⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7（2021）449www.elsevier.com/locate/icte交通枢纽内行人流动性的情境分析Joelma C.C. e SilvaS.C.，Flavio S.C. 达席尔瓦巴西圣保罗大学数学与统计研究所计算机科学系接收日期：2020年9月20日;接受日期：2021年2021年3月8日网上发售摘要由于有限的视频质量和行人移动的动态性，使用安全摄像机进行行人跟踪和计数的数据采集本质上是不准确的。在这篇文章中，我们将探讨如何在交通终端的行人行为的特定模式，可以提高跟踪和计数的准确性。我们使用来自纽约中央车站的数据显示了我们提出的技术的有效性 站所提出的工具提高了行人标记的准确性的基础上，行人流动的动态信息，运输终端的具体情况c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：情境分析;行人行为;交通枢纽监控1. 介绍在目前的工作中，我们提高质量的数据在交通终端的行人流动性，接地的行人在这个特定的背景下的运动的动态的基础上的1行人行为分析对于人群管理、公共空间设计、监控和智能交互环境设计等应用非常重要[2]。行人行为分析为人群管理[3，4]、防灾[5]和交叉口[4，6]、展览空间[7]和疏散计划[8]的设计提供了从安全摄像头捕获的信息成本低，并且在很大程度上可用，但也不准确。出于这个原因，需要一个仔细的解决方案来处理，组织和分析行人移动信息[9]。当人群密度很大时，从视频中提取个性化的行人信息可能具有挑战性[10]。一些举措旨在使用基于随机变量的模拟来理解行人行为。然而，真实的模拟很难建立，因为它们依赖于初始化∗ 通讯作者。电子邮件地址：joelmac@alumni.usp.br（J.C.C.e Silva），fcs@usp.br（F.S.C.da Silva）。[1]关于这项工作的详细介绍，可以在《科学》杂志的博士论文中找到第一作者[1]同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.02.007这些参数可能很难选择[11一个更有希望的替代方法是使用经验数据进行分析，通常基于群体行为而不是数据在个人层面上[9，14]。在本文中，我们遵循这种替代方案，并介绍了探索上下文信息以提高从现有跟踪算法获得的数据的准确性的算法。使用纽约大中央车站的公开数据对拟议的自动化进行了测试。比较应用后获得的数据和从一个流行的跟踪算法获得的数据。结果表明，该方法能有效地提高现有数据的精度。2. 相关工作Maheshwari和Heda [10]开发了基于安全摄像头数据的人群分析，分为（1）人数统计，（2）人群跟踪和（3）人群行为分析。信息提取分为三个步骤：（1）预处理，从视频中提取特征;（2）对象跟踪，从人群中分割个体;（3）行为识别，根据方向和速度等属性识别运动模式。Lam，Cheung和Lam [15]分析了香港轻轨车站的乘客聚集效应。调查被用来收集有关舒适度的意见，2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。JCC e席尔瓦和F.S.C.达席尔瓦ICT Express 7（2021）449450p图1.一、 提高行人数据准确性的建议。表1图3.第三章。 三步修复路径。图二、 变换以调整透视扭曲。乘客的密度。这些结果提供了数据，以指导新的轻轨站台的设计和规划Croft和Panchuk [16]基于室内实验室实验，研究了行人行为和碰撞避免与眼神接触以及步行速度和方向波动的相关性。3. 方法在目前的工作中，我们专注于基于上下文信息的数据准确性的改进。我们考虑从监控摄像机的数据有关的行人在运输终端的行为，如图所示。1.一、调整视频图像以校正由于视频捕获的视角而引起的几何失真[17使用所使用的视频的帧/秒比率相对于时间变换帧序列，以便具有以米适当表示的距离和以秒适当表示的时间间隔。调整后的路径，然后修复三个步骤，如图所示。3 .第三章。这一过程的结果是一系列经过调整的人行道，以及评估报告，以支持交通枢纽的设计和规划。行人i的轨迹被表示为ti，并且包括：一个位置列表P，i每个位置都是三元组（xi，yi，fi）按类型和范围的上下文参数当两个人穿过路径并且跟踪算法不能继续独立地跟踪他们时。所提出的算法校正的标签的基础上识别的路径，有一个角度，指示方向的突然变化。 识别阈值角度以指示方向的突然变化，因此，路径标记中的潜在错误，必须考虑到跟踪算法可能无法通过身体中的特定点一致地识别个体。例如，可能发生的是，在路径的一部分期间通过头部识别个体，并且在同一路径的另一部分期间通过手或脚识别个体为了规避这个p p p为了表示视频问题中行人的坐标（xi，yi，我们采用最小距离来计算方向。p p帧fi.使用表1中详述的一组参数分析轨迹。组件1校正路径失真，通过校正对单个行人的多个路径的分配来改进行人路径标记。例如，出现此问题时和速度.通过跟踪算法分配给行人的标签基于以下观察而更新：由于在路径交叉期间的遮挡而可能发生行人跟踪问题，并且路径中的突然变化违反最小JCC e席尔瓦和F.S.C.达席尔瓦ICT Express 7（2021）449451∗===τ=−∗====n∗k=1tck图四、 基于方向突变的校正。图五、 行人轨迹-纽约大中央车站。根据基本事实对我们的工具为了解决这个问题，我们引入了一个指标，用于近似评估轨迹标记的质量增加该指标名为“改进系数”，受全面性和正确性的影响，全面性是指相对于原始数据集中的总轨迹而言，调整后的轨迹的数量，正确性是指调整提高标记准确性的程度。对于每个分量c，它被定义为i fc pcc pic，其中pcc（全面性）是由分量c1、 2、 3识别和校正的调整轨迹的百分比，并且pic（正确性）是估计为校正的调整的百分比，即PCCtcc，其中tcc是通过以下公式调整的轨迹总数：分量c，并且τ是数据集中的轨迹的总数。正确性pi c是基于调整轨迹的大小为n的随机样本来评估的，即pi c pr c pwc，其中pr c是正确调整的百分比，p wc是错误调整的百分比，即p wc= 1-pr c，因此pi c =2prc− 1，prc可以通过对通过prc=1∑n计算的值拉克河步行者决定自己的路径的努力。图4示出了具有方向突变点pa的轨迹ta。作为组件1的效果，原始轨迹组件1在调整中的准确度为93.3%的调整轨迹总数为6。440（15. 0%）。这些结果表明，原始数据集具有高密度的行人和大量的轨迹交叉。的3ta被分成两个轨迹ta′和ta"。改善因子i f1= 13。0%表示改善组件2使用人体测量属性消除重复路径。如果两个不同的身体部位-或身体部位和例如包-被识别为两个行人，则行人可以被计数两次。该误差基于行人之间的最小舒适空间来减小。组件3基于两个简单的上下文假设，基于运动分析连接碎片化路径：（1）所有路径都从一个终端门开始，以及（2）最小努力假设[20]，该假设假设人们倾向于以直线轨迹移动，以最小化距离和努力。执行迭代搜索，以搜索具有接近潜在不完整轨迹的末端的起始点的部分轨迹，因此找到违反假设（1）的轨迹对，并且然后在给定假设（2）的情况下检查行人视觉特征是否被保留，以便连接这些轨迹。执行迭代，直到没有更多的轨迹可以连接。4. 对比试验许多公共数据集可以用来测试所提出的工具[21]。在本节中，我们将说明所提出的工具在纽约大中央车站数据上的应用[3]。大中央车站有8个入站/出站区域，提供56种不同的源-目的地对组合，尽管有一些行人通过同一扇门进出的罕见情况。从文献[ 3 ]中精选的33分钟视频场景中拍摄的所有轨迹如图所示。 五、在数据集中标记轨迹是昂贵的、耗时的并且不一定可靠。由于这些原因，大约5.566个轨迹。(13. 0%的百分比42岁821）。对于COM-在第二部分中，我们有6.950（16.2%）个排除的轨迹，其中92.5%是正确的指示，得到If213。百分之八这些值表明行人多次计数显著减少（13.8%），计算为正确删除轨迹的百分比（16. 百分之二92. 百分之 十五0%）和错误删除的轨迹（16. 百分之二七。5%1.2%）。对于分量3，我们具有相对较少数量的邻接轨迹（1.3%），然而具有良好的准确度（90.0%），因此得到if31。百分之零。组件3的低覆盖率的一个可能原因是所考虑的场景中行人的密度，这阻碍了所提出的过程合并被标记为断开的轨迹通过对每个组件的改善因子求和而获得的总改善因子- TIF为TIF=if1+ if2+ if3= 13。0%+13。8%+1. 0%=27。百分之八5. 结论使用上下文信息来提高从视频中提取的行人移动数据的质量的好处只能在正确校准参数之后才能实现，目前需要正确进行适当的手动验证。使用纽约大中央车站的数据得到的结果表明，该工具是可行的，可以有效地提高数据的准确性。从这里呈现的结果中，可以开发几种举措，例如使用机器学习来优化上下文参数。它也可以是有趣的，在未来，研究模式的变化的背景参数，JCC e席尔瓦和F.S.C.达席尔瓦ICT Express 7（2021）449452不同的场景，以验证参数本身的优化值是否可以揭示特定上下文的有趣方面。CRediT作者贡献声明Joelma C.C. e Silva：概念化，形式分析，调查，方法，软件，验证，可视化，写作-原始草稿。弗拉维奥足球俱乐部达席尔瓦：概念化，方法论，监督，写作评论&编辑。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项工作是作为第一作者博士研究工作的一部分开发的。我们感谢圣保罗大学和研究计划INCT -智能城市未来互联网的支持。引用[1] JCC Silva ， Análise Baseada em Contexto do Movimento dePedestresem Terminais de Transport （ Ph.D. ） ， Depto 。 deCiudesdaComputacao，USP，2020.[2] B. Zhan，D.N. Monekosso，P. Remagnino，S.A.贝拉斯廷湖Q.徐，人群分析：一个调查，马赫。目视Appl. 19（5）（2008）345[3] J. Zhong，W.蔡湖，加-地Luo，H. Yin，Learning behavior patternsfromvideo ： Adata-drivenframeworkforagent-basedcrowdmodeling，AAMAS2015（ISSN：15582914）（2015）801-809。[4] B. Zhou，X.唐，X.王，学习集体群体行为与动态集群代理，国际J。目视(ISSN：15731405）111（1）（2014）50-68。[5] M. Moussaid，D. Helbing，G. Theraulaz，简单的规则如何决定行人行为和人群灾难，Proc.Natl。Acad. Sci. 108（17）（2011）6884-6888。[6] A. 戈 里 尼 湾 Vizzari ， S. Bandini ， Towards modeling pedestrian-vehicleinteractions ： Empiricalstudyonurbanunsignalizedintersection- tion，2016，URL：http：//arxiv. org/abs/1610。07892.[7] L. Crociani，G. Lammel，G. Vizzari，人群管理的多尺度模拟：城市场景中的案例研究，在：自治代理和多代理系统。 AAMAS2016，在：计算机科学讲义，卷。10002，Springer，Cham，2016年。[8] M. Moussaïd，M. Kapadia，T. R.W.斯拉什萨姆纳，M.格罗斯，D.赫尔宾角Hölscher，沉浸式虚拟环境中高压力疏散期间的人群行为，J.R. Soc. Interface（ISSN：1742-5689）13（122）（2016）.[9] M. Haghani，M. Sarvi，人群行为和运动：经验方法，Transp。Res.B 107（2017年）。[10] S. Maheshwari，S. Heda，视频监控人群行为分析方法综述，2016年，pp. 1比5。[11] S. Kim，S.J. Guy，D.马诺查林，使用一般适应综合征理论的动态人群行为的交互式模拟，在：ACM SIGGRAPH Symp.交互式3D图形-ics and Games，in：I3D '12，ACM，New York，NY，USA，ISBN：978-1-4503-1194-6，2012，pp. 55比62[12] S.J. Guy，S. Kim，M.C. Lin，L. Manocha，使用人格特质理论模拟异质人群行为，2011年ACM SIGGRAPH/Eurographics Symp。计算机动画，在：SCA '11，ACM，纽约州纽约市，美国，ISBN：978-1-4503-0923-3，2011年，pp. 43比52[13] F.杜鲁普纳尔湾Gudukbay，A. Aman，N.I. Badler，人群模拟的心理参数：从观众到暴民，IEEETrans. 目视Comput. 图形22（9）（2016）2145[14] K. Teknomo，Y.竹山，H。Inamura，基于视频跟踪和微观模拟的足流性能测定，CoRR（2016）。[15] W.H.K. Lam，C.- Y.张春芳Lam，拥挤效应的研究在香港轻铁车站，Transp. Res. A 33（5）（1999）401-415.[16] J.L. Croft，D.潘楚克，走路看着点？干扰速度和视觉行为预测回避策略在行人相遇，J。电机性能50（4）（2017）353[17] E.M.米哈伊尔，J.S.贝瑟尔，J.C.张文，《现代摄影测量学导论》，2001年第31卷。[18] L. Roberto，S.A.利马SJS圣安娜Shiguemori，Correçãode distorçãoprojetiva em imagens obtidas com câmera a bordo deVANT ， in ：XVIII Braciósio Brasileiro de Sensoriamento Remoto，2017.[19] 诉OpenC，图像的几何变换，2019。[20] G. Zipf ， Human Behaviour and the Principle of Least Effort ，Addison-Wesley，1949。[21] M.S. Zitouni，H. Bhaskar，J. Dias，M. Al-Mualla，视觉人群分析的进展和趋势：系统调查和评估人群建模技术，神经计算（ISSN：0925-2312）186（补充C）（2016）139-159。
我的内容管理
展开
