Name: Het combineren van Eye-tracking gegevens met een analyse van de video-inhoud van Free-viewing een video van een wandeling in een stedelijk park omgeving (Video) | JoVE Journal
Uploaded: 2019-05-07T12:30:00.000+00:00
Duration: 8 min 25 s
Description: Leer een geautomatiseerde methode voor eye-tracking data-analyse met machine learning in laboratoriumomgevingen. Deze techniek verbetert de extractie van complexe visuele data uit videostimuli voor gedragsonderzoek.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dit werk werd financieel gesteund door de stad van Melbourne en gedeeltelijk door ARC DP 150103135. We willen Eamonn Fennessy bedanken voor zijn advies en samenwerking. Met speciale dank aan onderzoeker assistenten Isabelle Janecki en Ethan Chen, die ook hielp verzamelen en analyseren van deze gegevens. Alle fouten blijven de auteurs.

Ethische goedkeuring voor dit project werd gegeven door de Australische Katholieke Universiteit ethiek Comite-goedkeuringsnummer #201500036E. Dit zorgde ervoor dat de geïnformeerde toestemming werd verkregen van alle deelnemers en alle deelnemers vrijwillig deelgenomen, en dat de deelnemers gegevens bleven anoniem en vertrouwelijk. Daarnaast werd de goedkeuring gegeven gepast de methode en de apparatuur die Australische normen veiligheidsverordeningen ontmoet.
1. filmen stedelijke scènes die kunnen worden gebruikt in een eye-tracking studie
<ol><li>Gebruik een digitale videocamera van hoge kwaliteit die aan een ophanging is bevestigd om een gesimuleerde ' walking ' of ' sitting ' video te maken.</li>
	<li>Neem de film met vloeiende vloeiende bewegingen in 4k resolutie op 25 fps en sla ze op 1920 x 1080 HD.</li>
	<li>Gebruik een professionele filmen bedrijf om digitale films te produceren, indien onbekend met deze of geen toegang tot apparatuur.</li>
	<li>Schiet film in een take, tot een enkele lengte over alle Video's met precieze vooraf gedefinieerde routes en kenmerken. Nota: de video details van het voorbeeld: elke gesimuleerde gang film was 3 min 50 s lang en elke gesimuleerde zittings film was 1 minuut lang. Voor beide Video's in deze studie, de Video's begonnen met een korte trap klim leidt tot een pad. Het pad werd gevolgd voor precies 1 min 30 s en dan de camera gestopt en gepand links voor 45-60 graden en stopte gedurende 15 seconden. De camera vervolgens verder langs het wandelpad tot de 3 min 25 s merk, gepand links 40-70 graden voor 15 seconden, bleef langs het pad tot de 3 min 50 s merk, dan verdween naar zwart.</li>
	<li>Zorg ervoor dat de films vergelijkbaar zijn, met andere woorden, ze introduceren geen nieuwe blik gegevens uit verschillende wandeltrajecten of camerabewegingen. Een film werd genomen van elke wandeling, twee in totaal.</li>
	<li>Als oogbewegingen worden beïnvloed door geluid, het opnemen van een bestand van generieke Urban Park geluiden uit een van de wandelingen voor dezelfde lengte van de video zonder onderbrekingen van plotselinge harde geluiden buiten het Park (bijv., auto-alarmen). Dit kan worden afgespeeld in plaats van de bestaande soundtrack van beide Video's, zodat de visuele impact van de video kan worden geïsoleerd. Opmerking: overmatig verkeer van voertuigen en andere voorwerpen kan invloed hebben op de oogbewegingen en scheef de resultaten. Als een deel van deze inbraak optreedt, kan de film worden gespeeld aan de deelnemers, maar de frames kan nodig zijn om te worden uitgesloten van de analyse.</li>
	<li>Als u geïnteresseerd bent in verschillende activiteiten in een wandeling, zoals wandelen en vervolgens zittend op een bankje, opslaan of bewerken van de vergadering en wandelen scènes als afzonderlijke bestanden om ze zelfstandig te testen.</li>
</ol>2. Setup en desktop kalibratie van de eye-tracking apparatuur
<ol><li>Toon de gefilmde sequenties aan individuen in een ruimte waar natuurlijk licht kan worden uitgesloten om reflecties te voorkomen op het scherm. Toon het aan hen op een zo groot scherm mogelijk te bezetten zo veel van het visuele veld, waardoor het vermijden van afleiding van buiten het gezichtsveld. Een breedbeeld (16:9) PC monitor (22 inch) met deelnemers ongeveer 60 cm afstand van het scherm is een acceptabele standaard.</li>
	<li>Voer een kalibratie op het scherm voor elke deelnemer met behulp van de ingebouwde kalibratie tool op de eye-tracking software. Vereisen deelnemers om te kijken naar een rode bal bewegen rond het scherm als onderdeel van deze en stoppen op 5 belangrijke kalibratie punten.</li>
	<li>Tijdens de kalibratie observeren de deelnemers en ervoor te zorgen dat ze niet hun hoofd ook bewegen. Als ze te dicht bij het scherm en het scherm is zeer groot kan dit een probleem zijn. Pas de afstand van het scherm dienovereenkomstig aan.</li>
	<li>Bewerk elke film op een wit kruis gelegen in de linkerbovenhoek van de vroege frames van de video. Dit kan gedaan worden met behulp van een video-editing software. Toon dit scherm voor 3 seconden, dan beginnen te spelen de wandeling. Dit is het controleren van de eye-tracking kalibratie en om ervoor te zorgen dat de Eye-trackingdata collectie tijden kunnen worden gekoppeld aan individuele framenummers.</li>
</ol>3. rekrutering en ethiek
<ol><li>Gebruik een professioneel onderzoek recruitment bedrijf te zorgen voor een spreiding van verschillende geslachten, leeftijden en beroepen onder de steekproef of werven op de site van onder de student en het personeel lichaam.</li>
	<li>Scherm deelnemers voor bekende oculaire of neurologische aandoeningen en/of verwondingen. Zij moeten worden gevraagd of zij medicijnen nemen die gekend zijn om oogbewegingen (b.v. benzodiazepinen) te beïnvloeden.</li>
	<li>Gedrag in de buurt van visie lezing tests en een pen Torch Eye Movement excursie test om aan te tonen dat ze Full Eye Movement excursies.</li>
	<li>Enquête deelnemers over hun leeftijd, geslacht en de frequentie van het park te gebruiken.</li>
</ol>4. deelnemer experimentele Setup
<ol><li>Vraag de deelnemers zich voor te stellen dat ze restauratie nodig hebben. Gebruik een zin die hen in staat stelt om te denken aan de context van de eye-tracking video gebruikt, zoals: ' Stel je voor dat het 's middags en je bent alleen wandelen in Melbourne. Je bent mentaal moe van intense concentratie op het werk en zijn op zoek naar ergens te gaan voor een wandeling, gaan zitten en rust voor een tijdje, voordat je weer aan het werk '.</li>
	<li>Sit deelnemers comfortabel in de voorkant van het computerscherm op een afstand van 60 tot 65 cm om de films te bekijken.</li>
	<li>Met behulp van een spreadsheet programma om de films willekeurig alvorens te spelen voor de deelnemers.</li>
	<li>Gebruik speakers om dezelfde audio te spelen voor alle films.</li>
	<li>Noteer de blik baan van de deelnemers met behulp van een desktop eye-tracking systeem. Mount de Desktop eye-tracking apparaat volgens de instructies van de fabrikant. Dit kan net onder het scherm op een tafel, of het kan clip naar de rand van het scherm, op de Top bijvoorbeeld.</li>
	<li>Gebruik een eye-tracking-eenheid die een sampling rate van 120 Hz en een nauwkeurigheid van 0,50 °, die het mogelijk maakt grote vrijheid van het hoofdbewegingen waardoor de opname tijdens de natuurlijke hoofdbewegingen. Een lagere frequentie Eye-Tracker is ook aanvaardbaar. Op 57,3 cm, 1 ° van de visuele hoek komt overeen met ~ 1 cm op het scherm.</li>
	<li>Laat de deelnemers om de beelden te bekijken op een monitor in hoge definitie.</li>
	<li>Record Eye-bewegingen met behulp van de eye-tracking software</li>
	<li>Gebruik een fixatie filter om de ruwe ogen voorbeeldgegevens voor analyse om te zetten. Klik in het hoofdmenu op extra &Gt; instellingen. Selecteer het tabblad fixatie filters. Selecteer het fixatie filter volgens de specificaties van de fabrikant op het beste type filter om de ruwe eye-tracking gegevens in fixaties samen te voegen.</li>
	<li>Als het opnemen van Eye-tracking gegevens met behulp van meerdere films, geven pauzes tussen de opname sessies wanneer de deelnemers het verzoek.</li>
</ol>5. het aansluiten van de bekeken parken om indrukken van de Video's
<ol><li>Vergelijk de mate waarin mensen bekeken objecten en hun meningen van de Video's door te vragen deelnemers om elk van de parken op een schaal van 1 tot 10, in de eerste plaats voor de vraag of ze vonden dat ze in staat zouden zijn om te rusten en te herstellen in die omgeving (1 , niet erg veel, tot 10, heel veel) en ten tweede hoeveel ze graag het Park (1, niet erg veel, tot 10, heel veel).</li>
	<li>Vraag de deelnemers of ze het park te gebruiken om te ontspannen of stress te verlichten (Y/N) en of ze erkend het park waren ze op zoek naar (Y/N) om controle voor de mogelijke impact van een eerdere associatie met het Park.</li>
	<li>Record korte antwoord reacties van de deelnemers om hun indrukken te verklaren met behulp van een voice recorder en vervolgens transcriberen deze.</li>
</ol>6. automatische video-analyse voor het gebied van belang extractie
<ol><li>Selectie van Aoi's
	<ol>
<li>Kies items die van belang zijn voor Park ontwerpers, stedelijke ontwerpers, planners of architecten, zoals bomen, struiken, wegwijzers, gebouwen, turf, paden, stappen, enz.
</li>
		<li>Voor optimale prestaties en minimale trainingsvereisten (verderop besproken) gebruikt u elementen die gemakkelijk visueel te onderscheiden zijn van elkaar tot het blote oog, en/of consequent bezetten verschillende regio's van elk video frame. Over het algemeen moeten voldoende trainings voorbeelden worden afgebeeld met visueel onderscheidende verschillen van elk van de soorten, voor robuuste prestaties.</li>
	</ol></li>
	<li>Training classificaties voor de extractie van de
	<ol><li>Selectie van de te gebruiken opleidings frames, aantal en beweegredenen
		<ol>
<li>Kies een passend aantal trainings frames (voortaan de Trainingsset genoemd). Er is geen vast nummer dat van toepassing is. Opmerking: de frames moeten zorgen voor voldoende dekking van het bereik van de visuele verschijning van elke objectklasse (dat wil zeggen, die objecten worden geëtiketteerd) in de video. Bijvoorbeeld, 40 frames uit een 15.000 frame video sequentie beeltenis van een enkele parket scene bleken voldoende nauwkeurigheid te bereiken. Als een opeenvolging significante variatie in toen bevat kan meer kaders worden vereist.</li>
			<li>Overweeg de frame-inhoud bij het kiezen van trainings frames. Deze omvatten: verlichting, vormen met betrekking tot wat wordt ingedeeld (bijv., niet alleen een soort boom, maar een reeks van boomsoorten, hun positie in het beeld, de manier waarop ze zijn aangestoken, enz.), textuur en kleur.</li>
			<li>Overweeg ook het aantal frames dat moet worden opgenomen. Concreet, de lengte en variatie van de visuele omstandigheden tentoongesteld over de video wordt geanalyseerd, evenals het aantal objectklassen te identificeren, en de frequentie van hun uiterlijk.</li>
		</ol></li>
		<li>Handmatige pixel labelling voor trainings frames Opmerking: handmatige etikettering in de trainings frames worden pixels gekoppeld aan objectklassen van belang.<ol>
<li>Pixel etikettering van trainings frames<ol>
<li>Op zijn beurt, open elke training frame van de video in de beeldbewerking software.</li>
				<li>Voor elk trainings frame van de video, overlay een transparante afbeelding laag op de geladen afbeelding voor de etikettering en maak een kleurenpalet, die een kleur voor elk bepaald objectklasse van belang (dat wil zeggen, ().</li>
				<li>Zorg ervoor dat het kleurenpalet en het toewijzen van kleur aan objectklassen in het gehele etiketterings proces hetzelfde zijn.</li>
				<li>Selecteer de kleur voor het monster.</li>
				<li>Kleur regio's van monster Aoi's door te selecteren, met een muisklik en sleep, pixels binnen het gebied naar "kleur in" met behulp van de juiste palet keuze. Opmerking: het is mogelijk om grote objecten onnauwkeurig te kleuren. Nochtans, voor smalle/kleine voorwerpen van slechts een paar pixel breedte, neem meer zorg om ervoor te zorgen dat de hand etikettering nauwkeurig de visuele verschijning van het voorwerp vangt.</li>
				<li>Zodra de etikettering van een frame is voltooid, exporteert u de overlay-laag als een afzonderlijk afbeeldingsbestand. Zorg ervoor dat de basis bestandsnaam overeenkomt met de oorspronkelijke bestandsnaam van het frame, maar met een "c" die aan het einde is toegevoegd. Bijvoorbeeld, als het oorspronkelijke frame bestandsnaam was "1234. png", dan is de gelabelde laag bestandsnaam moet worden "1234c. png".</li>
				<li>Zorg ervoor dat alle gelabelde afbeeldingen worden opgeslagen in één map.</li>
			</ol>
</li>
			<li>
Pixel labeling van validatie frames Opmerking: als u de nauwkeurigheid van de getrainde classificatie kwantitatief wilt valideren, moet er een extra set met gelabelde frames worden gemaakt.<ol>
<li>Selecteer frames uit de oorspronkelijke video volgorde die niet al is gekozen om in de Trainingsset te worden opgenomen. Voor een 5 minuten durende video, deze hoeven niet meer dan 20 frames, maar moet uniform worden bemonsterd uit de hele video sequentie om voldoende dekking te waarborgen.</li>
				<li>Label pixels in elk frame met dezelfde procedure als beschreven voor het voorbereiden van trainings frames (6.2.2). Echter, dit keer zo nauwkeurig en zo uitgebreid mogelijk met etikettering, omdat dit zal worden gebruikt als een grond waarheid vergelijking.</li>
				<li>Wanneer de etikettering van een frame is voltooid, gebruikt u dezelfde naamgevingsconventie als voor de training, maar zorgt u ervoor dat bestanden worden opgeslagen in een afzonderlijke map met validatie frames.</li>
			</ol>
</li>
		</ol></li>
		<li>Automatische pixel labeling van de video-sequentie
		<ol>
<li>Download de DARWIN software bibliotheek van http://drwn.anu.edu.au. Opmerking: het systeem beschreven in dit document werd geïmplementeerd binnen een Linux-omgeving, en dus de Linux release van DARWIN moet worden gedownload en geïnstalleerd, volgens de instructies van de website.</li>
			<li>Start de Darwin GUI</li>
			<li>In de Darwin GUI, klik op Load training labels.</li>
			<li>Selecteer in het dialoogvenster bestandsverkenner dat wordt weergegeven de map met de gelabelde trainings afbeeldingen voor de betreffende VideoReeks.</li>
			<li>Klik op Load video frames en volg dezelfde procedure als 6.2.3.2 om de map met alle originele frames van de video-sequentie te selecteren. Dit zou een omslag van beelden moeten zijn, waarin elk kader filename het aantal van dat kader in de video opeenvolging is (b.v., zou het kader 1234 1234. png worden genoemd)</li>
			<li>Klik op de trein knop. Het algoritme onderzoekt nu elk gelabelde trainings frame en leert een model van het uiterlijk voor het classificeren van pixels in een van de opgegeven objectklassen van belang.</li>
		</ol></li>
		<li>De getrainde classificatie valideren
		<ol>
<li>Zodra de training is voltooid, klikt u op de knop training valideren .</li>
			<li>Selecteer in het dialoogvenster bestandsverkenner de map met alle gelabelde validatie beelden voor de betreffende VideoReeks. De getrainde classificatie wordt nu gebruikt om pixels te classificeren in elk van de frames waarnaar wordt verwezen in de validatieset. Vergelijk dit met de grond waarheid labels die in de validatie map. Opmerking: eenmaal voltooid, zal de GUI weer te geven nauwkeurigheid statistieken, met inbegrip van het percentage van de pixels correct gelabeld voor elk frame in de validatieset, evenals over de gehele validatie-set.</li>
			<li>Als u de gegenereerde labels visueel wilt valideren, klikt u op de knop visuele validatie . Als erop wordt geklikt, wordt elke gegenereerde labelafbeelding naast het oorspronkelijke validatie frame weergegeven. Nota: dit kan leerzaam zijn in het identificeren van waar de mis-classificaties op het voorwerp voorkomen. Visuele inspectie kan bijvoorbeeld duiden op fouten die zich consequent voordoen in een bepaald deel van een objectklasse, wat suggereert dat een betere etikettering in de Trainingsset vereist is. Alternatief, kan de inspectie aantonen dat de fouten slechts op een bepaald tijdpunt in de video voorkomen, voorstellend meer opleidings voorbeelden zijn vereist van die periode in de video.</li>
			<li>Als de nauwkeurigheid die in kwantitatieve of kwalitatieve validatie wordt waargenomen, onder acceptabele niveaus valt, moet u verdere trainings voorbeelden opnemen. In dit geval herhaalt u alle stappen van 6.2.2 om extra trainings frames op te nemen, de classificatie opnieuw te trainen na stappen in 6.2.3 en de volgende stappen in 6.2.4 opnieuw te valideren.</li>
		</ol></li>
		<li>Video pixel etikettering<ol>
<li>Zodra de classificatie training en validatie fase is voltooid, klikt u op label frames op de Darwin GUI om te beginnen met de volledige etikettering van alle frames in de video sequentie met behulp van de getrainde classificatie.</li>
			<li>Volg de prompt om een doelmap voor alle output frames, die zal worden in de vorm van gelabelde beelden met behulp van hetzelfde kleurenpalet als gebruikt in de opleiding te selecteren.</li>
		</ol></li>
	</ol></li>
</ol>7. registratie van de eye-tracking gegevens aan de video-inhoud
<ol><li>In de eye-tracking software klikt u op bestand &Gt; exporteren... Exporteer het Eye-tracking bestand als een CSV-bestand.</li>
	<li>Open het bestand in een spreadsheetprogramma.</li>
	<li>Van de video-sequentie identificeert het tijdstip waarop het witte kruis op de linker bovenhoek van het frame (zie 2,3) verdwijnt. Gebruik deze tijd om de eye-tracking te identificeren met behulp van de relevante kolom op de eye-tracking resultaat. Dit is het begin van de eye-tracking gegevensverzameling.</li>
	<li>Voeg een kolom toe aan de eye-tracking gegevens.</li>
	<li>Met behulp van deze nieuwe kolomlabel elke rij of eye-tracking gegevenspunt met een framenummer vanaf het nummer 1.</li>
</ol>8. weergave van de hoeveelheid tijd die de deelnemers onderzocht verschillende klassen van objecten in de Video's
Nota: wegens de reusachtige grootte van de oog-volgende gegevens, wordt de programmeertaal van python beter gebruikt voor stappen door aan 8,4, hoewel een programma van de gegevensverwerking ook kan worden gebruikt.
<ol><li>Met behulp van de meegeleverde python-code, bereken de hoeveelheid overlap tussen de voorwerpen van belang en de eye-tracking fixatie tijd en frequentie.</li>
	<li>Som deze gegevens om de hoeveelheid tijd die de deelnemers besteed aan het kijken naar verschillende objecten te begrijpen.</li>
	<li>Gebruik een histogram om de totale hoeveelheid tijd weer te geven dat de objecten het scherm bezetten.</li>
	<li>Vergelijk dit met de totale hoeveelheid tijd die de deelnemers naar verschillende objecten hebben gekeken.</li>
	<li>Voor de productie van een heatmap in de eye-tracking software klikt u op een van de Park Walk Video's met behulp van de tick box.</li>
	<li>Klik op het tabblad heat map .</li>
	<li>Pas de kleur en andere kenmerken van de warmte kaart zoals gewenst met behulp van de variabelen van ' count ' (totale aantal fixaties gemaakt in de tijdvenster), ' absolute duur ' (geaccumuleerde fixatie duur), en ' relatieve duur ' (de hoeveelheid tijd besteed aan het kijken naar een object gedeeld door de hoeveelheid tijd besteed aan het kijken naar een scène).</li>
	<li>Exporteer de afbeelding of video die de Heat-map bevat als een JPEG-bestand of video bestand.</li>
</ol>

<ol><li>Patrik, P., Stigsdotter, U. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+relation+between+perceived+sensory+dimensions+of+urban+green+space+and+stress+restoration%5BTitle%5D)+AND+%22Landscape+and+Urban+Planning%22%5BJournal%5D)">The relation between perceived sensory dimensions of urban green space and stress restoration.</a> Landscape and Urban Planning. 94 (3-4), 264-275 (2010).</li>
<li>Bjørn, G., Patil, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biophilia%3A+does+visual+contact+with+nature+impact+on+health+and+well-being%3F%5BTitle%5D)+AND+%22International+Journal+of+Environmental+Research+and+Public+Health%22%5BJournal%5D)">Biophilia: does visual contact with nature impact on health and well-being?</a> International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).</li>
<li>Velarde, M. aD., Fry, G., Tveit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Health+effects+of+viewing+landscapes-Landscape+types+in+environmental+psychology%5BTitle%5D)+AND+%22Urban+Forestry+%26+Urban+Greening%22%5BJournal%5D)">Health effects of viewing landscapes-Landscape types in environmental psychology.</a> Urban Forestry & Urban Greening. 6 (4), 199-212 (2007).</li>
<li>Polat, A. T., Ahmet, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relationships+between+the+visual+preferences+of+urban+recreation+area+users+and+various+landscape+design+elements%5BTitle%5D)+AND+%22Urban+Forestry+%26+Urban+Greening%22%5BJournal%5D)">Relationships between the visual preferences of urban recreation area users and various landscape design elements.</a> Urban Forestry & Urban Greening. 14 (3), 573-582 (2015).</li>
<li>Peter, P., Giannopoulos, I., Raubal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Where+am+I%3F+Investigating+map+matching+during+self-localization+with+mobile+eye+tracking+in+an+urban+environment%5BTitle%5D)+AND+%22Transactions+in+GIS%22%5BJournal%5D)">Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment.</a> Transactions in GIS. 18 (5), 660-686 (2014).</li>
<li>Berto, R., Massaccesi, S., Pasini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+Eye+Movements+Measured+across+High+and+Low+Fascination+Photographs+Differ%3F+Addressing+Kaplan%27s+Fascination+Hypothesis%5BTitle%5D)+AND+%22Journal+of+Environmental+Psychology%22%5BJournal%5D)">Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan's Fascination Hypothesis.</a> Journal of Environmental Psychology. 28 (2), 185-191 (2008).</li>
<li>Kaplan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+restorative+benefits+of+nature%3A+Towards+an+integrative+framework%5BTitle%5D)+AND+%22Journal+of+Environmental+Psychology%22%5BJournal%5D)">The restorative benefits of nature: Towards an integrative framework.</a> Journal of Environmental Psychology. 15, 169-182 (1995).</li>
<li>Duchowski, A. T. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDuchowski%2C+AT+%22Eye+Tracking+Methodology%3A+Theory+and+Practice%22">Eye Tracking Methodology: Theory and Practice</a>. , 3rd ed, Springer International Publishing. London. (2017).</li>
<li>Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+eye-catching+are+natural+features+when+walking+through+a+park%3F+Eye-+tracking+responses+to+videos+of+walks%3F%5BTitle%5D)+AND+%22Urban+Forestry+and+Urban+Greening%22%5BJournal%5D)">How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?</a> Urban Forestry and Urban Greening. 31, 67-78 (2018).</li>
<li>Gould, S. D. A. R. W. I. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Framework+for+Machine+Learning+and+Computer+Vision+Research+and+Development%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">A Framework for Machine Learning and Computer Vision Research and Development.</a> Journal of Machine Learning Research. (Dec), 3533-3537 (2012).</li>
<li>Richardson, D., Matlock, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+integration+of+figurative+language+and+static+depictions%3A+an+eye+movement+study+of+fictive+motion%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">The integration of figurative language and static depictions: an eye movement study of fictive motion.</a> Cognition. 102 (1), 129-138 (2007).</li>
<li>Bojko, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBojko%2C+A+%22Eye+Tracking+the+User+Experience%3A+A+Practical+Guide+to+Research%22">Eye Tracking the User Experience: A Practical Guide to Research</a>. , Rosenfeld, New York. (2013).</li>
</ol>

In het algemeen, in standaard softwarepakketten voor het analyseren van Eye-tracking gegevens, een vector wordt gebruikt. Zelfs voor een enkel stilstaand beeld, kan de grootte van de vector niet gemakkelijk worden gemeten. Bovendien, met inbegrip van alle Aoi's in een afbeelding en de berekening van de relatieve hoeveelheden van Aoi's is moeizaam. Het is bijna onmogelijk om dit handmatig te doen op een video zonder een machine leren techniek zoals beschreven. Dit was een relatief eenvoudige verklaring dat een gratis kijk...

Onze dagelijkse geleefde ervaringen van stedelijke milieu's hebben grote invloed op onze gezondheid en welzijn. Ons welzijn kan afhangen van de hoeveelheid groene ruimtes die we bekijken en ervaring1,2,3, en deze standpunten kunnen worden gekwantificeerd met behulp van Eye-tracking apparatuur te begeleiden besluitvorming over Park design. Echter, een probleem ontstaat met het volume van de eye tracking gegevens die wordt gegenereerd en het maken van de zin van deze gegevens. Aangezien de apparatuur voor het opnemen van gegevens blik in een Lab of natuurlijke omgeving wordt gemakkelijker te gebruiken en krachtiger, onderzoekers moeten nagaan hoe we kunnen verzamelen en analyseren van gegevens geldig om te helpen met de besluitvorming vragen.
Tot nu toe heeft een groot deel van Eye tracking onderzoek gebruikt Foto's in een enquête of laboratorium instelling4. Hoewel deze methodologie zorgt voor een groot deel van de reproduceerbaarheid en controle over de resultaten, is het niet in staat om te profiteren van de nieuwste ontwikkelingen in de eye-tracking technologie die het gebruik van video en draagbare mobiele Eye-trackers omvatten. Voorts zouden wij debatteren dat de handeling van het lopen en het ontspannen noodzakelijk dynamisch is in het bijzonder wanneer georiënteerd naar een taak zoals bewegwijzering5. Daarom zou een volledig wetenschappelijk begrip van deze montages buiten het laboratorium moeten plaatsvinden. Echter, op het moment, eye-tracking in een Real-Life naturalistische setting maakt het vergelijken van de ervaring tussen de onderwerpen erg moeilijk. Bijvoorbeeld, als we wilden vergelijken of een respondent kijkt naar bomen meer dan een ander, hoe kunnen we de controle voor het feit dat hun standpunt zou voortdurend veranderen in vergelijking met anderen of dat hun hoofd zou kunnen hebben gedraaid. Gedetailleerde analyse in deze omstandigheden is bijna onmogelijk met de huidige analysetechnieken. We beweren dat het belangrijk is om de controle van de gebieden die beschikbaar zijn voor het individu wordt bestudeerd en in de analyse te kunnen om rekening te houden voor de totale scène wordt bekeken op een bepaald punt in de tijd.
Er zijn een reeks theorieën die spanningsniveaus en waarnemingen van veiligheid verbinden aan landschaps meningen en goed-geëvolueerde maatregelen van spanning6,7. Er is ook een snelle toename van de verfijning van de eye-tracking apparatuur te meten blik8. Eye-tracking is belangrijk omdat onvrijwillige Eye-bewegingen kunnen meer betrouwbaar worden aangesloten op de voorkeur, stress en andere traditionele maatregelen dan enquêtes en opdringerige, fysiologische tests zoals speeksel cortisol niveaus. Het doel van dit onderzoek is het ontwikkelen van tools die een nauwkeuriger meting van de eye-tracking gegevens toegepast op meer naturalistische instellingen mogelijk te maken, om zo verder bewijs voor of te weerleggen langdurige landschaps theorieën die hebben geïnformeerd Park design voor Decennia.
Het doel van dit project is het ontwikkelen en testen van een nieuwe analysetechniek die relevante eye-tracking gegevens kan genereren voor verschillende Video's van Park Walk simulaties. Ons werk gerapporteerd hier en elders9 is een halverwege punt tussen de naturalistische setting van een volledig mobiele eye-tracking systeem en het lab-based foto studies hierboven genoemde. In het bijzonder concentreren we ons op het gebruik van Video's als stimulans materiaal, het verkennen van hoe dit materiaal kan worden gebruikt om het bedrag van de fascinatie die verschillende parken te genereren in de stad Melbourne te testen. Ons werk is gebaseerd op de veronderstelling dat een gedetailleerde analyse van de Video's is een noodzakelijke stap in de strijd vóór de onderneming een vollere, meer naturalistische beoordeling van het potentieel van parken om herstel te bieden van stress.
In deze studie, werkten we een desktop Eye-Tracker met Video's van wandelingen door stedelijke parken en vroeg de deelnemers voor te stellen dat ze een ontspannende wandeling door een park te nemen. We beschrijven een methode om de hoeveelheid tijd die de deelnemers besteed aan het kijken naar verschillende objecten te vergelijken tussen de parken mogelijk te maken. Desktop studies zijn over het algemeen gemakkelijker te controleren in vergelijking met mobiele ET studies en laat vergelijkende analyse van elk onderwerp.
Standaard eye-tracking software maakt gebruik van een handleiding gebied van belang tool waarin een exploitant kan handmatig te trekken grenzen rond voorwerpen van belang in elke scène. Hierdoor kan de hoeveelheid tijd die deelnemers besteed aan het bekijken van verschillende objecten automatisch worden geteld. Voor videogegevens, is dit proces arbeidsintensief en onderworpen aan exploitant subjectiviteit en fout. In latere versies van Eye-tracking analyse software, Aoi's kan automatisch track objecten over frames als ze dezelfde grootte in de video. Dit is een verbetering, echter, dit is alleen bedoeld om te worden gebruikt voor een klein aantal stimuli in elk beeld en elk beeld moet worden gecontroleerd en bevestigd.
Handmatige etikettering van objecten in een afbeelding komt vaak voor en wordt ondersteund door beeldbewerkingssoftware zoals GNU Image manipulatie Program (GIMP). Gezien het dat 1 s produceert 30 frames of beelden, de handmatige etikettering van Video's is onpraktisch. Bovendien is het etiketteren van de kenmerkende door vector veelhoeken rond de rand van complexe voorwerpen zoals boom luifels zeer tijdrovend. Tot slot, hoewel het denkbaar is om de grootte van objecten te berekenen in een gezichtsveld met behulp van vector-etikettering, is deze functie momenteel niet beschikbaar.
De methode die wij rapporteren hieronder behandelt deze beperkingen. Deze studie werkte automatische etikettering van voorwerpen. Dit is mogelijk met behulp van een beeldverwerkings techniek bekend als semantische etikettering, waarbij elke pixel in elk frame van de video is een label met vermelding van een objectklasse toegewezen. Machine learning wordt gebruikt voor het afleiden van pixel classificaties voor elke objectklasse van belang. Deze classificaties bieden een waarschijnlijkheids label voor elke pixel (bekend als unaire potentialen), die vervolgens worden verfijnd in een latere optimalisatie proces om de uiteindelijke label output te bereiken. Deze classificaties leren statistische beslissings grenzen tussen elke objectklassen in de ruimte van functies die uit de afbeelding worden geëxtraheerd, zoals textuur, histogram van rand oriëntaties, RGB-kleurwaarden en de genormaliseerde afbeeldings coördinaten. Een geschikte techniek hiervoor is geïmplementeerd in de DARWIN machine learning Toolbox10 en wordt hieronder beschreven.

<table><tbody><tr><td>12 mm lens</td><td>Olympus</td><td></td><td>Lens</td></tr><tr><td>Panasonic GH4&nbsp;</td><td>Panasonic</td><td></td><td>Videocamera</td></tr><tr><td>Tobii Studio version (2.1.14)&nbsp;&nbsp;</td><td>Tobii</td><td></td><td>Software</td></tr><tr><td>Tobii x120 desktop eye-tracker</td><td>Tobii</td><td></td><td>Eye-tracker</td></tr></tbody></table>

het combineren van eye-tracking gegevens met een analyse van de video-inhoud van free-viewing een video van een wandeling in een stedelijk park omgeving

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Als individuen steeds meer leven in steden, methoden om hun dagelijkse bewegingen en de gegevens die kunnen worden verzameld studie wordt belangrijk en waardevol. Eye-tracking informatica is bekend om verbinding te maken met een scala van gevoelens, gezondheids-omstandigheden, mentale toestanden en acties. Maar omdat visie is het resultaat van constante Eye-bewegingen, plagen uit wat belangrijk is van wat is lawaai is complex en data-intensieve. Bovendien, een belangrijke uitdaging is de controle voor wat mensen kijken in vergelijking met wat wordt gepresenteerd aan hen.
Het volgende presenteert een methodologie voor het combineren en analyseren van Eye-tracking op een video van een natuurlijke en complexe scène met een machine learning techniek voor het analyseren van de inhoud van de video. In het protocol richten we ons op het analyseren van gegevens van gefilmde Video's, hoe een video kan het best worden gebruikt om de deelnemers ' Eye-trackingdata record, en belangrijker hoe de inhoud van de video kan worden geanalyseerd en gecombineerd met de eye-tracking gegevens. We presenteren een korte samenvatting van de resultaten en een bespreking van de mogelijkheden van de methode voor verdere studies in complexe omgevingen.

Figuur 1 en Figuur 2 tonen het resultaat van het nemen van alle eye-tracking gegevens voor de hele video over alle deelnemers en het produceren van een warmte-kaart; Dit is de standaard aanpak die beschikbaar is in Eye-tracking softwarepakketten. Door het vergelijken van Figuur 1 en Figuur 2 is het mogelijk om te bepalen dat op de gemiddelde deelnemers gescand links en rechts op de x...

Het protocol heeft tot doel in detail te beschrijven hoe videogegevens kunnen worden verzameld voor gebruik in het laboratorium; Hoe te registreren eye-tracking gegevens van de deelnemers te kijken naar de gegevens en hoe efficiënt analyseren van de inhoud van de Video's die ze zochten met behulp van een machine leren techniek.

Het combineren van Eye-tracking gegevens met een analyse van de video-inhoud van Free-viewing een video van een wandeling in een stedelijk park omgeving

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

Veel eye tracking studies vertrouwen op complexe video stimuli en real world instellingen maken analyse van de gegevens zeer complex. Deze analysetechniek zorgt voor een veel rijkere en geautomatiseerde benadering van het analyseren van videogebaseerde gegevens dan de momenteel beschikbare methoden die leiden tot een rijkere extractie van complexere gegevens. Deze methode kan worden gebruikt in veel verschillende eye tracking toepassingen met name in de echte wereld situaties of die video gebruiken als een stimulans.Landschapsstudies hebben vertrouwd op het begrijpen hoe mensen reageren op verschillende visuele stimuli. Deze techniek in combinatie met eye tracking kan worden gebruikt om deze veronderstellingen te testen. Voor dit soort onderzoek is een teambenadering essentieel omdat er meerdere aspecten zijn die input en aandacht op hoog niveau vereisen.Het aantonen van de procedure met mij zal mijn post graduate student Andrew Treller. De filmsequenties moeten worden getoond in een eye tracking laboratorium waarin natuurlijk licht beschikbaar is, maar die kan worden gecontroleerd om reflecties op het scherm op een zo groot mogelijk scherm te voorkomen om zo veel van het gezichtsveld te bezetten, waardoor afleidingen van buiten het gezichtsveld worden vermeden. Na zitplaatsen de deelnemer 60-65 centimeter afstand van het scherm, vraag hen om zich voor te stellen dat ze behoefte aan restauratie met behulp van een zin die het mogelijk maakt de deelnemer voor te stellen in de context van de eye tracking video.Speel vervolgens de films voor de deelnemer in een vooraf bepaalde willekeurige volgorde met behulp van een desktop eye tracking apparaat om de patiënt oogbewegingen op te nemen tijdens elke video. Als u een interessegebied wilt ontwerpen, selecteert u items die van belang zijn voor de studie, zoals bomen, struiken, wegwijzers, gebouwen, paden, trappen. Gebruik elementen die gemakkelijk visueel van elkaar te onderscheiden zijn met het blote oog en/of die consistent verschillende gebieden van elk videoframe bezetten voor optimale prestaties en minimale trainingsvereisten.In het algemeen moeten het opnemen van voldoende trainingsvoorbeelden die visueel onderscheiden van verschillen van elke AOI voldoende zijn voor een robuuste prestatie. Wanneer alle items zijn gewijzigd, selecteert u een passend aantal trainingsframes om de trainingsset in te halen. Er is geen vast nummer dat geschikt is.Open vervolgens elk trainingsframe van de video in de software voor het bewerken van afbeeldingen en voor elk frame overlay een transparante afbeeldingslaag op de geladen afbeelding voor het labelen en maak een kleurenpalet dat één kleur biedt voor elke bepaalde objectklasse van belang. Als u de kleur voor het voorbeeldgebied wilt selecteren, klikt en sleept u pixels binnen een gebied om te kleuren in een gebied met de juiste paletkeuze. Zodra de etikettering van een frame is voltooid, exporteert u de bedekte laag als een afzonderlijk afbeeldingsbestand, zodat de basisbestandsnaam overeenkomt met de oorspronkelijke bestandsnaam van het frame, maar met een C-toegevoegd aan het einde.Om de nauwkeurigheid van de getrainde classificatie kwantitatief te valideren, selecteert u frames uit de oorspronkelijke videoreeks die nog niet is geselecteerd om in de trainingsset te worden opgenomen en labelt u de pixels in elk frame zoals zojuist is aangetoond dat de trainingsframes zo nauwkeurig en volledig mogelijk zijn. Wanneer de etikettering van een frame is voltooid, gebruikt u dezelfde naamgevingsconventie als voor de training, waarbij de bestanden worden opgeslagen in een aparte map met validatieframes. Voor automatische pixellabeling van de videoreeks start u de grafische gebruikersinterface van Darwin en klikt u op trainingslabels laden.Als u de GUI voor training en labeling wilt configureren, selecteert u project maken en geeft u het project een naam met behulp van het pop-updialoogvak. Selecteer de map met alle originele frames van de videoreeks in het pop-upvenster. Selecteer met het dialoogvenster popup-verkennerdialoog de map met de gelabelde trainingsafbeeldingen voor de desbetreffende videoreeks.En selecteer in het vak dialoog met verkenner de map met alle gelabelde validatieafbeeldingen voor de relevante videoreeks. Volg de prompt om een doelmap te selecteren voor alle uitvoerframes die zich in de vorm van gelabelde afbeeldingen bevinden met hetzelfde kleurenpalet als in de training. Voer met behulp van het pop-updialoogvak, onder interessegebieden, de gebieden in die van belang zijn om de rood/groen/blauwe waarden te labelen die worden gebruikt om elke regio in de trainingsvoorbeelden te markeren.Het algoritme onderzoekt elk gelabeld trainingsframe en leert een model van het uiterlijk voor het classificeren van de pixels in een van de opgegeven objectklassen van belang. Zodra de training is voltooid, klikt u op valideren van de training. En selecteer in het vak dialoog met verkenner de map met alle gelabelde validatieafbeeldingen voor de relevante videoreeks.Als u de gegenereerde labels visueel wilt valideren, klikt u op visuele validatie. Elke gegenereerde gelabelde afbeelding wordt naast het oorspronkelijke validatieframe weergegeven. Als de nauwkeurigheid die in de kwantitatieve of kwalitatieve validatie wordt waargenomen, onder aanvaardbare niveaus zakt, omvatten en omscholen bijscholingsvoorbeelden.Zodra de trainings- en validatiefasen van de classificatie zijn voltooid, klikt u op inferentie uitvoeren om te beginnen met het volledig labelen van alle frames in de videoreeks met behulp van de getrainde classificatie. Zodra de etikettering is voltooid, wat enkele uren kan duren, klikt u op bladeruitvoer om de resulterende labels te bekijken. De meeste eye tracking software zal u laten zien dat gemiddeld, deelnemers gescand links en rechts op de x-coördinaat van de video in de eerste video in vergelijking met de tweede video waarvoor de heat map toont een rondere vorm.Met behulp van de machine learning pixel labeling techniek beschreven in dit papier, kunnen we meer details zien. Deze grafische weergave van de procentfixatietijd laat zien dat het pad duidelijk zichtbaar is in de loop van de video. Echter, zoals dit cijfer uit de eye tracking gegevens blijkt, de deelnemer alleen keek naar deze functie af en toe op belangrijke punten.Hier wordt een samenvatting getoond van de verblijfstijd van alle 39 deelnemers aan deze representatieve studie wanneer naar objecten wordt gekeken over de gehele lengte van de video. In deze grafiek werden dezelfde verblijfstijdgegevens gedeeld door de hoeveelheid tijd en ruimte die verschillende objecten in de video bezetten. Een waarde van één geeft aan dat de verblijfstijd kan worden verantwoord door de hoeveelheid object in de video.Objecten die minder relevant waren, zoals de hemel in beide afbeeldingen, werden bijvoorbeeld relatief minder bekeken dan andere objecten. Kunstmatige voorwerpen zoals straatlantaarns en banken werden in grotere mate in beslag nemen in vergelijking met andere natuurlijke objecten. Dit soort analyses kunnen vele brede toepassingen hebben om kwesties van aandacht en verzilting te onderzoeken en kunnen vele brede het bereiken toepassingen in verschillende onderzoeksgebieden hebben.Naarmate het gebruik van korte films als visuele stimuli steeds vaker voorkomt, verwachten we dat deze techniek populairder wordt.

combining-eye-tracking-data-with-an-analysis-video-content-from-free

Research

JoVE Journal

Environment

Milieu

Jonge kinderen niet passief observeren van de wereld, maar eerder actief verkennen en zich met hun omgeving. Dit protocol biedt leidende beginselen en praktische aanbevelingen voor het gebruik van hoofd gemonteerde oog trackers opnemen zuigelingen en peuters dynamische visuele omgevingen en visuele aandacht in het kader van natuurlijke gedrag.

Blik in actie: Head-mounted Eye Tracking van kinder dynamische visuele aandacht tijdens naturalistische gedrag

Dit is een analyse van de kwalitatieve vergelijkende casestudy van eye-tracking gegevens op de eerste momenten van sociale videoscènes zoals weergegeven door drie deelnemers: één met autisme spectrum disorder, één met comorbide aandacht tekort hyperactieve stoornis, en één neurotypical controle.

Vergelijking van de Eye-tracking-gegevens van kinderen met hoog functionerend ASD, comorbide ADHD, en van een besturingselement sociale video's bekijken

Hier presenteren we een protocol om de relatie tussen de parameters van de oogbeweging en cognitieve functies bij niet-gedefragmenteerde patiënten met de ziekte van Parkinson te bestuderen. Het experiment gebruikt een oogtracker om de saccadische amplitude en fixatie duur te meten in een visuele zoekopdracht. De correlatie met prestaties in cognitieve taken met meerdere domeinen werd vervolgens gemeten.

Karakteriseren van de relatie tussen de parameters van de oogbeweging en cognitieve functies bij niet-gedefragmenteerde patiënten met de ziekte van Parkinson met Oogtracering

Het gebruik van multimodale sensoren is een veelbelovende manier om de rol van sociale interacties in educatieve instellingen te begrijpen. In dit artikel wordt een methodologie beschreven voor het vastleggen van gezamenlijke visuele aandacht van de door de co-gebaseerde dyads met mobiele Eye-trackers.

Een methodologie voor het vastleggen van gezamenlijke visuele aandacht met behulp van mobiele Eye-trackers

De studie stelt een activatie-gelijkemodel voor om te bestuderen hoe de eenzaamheid wordt verzacht wanneer een eenzaam publiek spervuurvideo's van rationele en emotionele beroep bekijkt. Het protocol maakt gebruik van eye tracking om de duur en fixatie document, goed voor de mate van tevredenheid wanneer emotionele behoeften worden gesust door inhoud en spervuur.

Eenzaamheid Assuaged: Eye-Tracking een publiek kijken Barrage Video's

Het huidige protocol beschrijft driedimensionale bewegingstracking / evaluatie om de beweging van ratten weer te geven na blootstelling aan een gesimuleerde onbruikomgeving.

Uitgebreid begrip van door inactiviteit geïnduceerde gangverandering bij knaagdieren

Eye tracking is een niet-invasieve methode om informatieverwerking te onderzoeken. In dit artikel wordt beschreven hoe eye-tracking kan worden gebruikt om het blikgedrag te bestuderen tijdens een noodtaak voor vluchtsimulatie bij piloten met weinig tijd (d.w.z. &lt;350 vlieguren).

Eye Tracking tijdens een complexe luchtvaarttaak voor inzicht in informatieverwerking

De methodologie onderzocht visuele en vestibulaire bijdragen aan blikstabilisatie tijdens optokinetische rotaties en rotaties van het hele lichaam. Stimulaties werden uitgevoerd door middel van visuele, vestibulaire en visuovestibulaire onderzoeken. Torsie-oogbewegingswinst en nystagmusfrequenties dienden als indicatoren voor het subcorticale doorgeven van sensorisch-specifieke bewegingsinformatie naar de reflexieve hersenstamrespons voor elke proef.

Eye-tracking gebruiken om het relatieve belang van visuele en vestibulaire input voor de verwerking van subcorticale bewegingen in het rolvlak te beoordelen

We presenteren een goedkope, markerloze workflow met DeepLabCut om spontane gang en voortbeweging bij vrij bewegende muizen te kwantificeren. Dit protocol integreert single-camera video-opname, markerloze tracking van anatomische herkenningspunten en het extraheren van ruimtelijke temporale locomotorische parameters, waardoor een niet-invasief en toegankelijk kader wordt geboden voor motorische gedragsanalyse zonder gespecialiseerde apparatuur.

Een goedkope, markerloze DeepLabCut-gebaseerde workflow voor spontane loop- en bewegingsanalyse bij vrij bewegende muizen

Werkwijze voor de bepaling van vetzuren en samenstelling microalgen gebaseerd op mechanische celdisruptie, oplosmiddelhoudende vetextractie, verestering en kwantificatie en identificatie van vetzuren met gaschromatografie wordt beschreven. Een tripentadecanoin interne standaard wordt gebruikt ter compensatie van eventuele verliezen bij de winning en onvolledige omestering.

Analyse van vetzuurgehalte en Compositie in Microalgen

Leer een geautomatiseerde methode voor eye-tracking data-analyse met machine learning in laboratoriumomgevingen. Deze techniek verbetert de extractie van complexe visuele data uit videostimuli voor gedragsonderzoek.

Het combineren van Eye-tracking gegevens met een analyse van de video-inhoud van Free-viewing een video van een wandeling in een stedelijk park omgeving (Video) | JoVE Journal

Het combineren van Eye-tracking gegevens met een analyse van de video-inhoud van Free-viewing een video van een wandeling in een stedelijk park omgeving

Meer video's verkennen