Microscopic pedestrian simulation m

Microscopic pedestrian simulation models can be used to investigate pedestrian movement
at the urban block and building model scale. In order to develop, calibrate and validate
such microscopic models, highly accurate and detailed data on pedestrian movement
and interaction behavior (e.g. collision avoidance) is required. We present a data collection
approach for studying pedestrian behavior which uses the increasingly popular low-cost
sensor Microsoft Kinect. The Kinect captures both standard camera data and a threedimensional
depth map. Our human detection and tracking algorithm is based on agglomerative
clustering of privacy-preserving Kinect depth data captured from an elevated view
– in contrast to the lateral view used for gesture recognition in Kinect gaming applications.
Our approach transforms local Kinect 3D data to a common world coordinate system in
order to obtain human trajectories from multiple Kinects, which allows for a scalable
and flexible capturing area. At a testbed with real-world pedestrian traffic we demonstrate
that our approach can provide accurate trajectories from three Kinects with a Pedestrian
Detection Rate of up to 94% and a Multiple Object Tracking Precision of 4 cm. Using a comprehensive
dataset of 2674 captured human trajectories we calibrate three variations of
the Social Force model. Data for model calibration and validation was recorded without
any script and without actors behaving according to scripted situations. Various conditions
have been covered in the dataset, such as walking at different densities, walking-stoppingwalking,
abrupt changes of direction and random movement. The results of our model validations
indicate their particular ability to reproduce the observed pedestrian behavior in
microscopic simulations.

ผลลัพธ์ (ไทย) 1:

สามารถใช้โมเดลจำลองเชิญด้วยกล้องจุลทรรศน์เพื่อตรวจสอบความเคลื่อนไหวของคนเดินเท้าบล็อกการเมืองและการสร้างโมเดล การพัฒนา การปรับเทียบ และการตรวจสอบรูปแบบเช่นกล้องจุลทรรศน์ ข้อมูลความเคลื่อนไหวของคนเดินเท้าอย่างละเอียด และแม่นยำสูงและจำเป็นต้องทำงานโต้ตอบ (เช่นชนหลีกเลี่ยง) เรานำชุดข้อมูลวิธีการศึกษาพฤติกรรมคนเดินเท้าซึ่งใช้ทุนต่ำที่นิยมมากขึ้นเซนเซอร์ Microsoft Kinect Kinect จะจับกล้องมาตรฐานข้อมูลและแบบ threedimensionalแผนที่ความลึก ตรวจสอบของเรามนุษย์และอัลกอริทึมการติดตามตาม agglomerativeคลัสเตอร์รักษาความเป็นส่วนตัว Kinect ลึกข้อมูลรวบรวมจากมุมมองสูง-ตรงข้ามมุมมองด้านข้างที่ใช้สำหรับการรู้จำรูปแบบลายเส้นในการใช้งานเล่นเกม Kinectวิธีของเราแปลงข้อมูล 3D Kinect ภายในเครื่องไประบบพิกัดโลกทั่วไปในใบสั่งรับ trajectories มนุษย์จากหลาย Kinects ซึ่งช่วยให้สำหรับการปรับสเกลและมีความยืดหยุ่นจับตั้ง ที่ testbed กับจราจรจริงเชิญที่เราแสดงให้เห็นถึงว่า วิธีการของเราสามารถให้แม่นยำ trajectories จากสาม Kinects ด้วยการเดินอัตราการตรวจจับถึง 94% และมีหลายวัตถุติดตามความแม่นยำของ 4 ซม.ใช้ครอบคลุมชุดข้อมูลของ 2674 จับ trajectories มนุษย์เราปรับเทียบสามรูปแบบของแบบบังคับสังคม บันทึกข้อมูลสำหรับการปรับเทียบแบบจำลองและการตรวจสอบโดยสคริปต์ใด ๆ และ ไม่แสดงพฤติกรรมตามสถานการณ์สคริปต์ เงื่อนไขต่าง ๆครอบคลุมอยู่ในชุดข้อมูล เช่นเดินที่ความหนาแน่นแตกต่างกัน เดิน-stoppingwalkingการเปลี่ยนแปลงอย่างทันทีทันใดของทิศทางและการเคลื่อนไหวแบบสุ่ม ผลการตรวจสอบรุ่นของเราบ่งชี้ความสามารถในการสร้างพฤติกรรมสังเกตคนเดินเท้าในจำลองด้วยกล้องจุลทรรศน์

ผลลัพธ์ (ไทย) 2:

แบบจำลองทางเดินเท้ากล้องจุลทรรศน์สามารถนำมาใช้ในการตรวจสอบการเคลื่อนไหวของคนเดินเท้าที่เมืองบล็อกและขนาดรูปแบบอาคาร เพื่อที่จะพัฒนาและตรวจสอบการสอบเทียบรุ่นกล้องจุลทรรศน์เช่นข้อมูลที่ถูกต้องแม่นยำสูงและรายละเอียดเกี่ยวกับการเคลื่อนไหวของคนเดินเท้าและพฤติกรรมการทำงานร่วมกัน(เช่นหลีกเลี่ยงการชน) จะต้อง เรานำเสนอการเก็บรวบรวมข้อมูลวิธีการสำหรับการศึกษาพฤติกรรมของคนเดินเท้าที่ใช้นิยมมากขึ้นต้นทุนต่ำเซ็นเซอร์Kinect ไมโครซอฟท์ Kinect จับข้อมูลทั้งกล้องมาตรฐานและ threedimensional แผนที่ความลึก การตรวจสอบของมนุษย์และขั้นตอนวิธีการติดตามของเราจะขึ้นอยู่กับ agglomerative การจัดกลุ่มของความเป็นส่วนตัวรักษาข้อมูลเชิงลึก Kinect จับจากมุมมองที่สูง-. ในทางตรงกันข้ามกับมุมมองด้านข้างที่ใช้สำหรับการรับรู้ท่าทางในการเล่นเกม Kinect วิธีการของเราแปลงข้อมูลท้องถิ่น Kinect 3 มิติไปยังโลกที่พบบ่อยประสานงานในระบบเพื่อให้ได้ลูกทีมของมนุษย์จากหลาย Kinects ซึ่งจะช่วยให้สามารถปรับขนาดพื้นที่การจับภาพและมีความยืดหยุ่น ที่ testbed กับการจราจรทางเท้าโลกแห่งความจริงที่เราแสดงให้เห็นว่าวิธีการของเราสามารถให้ลูกทีมที่ถูกต้องจากสามKinects กับคนเดินเท้าอัตราการตรวจจับได้ถึง94% และการติดตามวัตถุหลายแม่นยำ 4 ซม. ที่ครอบคลุมการใช้ชุดข้อมูลของ 2674 จับลูกทีมของมนุษย์เราปรับสามรูปแบบของรูปแบบกองทัพสังคม ข้อมูลสำหรับการสอบเทียบและการตรวจสอบรูปแบบได้รับการบันทึกไว้โดยไม่สคริปต์ใด ๆ และไม่มีนักแสดงพฤติกรรมตามสถานการณ์สคริปต์ เงื่อนไขต่างๆที่ได้รับการคุ้มครองในชุดข้อมูลเช่นการเดินที่ความหนาแน่นที่แตกต่างกันเดิน stoppingwalking, การเปลี่ยนแปลงอย่างกระทันหันของทิศทางและการเคลื่อนไหวแบบสุ่ม ผลที่ได้จากการตรวจสอบรูปแบบของเราแสดงให้เห็นความสามารถของพวกเขาโดยเฉพาะอย่างยิ่งในการทำซ้ำพฤติกรรมคนเดินเท้าข้อสังเกตในการจำลองด้วยกล้องจุลทรรศน์

ผลลัพธ์ (ไทย) 3:

การจำลองแบบทางคนเดินเท้าสามารถใช้ตรวจสอบ
สัญจรทางเท้าที่บล็อกเมืองและสร้างแบบจำลองขนาด เพื่อพัฒนา การสอบเทียบและตรวจสอบแบบจำลอง
กล้องจุลทรรศน์ เช่น ความถูกต้องสูงและข้อมูลรายละเอียดเกี่ยวกับ
เคลื่อนไหวคนเดินเท้าและพฤติกรรมปฏิสัมพันธ์ ( เช่น การหลีกเลี่ยงการชนกัน ) จะต้อง เรานำเสนอคอลเลกชันข้อมูล
วิธีการศึกษาที่ใช้เซ็นเซอร์คนเดินเท้าพฤติกรรมต้นทุนต่ำ
เป็นที่นิยมมากขึ้น Microsoft Kinect . จับกล้อง Kinect ทั้งมาตรฐานข้อมูลและแผนที่ความลึกฟรี

การตรวจหาและติดตามมนุษย์ของเรานี้ตาม agglomerative
การจัดกลุ่มของความลึกของข้อมูลที่ได้จากการรักษาความเป็นส่วนตัวของ Kinect เป็น
ดูสูง- ในทางตรงกันข้ามกับมุมมองด้านข้างใช้ท่าทางการรับรู้ในงานเล่นเกม Kinect .
วิธีการแปลงข้อมูลท้องถิ่นเพื่อปฎิบัติ 3D ระบบพิกัดโลก
เพื่อให้ได้วิถีมนุษย์จากหลาย kinects ซึ่งช่วยให้การปรับขนาดได้และมีความยืดหยุ่นจับภาพ
พื้นที่ Name = ทดสอบ Comment กับโลกแห่งความจริงที่เราแสดง
คนเดินเท้าจราจรวิธีการที่เราสามารถให้วิถีที่ถูกต้องจากสาม kinects กับคนเดินเท้า
ตรวจสอบอัตราสูงสุดถึง 94% และหลายวัตถุความละเอียด 4 เซนติเมตร การใช้ข้อมูลที่ครอบคลุม
ของ 2674 จับมนุษย์เราปรับวิถีสามรูปแบบของ
พลังสังคมแบบ ข้อมูลสำหรับการสอบเทียบและตรวจสอบแบบจำลองที่ถูกบันทึกไว้โดยไม่
สคริปต์ใด ๆและไม่มีนักแสดงทำตัวตามสถานการณ์สคริปต์ ต่างๆเงื่อนไข
ได้รับการครอบคลุมในชุดข้อมูล เช่นเดินที่ความหนาแน่นต่างกัน เดิน stoppingwalking
, การเปลี่ยนแปลงอย่างฉับพลันของทิศทางและการเคลื่อนไหวแบบสุ่ม ผลของรูปแบบของเราแสดงความสามารถเฉพาะของ validations

สังเกตพฤติกรรมในการทำซ้ำคนเดินเท้าจำลอง ด้วยกล้องจุลทรรศน์