Traffic surveillance video-based a unified road accident detection, classification, and vehicle tracking framework using an optimized spatio-temporal attention mechanism

近年来，由于在智能交通系统（ITS）演进中具有独特而引人关注的应用潜力，车辆事故检测已得以实现。为了对致命事故进行监测和响应，需要对真实世界的交通监控视频进行持续分析。本研究采用一种高效且创新的模型，对交通监控视频中的道路事故进行检测、分类和车辆跟踪。监控视频采集自CCTV Footage数据集，这是一个公开可用的数据集。采集的视频直接输入基于时空注意力的自适应Yolov9结合SE-InceptionNet与Deep SORT（AYSIDSORT）模型，以非常有效地检测、分类和跟踪交通事故。所开发的网络能够实时准确检测和跟踪车辆，从而确保交通流连续且不丢失运动目标。所提出的AYSIDSORT模型的参数由所开发的基于生成概率的平衡优化器（GP-EO）进行调优，以提高检测和分类性能。事故的精确位置通过物联网（IoT）平台发送给相关实体，以便为受影响人员提供及时救援。在此，所提出的框架作为一种基于计算机视觉的事故检测与跟踪框架，并具有潜在的物联网集成能力，以确定事故的精确位置，从而有助于为受影响人员提供及时救援。所提供方法的有效性通过多种基线检测模型进行了验证。所建议的AYSIDSORT在第100个epoch时准确率达到95%，而当批量大小在4到128之间变化时，准确率值存在轻微波动。结果表明，所设计的框架优于现有方法。