Göz izleme verilerini ücretsiz video Içeriğinin analiziyle birleştirme-kentsel park ortamında bir yürüyüşe video görüntüleme
Summary
Protokolün amacı, laboratuarda kullanılmak üzere video verilerinin nasıl topladığı ayrıntıdır; nasıl veri bakarak katılımcıların göz izleme verilerini kaydetmek ve nasıl verimli bir makine öğrenme tekniği kullanarak bakıyordu videoların içeriğini analiz etmek.
Abstract
Bireyler giderek şehirlerde yaşadığı için, günlük hareketlerini incelemek için yöntemler ve toplanan veriler önemli ve değerli hale gelir. Göz izleme Enformatik duygular, sağlık koşulları, zihinsel durumları ve eylemleri bir dizi bağlanmak için bilinmektedir. Ancak vizyon sürekli göz hareketlerinin sonucudur, çünkü gürültü ne önemli olduğunu alay karmaşık ve veri yoğun. Ayrıca, önemli bir zorluk insanlar ne onlara sunulan kıyasla bakmak için kontrol etmektir.
Aşağıdaki video içeriğini analiz etmek için bir makine öğrenme tekniği ile doğal ve karmaşık bir sahnenin bir videoda göz izleme birleştirmek ve analiz etmek için bir metodoloji sunar. İletişim kuralında, filme çekilen videolardan gelen verileri analiz etmeye odaklanıyoruz, bir videonun katılımcıların göz izleme verilerini kaydetmek için en iyi şekilde nasıl kullanılabilirler ve daha da önemlisi, videonun içeriğinin nasıl analiz edilmesiyle ve göz izleme verileriyle birleştirilebilmektedir. Biz sonuçları kısa bir özetini ve karmaşık ortamlarda daha fazla çalışmalar için yöntemin potansiyeli bir tartışma sunuyoruz.
Introduction
Kentsel ortamlar bizim günlük yaşamış deneyimleri büyük ölçüde sağlık ve refah üzerinde etkisi. Bizim refah biz görüntülemek ve deneyim yeşil alanların miktarına bağlı olabilir1,2,3, 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 stres6,7iyi 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.
Protocol
Representative Results
Discussion
Genellikle, göz izleme verileri analiz etmek için standart yazılım paketleri, bir vektör AOı kullanılır. Tek bir hareketsiz görüntü için bile vektör boyutu kolayca ölçülemez. Ayrıca, bir görüntü tüm Aoıs dahil olmak üzere ve AOIs göreli miktarlarda hesaplamak zahmetli. Bunu, bir makine öğrenimi tekniği olmadan bir videoda manuel olarak yapmak neredeyse imkansızdır. Bu ücretsiz bir görüntüleme durumu yorumlar nispeten basit bir ifadedir. Aynı uyarıcı da göz hareketlerini etkileyebilir …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Bu çalışma mali Melbourne City tarafından desteklenmektedir ve kısmen ARC DP 150103135 tarafından. Biz onun tavsiye ve işbirlikçi yaklaşımı için Eamonn Fennessy teşekkür etmek istiyorum. Özel sayesinde araştırmacı yardımcıları Isabelle Janecki ve Ethan Chen de toplamak ve bu verileri analiz yardımcı oldu. Tüm hatalar yazarlar kalır.
Materials
| 12 mm lens | Olympus | Lens | |
| Panasonic GH4 | Panasonic | Video Camera | |
| Tobii Studio version (2.1.14) | Tobii | Software | |
| Tobii x120 desktop eye-tracker | Tobii | Eye-tracker |
References
- Patrik, P., Stigsdotter, U. K. The relation between perceived sensory dimensions of urban green space and stress restoration. Landscape and Urban Planning. 94 (3-4), 264-275 (2010).
- Bjørn, G., Patil, G. G. Biophilia: does visual contact with nature impact on health and well-being?. International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).
- Velarde, M. a. D., Fry, G., Tveit, M. Health effects of viewing landscapes-Landscape types in environmental psychology. Urban Forestry & Urban Greening. 6 (4), 199-212 (2007).
- Polat, A. T., Ahmet, A. Relationships between the visual preferences of urban recreation area users and various landscape design elements. Urban Forestry & Urban Greening. 14 (3), 573-582 (2015).
- Peter, P., Giannopoulos, I., Raubal, M. Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment. Transactions in GIS. 18 (5), 660-686 (2014).
- Berto, R., Massaccesi, S., Pasini, M. Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan’s Fascination Hypothesis. Journal of Environmental Psychology. 28 (2), 185-191 (2008).
- Kaplan, S. The restorative benefits of nature: Towards an integrative framework. Journal of Environmental Psychology. 15, 169-182 (1995).
- Duchowski, A. T. . Eye Tracking Methodology: Theory and Practice. , (2017).
- Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?. Urban Forestry and Urban Greening. 31, 67-78 (2018).
- Gould, S. D. A. R. W. I. N. A Framework for Machine Learning and Computer Vision Research and Development. Journal of Machine Learning Research. (Dec), 3533-3537 (2012).
- Richardson, D., Matlock, T. The integration of figurative language and static depictions: an eye movement study of fictive motion. Cognition. 102 (1), 129-138 (2007).
- Bojko, A. . Eye Tracking the User Experience: A Practical Guide to Research. , (2013).
