據外媒報道，德克薩斯州的研究人員正在研發新款工具，利用人工智能技術從原始交通攝像頭數據中識別目標物，然后識別并歸納這類目標物的移動及交互方式及特點。該團隊還研發了深度學習工具，從奧斯汀市各交通攝像頭傳回的原始交通錄影中識別目標物，如：人、車輛、卡車、自行車、摩托車及交通燈等，還能顯示其交互方式。他們已研發出一個新系統，可實現標記、追蹤及分析交通流量，可將其應用于兩個實例中：計算道路上的移動車輛的數量；識別車輛與行人間的緊密接觸。

據外媒報道，德克薩斯州的研究人員正在研發新款工具，利用人工智能技術從原始交通攝像頭數據中識別目標物，然后識別并歸納這類目標物的移動及交互方式及特點。

德克薩斯州先進運算中心（Texas Advanced Computing Center，TACC）與德克薩斯州大學奧斯汀分校（University of Texas at Austin）交通研究中心與奧斯汀市共同研發工具，利用深度學習及數據挖掘技術實現成熟、可搜索的交通分析。

該團隊還研發了深度學習工具，從奧斯汀市各交通攝像頭傳回的原始交通錄影中識別目標物，如：人、車輛、卡車、自行車、摩托車及交通燈等，還能顯示其交互方式。信息經分析后，將接受交通工程師及官方的檢驗，從而確定因開錯車并駛入單行道的車輛數量。

為實現交通分析，研究人員研發了新算法，可自動為原始數據內的所有目標物做標記，將其與早前的已識別目標物進行對比，追蹤目標物，并將各幀的輸出值進行比對，發現各目標物間的關系。他們已研發出一個新系統，可實現標記、追蹤及分析交通流量，可將其應用于兩個實例中：計算道路上的移動車輛的數量；識別車輛與行人間的緊密接觸。

針對長達十分鐘的視頻剪輯，該系統可自動清點其中的汽車數量，其初步結果的精度高達95%。如遇到潛在的近距離接觸，研究人員或將自動識別大量用例，在這類用例中，車輛與行人間的距離可謂近在咫尺，但上述用例中并無（碰撞等）危險事故發生。研究人員還演示了該系統是如何在無人為干預的情況下發現危險地區的。

研究人員計劃探索自動化是如何對其他安全相關的分析提供輔助的，如：識別指定通道外其他繁華道路上的行人位置；了解駕駛員如何應對各類行人引導標示，對行人所愿意行走的距離進行量化。此外，該項目展示了人工智能技術是如何大幅降低人員對視頻數據分析處理的參與度，并為決策者提供可供執行的信息。

TACC的研究院Weijia Xu表示：“我們希望研發一款靈活而高效的系統，對交通研究人員及決策者提供輔助，滿足其多變的實時分析需求。我們不想打造為單個的特定問題專門打造一個整體解決方案（turnkey solution）。我們想要探索新途徑，有助于應對各類分析需求并助推未來技術發展�！�