来自GSV影像的车辆检测：使用计算机视觉预测自行车和摩托车出行行为
计算机视觉与模式识别
2025-08-20 v2 人工智能
摘要
交通方式通过塑造对体力活动、空气污染和伤害风险的暴露，从而影响健康。全球范围内关于自行车和摩托车行为的比较数据稀缺，尤其是缺乏大规模数据。街景影像，如Google街景(GSV)，结合计算机视觉，是高效捕获出行行为数据的有价值资源。本研究演示了一种新方法，即使用深度学习对街景图像进行建模，以估计不同城市中自行车和摩托车的水平。我们利用了来自185个全球城市的数据。使用旅行调查或人口普查估计的模式份额数据。我们使用GSV图像检测样本位置处的自行车和摩托车，使用每个城市8000张图像。YOLOv4模型经调校后，在检测自行车和摩托车方面达到了89%的平均精度。开发了全局预测模型，使用beta回归，以城市模式份额为结果，以检测到的自行车和摩托车图像计数的对数变换为解释变量，控制人口密度。我们发现GSV摩托车计数与摩托车模式份额之间存在较强相关性(0.78)，而GSV自行车计数与自行车模式份额之间存在中等相关性(0.51)。Beta回归模型预测模式份额的值分别为0.614和0.612，分别实现了中位数绝对误差(MDAE)为1.3%和1.4%。散点图显示了一致的预测准确性，尽管像乌特鲁奇和卡里这样的城市是异常值。该模型被应用于全球60个城市，这些城市我们没有最新的模式份额数据。我们为中东、拉美和东亚的一些城市提供了估计值。通过计算机视觉，GSV图像捕获了出行模式和活动，为传统数据源提供了洞见。
引用
@article{arxiv.2508.12794,
title = {Vehicle detection from GSV imagery: Predicting travel behaviour for cycling and motorcycling using Computer Vision},
author = {Kyriaki and Kokka and Rahul Goel and Ali Abbas and Kerry A. Nice and Luca Martial and SM Labib and Rihuan Ke and Carola Bibiane Schönlieb and James Woodcock},
journal= {arXiv preprint arXiv:2508.12794},
year = {2025}
}