复杂交通场景的检测挑战
现有方法主要依赖实时轨迹检测交通违规行为
未充分利用历史轨迹数据，难以识别偏离正常模式的异常
缺乏自动化和智能化的异常行为检测能力
现有方法的三大类型
LowF
基于低层视频特征
• 提取亮度、光流向量等特征
• 对光照变化敏感
• 易受噪声和阴影影响
• 缺乏语义信息融合
TraM
基于移动目标轨迹
• 分析轨迹序列
• 对低层扰动鲁棒性强
• 局限于图像空间
• 缺乏地理方位映射
DeeL
基于深度学习
• 利用CNN、RNN等模型
• 依赖大规模标注数据
• 黑箱特性
• 缺乏明确语义解释
核心创新：TraB方法
融合交通规则与行为模式
在统一的地理空间框架下，有效融合交通规则的显性约束与历史行为模式的隐性规律，实现智能化、高精度、鲁棒性检测
地理空间视角
建立图像空间与地理空间的映射关系，实现多要素的空间化建模与语义化解释
实时+历史协同
构建实时与历史轨迹协同分析框架，从"事件驱动"转向"规律建模"
六大核心定义
定义1：监控视频
由多个视频帧组成，每帧包含多个目标轨迹
定义2：交通场景
包含道路、交通规则、移动目标及相关基础设施
定义3：移动目标
具有独立运动能力的单个实体（车辆、行人等）
定义4：行为模式
通过历史轨迹挖掘得到的正常行为规律
定义5：交通规则
线规则（禁止压线、逆行）和面规则（禁止进入）
定义6：异常行为
违反交通规则或偏离正常行为模式的行为
TraB方法的三大核心模块
轨迹提取与数据准备
利用目标检测与跟踪算法提取实时与历史轨迹
• 通过监控摄像头获取视频序列
• 提取移动目标的实时轨迹
• 积累历史轨迹数据
• 为后续分析提供基础数据
行为模式识别
基于道路网拓扑结构的方位信息提取与轨迹聚类
• 提取目标轨迹方位信息
• 方位聚类算法分析多帧历史轨迹
• 识别目标行为模式
• 挖掘正常行为规律
综合异常检测
融合交通规则与行为模式的多维度分析