随着目前城市化进程的加快和机动化水平的提高，行人与机动车的冲突越来越多，行人交通安全问题日益严重^[1-2]。据统计，全世界每年因交通事故死亡的人数中，行人死亡人数占到23%^[3]。因而，迫切需要对行人的过街安全性进行研究。

行人的过街行为是人车交互发生的前提。很多事故的产生，也是因为一些行人的不当过街行为造成的。一些学者针对行人过街行为展开了一系列的研究^[4-6]。在信号灯控制路段行人过街行为受行人心理因素影响较大，研究发现绿灯惯性心理和红灯截尾心理是支配信号控制路段行人闯红灯的主要心理^[7]，行人的乐观偏差心理也会引发行人的不安全过街行为^[8]。此外道路标线设计、信号配时情况、过街目的地、机动车干扰等也会影响行人过街行为，孙迪等^[9]将这些因素分为动态因素和静态因素, 并将不同因素对行为的影响视为虚拟力的作用效果，分别建立了不同影响因素对行人行为的干扰模型。非信号灯控制路段行人过街行为影响因素主要包括，人车间距、车辆速度和可穿越间隙等参数^[10]。另外研究发现道路特征和行人自身因素也是影响行人过街行为的主要因素，例如张存保等^[11]在没有信号灯控制的多车道人行横道对人车冲突进行分析，发现在双向六车道上人车冲突多发生于第三车道和第六车道，指出设置中间安全带的必要性。在行人自身因素中，性别、年龄、是否使用电子设备等因素被大多数研究者所关注^[12]，同时由于智能手机的普及，手机对于行人过街行为的安全水平也存在显著影响^[13]。尽管目前针对人行横道处提升行人过街安全的政策建议现已有很多开始实行，然而对道路中段乱穿马路情形下的人车冲突的研究目前还较少。

在没有人行横道的道路上，行人乱穿马路的现象仍比较明显，且易发生人车冲突，造成严重的交通事故。关于行人乱穿马路的研究，有部分学者进行了先期的探索。相对于十字路口处的人行横道，行人在道路中段乱穿马路的行为很难被司机预测到^[14]，并且行人乱穿马路时，行人到达路缘更倾向于主动过马路而不是被动地等待^[15]，造成很多车辆无法及时让行。因此为了揭示行人乱穿马路的决策黑箱，汪勇杰等^[16]构建了考虑车流因素的行人乱穿马路的动态决策模型。此外为了明晰行人在无信号灯控制路段行人过街安全性，董艳涛等^[17]研究了无信号控制路段行人过街平均速度与行人年龄、性别、过街方式等的关系，并标定了系数。这些研究有助于更好地理解乱穿行人与机动车的交互过程^[18]。但是，这些研究没有考虑异质性的车辆与行人的差异化交互过程。虽然法律规定机动车应该避让行人，但在实际生活中司机对于这部分行人的让行行为存在差异。现实生活中我们可以发现不同类型的车辆对行人乱穿的让行率存在差异。受制于人行横道处不让行的高额惩罚，存在部分司机在路口逼不得已让行。但是，这部分司机在遇到道路中段乱穿马路的行人时，就不愿意再给行人让行，这就造成了这种人车交互的安全性急剧降低。针对异质性机动车与行人的交互安全研究，有利于交通管理部门针对目标群体制定更加有效的治理措施。

因而，本研究选取西安市繁华区域经常发生行人乱穿行为的道路中段，通过无人机拍摄视频，采用机器视觉算法提取人车运动轨迹数据，定量化地研究在车让人背景下，异质性车辆对行人乱穿行为的让行率，以及对行人安全性的影响。通过机器视觉，可以有效地对人车交互的安全性进行自动化评估，可以实现实时发送预警信息，并可根据历史视频数据的挖掘，对路网中的人车交互安全性进行评估。本项研究成果有望应用于路网关键位点的人车交互安全预警系统的构建。

本研究所选取的路段位于陕西省西安市繁华的路段-科技路。经前期实地调查，发现科技路有3处道路中段经常出现行人乱穿马路的行为。科技路为双向六车道，在南北两侧均有公交站点，行人经常从道路中段乱穿马路。课题组在2019年10月27日(周日)和2019年10月28日(周一)的8 : 30—17 : 40分时段采集了6 h的视频。视频拍摄过程天气良好，路面干燥。

近年来，随着人工智能的迅猛发展，基于深度学习的图像目标检测、识别技术有了很大的突破，使用卷积神经网络方法提取的特征要远远优于传统人工设计的特征。由于YOLOv3运算速度快，识别精准等优点，本论文使用YOLOv3算法训练模型，并使用基于YOLOv3的DeepSort算法获得行人和车辆的轨迹数据。其中YOLOv3算法是一种常用的目标检测算法，而DeepSort算法作为一种常用的目标跟踪算法，将两者结合可以实现准确的车辆、行人等目标检测、多目标跟踪、计算交通流量及无缝提取轨迹数据。相较于使用半自动软件的传统轨迹提取方法表现较好。模型运算配置为Ubuntu 16.04.6 LTS, Intel i7-9700k, NVIDIA GeForce RTX 2080ti显卡，32 G内存。本论文使用Labellmg软件对车辆和行人进行标注，标注图片共10 000张。本研究使用Python3.7分析人车交互的轨迹数据。

让行比例是指在与行人发生交互的机动车中有让行行为机动车所占的比例，如式(1)所示。

(1)

式中，R为让行比例；∑N_yielding为人车交互过程中，对行人进行让行的机动车总数量；∑N_interaction为人车交互过程中，机动车的总数量。

为了进一步研究人车交互过程的安全性，这里将让行的行为进行了分类。遇到过路行人时，驾驶员有两种选择：让行和不让行。让行可以分为两类，即停车让行和减速让行。减速让行表示车辆通过减速实现让行，期间不停车。因此让行比率可以进一步表示为式(2)~ (4)：

(2)

式中，R_S-Y为减速让行的比例；∑N_{soft-yielding}为人车交互过程中，对行人进行减速让行的机动车总数量。

(3)

式中，R_H-Y为停车让行的比例；∑N_{hard-yielding}为人车交互过程中，对行人进行停车让行的机动车总数量。

(4)

式中R_N-Y指不让行的比例。

图 1为减速让行情况下车辆的瞬时速度。对于减速让行的车辆，在距离行人较远处就开始进行减速，当行人通过后或者在判断可以不与行人发生碰撞后又开始进行缓慢的加速。

图 1 减速让行时的车辆瞬时速度曲线 Fig. 1 Schematic diagram of instantaneous speed curve of vehicle during deceleration and giving way

图选项

2018年，Fu等^[19]在交通安全顶级期刊Accident Analysis & Prevention提出了一个评价无信号灯路口行人安全性的距离-速度模型，即D-V模型。由动力学可以得到，机动车从发现行人时开始，为了完全停下而避免与行人发生碰撞所需的最短距离D_min的计算公式为：

(5)

式中，V_initial为当行人出现时，机动车的初速度；t_r为机动车驾驶员的反应时间；μ_max为路面摩擦系数；θ为道路与水平面之间的倾斜角。由于对于一个确定的道路环境来说，路面摩擦系数μ_max和道路与水平面的倾斜角θ是确定的。

假设t_r在区间[t_r.min, t_r.max]间变动，则最短刹车距离D_min则在间变动。由此可知，在D-V模型中，机动车为完成避让行为所需的距离与机动车车速之间的关系取决于驾驶员的反应时间和车辆可达到的减速度。在D-V模型中，机动车与行人之间的交互作用分为3个区域：(1)车辆无法完全停车的情况；(2)车辆停车能力取决于驾驶员的反应时间的情况；(3)车辆可以完全停止的情况。从人车交互的安全角度来看，相应地分为(1)危险交互；(2)风险交互；(3)安全交互。

使用Python3.7对车辆的让行特征和人车交互的安全性进行分析。

3类机动车的速度统计数据如表 1所示。私家车速度均值为40.79 km/h，出租车速度均值为34.14 km/h，公交车速度均值为18.12 km/h。结果显示，私家车的速度均值远大于出租车和公交车的速度均值(私家车-出租车：平均值差值为6.65，t=3.744，标准误差差值为1.776，p=0.000；私家车-公交车：平均值差值为22.67，t=16.133，标准误差差值为1.405，p=0.000)，其中公交车的速度均值最小。

筛选出了428辆有交互行为的机动车，其中私家车293辆，出租车69辆，公交车66辆。对各类机动车的让行比率进行计算，结果如表 2所示。

虽然《道路交通安全法》47条规定：“机动车行经没有交通信号的道路时，遇行人横过道路，应当避让”。但是，由表 2可以发现，3类机动车在遇到乱穿马路的行人时很大比例选择不让行，其中私家车的不让行比例最高。机动车的不让行对于乱穿马路的行人来说，存在很大的安全隐患。造成这种原因可能由于驾驶员无法提前预判乱穿的行人而进行减速等操作，也可能由于驾驶员具有一定的逆反心理，认为没有必要对有违法过街行为的行人进行避让。

决策点位置是指机动车驾驶人开始对过街行人做出反应的位置与行人位置之间的水平距离。在这个位置，驾驶员对行人开始进行避让。决策点速度是指机动车在决策点处的速度大小。

由表 3的统计结果可知，各类机动车的决策点位置有着明显的不同。从数值上来看，公交车在进行让行时距离行人最近，均值为12.80 m，远小于出租车和私家车的21.62 m和22.27 m。独立样本t检验结果显示：公交车与私家车之间让行决策点位置差异显著，t=-9.47，标准误差差值为1.14，p=0.000；公交车与出租车之间让行决策点位置差异显著，t=-8.82，标准误差差值为1.28，p=0.000。这可能与车速有关，车速越高，需要在更远处实施减速。同时也注意到出租车的决策点位置标准差较大，说明其数据更加离散，这可能与出租车驾驶员驾驶习惯有关。

由表 4可以看到，私家车的决策点速度均值最大，公交车的速度均值最小。对比私家车和出租车可以发现，私家车和出租车决策点速度差异显著，独立样本t检验显示，平均值差值为0.85，标准误差差值为0.304，t=2.805，p=0.005。私家车的决策点速度均值较大，过大的车速会导致机动车的制动距离增加，可能会引起严重的交通事故。

根据式(5)可知，利用D-V模型来评估行人的安全性需要驾驶员的反应时间、路面构造等基本参数。本研究假设该路段平整，即道路与水平面的倾斜角θ为0；机动车驾驶员的反应时间在0.5~2 s之间；重力加速度值取9.8 m/s²；路面摩擦系数取0.75。决策点位置是司机经过反应时间后距离行人的水平距离，即决策点位置D_{decisionpoint}=D_occ-vt_r，其中D_occ表示机动车发现行人时的水平距离。为了评价人车交互过程中的安全性，取t_r=0.5 s，这可以评测驾驶员在极限反应时间下对行人的安全性影响。

由图 2可以看到，3种类型的机动车大部分都位于区域III“车辆可完全停止”内，这说明机动车与行人交互期间大部分情况下是安全的。从整体上来说，出租车与行人交互时所占“区域III”的比例最大，为79.70%。这表明对于3种类型的车辆，乱穿马路的行人与出租车进行交互时安全性是最高的。对于区域II，出租车和公交车各占比15.60%和27.90%，而私家车占比最大为31.70%。这表明与其他两类车相比，私家车与行人的交互过程更易使行人处于“风险过街”的情况。

图 2 3种类型机动车D-V图 Fig. 2 D-V diagrams of 3 types of motor vehicles

图选项

另外，公交车与行人交互时的安全性也不容忽视。虽然公交车在该路段的数量较少，但是其处于“区域I”和“区域II”的占比36.10%，有比较大的几率使行人处于“危险过街”和“有风险的过街”情况。由于公交车一般行驶在靠近路侧的公交专用道，并且其体积一般比较庞大，视野极易受到道路周围树木的影响，因此公交车驾驶员无法及时注意到乱穿的行人，容易与道路边缘处准备乱穿的行人发生冲突，从而导致事故的产生。

为了更加深入地评估行人乱穿时的安全性，我们将之与人行横道处的人车交互安全性进行了对比分析。

我们选取了西安市朱雀大街和雁塔路北段的两处人行横道。两处均无信号灯控制，无监控。人行横道前方的机动车道上喷涂了“车让人”的标志。共统计了1 243次人车交互，其中748辆私家车，265辆出租车和230辆公交车。

由图 3可以看到，3种类型的机动车对于在人行横道过街的行人让行情况大部分都落在区域III“车辆可完全停止”，平均占比约86.50%。在科技路，机动车对于乱穿马路的行人让行情况主要落在区域III，平均占比约69.70%，相差16.80%。由此可以发现，人行横道和“车让人”标志的出现大大提高了机动车与行人之间的交互安全性，因为在这样的道路条件下，更多的司机能够保持合理的车速和决策位置，避免与行人发生碰撞。从另一方面来说，这表明机动车更倾向于给遵守规则的行人让行，而不愿意给乱穿马路的行人让行。这也反映了道路中段乱穿的行人，其风险性远大于遵守规则过街的行人。

图 3 人行横道处D-V图 Fig. 3 D-V diagrams of crosswalk

图选项

本研究采用无人机拍摄道路中段行人与车辆交互行为，使用YOLOv3和Deep-Sort机器视觉算法处理视频获取轨迹数据，对轨迹数据作对比分析，并使用D-V模型对人车交互安全性进行评价。主要从车速、让行比例、决策点位置、决策点速度和人车交互安全性等几个方面进行了分析，研究得出以下结论。

(1) 对于乱穿马路的行人，很大比例的机动车不愿意让行，其中私家车不让行比例最高为62.85%, 相比之下出租车和公交车的不让行比例分别只有57.33%和47.86%。机动车的不让行对于乱穿马路的行人来说，存在很大的安全隐患。交通管理部门可以根据不同类别的机动车采用相应的治理对策。

(2) 从决策点位置和决策点速度分析，发现公交车在让行时距离行人最近，平均距离为12.80 m，而私家车在让行时的速度最大，平均让行速度为9.10 m/s。对于3种类型的车辆，乱穿马路的行人与出租车交互时安全性最高，交互时出租车能完全停止的占比为79.70%，相比之下私家车与乱穿马路的行人交互过程更易使行人处于“风险过街”的情况。

(3) 与人行横道处的人车交互相比，行人乱穿马路时车辆可以完全停止的比例为69.70%，低于人行横道处的86.50%，因此道路中段乱穿马路的行人具有更高的风险性。根据风险值，交通管理部门可以在关键位点设置监控，从而构建出基于机器视觉的路段交通安全预警系统。另外，该项研究对于合理规划和设置人行横道、公交站点和辅助设施等方面具有重要的理论参考价值。