В прошлой статье Взгляд компьютерным зрением на работу коммунальных служб удалось выявить некоторые закономерности в передвижении пешеходов в зависимости от состояния тротуаров в зимний период. Если коротко вспомнить о пройденном, речь шла о следующих шагах.
Берем видеопоток с городских уличных веб-камер.
Детектируем и отслеживаем перемещения пешеходов.
Корректируем полученные данные с учетом оптических искажений камеры.
Выполняем проективное преобразование координат траекторий движения.
Считаем метрики (скорость движения и скученность траекторий).
Сейчас снег растаял, лужи высохли, и наконец можно запустить алгоритмы аналитики на идеальных данных — видео с уличных камер в сухой солнечный весенний день. Эта статья будет значительно короче, в ней просто сравним результаты с идеальными условиями и добавим еще одну метрику — прямолинейность движения.
Итак, имеем четыре состояния среды: гололед, неубранный снег, слякоть и сухой асфальт — основу, относительно которой сравниваем величины метрик. Берем также будние дни и одинаковый промежуток времени в утренние часы.
Проходим уже известными шагами и получаем тепловые карты пешеходного движения. Цвет кодирует среднюю скорость движения, яркость — плотность движения в этой области.
Никаких сюрпризов. По сухому асфальту люди передвигаются значительно быстрее и свободны выбирать любые направления. Тепловая карта в этом случае похожа на полученную в условиях гололеда, но является более зеленой-быстрой. Сумма закрашенных квадратов сетки в обратной зависимости отражает то, насколько скученны траектории пешеходов.
Добавляем еще одну метрику: прямолинейность движения. Берем первую и последнюю точку каждой траектории (человек вошел в кадр — человек вышел из кадра). По этим двум точкам нормируем все полученные траектории на одну прямую. Картина выходит следующей.
Считаем среднеквадратичное отклонение от центра для самых удаленных от центра точек траекторий. Что имеем: прямолинейнее всего пешеходы перемещаются в условиях сухого асфальта и гололеда. В слякоть люди выбирают маршрут более придирчиво и чаще отклоняются от условной прямой. Самыми же кривыми путями в нашем случае пешеходы ходили по тропинкам в снегу (такие вот получились тропинки). В конечном счете эти значения, естественно, сильно зависят от характера среды в моменте, но при усреднении по району или городу, вероятно, должны показывать примерно постоянную картину.
Нанесем полученные результаты на пузырьковую диаграмму. Главный показатель, скорость, отражает размер круга. По осям — прямолинейность движения и скученность траекторий.
Численные результаты отнормированны на максимальные значения в серии. Чем большую площадь занимают траектории на тепловой карте — тем меньше скученность движения. И, в свою очередь, чем сильнее в среднем траектория отклоняется от условной прямой, соединяющей первую и последнюю её точки — тем меньше прямолинейность движения пешехода.
Повторяя выводы предыдущей статьи стоит отметить, что анализируя видео с городских уличных камер, можно на основе ряда численных метрик оценить насколько качественно справляются со своей работой службы ЖКХ в поддержании пешеходной среды. Потенциально такая оценка отражает именно то, для чего и производится уборка — комфорт передвижения пешеходов.
Позднее было бы интересно провести расчёты на всех доступных городских камерах, что дало бы полную картину, а также подтвердило или опровергло надежность выбранных метрик в задаче оценки качества содержания городской среды.