用于城市设计的智能监控系统：基于人工智能的十字路口软基础设施分析

# 城市设计中的智能监控：基于人工智能的交叉口软基础设施分析
来源: https://arxiv.org/html/2605.05402

###### 摘要

人工智能（AI）和计算机视觉正在彻底改变交通数据的收集方式。本研究引入了一种利用现有闭路电视（CCTV）基础设施的AI分析框架，用于评估临时行人避难岛和路缘加宽等软性干预措施对车辆速度和交通安全的影响。利用深度学习和基于视角的速度估计方法，我们在明尼阿波利斯评估了干预措施实施前后驾驶员的行为变化，并在第1周和第2周进行了重复的安装后监测。研究结果表明，在无信号控制的交叉口，平均速度和第85百分位速度分别下降了高达18.75%和16.56%，而直通交通流量减少了多达12.2%。有信号控制的交叉口也显示出可比拟的降幅（除一处地点外），平均速度和第85百分位速度分别下降了高达20.0%和17.19%。这些结果证明了软基础设施在交通减速方面的有效性，并凸显了AI驱动方法在快速、低成本且基于证据的交通政策评估中的实用价值。

###### 关键词：

AI视频分析，行人安全，速度估计，驾驶员行为，城市交叉口，交通政策，基于CCTV的监控，深度学习

††期刊: Transportation Research Part A \\affiliation

\[label1\] 机构=怀俄明大学, 城市=Laramie, 州=WY, 国家=美国

\\affiliation

\[label3\] 机构=北卡罗来纳大学夏洛特分校, 城市=Charlotte, 州=NC, 国家=美国

\\affiliation

\[label2\] 机构=明尼苏达大学, 城市=Minneapolis, 州=MN, 国家=美国

## 1 引言

随着机动车交通、行人流量以及微型出行用户数量和多样性的持续增长，城市交叉口正日益成为复杂的活动枢纽。然而，这些节点的传统交通管理和安全系统难以跟上这种复杂性。大多数传统方法依赖于在报告安全问题或事故后修复城市道路和基础设施，导致整改措施具有反应性而非预防性。此外，当前的基础设施改造（如混凝土避难岛和隔离带）成本高昂，通常需要专门的机构参与，往往导致实施前出现长达数月的延误。而且，必须迅速且准确地评估这些干预措施的效果，因为它们并不总能保证改善道路使用者的安全。传统的评估方法（如使用测速枪或高成本速度传感器进行手动速度测量）进一步延长了这一时间线，使评估过程增加额外的数月。这种滞后突显了对具有成本效益的技术的迫切需求，以最大限度地减少延误、减轻机构的财政负担，并简化实施和评估流程，从而使这些安全改进更具可行性和有效性。

> 参见标题 图1：提出的AI驱动分析框架概览。该系统包括检测与跟踪、预处理、速度估计，以及一个从提取的数据中推导关键指标和见解的视频分析模块。

人工智能（AI）和计算机视觉的最新进展为将被动交通监测转变为主动的、数据驱动的安全管理工具提供了一条充满希望的途径。许多城市地区已经配备了闭路电视（CCTV）摄像头和交通传感器，被动地记录交叉口活动\[2 (https://arxiv.org/html/2605.05402#bib.bib1)\]。AI驱动的计算机视觉算法可以利用这些现有基础设施，自动实时检测和道路使用者行为分析\[20 (https://arxiv.org/html/2605.05402#bib.bib21),15 (https://arxiv.org/html/2605.05402#bib.bib7)\]。通过处理实时视频流或录制 footage，这些系统可以识别危险情况——例如车辆未礼让行人或险些发生碰撞——这些情况在传统监测中往往会被忽视\[31 (https://arxiv.org/html/2605.05402#bib.bib31),2 (https://arxiv.org/html/2605.05402#bib.bib1)\]。这种能力使得从回顾性分析向预防性干预的转变成为可能；例如，如果在某些交叉口反复检测到高平均速度（高于限速）的模式，城市当局/交通部门（DoTs）可以在受伤事故发生前收到警报，从而实施交通减速措施或调整信号配时。简而言之，AI驱动的视觉系统可以将城市中普遍存在但利用率低下的摄像头转化为行人安全的智能代理。

AI在交通安全方面的一个关键用例是评估旨在改善行人安全的基础设施干预措施的影响。软性（快速建设）干预措施，如防撞柱、临时路缘加宽和临时行人避难岛，越来越被用于减速和改善过街安全\[11 (https://arxiv.org/html/2605.05402#bib.bib15),4 (https://arxiv.org/html/2605.05402#bib.bib3)\]。在本研究中，我们重点使用基于CCTV的AI分析来评估这些软性处理措施，同时包含少量永久性/硬化实施作为基线参考，以便进行情境比较。虽然这些干预措施被广泛认为能有效降低车辆速度并改善驾驶员礼让行为\[28 (https://arxiv.org/html/2605.05402#bib.bib28)\]，但量化其影响一直是个挑战。先前的研究依赖于长期收集的事故数据或有限的观察研究，使得在实施后立即评估行为变化变得困难\[1 (https://arxiv.org/html/2605.05402#bib.bib10)\]。

在本研究中，我们展示了基于AI的计算机视觉的应用，通过捕捉高分辨率的干预前后行为证据，来弥合这一差距，从而说明软基础设施变化如何影响车辆运动和行人互动。如图1 (https://arxiv.org/html/2605.05402#S1.F1)所示，通过利用深度学习结合速度估计、轨迹分析和行为模式识别的变换技术，我们提供了一个可扩展且具成本效益的基于AI的分析框架，用于评估道路干预措施对行人安全的有效性。我们的工作不仅强调了AI驱动监测在基础设施评估中的潜力，还突出了其在转变城市交通管理和预防性安全规划中的更广泛作用。

我们分析了繁忙城市交叉口在软基础设施干预措施实施前后的数小时CCTV footage。使用目标检测和跟踪算法\[14 (https://arxiv.org/html/2605.05402#bib.bib9),30 (https://arxiv.org/html/2605.05402#bib.bib30)\]，我们自动检测并重新识别感兴趣区域内的车辆。这种自动化分析提供了关于车辆在接近和通过交叉口时的关键安全指标（如车速）以及人行横道处的停车和礼让行为的丰富数据。通过比较安装防撞柱、路缘加宽和避难岛前后的这些指标，我们可以评估驾驶员行为的变化（例如，汽车是否在人行横道处更频繁地减速或停车？）以及行人过街附近的车辆速度分析。因此，我们AI驱动的方法提供了对基础设施变化的客观定量评估。

总之，我们的工作汇集了计算机视觉、数据科学、城市基础设施设计和交通工程的进步，以提高交叉口的行人安全。本文的主要贡献如下：

1. 一种新颖的AI赋能分析框架，利用CCTV基础设施收集高分辨率行为数据，从而能够对软性（快速建设）干预措施进行具成本效益且可扩展的评估，并设有一小部分永久性处理基线以进行情境比较。
2. 一项前后现场评估，使用真实城市交通 footage 进行重复的安装后测量（第1周和第2周），量化了关键安全指标（如平均速度和第85百分位速度）以及人行横道附近驾驶员礼让行为的转变，为交通规划和政策提供可操作的证据。
3. 一个用于车辆检测、跟踪和单目视频速度估计的模块化AI管道，旨在由交通机构快速部署，以支持交叉口安全和城市设计中的数据驱动的预防性决策。

总体而言，本研究强调了基于AI的交通监控解决方案在推进城市安全干预措施方面的相关性。通过将技术创新与深思熟虑的基础设施设计相结合，本文提出的方法旨在为构建更安全、更友好的行人城市做出贡献。

## 2 相关工作

城市环境中的行人安全与基础设施设计和车辆速度密切相关，较高的速度会显著增加事故的严重程度。研究强调需要速度管理策略来降低风险。AI驱动的视频分析技术的进步现在能够实时评估行人与车辆的互动，利用图像处理技术实现和深度学习。这些分析系统中的一个关键挑战是计算准确的车辆速度估计，其中基于摄像头的方法提供了比传统基于传感器的方法更具成本效益的替代方案。以下部分将审查以往的研究以及基础设施和速度的影响、AI驱动的视频分析以及车辆速度估计技术。

### 2.1 基础设施和车辆速度对行人安全的影响

交通安全文献中强调的一个关键风险因素是车辆超速。较高的车辆速度不仅增加了碰撞的可能性，还极大地恶化了行人的结果。车辆速度与伤害严重程度直接相关；在20英里/小时时死亡风险小于10%，而在40英里/小时时则超过80%\[28 (https://arxiv.org/html/2605.05402#bib.bib28),12 (https://arxiv.org/html/2605.05402#bib.bib16),24 (https://arxiv.org/html/2605.05402#bib.bib24)\]。因此，限速执法和自动摄像头是关键干预措施。由于此类危险，在城市地区管理车辆速度是安全的重中之重。执行较低的限速和部署自动速度摄像头被广泛认为是保护行人的有效策略。正如Fernández-Llorca等人\[9 (https://arxiv.org/html/2605.05402#bib.bib5)\]所指出的，引入适当的限速并通过速度摄像头进行执法，一直是改善道路安全最具影响力的干预措施之一。因此，有强烈的动力开发准确高效的方法来监控交通中的车辆速度\[25 (https://arxiv.org/html/2605.05402#bib.bib25)\]，特别是利用可以在城市中大规模部署的具成本效益的技术。

关于硬质基础设施干预措施（如路缘加宽和行人避难岛或中央隔离带）的研究表明，它们在降低车辆速度和提高行人安全方面是有效的。Gitelman等人\[11 (https://arxiv.org/html/2605.05402#bib.bib15)\]在以色列进行的一项研究发现，路缘加宽能够通过视觉和物理上缩小道路宽度，促使驾驶员谨慎驾驶，从而导致平均速度降低。同样，Blackburn等人\[4 (https://arxiv.org/html/2605.05402#bib.bib3)\]报告称，行人避难岛不仅提供了更安全的过街点，还有助于在无人控制（无信号控制）的过街处降低速度，特别是在中等交通流量的城市环境中。然而，Budzyński等人\[5 (https://arxiv.org/html/2605.05402#bib.bib11)\]为这一叙述增加了深度，证明虽然避难岛和环岛等基础设施能有效降低驾驶员速度，但并未显著改善行人过街处的停车率。这表明，尽管降速至关重要，但它并不是安全公式的唯一部分，驾驶员遵守行人路权仍然是一个挑战。他们的发现强调了基础设施影响的复杂性，表明仅靠物理变化可能无法完全解决所有安全问题。在\[3 (https://arxiv.org/html/2605.05402#bib.bib2)\]的一项模拟研究中，考察了驾驶员速度和模拟行人，当斑马线与路缘加宽结合使用时（由\[1 (https://arxiv.org/html/2605.05402#bib.bib10)\]支持），观察到了最佳性能。

然而，防撞柱避难岛和路缘加宽等软性基础设施变化的有效性尚未得到充分研究。虽然混凝土避难岛等物理改造提供了清晰的视觉和结构威慑，但软性干预措施依赖感知线索来影响驾驶员行为。我们的研究建立在先前研究的基础上，利用AI驱动的计算机视觉技术来测量软性和硬性基础设施变化引入前后的车辆速度。通过利用现有的CCTV摄像头数据，我们旨在展示一种可扩展且具成本效益的方法来评估道路安全干预措施，扩展AI在交通工程中的适用性。这种方法旨在提供一种可扩展、具成本效益的方式来评估干预措施的多方面影响，建立在来自\[28 (https://arxiv.org/html/2605.05402#bib.bib28),5 (https://arxiv.org/html/2605.05402#bib.bib11),3 (https://arxiv.org/html/2605.05402#bib.bib2)\]的见解之上，以推动行人安全研究。

### 2.2 基于AI的视频分析用于行人安全

近年来，AI驱动的视频分析已被用于增强城市环境中的行人安全。Ali等人\[2 (https://arxiv.org/html/2605.05402#bib.bib1)\]的研究利用极值理论（EVT）和贝叶斯建模，通过AI分析估计有信号控制交叉口的实时行人碰撞风险。虽然EVT能够从交通冲突而非事故数据中估计风险，但它需要大型数据集和强烈的分布假设，这突显了在行人安全评估中对可扩展的AI驱动方法的需求。同样，Hu等人\[26 (https://arxiv.org/html/2605.05402#bib.bib26)\]证明了使用交通摄像头数据检测过街事件的可扩展性，其潜在利用现有基础设施而无需额外成本令人意外。

先进的计算机视觉系统可以自动检测和跟踪交通摄像头 footage 中的行人和车辆，从而主动识别危险情况。Pourhomayoun\[20 (https://arxiv.org/html/2605.05402#bib.bib21)\]开发了一个端到端系统，用于检测和报告交叉口处的险些碰撞，使用深度学习模型识别所有交通参与者并实时标记潜在的行人-车辆冲突。同样，Zhang等人\[31 (https://arxiv.org/html/2605.05402#bib.bib31)\]将深度神经网络（例如，YOLO, Mask R-CNN）应用于城市交叉口视频，以分析危险互动并在事故发生前预测行人冲突。这些工作表明，基于AI的分析可以作为替代安全评估的有效工具——识别风险事件（如险些事故和违反交通规则），以指导安全改进，而无需等待事故发生。