Verkehrsüberwachung & Verkehrsanalyse

Städte, Straßenbetreiber und Logistikstandorte müssen wissen, wie viele Fahrzeuge, Fahrräder und Fußgänger welche Route nutzen, wie schnell und wo Vorfälle oder Konflikte auftreten. Manuelle Zählungen und induktive Schleifen sind lückenhaft und teuer. Computer Vision macht vorhandene oder eigens installierte Kameras zu kontinuierlichen, klassifizierenden Verkehrssensoren, die überwiegend auf Edge-Geräten laufen und anonyme Aggregate ausgeben. Die Gestaltungsfrage in Europa ist weniger die Genauigkeit als Datenschutz und rechtlicher Rahmen.

Problem & Nutzen

• Heute: Verkehr wird mit Induktionsschleifen, Pneumatikschläuchen, Radar und kurzen manuellen Zählkampagnen gemessen. Die Abdeckung ist lückenhaft, Radfahrende und Fußgänger werden schlecht erfasst, und die Daten kommen mit Wochen Verspätung. Die Vorfallerkennung in Tunneln und auf Autobahnen beruht oft darauf, dass Bedienkräfte Monitorwände beobachten.
• KI-Nutzen: kontinuierliche klassifizierte Zählungen (einschließlich des Umweltverbunds), Schätzungen von Geschwindigkeit und Stau, automatische Vorfallerkennung, adaptive Signaleingaben sowie Vorher-Nachher-Belege für Maßnahmen wie neue Radwege. Surrogat-Sicherheitsanalysen (Erkennung von Beinaheunfällen aus Trajektorien) erlauben eine Risikobewertung, ohne auf Unfälle zu warten.
• Politische Treiber: EU-Politik zu Straßenverkehrssicherheit und IVS (Richtlinie 2010/40/EU und ihre Überarbeitung 2023) sowie nationale Radverkehrs- und Vision-Zero-Programme brauchen granulare multimodale Daten [1].
• Hier werden keine erfundenen Nutzenzahlen genannt; messen Sie Ihre eigene Ausgangsbasis (Zählungen gegenüber manueller Referenz).

Varianten

• Städtische Zählung und Verkehrsmittelwahl: Radfahrende, E-Scooter, Fußgänger an Knotenpunkten für die Planung.
• Vorfallerkennung auf Autobahn und in Tunneln: stehendes Fahrzeug, Falschfahrt, Feuer/Rauch, Gegenstände auf der Fahrbahn.
• Analyse von Knotenpunkten und Beinaheunfällen: Konflikterkennung zwischen Fahrzeugen und schwächeren Verkehrsteilnehmenden.
• Adaptive Signaleingabe: Detektorersatz, der die Signalsteuerung speist, siehe OPT-025.
• Private Gelände und Logistik: Verkehrsfluss auf Hof, Hafentor und Campus, Stauüberwachung.
• Veranstaltungen und Parken: Stau rund um Veranstaltungsorte; die Nutzung auf Kennzeichenebene gehört zu VIS-011.
• Durchsetzung (Geschwindigkeit, Handynutzung) ist eine andere, rechtlich geregelte Nutzung: siehe VIS-054.

So funktioniert es

1. Kamera- / Radarstream (RTSP, ONVIF)
2. Dekodierung am Edge + Erkennung (Fahrzeugklassen, schwächere Verkehrsteilnehmende)
3. Multi-Objekt-Tracking (IDs, Trajektorien)
4. Kalibrierung / Homographie (Pixel
5. Meter) + Zonen- und Linienlogik
6. Kennzahlen (Zählungen, Geschwindigkeit, Zeitlücke, Stau, Konflikte) + Anomalieregeln
7. Anonymisierung auf dem Gerät (keine Bilder oder Kennzeichen gespeichert)
8. Aggregate / Alarme
9. Verkehrsleitzentrale, Dashboard, API
10. Bedienkraft bestätigt Vorfälle; Planende prüfen Berichte

• Erkennung und Tracking: Detektoren der YOLO-Klasse oder RT-DETR plus Tracker wie ByteTrack oder BoT-SORT; Fisheye sowie Nacht-/Regenbedingungen erfordern gesondertes Training oder Wärmebildsensoren.
• Geschwindigkeit und Abstand: erfordern eine Kamerakalibrierung; die Genauigkeit hängt von Montagehöhe und Geometrie ab und sollte gegen Radar oder Referenzfahrzeuge validiert werden.
• VLM-Ebene: Bild-Sprach-Modelle können Suche in natürlicher Sprache und Vorfallbeschreibungen über Videomaterial ergänzen (siehe VIS-031), sind aber für die Zählung je Bild zu langsam und zu teuer.
• Mensch-in-der-Schleife (Human-in-the-Loop): Bedienkräfte prüfen Vorfallwarnungen, bevor Dienste entsandt werden; Planende validieren die Zählgenauigkeit an Stichprobenzeiträumen.

Datenaufbereitung

Die Verkehrsanalyse braucht Kamera- oder Radardaten plus Kontext: Kamerakalibrierung, Fahrstreifenpolygone und Zähllinien, Status der Signalsteuerung, Vorfallmeldungen und Referenzzählungen. Diese Daten liegen in der Verkehrszentrale, im GIS der Straßenbehörde, in alten Zählberichten (PDF, Excel), in Datenbanken von Schleifendetektoren und in Lageplänen auf Papier. Typische Lücken sind unkalibrierte oder versetzte Kameras, fehlende Referenzdaten (Ground Truth), uneinheitliche Straßen- und Knotenpunkt-IDs, Abdeckungslücken und Aufnahmen, die Gesichter und Kennzeichen zeigen.

Schritte der Aufbereitung: Kameras und Sensoren mit Position und Blickfeld inventarisieren; jede Ansicht kalibrieren und Fahrstreifen- und Zählgeometrie einzeichnen; Knotenpunkt- und Straßen-IDs mit dem GIS vereinheitlichen (PREP-005, PREP-011); je Standort 1 bis 2 Stunden manuelle Referenzzählung als Testdatensatz erheben (PREP-018); am Edge anonymisieren, sodass nur Zählungen und Trajektorien das Gerät verlassen (PREP-022); Zwecke und Aufbewahrung dokumentieren (PREP-025).

Grober Aufwandsanteil: etwa 25 bis 35 Prozent, überwiegend Kalibrierung, Referenzzählung und Anbindung an vorhandene Verkehrsdaten. Kameras, die bewegt werden oder neue Objektive erhalten, müssen neu kalibriert werden.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand: Weg C, weil Straßenbehörden Datensouveränität, lokale Anonymisierung am Edge und vergabeneutrale offene Werkzeuge brauchen; Weg A passt nur, wo zertifizierte, anonymisierende Produkte verfügbar sind.
• Großunternehmen: Weg B, weil Betreiber und Logistikstandorte Zählungen und Vorfälle an ihre eigene Verkehrszentrale, ihren Hof oder ihre Planungssysteme anbinden müssen.
• Entwickler: Weg C, weil offene Detektoren, Tracker und Kalibrierwerkzeuge auf HW1-Edge-Boxen laufen und maßgeschneiderte Analysen erlauben.

Weg A — Kaufen (Standardsoftware)

• Spezialisierte Anbieter für Verkehrsanalyse: Miovision (Knotenpunktanalyse, Kanada), Iteris (USA), Vaisala (Radar und Sensoren), Kapsch TrafficCom (AT, EU), Yunex Traffic (DE, EU), Swarco (AT, EU), FLIR/Teledyne-Radar und Wärmebildsensoren, Kameras von Axis und Bosch mit Analytik an Bord, Citilog (FR, EU) für Vorfallerkennung, Vivacity Labs (UK) und Telraam (BE, kostengünstige Citizen-Science- Sensoren, EU) für Zählungen, Hayden AI und Numina für städtische Sensorik.
• Plattform-Stack: NVIDIA Metropolis mit Partnern, Hexagon und Genetec für die Integration in Leitzentralen.
• A wählen, wenn: Sie zertifizierte Hardware, Support, Anonymisierung durch Technikgestaltung und eine fertige Schnittstelle zur Verkehrszentrale wollen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltete Bilddienste (Google Cloud Vertex AI / Video Intelligence, Azure AI Vision, AWS Rekognition und Kinesis Video Streams) mit EU-Regionen können Objekte erkennen und verfolgen, doch die Streaming-Kosten je Stream sind für Kameraflotten im 24/7-Betrieb hoch.
• Die Cloud eignet sich besser für das Backend: Aggregate in eine Datenplattform streamen, führende VLMs (Gemini, Claude, GPT, Mistral) für Vorfallzusammenfassungen oder Ad-hoc-Videofragen zu kurzen Clips nutzen.
• Rohvideo am Edge oder in EU-Regionen halten; nur Aggregate und Alarm-Clips senden.

Weg C — Selbst betreiben (Open Source)

• Modelle und Werkzeuge: Ultralytics YOLO (AGPL, Lizenz für kommerzielle Nutzung prüfen), RT-DETR, RF-DETR (Apache 2.0), Roboflow Supervision für Zonen und Linienzählung, ByteTrack, DeepStream oder Frigate/Savant als Pipeline-Frameworks, OpenVINO, TensorRT, ONNX Runtime.
• VLMs mit offenen Gewichten: Qwen-VL-Familie und NVIDIA Cosmos Reason für Schlussfolgerungen auf Clip-Ebene.
• Hardware: HW1 (Jetson Orin, Hailo-8, Intel-iGPU) bewältigt 1 bis mehrere Streams je Gerät; ein HW2/HW3-Server bündelt Dutzende Streams und VLM-Suche.
• Aufwand: erfordert Kenntnisse in ML, Video und im Betrieb von Edge-Flotten.

Weg D — Eigenes Training

Lohnt sich bei lokalen Besonderheiten (Straßenbahnlinien, Lastenräder, Roller, ungewöhnliche Kameras, nächtliches Fisheye). Einige tausend annotierte Bilder je Kameratyp, mit aktivem Lernen aus Korrekturen der Bedienkräfte, sind ein typischer Ausgangspunkt. Öffentliche Datensätze (z. B. UA-DETRAC, AI City Challenge, BDD100K) helfen beim Vortraining [3].

Stand der Technik (2026)

• Echtzeit-Detektoren erreichen bei Fahrzeugen unter guten Bedingungen hohe Genauigkeit; kleine, verdeckte oder nachts unterwegs befindliche schwächere Verkehrsteilnehmende, dichte Staus, Regen und Blendung bleiben die Hauptfehlerquellen.
• Open-Vocabulary-Detektoren und VLMs senken den Beschriftungsaufwand für seltene Klassen und ermöglichen Textabfragen; die AI City Challenge bewertet Tracking, Zählung und Anomalieerkennung auf Verkehrsvideo [3].
• Edge-first-Architekturen halten das Video auf dem Gerät und geben nur Metadaten aus, was das wichtigste Datenschutzmuster in der EU ist.
• Digitale Zwillinge und Trajektoriendaten speisen Simulation und Surrogat-Sicherheitsmaße.
• Grenzen: Zählungen driften, wenn Kameras bewegt werden oder sich Objektiv/Wetter ändern; Geschwindigkeitsschätzungen brauchen Kalibrierung; ID-Wechsel blähen Zählungen auf, wenn Tracker nicht überwacht werden; die Klassifizierung von Fahrzeug-Untertypen schwankt je Standort. Führen Sie stets regelmäßige manuelle Validierungen durch.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (object-detection + tracking + edge-runtime): VIS-008 Personenzählung, VIS-011 Kennzeichenerkennung, VIS-010 Überwachung, VIS-028 Innenraumüberwachung, VIS-054 Kameras zur Durchsetzung; eine Edge-Flotte und eine MLOps-Pipeline können mehrere bedienen.
• Datenschutz-Werkzeuge: VIS-030 Unkenntlichmachung von Gesichtern und Kennzeichen für jedes aufbewahrte Material.
• Nachgelagert: OPT-025 adaptive Signalsteuerung, PRED-019 Prognose der Mobilitätsnachfrage, VIS-004 Zustandsüberwachung von Straßeninfrastruktur mit denselben Kameras oder Dashcams.
• Suchebene: VIS-031 Suche in natürlicher Sprache über Kameraarchive.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis Monate je Korridor (Genehmigungen, Montage, Strom, Anbindung dominieren).
• Weg B/C: 3 bis 9 Monate für eine robuste, kalibrierte Pipeline plus laufenden Betrieb der Flotte.
• Kostentreiber: Installation und Tiefbau, Edge-Hardware je Kamera, Annotation, Validierungs- kampagnen, Kommunikation, Datenschutz-Folgenabschätzung.
• Kennzahlen: Zählgenauigkeit gegenüber manueller Referenz je Klasse (MAPE), Geschwindigkeitsfehler gegenüber Radar, Vorfallerkennungsrate und Fehlalarme je Kameratag, Zeit bis zur Erkennung eines Vorfalls, Verfügbarkeit, Anteil der anonym auf dem Gerät verarbeiteten Daten, Abdeckung schwächerer Verkehrsteilnehmender.

Menschen & Veränderung

Binden Sie Geschäftsleitung und Abteilungsleitung (Verkehrs- oder Mobilitätsplanung) als Verantwortliche ein, IT und IT-Sicherheit für Netzwerk- und Sensoranbindung und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten von Anfang an. Recht prüft Straßenverkehrs- und Datenschutzrecht sowie die Einstufung nach der KI-Verordnung (AI Act), wo die Vorfallerkennung kritische Infrastruktur unterstützt. Bürgerinnen und Bürger sind indirekt betroffen, kommunizieren Sie daher Zweck und Anonymisierung offen. Datenverantwortliche für GIS- und Signaldaten müssen früh benannt werden.

Betriebsrat: kommt darauf an. Öffentliche Verkehrskameras überwachen selten Beschäftigte, doch Bedienkräfte in der Verkehrszentrale oder Außendienstteams können erfasst werden, wenn Protokolle ihre Arbeit zeigen; dann gilt die Mitbestimmung (Personalrat nach BPersVG oder Landesrecht, in Unternehmen § 87 Abs. 1 Nr. 6 BetrVG). Unterrichten Sie ihn nach § 90 Abs. 1 Nr. 3, wo sich Arbeitsabläufe ändern. Datenschutzbeauftragte(r): Eine DSFA ist bei systematischer Beobachtung des öffentlichen Raums wahrscheinlich, und mit jedem Auftragsverarbeiter ist ein AVV nötig (GUIDE-004, GUIDE-005).

KI-Kompetenz: Unterstützen Sie das Personal in der Verkehrszentrale mit Schulungen zu Grenzen, Fehlzählungen und Fehlalarmen bei Vorfällen (GUIDE-006). Beginnen Sie mit einigen Knotenpunkten als Pilot und vergleichen Sie mit manuellen Zählungen (GUIDE-009). Typische Sorgen sind Überwachung und Kosten; begegnen Sie ihnen mit reinen Zählungen, ohne Speicherung identifizierbaren Materials und mit veröffentlichten Methoden, während Menschen über Signalzeiten und Durchsetzung entscheiden (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Reine Zähl- und Planungsanalytik ist typischerweise ein minimales Risiko. KI als Sicherheitskomponente bei Verwaltung und Betrieb des Straßenverkehrs ist eine Hochrisiko-Kategorie (Anhang III, Nr. 2, kritische Infrastruktur); eine Vorfallerkennung, die Signale oder Sperrungen unmittelbar steuert, braucht daher Konformitätsbewertung, Risikomanagement, Protokollierung und menschliche Aufsicht [2]. Art. 4 KI-Kompetenz gilt.
• Verbotene Praktiken (Art. 5): Biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum für die Strafverfolgung ist bis auf enge Fälle verboten; erweitern Sie ein Verkehrssystem nicht um Gesichts- erkennung, Verhaltensbewertung oder die Verfolgung einzelner Personen durch die Stadt. Halten Sie das System anonym und getrennt von polizeilichen Funktionen [2].
• DSGVO: Fahrzeuge, Kennzeichen und Personen sind personenbezogene Daten, wenn sie identifizierbar sind. Stützen Sie sich auf die Rechtsgrundlagen der öffentlichen Aufgabe oder des berechtigten Interesses, führen Sie eine DSFA durch, wenden Sie Datenminimierung an (Aggregation auf dem Gerät, kurze oder keine Aufbewahrung, Gesichter und Kennzeichen unkenntlich machen), informieren Sie die Öffentlichkeit durch Beschilderung und beachten Sie die EDSA-Leitlinien 3/2019 zur Videoüberwachung [4]. Nationales Recht kann den Einsatz von Kameras im öffentlichen Raum begrenzen.
• Cybersicherheit: Kameraflotten sind Angriffsziele; NIS2 kann für Betreiber gelten. Nutzen Sie Netz- segmentierung, signierte Firmware und Schlüsselverwaltung.
• Gegenmaßnahmen: Datenschutz durch Technikgestaltung, manuelle Stichprobenprüfungen, Prüfung auf Verzerrungen über Lichtverhältnisse und Klassen schwächerer Verkehrsteilnehmender, menschliche Bestätigung vor sicherheitsrelevanten Maßnahmen, dokumentierte Zweckbindung.

Erste Schritte

1. Legen Sie fest, welchen Entscheidungen die Daten dienen (Planung, Vorfallreaktion, Signalsteuerung), und die Rechtsgrundlage.
2. Führen Sie eine DSFA durch und wählen Sie eine anonyme, Edge-first-Architektur, bevor Sie Kameras kaufen.
3. Pilotieren Sie 2 bis 3 Standorte mit einem Anbieter oder einem offenen Stack (YOLO/RF-DETR + Tracker) und vergleichen Sie mit einer manuellen Zählung.
4. Kalibrieren Sie, testen Sie nachts und bei Regen und setzen Sie KPI-Ziele für Genauigkeit und falsch positive Alarme.
5. Binden Sie die Aggregate in Ihre Verkehrs- oder Open-Data-Plattform ein (DATEX II) und skalieren Sie schrittweise.

Quellen

1. European Commission — Intelligent Transport Systems (Directive 2010/40/EU and revision) — https://eur-lex.europa.eu/eli/dir/2010/40/oj
2. Regulation (EU) 2024/1689 (AI Act), Annex III and Art. 5 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. AI City Challenge (traffic video benchmarks) — https://www.aicitychallenge.org/
4. EDPB — Guidelines 3/2019 on processing of personal data through video devices — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-32019-processing-personal-data-through-video_en
5. NVIDIA Metropolis — https://www.nvidia.com/en-us/autonomous-machines/intelligent-video-analytics-platform/
6. Roboflow Supervision — https://github.com/roboflow/supervision
7. Telraam — https://telraam.net/