Usando Tecnologia de Áudio para Rastrear Pedestres

Esse trabalho é resultado de contribuições iguais de todos os autores envolvidos.

#Introdução à Detecção de Pedestres

As cidades costumam usar vários Sensores pra acompanhar como os veículos se movem, mas monitorar pedestres não é tão comum. Porém, muita gente anda a pé nas cidades, especialmente em lugares como Europa, África e Ásia. Saber quantas pessoas andam e pra onde vão é importante pra tornar as cidades mais seguras e acolhedoras pra quem anda a pé. Esse estudo explora uma nova maneira de monitorar o movimento de pedestres usando tecnologia de Áudio. Comparamos sensores baseados em microfones com outros métodos de detecção de pedestres e apresentamos um conjunto de dados chamado ASPED, que inclui gravações de áudio e Vídeo pra ajudar a contar pedestres. Discutimos como esses dados de áudio podem ajudar a prever pra onde os pedestres vão e consideramos como isso pode beneficiar o planejamento urbano.

#A Importância das Tecnologias de Cidades Inteligentes

Projetos de cidades inteligentes costumam depender de sensores pra supervisionar diferentes serviços da cidade. Analisando como esses serviços estão sendo usados, as cidades podem encontrar problemas e descobrir como alocar recursos de maneira mais eficiente. Entender quando e onde os serviços são necessários ajuda a garantir que eles sejam oferecidos de forma justa e sustentável. Hoje em dia, as cidades usam principalmente sensores no transporte, mas também monitoram condições ambientais e segurança pública. Recentemente, houve um aumento do interesse por tecnologias que ajudam a monitorar como as pessoas se movem.

Tradicionalmente, o movimento dos veículos tem sido o foco do planejamento de tráfego, enquanto o movimento de pedestres não recebeu a mesma atenção. Monitorando os fluxos de pedestres, os planejadores urbanos podem criar ambientes mais agradáveis pra caminhar e entender quais espaços públicos as pessoas gostam de frequentar ou evitar. Prever com precisão como as pessoas se comportam em espaços públicos é crucial pra um planejamento urbano eficaz.

#Métodos Atuais de Detecção de Pedestres

A maioria das detecções de pedestres hoje em dia depende de análise de vídeo ou contadores infravermelhos, ambos podem ser caros. Outras tecnologias, como radar e sensores piezoelétricos, também são caras e complicadas de manter. Esse estudo explora o potencial do uso de microfones pra detectar pedestres. Microfones são relativamente baratos, consomem pouca energia e têm um amplo alcance. Eles podem detectar sons em áreas onde a visão pode estar obstruída. Estudos recentes mostraram que sons capturados por dispositivos de áudio podem fornecer informações suficientes sobre locais pra detectar a atividade de pedestres.

No entanto, existem desafios que precisam de mais investigação, como a necessidade de algoritmos avançados pra filtrar sons úteis do ruído de fundo, o posicionamento dos microfones pra captura de dados ideal e a questão da privacidade e anonimato dos dados.

#Visão Geral do Conjunto de Dados ASPED

Pra preencher a lacuna na compreensão de como usar áudio pra detectar pedestres, fizemos testes em um ambiente acadêmico. Coletamos dados pra ver quão bem os microfones poderiam identificar a presença de pedestres. O conjunto de dados, chamado ASPED, serve como base pros nossos experimentos usando sensores de áudio. Gravamos áudio com dispositivos de gravação padrão, junto com filmagens de vídeo pra rotulagem.

Os dados de áudio foram coletados em dois locais em um campus universitário perto de áreas de alimentação, e a gravação foi feita ao longo de alguns dias. Isso resultou em uma grande quantidade de dados de vídeo e áudio capturados, permitindo que analisássemos a presença de pedestres de maneira eficaz.

O conjunto de dados é enviesado; há muito mais quadros sem pedestres do que com pedestres. Esse desequilíbrio é importante considerar pros modelos de aprendizado de máquina, já que podem prever tudo errado se não forem projetados corretamente.

#Metodologia de Detecção de Pedestres

Nosso objetivo era alcançar dois objetivos com nossos experimentos:

1. Identificar quando pedestres estão perto dos sensores de áudio usando dados de áudio, validados por quadros de vídeo.
2. Prever o número de pedestres detectados com base nos quadros de vídeo.

Pra processar sinais de áudio, reconhecemos que eles consistem em vários sons sobrepostos. Alguns sons, como passos, indicam atividade de pedestres, enquanto outros podem vir de ruídos de fundo. Isso requer técnicas sofisticadas de análise de áudio. Construímos um sistema que processa gravações de áudio pra prever a presença de pedestres.

O sistema de análise de áudio usa vários métodos pra classificar os sons gravados. Treinamos diferentes modelos pra identificar quando pedestres estão presentes no áudio. Esses modelos variam desde o uso de características pré-treinadas até a construção de redes neurais específicas projetadas pra classificação de áudio.

#Experimentando com Entrada de Áudio

Realizamos três experimentos principais pra comparar diferentes métodos de análise de áudio, testando a eficácia dos nossos modelos.

1. Comparação de Modelos de Áudio: Avaliamos o desempenho de cada modelo de análise de áudio em distinguir a presença de pedestres a diferentes distâncias dos sensores.

2. Teste de Tamanho de Buffer: Verificamos como o desempenho variou com diferentes distâncias dos microfones, esperando que distâncias mais curtas resultassem em sinais mais claros.

3. Abordagem de Limite: Estudamos como vários critérios pra contar pedestres afetavam o desempenho da detecção, lembrando que sinais mais fortes eram mais facilmente detectáveis.

Pra lidar com o desequilíbrio de classes presente em nosso conjunto de dados, implementamos técnicas pra equilibrar nossos dados de treinamento, garantindo que ambas as classes da presença de pedestres estivessem adequadamente representadas.

#Prevendo o Fluxo de Pedestres

Também exploramos como prever padrões de pedestres ao longo do tempo. Entender o fluxo de pedestres pode ajudar em várias áreas, desde melhorar a segurança pública até o planejamento urbano. Pra prever o fluxo de pedestres, monitoramos as contagens de pedestres usando dados de vídeo primeiro e empregamos um método pra antecipar contagens futuras com base em dados passados.

Nosso setup incluiu múltiplos gravadores de áudio e uma câmera de vigilância em uma área designada. Enquanto nossos métodos de áudio ainda estão em desenvolvimento, confiamos nos dados de vídeo pra atribuir contagens de pedestres pras nossas previsões.

Nosso objetivo principal é, no final das contas, prever como o tráfego de pedestres muda em diferentes áreas. Notamos que abordagens matemáticas simples podem não levar em conta todas as variações no tráfego de pedestres, especialmente durante horários de pico e fora de pico, então usamos uma rede neural convolucional (CNN) pra lidar melhor com essas complexidades.

#Resultados dos Experimentos

Dos nossos experimentos, descobrimos que os modelos projetados especificamente pra detecção de pedestres tiveram um desempenho melhor do que aqueles pré-treinados pra outras tarefas. O melhor desempenho foi observado em distâncias médias dos dispositivos de gravação. Também encontramos que a eficácia de detectar pedestres melhorou à medida que o número de pedestres aumentou.

Os resultados da previsão de fluxo indicaram alta precisão em distâncias curtas, mas o desempenho caiu à medida que a distância aumentou devido à complexidade adicional de detectar em uma área maior. Essa descoberta sugere que, enquanto nossos métodos podem funcionar efetivamente em configurações menores, previsões em áreas maiores precisam de mais refinamento.

#Direções Futuras pra Tecnologia de Detecção de Áudio

Embora nosso sistema de detecção de pedestres baseado em áudio tenha produzido resultados promissores, reconhecemos que melhorias ainda são necessárias. Uma área chave é aprimorar a tecnologia pra garantir que consiga identificar sons de pedestres de forma clara, mesmo em ambientes urbanos complexos com muito ruído de fundo.

Planejamos ampliar o conjunto de dados pra incluir diferentes condições urbanas, permitindo que nosso sistema se adapte melhor a vários cenários. Com dados de áudio levantando preocupações de privacidade, também pretendemos garantir que conversas pessoais sejam protegidas ao usar os dados.

Nosso conjunto de dados pode servir como um recurso valioso pra pesquisadores e planejadores urbanos, ajudando a gerenciar fluxos de pedestres e otimizar o design da cidade. Ao prever efetivamente os movimentos de pedestres, os planejadores urbanos podem tomar decisões informadas pra desenvolver infraestruturas que atendam melhor às necessidades públicas.

#Conclusão

Esse estudo fornece insights sobre o uso da tecnologia de áudio pra monitorar o movimento de pedestres. Nossos resultados sugerem que sensores de áudio têm potencial pra uma detecção confiável de pedestres e previsão de fluxo. À medida que as cidades buscam melhorar a segurança e acessibilidade dos pedestres, essa abordagem baseada em áudio pode apoiar os planejadores urbanos na criação de comunidades mais vibrantes, seguras e responsivas. Os esforços futuros se concentrarão em refinar os algoritmos, expandir o conjunto de dados e enfrentar questões de privacidade pra aumentar a confiabilidade dessa tecnologia promissora.