一个固定摄像头，每秒记录数十人的移动轨迹。没有激光雷达，没有多机位同步，研究者只用了一个假设——成年人平均身高1.7米——就把像素坐标转成了真实世界的速度和加速度。
这套方法测出的数据，最终画出了一张"行人行为地图"。
用身高当深度尺，单目视频算出真实速度
研究者在东京新宿的步行者天国（周末封路形成的行人专用区）架设了固定摄像头。每个被检测到的行人，系统记录时间戳、画面像素坐标、以及检测框高度。仅凭这三项数据，推导出速度、加速度、停留时间等一系列行为指标。
关键转换在于把像素距离变成米。研究者用了最简单的几何直觉：人越远，在画面里越小。用连续两帧的平均检测框高度，除以假设的1.7米真人身高，得到当前位置的尺度因子（scale）。像素位移乘以这个因子，就是真实位移。
这相当于把每个行人当成一把移动的标尺，边走边标定自己的深度。
这种方法叫"隐式单目深度估计"——不需要深度传感器，只用已知物体尺寸做参照。误差来源很明显：检测框高度波动、行人实际身高差异、弯腰或背包造成的形变。但研究者认为，在统计层面，这些噪声会被大量样本平均掉。
3万条轨迹画出的速度分布，长什么样
数据集最终包含约3万条完整轨迹。速度分布呈现明显的右偏态：大部分行人集中在1.2-1.5米/秒的"散步速度"，右侧拖着一条长尾——少数人在赶路，极少数在奔跑。
加速度的分布更有意思。研究者计算了"减速比例"（decel_ratio）：加速度为负的步数占总步数的比例。数值接近0.5，说明行人在加速和减速之间基本平衡；显著偏离0.5，则暗示该区域存在某种行为模式——比如靠近路口时普遍减速，或商场入口前出现加速冲刺。
平均加速度的符号也有信息。正值偏多，说明人群整体在"启动"状态；负值偏多，则是"收敛"状态。新宿这个数据集里，平均加速度略为负值，符合周末休闲区的直觉：人们走走停停，最终趋于静止或离开。
从k-means到统计流形：聚类方法的代差
研究者真正想做的，是跨地点比较行人行为。传统方法用k-means聚类，把速度、加速度等特征当成欧几里得空间里的点。问题是：两个地点的速度均值可能接近，但分布形状完全不同——一个集中，一个分散；一个对称，一个偏斜。
欧几里得距离捕捉不到这种差异。
于是引入信息几何的框架：把每个地点的速度分布看作概率分布空间中的一个点，用统计流形（statistical manifold）上的测地线距离来衡量"分布之间的差异"。这比直接比较均值和方差更敏感，能区分"同样快慢，但行为逻辑不同"的场景。
研究者在文末提到，这是受近期学习信息几何的启发。从轨迹提取到分布建模，再到流形上的比较，形成了一条完整的技术链条。
局限与未来：检测精度仍是天花板
作者明确列出了当前版本的硬伤。检测精度：遮挡、密集人群中的ID切换，会导致轨迹断裂或合并。单应性变换（homography）的标定：地面参考点选得不好，远距离的投影误差会放大。这些被标记为"未来迭代"要解决的问题。
另一个未展开的方向是时间维度。当前分析把3万条轨迹混在一起，没有区分时段。周末下午和傍晚的行为模式是否不同？研究者留了口子，但没给答案。
方法本身也有边界。身高1.7米的假设在儿童多的场景会系统性地高估距离；检测框高度受姿态影响，坐着的人会被当成"极远距离的站立者"。这些偏差在统计平均中部分抵消，但在特定子群体中会残留。
研究者用AI辅助润色英文，但强调分析、解释和核心想法是原创的。学习技术写作本身被列为一项并行目标——这在技术博客中不多见，暗示作者处于学术训练或职业转型期。
数据集来自2024年东京新宿的周末 pedestrian zone。没有提及是否获得行人知情同意，这是计算机视觉伦理的常规敏感点，作者选择沉默。
如果这套方法搬到上海南京路或成都春熙路，速度分布的峰值会左移还是右移？统计流形上的距离，能不能区分"旅游城市"和"通勤走廊"的行人行为模式？作者没回答，但留下了工具。
热门跟贴