深度学习赋能交通安全分析：前瞻性综述

本文探讨了已用于或有潜力用于交通视频分析的深度学习（DL）方法，重点关注自动驾驶车辆（AVs）与人驾车辆的驾驶安全。我们给出了一个典型的处理流水线，可通过提取操作安全指标并提供改进交通安全的通用提示与指南，来理解和解释交通视频。该处理框架包括若干步骤：视频增强、视频稳像、语义与事件分割、目标检测与分类、轨迹提取、速度估计、事件分析、建模与异常检测。我们的主要目标是引导交通分析人员通过为每个步骤选择最佳方案，并为缺失模块提供新设计，从而构建其自定义处理框架；为此我们对每个步骤提出的最成功的传统与基于DL的算法进行了比较分析。我们还回顾了可用于训练DL模型的现有开源工具与公共数据集。更具体地，我们回顾了典型的交通问题，并提及了每个问题所需的步骤。此外，我们探讨了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统（ADS）的车辆等密切相关研究领域的联系，并指出了缺失的空白。最后，我们回顾了交通监测系统的商业实现、其未来展望，以及此类系统广泛应用所面临的开放问题与剩余挑战。