![](https://habrastorage.org/getpro/habr/upload_files/ca2/29c/21c/ca229c21c94d4bb92040fbd2499fc97c.png)
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.
![](https://habrastorage.org/getpro/habr/upload_files/372/efa/53d/372efa53da446e60753ab1a792ee4aa3.jpg)
Проходим уже известными шагами и получаем тепловые карты пешеходного движения. Цвет кодирует среднюю скорость движения, яркость — плотность движения в этой области.
![](https://habrastorage.org/getpro/habr/upload_files/0f5/ded/f25/0f5dedf25f4d1ac1d6fe62a38df481ce.jpg)
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.
![](https://habrastorage.org/getpro/habr/upload_files/c76/2ea/d58/c762ead58e2fdfb85afd930e49e224c2.jpg)
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.
![](https://habrastorage.org/getpro/habr/upload_files/68c/45e/438/68c45e4386584beec4082af5bc38ff3e.png)
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.