共 過去由於鮮少蒐集駕駛過程的資料，在肇因判斷上多以事故發生當下的近因為主，然近因並不一定為肇事主因，僅預防近因也未必能有效預防肇事。本計畫之目標在將目前以事故資料為基礎的道路交通安全管理程序，提升為以事故資料、異常事件以及駕駛行為為基礎的道路交通安全管理程序。本計畫為四年期計畫之第一年計畫，以車外影像分析為主；主要工作內容在應用影像辨識技術，藉由車外行車影像資料分析篩選異常事件，並據以找出可能造成事件及提高事故風險的高風險駕駛行為。
本期計畫首先訪談財團法人車輛安全審驗中心及九家客貨運業者與設備商，同時以問卷調查25家國內客運業者，了解先進駕駛輔助系統(ADAS)之法規趨勢，以及業者對ADAS設備之應用現況與需求。接著透過事故分析與文獻回顧，定義未保持安全距離、車道偏移、過彎或匝道車速過快等三大類國道客運常見異常事件；各類事件並依各種可能發生情境，衍生成數個事件發生序列與子序列，同時依照事件發生當下之危險程度、與前車相對距離以及駕駛人因應動作等三個準則，定義異常事件之三個風險等級：不為異常、可能異常、異常。
本計畫接著發展車外影像辨識分析架構，橫向以車道、縱向以20公尺為單位，以本車為核心劃分出行車動態12宮格，並發展每一宮格之影像辨識指標，例如該格位車輛與本車相對距離、該格位是否有大車等。透過Canny邊緣檢測、Cascade Mask R-CNN、YOLO (You Only Look Once)等演算法的發展，進行實際影像的辨識訓練。透過近兩萬幀影像真值的比對，本計畫發展之影像辨識演算法，在各宮格各指標之辨識正確率可達九成或以上；但在匝道、該格位有三台車或以上、雨天以及本車低速行駛下，正確率可能下降至六到八成。
經分析本計畫蒐集國內某客運業200趟次行車資料、2,531個警示事件，其中僅有102件(約4%)的警示事件為異常事件；若客運業者單純以ADAS設備警示，做為行車即時警示或事後駕駛教育訓練之參考，恐存在偽陽性過高的情況。經XGBoost分析發現，以影像為主之異常事件預測召回(recall)率與以ADAS為主之異常事件預測召回率相仿，可見本研究提出之12宮格架構，的確可有效分析國道客運行車動態異常。若將ADAS及影像資料同時納入預測模式，可進一步提高異常事件之預測準確度。另經由時空分析結果發現，內側路肩窄、直線段未保安距警示較多，事故亦較多；駕駛資歷豐富即使發生異常事件，其嚴重程度相對較輕，但72小時內排班越多，若發生異常事件的嚴重度則可能較為嚴重。
