Göz izleme verilerini ücretsiz video Içeriğinin analiziyle birleştirme-kentsel park ortamında bir yürüyüşe video görüntüleme

Kentsel ortamlar bizim günlük yaşamış deneyimleri büyük ölçüde sağlık ve refah üzerinde etkisi. Bizim refah biz görüntülemek ve deneyim yeşil alanların miktarına bağlı olabilir^1,2,3, ve bu görünümler Park tasarımı hakkında karar verme kılavuzu için göz izleme ekipmanları kullanılarak nicelik olabilir. Ancak, oluşturulan göz izleme verilerinin hacmi ve bu verileri anlamıyla ilgili bir sorun ortaya çıkar. Bir laboratuarda veya doğal ortamda bakış verileri kaydetmek için ekipman kullanımı daha kolay hale gelir ve daha güçlü, araştırmacılar nasıl toplamak ve karar verme soruları ile yardımcı olmak için doğrulama veri analiz nasıl dikkate almanız gerekir.

Şimdiye kadar, göz izleme araştırması büyük bir anket veya laboratuar ayarı⁴fotoğraf kullandı. Bu metodoloji büyük bir tekrarlanabilirlik ve sonuçları üzerinde kontrol sağlar iken, video ve giyilebilir mobil göz-izci kullanımı dahil göz izleme teknolojisi en son gelişmeler yararlanmak mümkün değildir. Ayrıca, biz yürüyüş ve rahatlatıcı hareket özellikle yol bulma⁵gibi bir göreve yöneldiğinde dinamik olduğunu iddia edeceğini. Bu nedenle bu ayarların tamamen bilimsel bir anlayışı laboratuar dışında gerçekleşecek. Ancak, şu anda, gerçek yaşamda doğal bir ortamda göz izleme, konular arasındaki tecrübesi çok zor karşılaştırarak yapar. Örneğin, Eğer bir yanıtlayanın ağaçlara diğerine daha çok bakıp bakmadığını karşılaştırmak isteseydi, onların bakış açından başkalarına göre sürekli değişen ya da başının dönüşmüş olabileceği gerçeğini nasıl kontrol edebilirim. Bu koşullarda ayrıntılı analiz mevcut analiz teknikleri ile imkansız yakındır. Biz her zaman bir noktada görülebilir toplam sahne için hesap edebilmek için inceleniyor ve analiz bireysel kullanılabilir görüntüleme alanları kontrol etmek önemli olduğunu iddia edeceğini.

Stres seviyeleri ve manzara görünümleri ve stres^6,7iyi gelişti önlemleri güvenlik algılamaları bağlayan teorileri bir dizi vardır. Ayrıca göz izleme ekipmanlarının gelişmişliği üzerinde hızlı bir artış olmuştur bakışları ölçmek için⁸. Göz izleme önemlidir, çünkü istemsiz göz hareketleri, anketlere ve tükürük kortizol seviyeleri gibi müdahaleci, fizyolojik testlerden daha güvenilir bir şekilde tercih, stres ve diğer geleneksel önlemler ile bağlantılı olabilir. Bu araştırmanın amacı, daha fazla doğal ayarlara uygulanan göz izleme verilerinin daha hassas bir şekilde ölçülmesini sağlayan araçlar geliştirmektir, böylece Park tasarımını bilgilendiren uzun süreli peyzaj teorilerini daha fazla kanıtlar veya inkar etmek için Yıl.

Bu projenin amacı, Park yürüyüş simülasyonlarında farklı videolar için ilgili göz izleme verileri üretebilir bir roman analiz tekniği geliştirmek ve test etmektir. Burada ve başka bir yerde⁹ raporumuz, tam mobil göz izleme sisteminin doğal ayarı ve yukarıda belirtilen laboratuar tabanlı fotoğraf çalışmaları arasında yarım yönlü bir nokta temsil eder. Özellikle, biz uyarıcı malzeme olarak videoları kullanarak konsantre, bu malzeme farklı parkların Melbourne City oluşturmak hayranlık miktarını test etmek için nasıl kullanılabilirler keşfetmek. Çalışmalarımız, videoların ayrıntılı analizinin, parkların potansiyelinin daha dolgun, daha doğal bir şekilde değerlendirilmesi ve stresden restorasyon sağlamak için gerekli bir adım olduğunu varsayımına dayanmaktadır.

Bu çalışmada, bir masaüstü göz izci kentsel Parklar üzerinden yürüyüşleri videoları ile istihdam ve onlar bir parkta rahatlatıcı bir yürüyüş aldığını hayal katılımcıların sordu. Katılımcıların farklı nesnelere bakarak harcadığı zamanın, Parklar arasında karşılaştırılabilir olmasını sağlayan bir yöntem açıklanmaktadır. Masaüstü çalışmaları, mobil ET çalışmalarla karşılaştırıldığında kontrol etmek ve her konunun karşılaştırmalı analizine izin vermek için genellikle daha kolaydır.

Standart göz izleme yazılımı, bir operatörün her sahnenin ilgi alanları etrafında el ile sınırlar çizeceği ilgi Aracı el ile bir alan kullanır. Bu, katılımcıların otomatik olarak sayılacak farklı nesnelere bakarak harcadığı süreyi etkinleştirir. Video verileri için bu süreç işgücü yoğunluğuna sahiptir ve operatör öznelliği ve hatasına tabidir. Göz izleme analizi yazılımının daha sonraki sürümlerinde, Aoıs, video içinde aynı boyutta olduğunda nesneleri çerçeveler arasında otomatik olarak izleyebilir. Bu bir gelişme, ancak, bu sadece her görüntü uyaranlara az sayıda kullanılmak üzere tasarlanmıştır ve her görüntü kontrol edilmelidir ve teyit edilmelidir.

Bir görüntüde nesnelerin manuel etiketleme ortak ve GNU Görüntü Manipülasyon Programı (GıMP) gibi görüntü düzenleme yazılımı tarafından desteklenir. 1 s 30 çerçeve veya görüntü üretir göz önüne alındığında, videoların manuel etiketleme pratik değildir. Buna ek olarak, ağaç saçaklar gibi karmaşık nesnelerin kenarına etrafında vektör çokgenler çizerek AOI etiketleme çok zaman alıcı. Son olarak, vektör etiketleme kullanarak bir görünüm alanındaki nesnelerin boyutunu hesaplamak mümkün iken, bu özellik şu anda mevcut değildir.

Bu sınırlamalar ile ilgili aşağıda rapor yöntemi. Bu çalışmada nesnelerin otomatik etiketleme istihdam. Bu, videonun her çerçevesindeki her pikselin bir nesne sınıfını gösteren bir etikete atanacağı semantik etiketleme olarak bilinen bir görüntü işleme tekniği kullanılarak mümkündür. Makine öğrenimi, ilgi her nesne sınıfı için piksel sınıflandırıcı türetmek için kullanılır. Bu sınıflandırıcı (tekli potansiyeller olarak bilinen) her piksel için bir olasılık etiket sağlar, daha sonra son etiketli çıkış elde etmek için bir sonraki iyileştirme sürecinde rafine edilir. Bu sınıflandırıcılar, doku, kenar oryantasyonları histogram, RGB renk değerleri ve normalleştirilmiş görüntü koordinatları dahil olmak üzere, görüntüden çıkarılan özelliklerin her nesne sınıfları arasındaki istatistiksel karar sınırlarını öğrenin. Bunun için uygun bir teknik DARWIN makine öğrenme Toolbox¹⁰ uygulanır ve aşağıda açıklanmıştır.