面向交通监控系统的视觉技术综述
计算机视觉与模式识别
2025-07-01 v2
摘要
交通监控系统（TSS）在现代智能交通系统中日益重要，视觉技术在场景感知与理解方面发挥着核心作用。虽然已有调查通常只关注 TSS 的单一方面，但缺乏连接低层次和高层次感知任务（尤其是考虑新兴技术）的综合性分析框架。本文系统性地综述了 TSS 中的视觉技术，考察了低层次感知任务（目标检测、分类和跟踪）和高层次感知任务（参数估计、异常检测和行为理解）。具体而言，我们首先为每个任务提供详细的方法分类和全面性能评估。我们的调查揭示了当前 TSS 中的五个根本性局限：复杂场景下的感知数据退化、数据驱动学习限制、语义理解差距、感知覆盖不足以及计算资源需求。为了应对这些挑战，我们系统性地分析了五类当前方法及潜在趋势：先进的感知增强、有效的学习范例、知识增强的理解、协作感知框架以及高效计算框架，严格评估了其实际应用性。此外，我们评估了基础模型在 TSS 中的变革性潜力，这些模型在零样本学习方面表现出卓越的能力，具备强大的泛化性和跨任务的复杂推理能力。该综述提供了一个连接低层次和高层次感知任务的统一分析框架，系统性地分析了当前局限性和解决方案，并为整合新兴技术（尤其是基础模型）以增强 TSS 能力提供了结构化的路线图。
引用
@article{arxiv.2412.00348,
title = {Vision Technologies with Applications in Traffic Surveillance Systems: A Holistic Survey},
author = {Wei Zhou and Li Yang and Lei Zhao and Runyu Zhang and Yifan Cui and Hongpu Huang and Kun Qie and Chen Wang},
journal= {arXiv preprint arXiv:2412.00348},
year = {2025}
}