Automated Collection of Pedestrian Data Using Computer Vision Techniques
Notice bibliographique
Résumé
Pedestrian data collection is critical for the planning and design of pedestrian facilities. Most pedestrian data collection efforts involve field observations or observer-based video analysis. These manual observations are time consuming, limited in coverage, resource intensive and error prone. Automated video analysis which involves the use of computer vision techniques can overcome many of these shortcomings. Despite advances in the field of computer vision applications for pedestrian detection and tracking, the technical literature shows little use of these techniques in pedestrian data collection practices. The likely reasons are the technical complexities that surround the processing of pedestrian videos. To extract pedestrian trajectories automatically from video, all road users must be detected, tracked at each frame and classified by type, at least as pedestrians and non-pedestrians. This is a challenging task in busy open outdoor urban environment. Common problems include global illumination variations, multiple object tracking and shadow handling. Specific problems arise when dealing with pedestrians because of their complex movement dynamics, varied appearance and non-rigid nature. The main objective of this study is to present a system for automated collection of pedestrian walking speed using computer vision techniques. The system is based on a previously developed feature-based tracking system for vehicles which was significantly modified to adapt to the particularities of pedestrian movement and to discriminate pedestrian and motorized traffic. The system was tested on real video data collected at Downtown area of Vancouver, British Columbia. This study is unique in so far as it tests the system under a variety of daylight conditions, crowd densities, movement context, and the video analysis approach. Promising results were obtained and several conclusions were drawn using statistical analysis of the automatically extracted pedestrian trajectories.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».