计算机视觉和对骑自行车近距离失误动态的统计见解

科学领域:

• 城市流动性和交通安全.
• 计算机视觉和人工智能的人工智能
• 人与计算机的互动.

背景情况:

• 城市自行车提供健康和环境的好处,但面临安全问题.
• 几乎失误的事件,虽然并不总是导致伤害,是常见的,并表明骑自行车的风险.
• 从自然主义循环研究中手动分析传感器数据是耗时的,并且限制了研究范围.

研究的目的:

• 开发一种自动化计算机视觉框架,用于分析骑自行车者近乎失误的事件.
• 识别和评估各种风险因素的统计意义,这些风险因素有助于接近失误.
• 提高自然主义自行车安全研究的效率和扩大范围.

主要方法:

• 利用一种新的计算机视觉框架,对自动化视频分析骑自行车者差点撞车的情况进行了分析.
• 实施了格兰杰因果关系分析,以确定风险因素和近距离事故之间的时间关系.
• 整合了多种时间延迟来检查诸如光,车辆和行人存在等因素的动态影响.

主要成果:

• 该框架成功地自动检测了近乎失误的场景中多种风险因素的检测.
• 确定了诸如光,车辆和行人接近以及近乎碰撞事件等因素之间的显著相关性.
• 量化了这些风险因素的统计意义,提供了对它们对骑自行车安全的影响的见解.

结论:

• 开发的框架显著提高了自然主义自行车研究的效率和范围.
• 几乎失误数据的自动化分析提供了对城市骑自行车风险的更深入的了解.
• 未来与边缘人工智能的集成可以实现对骑自行车者的实时风险检测和预防.