Resumen

La detección y el seguimiento automáticos de peatones en condiciones de alta densidad constituyen un reto tanto para los campos de la visión por ordenador como para los estudios sobre el flujo de peatones. La recopilación de datos sobre peatones es una tarea fundamental para el modelado y la aplicación práctica de la gestión de multitudes. Aunque existen muchos métodos para detectar peatones, puede que no sean fáciles de adoptar en situaciones de alta densidad. Por lo tanto, utilizamos un método emergente basado en el algoritmo de aprendizaje profundo. Basándonos en los datos de vídeo de vista superior de algunos experimentos de flujo de peatones grabados por un vehículo aéreo no tripulado (UAV), producimos nuestros propios conjuntos de datos de entrenamiento. Entrenamos el modelo de detección utilizando Yolo v3, un modelo de aprendizaje profundo muy popular entre muchos modelos de detección disponibles en los últimos años. Encontramos que los resultados de detección son buenos; por ejemplo, las precisiones, las recuperaciones y las puntuaciones F1 podrían ser superiores a 0,95 incluso cuando la densidad de peatones es tan alta como 9,0 ped/m2. Creemos que este enfoque podría utilizarse para otros experimentos de flujo de peatones o datos de campo que tengan configuraciones similares y también puede ser útil para la estimación automática de la densidad de multitudes.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:estimación automática de la densidad de la multitud, muchos modelos de detección disponibles, otros experimentos de flujo de peatones, modelo popular de aprendizaje profundo, campos de visión por ordenador, algoritmo de aprendizaje profundo, conjuntos de datos de entrenamiento propios, experimentos de flujo de peatones, estudios de flujo de peatones, vehículo aéreo no tripulado
• Keywords:automatic crowd density estimation, many available detection models, other pedestrian flow experiments, popular deep learning model, computer vision fields, deep learning algorithm, own training datasets, pedestrian flow experiments, pedestrian flow studies, unmanned aerial vehicle