Chinese）16高新闻，沈卓，许国耀，等.基于多目标跟踪的交通异常事件检测J.计算机应用研究，2021，38（6）：1879-1883GAO X W，SHEN Z，XU G Y，et al.Traffic anomaly detec-tion based on multi-target trackingJ.Application Researchof Computers，2021，38（6）：1879-1883.（in Chinese）17孙士杰.复杂交通场景下多目标检测跟踪问题研究D.西安：长安大学，2019.SUN S J.Research on multiple object detection and trackingproblems in complex traffic scenesD.Xian：ChanganUniversity，2019.（in Chinese）18高铭.基于深度学习的复杂交通环境下目标跟踪与轨迹预测研究D.长春：吉林大学，2020.GAO M.Research on object tracing and trajectory predictionin complex environment based on deep learningD.Changc-hun：Jilin University，2020.（in Chinese）19杨明辉.基于循环神经网络的运动目标轨迹预测D.武汉：武汉大学，2019.YANG M H.Trajectory prediction of moving target based onrecurrent neural networkD.Wuhan：Wuhan University，2019.（in Chinese）基于车辆轨迹的高速公路异常事件自动检测算法李斌马静徐学才马昌喜29