（1）人工标定检测区域。只有在检测区域内部的目标才会被处理，忽略其余检测目标。这样做的好处是可以避免一些误检，因为我们只对道路范围内的目标感兴趣。可以自动识别感兴趣区域，但是这个增加了复杂度，并且识别结果准确性不高。
（2）人工标定计数线和测速参照物。交通类应用需要测速和计数，由于二维画面透视成像的原因，需要事先标定各种参照物，这个工作量不仅大还不太好做，因为现实中可能没有合适的参照物给你去标。
这些事先的配置参数跟场景关联密切，一旦场景变化（比如摄像机转动导致画面变化）这些参数统统失效。
前端视频采集设备不可掌控
在算法、模型固定的前提下，系统准确性严重依赖于视频画面中目标的分布情况，如果前端摄像机安装位置不理想，太低或太高、拍摄距离太远、角度太偏横对道路行车方向等等，都不利于目标的检出率：
（1）摄像机安装太高、拍摄距离太远。就算在高清画面中（1920*1080），道路上的目标依然非常小，只有近处的车辆才能被算法准确检测到，远处的车辆要么不能被稳定锁定、要么不能识别出正确的车型或者其他属性。
（2）摄像机安装太低。车辆经过视频画面中的时间非常短，大车甚至完全将画面遮挡，导致其他目标无法被即使检测到。
（3）摄像机安装角度太偏。由于安装条件有限，大部分摄像机只能安装在道路两侧，车辆车身遮挡、绿化带遮挡，导致对向车道车辆经过时无法准确检测。
现实场景中大部分前端设备都已提前安装完毕，客户无法根据视频结构化的需求去调整前端视频采集设备，成本太高。
——摄像机角度太偏，对向车道被大车遮挡、绿化带遮挡——
摄像机人为干扰
前面提到过，摄像机角度偏移会造成各种问题，比如配置失效，误检增多、计数测速不准。监控类摄像机大部分都可以人为切换视角，焦距变化、云台变化等等：
（1）出现剐蹭等交通事件时监控员人为变焦。当出现交通事故导致车辆停止，行车道出现行人时，监控员通常会拉近镜头查看具体交通事件详细。
（2）出现拥堵等路况时监控员人为切换预置位。当出现拥堵等路况时，监控员移动云台摄像机360度移动查看拥堵程度。
现实场景中，出于各种原因，摄像机会被人为移动，导致事先配置参数失效、误检增加等问题，这时候需要及时通过视频画面发现场景变化、及时停止检测，等场景恢复之后再恢复检测，但是这种“偏移停检”的算法也做不到100%准确。
——监控员人为操控摄像机，场景变化——