Dataset voor veelperspectivige analyse van verkeersvideo's

Waarom veel ogen op straat ertoe doen

Wie ooit een drukke straat heeft proberen over te steken, weet dat auto’s, fietsen en voetgangers zich op manieren bewegen die moeilijk te voorspellen zijn. Steden zetten camera’s en kunstmatige intelligentie in om deze ruimtes veiliger te maken, maar de meeste systemen kijken nog steeds naar de weg vanuit slechts één hoek. Dit artikel introduceert een nieuwe openbare videodataset die hetzelfde zebrapad tegelijk vanuit drie verschillende gezichtspunten vastlegt, en onderzoekers zo het rijke ruwe materiaal biedt dat nodig is om veiligere, slimmere verkeerssystemen te bouwen.

Één zebrapad, drie manieren van kijken

De dataset richt zich op één alledaagse scène: een campuszebrapad aan de Universiteit van Murcia in Spanje. In plaats van te vertrouwen op één camera, namen de auteurs elk evenement op met drie apparaten die gelijktijdig werkten: een camera gemonteerd op een rijdende auto die het zebrapad nadert, een camera vastgezet op een wegpaal op verhoogde positie, en een camera op een kleine drone die erboven zweeft. Samen vangen deze waarnemingen dezelfde mensen en voertuigen op vanaf grondniveau, vanaf de zijkant en vanuit de lucht, en weerspiegelen zo nauwkeurig hoe verschillende waarnemers hetzelfde moment in het echt zouden zien.

Routineoversteken en zeldzame ongevallen vastleggen

Om de data bruikbaar te maken voor zowel dagelijkse monitoring als noodsituaties, speelde het team twee soorten gebeurtenissen na. In sommige opnames steken voetgangers gewoon over terwijl de auto stopt en wacht, wat normaal verkeersgedrag weerspiegelt. In andere simuleert een acteur een val op het zebrapad, met bewegingspatronen ontworpen om op een echt ongeval te lijken. De auto volgt altijd dezelfde route en de voetgangers herhalen dezelfde basisbewegingen, zodat onderzoekers kunnen vergelijken hoe elk scenario eruitziet vanuit de verschillende camera’s en kunnen bestuderen hoe uitzonderlijke gebeurtenissen afsteken tegen routinematige situaties.

Van ruwe beelden naar krachtige onderzoeksbrandstof

Een belangrijk kenmerk van de dataset is dat de videobestanden rauw en onbewerkt worden bewaard. De enige verwerking is de toevoeging van nauwkeurige tijdstempels, plus een eenvoudige visuele aanwijzing: aan het begin van elke oversteek steekt een voetganger kort een hand op. Dit maakt het eenvoudig om frames van alle drie camera’s op elkaar af te stemmen zodat hetzelfde tijdstip vanuit elk perspectief bestudeerd kan worden. De 18 videobestanden bestrijken drie camerasettings en twee oversteekcondities (met en zonder val) over drie verschillende ruimtelijke opstellingen van de auto, de wegpaal en de drone. Onderzoekers ontvangen ook extra afbeeldingen die de exacte optische eigenschappen van de lens van de wegcamera beschrijven, zodat ze vervorming kunnen corrigeren wanneer dat nodig is.

Testen hoe goed machines de scène begrijpen

Om te controleren of de dataset echt nuttig is, voerden de auteurs standaard objectdetectietests uit, en vergeleken ze hun opnames met bekende verkeersvideocollecties zoals KITTI, VisDrone en UA-DETRAC. Ze gebruikten moderne detectiemodellen om mensen in de video’s te lokaliseren en maten hoe nauwkeurig de voorspelde vormen overeenkwamen met door mensen geverifieerde omtrekken. Gemiddeld leverde de nieuwe dataset hogere scores op zowel de precisie van detecties als de afstemming van begrenzende vormen. Door te analyseren hoe vaak elke persoon zichtbaar was in één, twee of alle drie de weergaven, toonde het team ook aan dat overlappende dekking door de verschillende camera’s blinde vlekken aanzienlijk vermindert wanneer mensen verborgen zijn achter auto’s of straatmeubilair.

Wat dit betekent voor toekomstige straten

Voor niet-specialisten is de kernboodschap dat deze dataset een veel completer beeld biedt van wat er op een zebrapad gebeurt dan eerdere verzamelingen. Door auto-, weg- en luchtbeelden gesynchroniseerd te combineren, biedt het ingenieurs en wetenschappers een realistisch testveld om verkeerssystemen te bouwen die mensen betrouwbaarder kunnen volgen, ongevallen snel kunnen detecteren en kunnen omgaan met realistische complicaties zoals obstakels en veranderende gezichtspunten. Op de lange termijn kunnen middelen als deze helpen veiliger oversteekplaatsen te realiseren, responsieve verkeerslichten en slim stedelijke diensten die beter bescherming bieden aan iedereen die de weg gebruikt.

Bronvermelding: Sanchez-Iborra, R., Kouvakis, V., Trevlakis, S.E. et al. Dataset for multi-perspective traffic video analysis. Sci Data 13, 543 (2026). https://doi.org/10.1038/s41597-026-06907-y

Trefwoorden: verkeersbewaking, multi-view video, voetgangersveiligheid, slimme steden, computer vision-dataset