Объединение глаз отслеживания данных с анализом видео-контент от свободного просмотра видео прогулка в городском парке окружающей среды

Наш ежедневный опыт городской среды значительно влияет на наше здоровье и благополучие. Наше благополучие может зависеть от количества зеленых насаждений, которые мы рассматриваем и опыт^1,2,3, и эти взгляды могут быть количественно использованием глаз отслеживания оборудования для руководства принятия решений о парке дизайна. Тем не менее, возникает проблема с объемом данных отслеживания глаз, который генерируется и делает смысл этих данных. Поскольку оборудование для записи данных взгляда в лаборатории или естественной обстановке становится проще в использовании и более мощным, исследователям необходимо подумать о том, как мы можем собирать и анализировать данные, чтобы помочь с вопросами принятия решений.

До сих пор много глаз отслеживания исследований использовали фотографии в опросе или лабораторных условиях⁴. Хотя эта методология позволяет много воспроизводимость и контроль над результатами, он не в состоянии воспользоваться последними достижениями в глаз отслеживания технологии, которые включают использование видео и носимых мобильных глаз трекеров. Кроме того, мы утверждаем, что акт ходьбы и расслабления обязательно динамичен, особенно когда ориентирован на задачу, такую как wayfinding⁵. Поэтому полное научное понимание этих параметров должно происходить за пределами лаборатории. Тем не менее, на данный момент, глаз отслеживания в реальной жизни натуралистический Настройка делает сравнение опыта между предметами очень трудно. Например, если мы хотим сравнить, смотрит ли один респондент на деревья больше, чем на другой, как мы можем контролировать тот факт, что их точка зрения будет постоянно изменяться по сравнению с другими или что их голова могла бы повораваться. Детальный анализ в этих условиях практически невозможен при нынешних методах анализа. Мы утверждаем, что важно контролировать Просмотр областей, доступных для отдельных изучается и в анализе, чтобы иметь возможность учитывать общую сцену рассматривается в любой момент времени.

Есть множество теорий, связывающих уровень стресса и восприятие безопасности пейзаж взглядов и хорошо развитые меры стресса^6,7. Там также был быстрый рост изощренности глаз отслеживания оборудования для измерения взглядом⁸. Глаз слежения важно, потому что непроизвольные движения глаз может быть более надежно подключен к предпочтения, стресс и другие традиционные меры, чем опросы и интрузивных, физиологические тесты, такие как слюнных уровней кортизола. Цель этого исследования заключается в разработке инструментов, которые позволяют более точного измерения глаз отслеживания данных применительно к более натуралистических параметров, с тем чтобы представить дополнительные доказательства или опровергнуть давние ландшафтных теорий, которые сообщили парк дизайн для Десятилетий.

Цель этого проекта заключается в разработке и тестировании новых методов анализа, которые могут генерировать соответствующие глаза отслеживания данных для различных видео моделирования ходьбы парка. Наша работа сообщила здесь и в других местах⁹ представляет собой точку на полпути между натуралистическим установление полностью мобильной системы отслеживания глаз и лабораторных исследований на основе фото упомянутых выше. В частности, мы концентрируемся на использовании видео в качестве стимула материала, исследуя, как этот материал может быть использован для проверки количества очарование, что различные парки генерировать в городе Мельбурн. Наша работа основана на предположении, что подробный анализ видео является необходимым шагом к нарушению до проведения более полного, более натуралистической оценки потенциала парков обеспечить восстановление от стресса.

В этом исследовании, мы использовали Настольный глаз-трекер с видео прогулок по городским паркам и попросил участников представить, что они принимают расслабляющую прогулку по парку. Мы описываем метод для того, чтобы количество времени, которое участники потратили на поиск различных объектов, было сопоставимо между парками. Исследования на рабочем столе, как правило, легче контролировать по сравнению с мобильными ET исследований и позволяют сравнительный анализ каждого предмета.

Стандартное программное обеспечение для отслеживания глаз использует ручную область инструмента интереса, в которой оператор может вручную нарисовать границы вокруг объектов, представляющих интерес в каждой сцене. Это позволяет количество времени, которое участники потратили на поиск различных объектов, которые будут автоматически подсчитаны. Для видео-данных этот процесс является трудоемким и подвержен субъективности и ошибкам оператора. В более поздних версиях программного обеспечения для отслеживания глаз, ОУА может автоматически отслеживать объекты в рамках, когда они имеют одинаковый размер в видео. Это улучшение, однако, это предназначено только для того, чтобы использоваться для небольшого количества раздражителей в каждом изображении, и каждое изображение должно быть проверено и подтверждено.

Ручная маркировка объектов на изображении является распространенным явлением и поддерживается программным обеспечением для редактирования изображений, таким как GNU программа манипуляции изображений (ХРОМОТА). Учитывая, что 1 s производит 30 кадров или изображений, ручная маркировка видео непрактична. Кроме того, маркировка АОИ, рисуя векторные полигоны по краям сложных объектов, таких как навесы для деревьев, отнимает много времени. Наконец, хотя можно рассчитать размер объектов в поле зрения с использованием векторной маркировки, эта функция в настоящее время недоступна.

Метод, который мы сообщаем ниже, посвящен этим ограничениям. В этом исследовании используется автоматическая маркировка объектов. Это возможно с помощью метода обработки изображений, известного как семантическая маркировка, в которой каждому пикселю в каждом кадре видео присваивается ярлык, указывающий класс объектов. Машинное обучение используется для выведения классификаторов пикселей для каждого класса объектов, представляющих интерес. Эти классификаторы обеспечивают вероятностный ярлык для каждого пикселя (известный как одинарных потенциалов), которые затем уточнены в последующем процессе оптимизации для достижения окончательного маркированного вывода. Эти классификаторы изучают статистические границы решений между классами объектов в пространстве объектов, извлеченных из изображения, включая текстуру, гистограмму передовых ориентаций, значения цвета RGB и нормализованных координат изображения. Соответствующий метод для этого реализован в машине ДАРВИНА инструментарий для обучения¹⁰ и описывается ниже.