Dataset met voetgangers­trajecten van openbare Europese pleinen

Waarom het volgen van mensen die lopen onze steden kan hervormen

Hoe mensen zich door pleinen en marktplaatsen bewegen, zegt veel over hoe gastvrij en goed ontworpen die plekken zijn. Toch is het grootste deel van wat we weten over dagelijkse looppatronen afkomstig van kleine onderzoeken of eenmalige experimenten. Dit artikel presenteert een grote, open gedeelde dataset die de paden volgt van honderden duizenden voetgangers die door openbare pleinen in heel Europa lopen, en biedt stedenbouwkundigen, onderzoekers en ontwerpers een nieuwe manier om te begrijpen hoe publieke ruimtes in de praktijk functioneren.

Veel stadspleinen in één gemeenschappelijke blik samenbrengen

De auteurs richtten zich op een vertrouwde omgeving: de centrale pleinen van Europese steden en dorpen. Dit zijn plekken waar mensen wandelen, vrienden ontmoeten, bij fonteinen zitten of oversteken op weg naar werk. In plaats van enquête­teams het veld in te sturen, maakten de onderzoekers gebruik van een groeiende bron die deze ruimten al dag en nacht in de gaten houdt: openbare webcams. Ze doorzochten systematisch internationale webcamplatforms naar camera’s die duidelijk een plein lieten zien, vloeiende video en een redelijk framerate hadden, en betrouwbaar opgenomen konden worden. In totaal verzamelden ze 193 uur aan beeldmateriaal van 39 pleinen, meestal in vier halve-uurclips die ochtend, lunch, avond en een drukke zaterdag vastlegden, en ze voegden extra opnames toe voor vier pleinen over verschillende seizoenen en weersomstandigheden.

Ruwe video omzetten in bewegingssporen

Om de video’s om te zetten in data gebruikte het team moderne computer vision-tools die automatisch mensen in elk frame kunnen lokaliseren en volgen. Eerst pasten ze een geavanceerd detectiemodel toe dat menselijke figuren in het beeld opspoort. Ze trainden en finetuneden dit model met gespecialiseerde beeldverzamelingen gericht op voetgangers in drukke scènes, waardoor het beter werd in het herkennen van mensen, zelfs wanneer ze dicht op elkaar staan of deels verborgen zijn. Vervolgens koppelden ze deze detecties in de tijd met een tracking-algoritme dat iedere persoon een tijdelijke ID geeft en die persoon volgt terwijl hij over het plein loopt. Het resultaat is een tijdgestempelde reeks posities voor elke voetganger — een digitaal spoor dat laat zien waar iemand vandaan kwam, waar die heen ging en hoe lang die bleef.

Van pixels op een scherm naar echte grond onder de voeten

Iemand over een scherm zien bewegen is niet hetzelfde als weten hoe ver diegene heeft gelopen of hoe snel. Om de data bruikbaar te maken voor het bestuderen van echt gedrag, moesten de onderzoekers schermcoördinaten omzetten in afstanden op de grond. Omdat ze geen controle hadden over de webcams, ontbraken gedetailleerde gegevens over de lens en positie van elke camera. In plaats daarvan gebruikten ze een slimme oplossing: het koppelen van kenmerken die zowel in het videobeeld als in satellietfoto’s van hetzelfde plein voorkomen, zoals gebouwhoeken, bomen of bankjes. Dit koppelingsproces, in beeldverwerking bekend als het gebruiken van een transformatie tussen twee aanzichten van hetzelfde oppervlak, stelde hen in staat te schatten waar elke pixel op het werkelijke plein ligt. Daarmee konden ze loopsnelheden, dichtheid van de menigte en exacte paden in meters in plaats van pixels berekenen.

De data opschonen, controleren en delen

Automatische methoden zijn nooit perfect, dus voerde het team meerdere stappen uit om de data op te schonen en te testen. Ze verwijderden zeer korte of duidelijk lawaaierige sporen en de overgebleven paden werden zachtjes gesmooid om schokken te vermijden. Alleen punten binnen de werkelijke omtrek van elk plein werden bewaard, en de data werden vereenvoudigd zodat elke seconde beweging door slechts een paar punten wordt voorgesteld — genoeg om de vorm van elk pad te behouden en tegelijk de bestanden hanteerbaarder te maken. De auteurs controleerden hoe nauwkeurig mensen werden gedetecteerd in steekproefframes en vonden dat de overgrote meerderheid van echte voetgangers correct werd geïdentificeerd, met relatief weinig valse meldingen. Ze onderzochten ook hoe consistent individuen werden gevolgd, vooral bij langere wandelingen, en maten hoe goed de getransformeerde posities overeenkwamen met bekende punten op de grond voor verschillende pleinen.

Wat deze nieuwe bron mogelijk maakt

Alles bij elkaar leverde het project ongeveer 348.000 voetgangerstrajecten op, elk met een ID, positie in de tijd en basisinformatie zoals snelheid, plus weers- en contextgegevens voor elke opname. Voor niet-specialisten is de belangrijkste conclusie dat we nu een open, gestandaardiseerde kaart hebben van hoe mensen tientallen openbare pleinen in het dagelijks leven daadwerkelijk gebruiken. Stedenbouwkundigen kunnen onderzoeken welke indelingen aanzetten tot blijven hangen versus snel oversteken, vervoersanalisten kunnen bestuderen hoe mensen door open ruimten navigeren op weg naar bus of trein, en sociale wetenschappers kunnen bekijken hoe weer of tijd van de dag het publieke leven vormgeeft. Hoewel de dataset nog de beperkingen van camera-gebaseerde tracking weerspiegelt — zoals af en toe verwarring wanneer mensen stil staan of door anderen verborgen zijn — biedt het een rijke, herbruikbare basis om openbare ruimtes levendiger, comfortabeler en beter afgestemd op de echte bewegingen van mensen te maken.

Bronvermelding: Wolff, N., Perry, L., Venverloo, T. et al. Pedestrian Trajectory Dataset of Public European Squares. Sci Data 13, 402 (2026). https://doi.org/10.1038/s41597-026-06686-6

Trefwoorden: voetgangers­trajecten, openbare pleinen, stedelijke mobiliteit, computer vision-gegevens, meningsgedrag