A Real-time Evaluation Framework for Pedestrian's Potential Risk at Non-Signalized Intersections Based on Predicted Post-Encroachment Time

解决路口行人安全问题是交通运输研究领域中最重要的问题之一，这是由于减少与交通相关的伤亡事故的紧迫性所驱动的。随着计算机视觉技术和预测模型的进步，开发实时主动保护系统的追求越来越被认为是提高路口行人安全性的关键。这些保护系统的核心在于基于预测的行人潜在风险评估，这在防止事故发生方面起着重要作用。目前基于预测的潜在风险评估研究面临的主要挑战可以概括为三个方面：缺乏实时框架来评估行人潜在风险的进展不足，缺乏准确且可解释的安全指标来表示潜在风险，以及缺乏针对每类行人的量身定制的评估标准。为了解决这些研究挑战，本研究开发了一个基于计算机视觉技术和预测模型的框架，以实时评估行人的潜在风险。这个框架的核心是一种新型的代理安全度量，即预测的后侵入时间（P-PET），它是从深度学习模型中得出的，可以预测行人和车辆在路口的到达时间。为了进一步提高行人风险评估的有效性和可靠性，我们将行人分类为不同的类别，并针对每组应用特定的评估标准。结果表明，该框架能够通过使用P-PET有效地识别潜在风险，表明其在实时应用中的可行性以及在不同类别行人的风险评估方面的性能得到了改善。

本论文旨在通过计算机视觉技术和预测模型，开发实时主动保护系统来提高行人在路口的安全性。研究的核心在于基于预测的行人潜在风险评估，以预防事故的发生。

本论文提出了一个框架，使用深度学习模型预测行人和车辆到达路口的时间，并从中派生出一种新的代理安全措施——预测后侵入时间（P-PET），用于评估行人的潜在风险。此外，还将行人分类并为每个群体应用特定的评估标准，以进一步提高行人风险评估的效果和可靠性。

本论文的亮点在于提出了一种新的代理安全措施P-PET，用于评估行人的潜在风险，具有实时性和改进的性能。此外，还对行人进行了分类，并为每个群体应用特定的评估标准，以进一步提高行人风险评估的效果和可靠性。

最近在这个领域中，还有一些相关的研究，例如《Pedestrian Detection: An Evaluation of the State of the Art》和《A Review of Computer Vision-Based Approaches for Real-Time Pedestrian Detection and Tracking》。