据外媒报道，德克萨斯州的研究人员正在研发新款工具，利用人工智能技术从原始交通摄像头数据中识别目标物，然后识别并归纳这类目标物的移动及交互方式及特点。该团队还研发了深度学习工具，从奥斯汀市各交通摄像头传回的原始交通录影中识别目标物，如：人、车辆、卡车、自行车、摩托车及交通灯等，还能显示其交互方式。他们已研发出一个新系统，可实现标记、追踪及分析交通流量，可将其应用于两个实例中：计算道路上的移动车辆的数量；识别车辆与行人间的紧密接触。
据外媒报道，德克萨斯州的研究人员正在研发新款工具，利用人工智能技术从原始交通摄像头数据中识别目标物，然后识别并归纳这类目标物的移动及交互方式及特点。
德克萨斯州先进运算中心（Texas Advanced Computing Center，TACC）与德克萨斯州大学奥斯汀分校（University of Texas at Austin）交通研究中心与奥斯汀市共同研发工具，利用深度学习及数据挖掘技术实现成熟、可搜索的交通分析。
该团队还研发了深度学习工具，从奥斯汀市各交通摄像头传回的原始交通录影中识别目标物，如：人、车辆、卡车、自行车、摩托车及交通灯等，还能显示其交互方式。信息经分析后，将接受交通工程师及官方的检验，从而确定因开错车并驶入单行道的车辆数量。
为实现交通分析，研究人员研发了新算法，可自动为原始数据内的所有目标物做标记，将其与早前的已识别目标物进行对比，追踪目标物，并将各帧的输出值进行比对，发现各目标物间的关系。他们已研发出一个新系统，可实现标记、追踪及分析交通流量，可将其应用于两个实例中：计算道路上的移动车辆的数量；识别车辆与行人间的紧密接触。
针对长达十分钟的视频剪辑，该系统可自动清点其中的汽车数量，其初步结果的精度高达95%。如遇到潜在的近距离接触，研究人员或将自动识别大量用例，在这类用例中，车辆与行人间的距离可谓近在咫尺，但上述用例中并无（碰撞等）危险事故发生。研究人员还演示了该系统是如何在无人为干预的情况下发现危险地区的。
研究人员计划探索自动化是如何对其他安全相关的分析提供辅助的，如：识别指定通道外其他繁华道路上的行人位置；了解驾驶员如何应对各类行人引导标示，对行人所愿意行走的距离进行量化。此外，该项目展示了人工智能技术是如何大幅降低人员对视频数据分析处理的参与度，并为决策者提供可供执行的信息。
TACC的研究院Weijia Xu表示：“我们希望研发一款灵活而高效的系统，对交通研究人员及决策者提供辅助，满足其多变的实时分析需求。我们不想打造为单个的特定问题专门打造一个整体解决方案（turnkey solution）。我们想要探索新途径，有助于应对各类分析需求并助推未来技术发展。”
