Объектовая видеоаналитика на транспорте

0

На сегодняшний день на рынке представлены различные решения, предоставляющие руководителям транспортных предприятий данные о перевезенных пассажирах. Это и умная ступенька, которая реагирует на вес наступившего, и инфракрасные лучи, прерывание которых служит сигналом о входе или выходе. К сожалению, эти решения имеют определенные ограничения по своей точности. Кто-то зашел или вышел? Зашло/вышло двое пассажиров или один? Возможно, это были водитель/кондуктор? Как проверить точность подсчета?

Принимая во внимание эти ограничения, а также необходимость а) предоставления возможности проверки полученных для расчета данных; б) обеспечения сохранности данных, на базе которых строился расчет; в) формирования автоматизированной отчетности, которую можно было бы использовать для задач автотранспортных предприятий; д) доступности данных для анализа руководителями предприятия в любой момент, были выбраны средства видеоаналитики как механизм получения объективных данных по подсчету пассажиропотока.

Основные бизнес-задачи, которые должен решить подсчет пассажиропотока:

  • Повысить точность сбора оплаты проезда
  • Осуществлять контроль добросовестности водителей и кондукторов
  • Обеспечивать планирование маршрутов с учетом фактической загруженности и т.д.

 

Отвечающее всем поставленным задачам решение было создано объединенными усилиями трех компаний  — интеллектуального интегратора ГК «ЛАРГА»,  разработчика и проектировщика программных решений с использованием нейронных сетей ComBox Technology, производителя промышленных ПК AAEON.

 

Как это устроено:

  • Над входом в ТС устанавливаются камеры (направлены вниз).
  • Видео, получаемое с этих камер, является источником данных для нейронной сети, которая анализирует изображение и проводит подсчет фактически зашедших и вышедших пассажиров.
  • Обмануть решение или утаить информацию нельзя – данные передаются в облачную платформу LARGA в режиме on-line.

 

Чтобы  контент не был потерян в случае пропадания канала связи (например, когда ТС переместился в зону неуверенного покрытия мобильной сетью), решение предусматривает сохранение видеоконтента на аппаратном комплексе, устанавливаемом в ТС. И как только сеть появляется снова, информация незамедлительно передается на хранение в облачную структуру.

Рисунок 1. Объектовая видеоаналитика для транспорта: подсчет количества входящих и выходящих пассажиров

Решение предоставляет следующие возможности и функционал:

  • Доступность эксплуатации решения на различных бортах (1/2/3 двери на пассажирских автобусах, железнодорожный транспорт и т.д.)
  • Обработка данных «на краю» или в ЦОД по данным сформированных ранее видео архивов
  • Исполнение нейронной сети под управлением Intel OpenVINO
  • Блок питания широкого диапазона
  • Нечувствительность к перепаду освещения
  • Хранение видеозаписи во внутренней памяти не менее 3-х суток
  • Хранение видеоархивов в ЦОД глубиной не менее 1 мес.
  • Подключение к сторонним блокам мониторинга под REST API
  • Удаленная передача данных на сервер с транспортного средства по сети GSM

Преимущества:

  • Математическая точность детектирования и подсчета количества входящих и выходящих пассажиров не менее 95%, а коммерческая точность 98%+
  • Учет не только входящего трафика, но и выходящего в том числе
  • Единое универсальное решение для различного вида пассажирского транспорта
  • Включение или выключение видеоаналитики и облачного хранения данных по требованию Заказчика
  • Наличие видео-факта подтверждения каждого входа и выхода пассажиров в течении последнего календарного месяца
  • Низкая стоимость единовременных вложений на комплект оборудования при высокой точности детектирования
  • Исключение из статистики учета детей высотой менее 1 м
  • Отсутствие дублирования входов пассажиров, которые вышли для пропуска выходящих (трекинг и удержание в кадре)

В качестве основы для аппаратного используется  сетевой видеорегистратор AAEON VPC-3350S, имеющий:

  • Встроенный LTE-модуль
  • Возможность расширения VPU ускорителем Intel MyriadX
  • Видеокарту Intel HD Graphics 500, на которой можно использовать аппаратные декодеры и энкодеры для обработки видеопотоков
  • Множество LAN-портов для прямого подключения сетевых камер без необходимости установки коммутатора
  • Широкий эксплуатационный температурный диапазон (-20+70)

Рисунок 2. AAEON VPC-3350S

Данная версия AAEON VPC-3350S укомплектована процессором Intel Atom x5 E3940. В случае необходимости можно дополнительно устанавливать платы расширения с Intel MyriadX и переносить инференс нейронных сетей на VPU без каких-либо существенных доработок, так как используется фреймворк Intel OpenVINO.

Рассмотрим скорость инференса (FP16) на различных устройствах, включая CPU, iGPU (Intel HD) AAEON VPC-3350, VPU Intel Movidius и решения других производителей:

Наименование устройства FP16, FPS
Intel NUC i5-8259U 191
Intel NUC GPU Iris Plus 655 196
MyriadX (USB Intel NCS 2) 45
AAEON NVR 3350 Atom E3940 20
AAEON NVR 3350 Atom E3940 GPU (Intel HD 500) 54
AAEON UP^2 Intel Celeron N3350 13
AAEON UP^2 Intel Celeron N3350 GPU (Intel HD 500) 44
i5-8400 248
i5-8400 GPU (Intel UHD 630) 177

Таким образом, на графике iGPU процессора Intel Atom x5 E3940 мы получаем 54 FPS, а дополняя устройство VPU Intel Movidius – еще 45 FPS. Для детекции пассажиров достаточно 15 FPS/камера, что позволит на одной графике процессора обрабатывать до 3 потоков (дверей). Также необходимо учитывать, что помимо выделения и использования ресурсов на инференс, необходимо декодировать входящий RTSP-поток.

Рассмотрим тесты декодера:

Устройство CPU GPU CPU GPU
20x720p, 15FPS 30x720p, 15FPS
AAEON NVR 3350 Atom E3940 1.6 GHz HD Graphics 500 15% 70% 26% 70%

При максимальной загрузке процессора и графики мы декодируем 30 потоков 720p при 15 FPS, то есть получаем 450 кадров для 720p. Для 1080p это около 150 кадров.

Алгоритм работы счетчика:

  • Нарезка RTSP-потока на фреймы
  • Детекция голов на каждом фрейме
  • Траекторный анализ (удержание головы в кадре при движении)
  • Анализ направления движения на основе последовательности пересечения 3-х заранее размеченных зон
  • Запись событий в локальную базу данных с учетом направления движения (вход/выход)
  • Предоставление доступа по REST API сторонним информационным системам и системам формирования отчетности

Рисунок 3. Интерфейс личного кабинета ГК «Ларга» для клиентов с отображением отчетов по пассажиропотоку

Кроме описанных задач, объектовая видеоаналитика в транспортной отрасли может решить еще множество других, например, контроль действий водителя (детектирования фактов курения и использования мобильных телефонов). При этом одна эта задача может решаться совершенно в разных сегментах, таких как коммерческий транспорт и каршеринг. Но обоснование экономической эффективности для каждой сферы будет свое. Подробнее о детекции курения и использования мобильных телефонов на транспорте — https://www.aaeon.com/en/ai/success-story-vpc-3350s-aicx

 



Оставить отзыв