隊列監(jiān)控應用程序概述

該項目展示了如何利用配備有物體檢測模型的樹莓派人工智能攝像頭來監(jiān)控排隊情況。在該項目中，排隊監(jiān)控指的是計算排隊區(qū)域內(nèi)的人數(shù)。排隊區(qū)域被定義為由多邊形圍成的區(qū)域，通常是一個矩形。

其最簡單的形式不過就是人數(shù)的統(tǒng)計，但隨著時間的推移，它還能提供諸如以下的統(tǒng)計數(shù)據(jù)：

?基于時間的分析：確定高峰日/時段以及等待時間趨勢

?隊列動態(tài)：監(jiān)測增長模式及瓶頸形成情況

?多目標適應性：實現(xiàn)人員計數(shù)與車輛監(jiān)控之間的切換，用于交通分析

主要特點：

?目標檢測：預訓練的目標檢測模型(NanoDet)通過提供邊界框、分類標識以及概率分數(shù)的方式，在攝像頭的視野范圍內(nèi)檢測物體。它側(cè)重于識別具有高于設定閾值的置信度以及屬于“人”這一類別的物體。

?實時標注：檢測到的物體會用邊框框出標注，使用戶能夠直觀地看到視頻流中每個檢測到物體的位置和大小。該應用程序還可以根據(jù)其類別標識對這些物體進行標注。

?隊列區(qū)域定義：用戶可以通過 JSON 文件在視頻畫面中定義特定的區(qū)域(即隊列)。該應用程序會突出顯示這些區(qū)域，并跟蹤其中所包含物體的數(shù)量。

?跟蹤功能：BYTETracker 能夠持續(xù)追蹤檢測到的物體的特征，確保同一物體在穿過攝像機視野的過程中始終保持被追蹤的狀態(tài)。

?動態(tài)更新：隨著攝像頭捕捉到新的畫面，該應用程序會持續(xù)更新標注和追蹤信息，從而提供隊列狀態(tài)的實時畫面。

用例：

?交通管理：監(jiān)控并管理交叉路口或收費亭處的車輛排隊情況。

?活動管理：在活動或場所的排隊區(qū)域追蹤參會人員。

?零售應用：分析零售場所內(nèi)的顧客流動情況和排隊長度。

總的來說，隊列監(jiān)控應用程序增強了有效監(jiān)控和管理隊列的能力，提供了實時數(shù)據(jù)，這些數(shù)據(jù)能夠為決策提供依據(jù)并提高運營效率。

試試看!

克隆項目倉庫

在你的樹莓派上打開一個終端窗口，并運行：

要使用所提供的 JSON 文件運行該應用程序：

“example.json”文件中包含了一個預先定義的矩形。

定義自定義隊列區(qū)域(多個區(qū)域也行)

該項目中提供了一個點選取工具，用戶可以通過點擊區(qū)域的邊緣來定義該區(qū)域。

使用方法：點擊“拍攝圖像”按鈕?？傮w而言，隊列監(jiān)控應用程序增強了有效監(jiān)控和管理隊列的能力，提供實時數(shù)據(jù)，可為決策提供依據(jù)并提高運營效率。然后開始繪制您想要繪制的區(qū)域。僅支持有 4 個頂點的區(qū)域。最后點擊“保存為 json 文件”以保存您的更改。

關于這個人工智能模型的一些說明

本項目所使用的模型為 NanoDet Plus 416x416。物理模型(即二進制文件)將由應用程序的 SDK 自動下載。

GitHub 上的“raspberrypi/imx500-models”這個存儲庫包含了各種類型的物體檢測模型。如果默認的模型無法滿足您特定應用場景的性能要求，您可以更換為其他模型。

警告：更換新機型可能會導致首次啟動應用程序時所需時間變長。

本文編譯自hackster.io