Automatyzacja zliczania pieszych w przestrzeni miejskiej Krakowa w trakcie pandemii COVID-19, na przykładzie systemów wizyjnych i uczenia maszynowego

• Autorzy: Szczepanek Robert

Warianty tytułu

EN

Automation of pedestrian counting in the urban space of Cracow during the COVID-19 pandemic, on the example of vision systems and machine learning

• Języki publikacji: PL

Abstrakty

PL

Godzinowy upływ czasu z czterech kamer internetowych HD w Krakowie (Polska) jest wykorzystywany w tym badaniu do oszacowania, jak zmieniła się aktywność pieszych podczas blokady COVID-19 w różnych strefach miasta. W oparciu o metodę wykrywania obiektów głębokiego uczenia się (YOLO), zaproponowano i pomyślnie zweryfikowano ulepszoną metodę liczenia pieszych o nazwie YOLO-tiled. Za pomocą tej metody przeanalizowano dane z czterech kamer w Krakowie w latach 2016-2021. W strefie turystycznej liczba pieszych zmniejszyła się w porównaniu z okresem przed pandemią, o 70% w 2020 r. i 56% w 2021 r. W strefie turystyczno-mieszkaniowej nastąpił spadek o 30% w 2020 r., Ale w 2021 r. był to już wzrost o 9%. Uzyskane wyniki wskazują na bardzo zróżnicowany charakter zmian aktywności pieszych w zależności od rodzaju strefy. Wszystkie wyniki dostępne są w postaci przetworzonych plików tekstowych (CSV) z liczbą pieszych z lat 2016-2021.

EN

The hourly time-lapse from four HD webcams in Cracow (Poland) are used in this study to estimate how pedestrian activity changed during COVID-19 lockdown in different zones of the town. Based on deep learning object detection method (YOLO), improved method for pedestrian counting, named YOLO-tiled was proposed and successfully verified. Using this method data from four cameras in Cracow during years 2016-2021 were analyzed. In the tourist zone, the number of pedestrians decreased compared to the period before the pandemic, by 70% in 2020 and 56% in 2021. In the tourist/residential zone, there was a decrease of 30% in 2020, but in 2021 it was already an increase of 9%. The obtained results indicate a very diverse nature of changes in pedestrian activity depending on the type of zone. All results are available as processed text files (CSV) with the number of pedestrians from years 2016-2021.

Słowa kluczowe

PL

pieszy; turysta; pandemia; miasto inteligentne

EN

pedestrian; tourist; pandemic; smart city

• Wydawca: Polskie Towarzystwo Informacji Przestrzennej
• Czasopismo: Roczniki Geomatyki
• Rocznik: 2021
• Tom: T. 19, z. 1(92)
• Strony: 17--23
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Szczepanek Robert

• Uniwersytet Jagielloński, Wydział Geografii i Geologii

• https://orcid.org/0000-0001-8161-9929

Bibliografia

• Aktay A, Bavadekar S, Cossoul G, Davis J, Desfontaines D, Fabrikant A, Gabrilovich E, Gadepalli K, Gipson B, Guevara M, Kamath C, Kansal M, Lange A, Mandayam C, Oplinger A, Pluntke C, Roessler T, Schlosberg A, Shekel T, Vispute S, Vu M, Wellenius G, Williams B, Wilson R. 2020. Google COVID-19 community mobility reports: anonymization process description (version 1.1). arXiv arXiv:2004.04145.
• Guo J, He H, He T, Lausen L, Li M, Lin H, Shi X, Wang C, Xie J, Zha S, Zhang A, Zhang H, Zhang Z, Zhang Z, Zheng S, Zhu Y. 2020. GluonCV and GluonNLP: deep learning in computer vision and natural language processing. Journal of Machine Learning Research 21(23):1–7.
• Hajduk, S. 2021. Multi-Criteria Analysis of Smart Cities on the Example of the Polish Cities. Resources, 10(5), 44.
• Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu C-Y, Berg AC. 2016. SSD: single shot MultiBox detector. In: Leibe B, Matas J, Sebe N, Welling M, eds. Computer Vision—ECCV 2016: ECCV 2016—lecture notes in computer science. Vol. 9905. Cham: Springer.
• Liu T, Luo W, Ma L, Huang J-J, Stathaki T, Dai T. 2019. Coupled network for robust pedestrian detection with gated multi-layer feature extraction and deformable occlusion handling. arXiv arXiv:1912.08661.
• Redmon J, Farhadi A. 2018. YOLOv3: an incremental improvement. arXiv arXiv:1804.02767.
• Szczepanek, R. 2020. Analysis of pedestrian activity before and during COVID-19 lockdown, using webcam time-lapse from Cracow and machine learning. PeerJ, 8, e10132.
• Wellenius GA, Vispute S, Espinosa V, Fabrikant A, Tsai TC, Hennessy J, Williams B, Gadepalli K, Boulange A, Pearce A, Kamath C, Schlosberg A, Bendebury C, Stanton C, Bavadekar S, Pluntke C, Desfontaines D, Jacobso B, Armstrong Z, Gipson B, Wilson R, Widdowson A, Chou K, Oplinger A, Shekel T, Jha AK, Gabrilovich E. 2020. Impacts of state-level policies on social distancing in the United States using aggregated mobility data during the COVID-19 pandemic. arXiv arXiv:1808.02246.