O modelo de estatísticas de ocupação permite-lhe contar pessoas ou veículos com base em entradas específicas que adiciona em frames de vídeo. Em comparação com o modelo de deteção de veículos com pessoas, o modelo de estatísticas de ocupação oferece funcionalidades avançadas. Estas funcionalidades são a contagem de zonas de atividade, a contagem de atravessamentos de linhas e a deteção de permanência.
- As zonas ativas permitem aos utilizadores contar pessoas ou veículos em zonas específicas definidas pelo utilizador.
- A deteção de atravessamento de linhas permite contabilizar a direção em que um objeto atravessa uma linha específica.
- A deteção do tempo de permanência baseia-se nas zonas de atividade e oferece a capacidade de detetar se os objetos permaneceram ou não numa zona durante um período mínimo.
O modelo aceita uma stream de vídeo como entrada e produz um protocol buffer com uma contagem de pessoas e veículos detetados em cada frame. O modelo é executado a seis FPS.
Exemplo de utilização: estatísticas de tráfego de cidades inteligentes
O vídeo seguinte mostra como pode usar o Vertex AI Vision para criar, compilar e implementar uma aplicação de estatísticas de ocupação.
Esta aplicação usa um modelo que conta os carros que atravessam linhas em cruzamentos que o utilizador especifica naGoogle Cloud consola. Além disso, a aplicação usa um modelo de esbatimento de pessoas para proteger a identidade de qualquer pessoa que apareça nas fontes de feeds de vídeo.
A aplicação envia dados analisados para o Media Warehouse do Vertex AI Vision para armazenamento de multimédia e também para o BigQuery para armazenar dados estruturados numa tabela. O armazém permite-lhe pesquisar dados armazenados com base em critérios dos modelos, como o número de veículos ou pessoas. Os dados da tabela no BigQuery permitem-lhe consultar os dados para obter informações analíticas.
Saída do modelo
A deteção de pessoas e veículos mostra o número de pessoas e veículos detetados no frame processado atual. O tipo de contagem baseia-se na entrada de anotações fornecida pelo utilizador. Os resultados de deteção e acompanhamento não processados também estão no resultado. Segue-se a definição do protocol buffer do resultado do processador. A frequência da stream de saída é constante: três frames por segundo.
// The prediction result proto for Person/Vehicle Detection.
message OccupancyCountingPredictionResult {
// Current timestamp.
google.protobuf.Timestamp current_time = 1;
// The entity info for annotations from the processor.
message Entity {
// Label id.
int64 label_id = 1;
// Human readable string of the label.
string label_string = 2;
}
// Identified box contains location and the entity of the object.
message IdentifiedBox {
// An unique id for this box.
int64 box_id = 1;
// Bounding Box in the normalized coordinates.
message NormalizedBoundingBox {
// Min in x coordinate.
float xmin = 1;
// Min in y coordinate.
float ymin = 2;
// Width of the bounding box.
float width = 3;
// Height of the bounding box.
float height = 4;
}
// Bounding Box in the normalized coordinates.
NormalizedBoundingBox normalized_bounding_box = 2;
// Confidence score associated with this box.
float score = 3;
// Entity of this box.
Entity entity = 4;
// A unique id to identify a track. It must be consistent across frames.
// It only exists if tracking is enabled.
int64 track_id = 5;
}
// A list of identified boxes.
repeated IdentifiedBox identified_boxes = 2;
// The statistics info for annotations from the processor.
message Stats {
// The object info and count for annotations from the processor.
message ObjectCount {
// Entity of this object.
Entity entity = 1;
// Count of the object.
int32 count = 2;
}
// Counts of the full frame.
repeated ObjectCount full_frame_count = 1;
// Message for Crossing line count.
message CrossingLineCount {
// Line annotation from the user.
StreamAnnotation annotation = 1;
// The direction that follows the right hand rule.
repeated ObjectCount positive_direction_counts = 2;
// The direction that is opposite to the right hand rule.
repeated ObjectCount negative_direction_counts = 3;
}
// Crossing line counts.
repeated CrossingLineCount crossing_line_counts = 2;
// Message for the active zone count.
message ActiveZoneCount {
// Active zone annotation from the user.
StreamAnnotation annotation = 1;
// Counts in the zone.
repeated ObjectCount counts = 2;
}
// Active zone counts.
repeated ActiveZoneCount active_zone_counts = 3;
}
// Detection statistics.
Stats stats = 3;
// The track info for annotations from the processor.
message TrackInfo {
// A unique id to identify a track. It must be consistent across frames.
string track_id = 1;
// Start timestamp of this track.
google.protobuf.Timestamp start_time = 2;
}
// The dwell time info for annotations from the processor.
message DwellTimeInfo {
// A unique id to identify a track. It must be consistent across frames.
string track_id = 1;
// The unique id for the zone in which the object is dwelling/waiting.
string zone_id = 2;
// The beginning time when a dwelling object has been identified in a zone.
google.protobuf.Timestamp dwell_start_time = 3;
// The end time when a dwelling object has exited in a zone.
google.protobuf.Timestamp dwell_end_time = 4;
}
// Track related information. All the tracks that are live at this timestamp.
// It only exists if tracking is enabled.
repeated TrackInfo track_info = 4;
// Dwell time related information. All the tracks that are live in a given
// zone with a start and end dwell time timestamp
repeated DwellTimeInfo dwell_time_info = 5;
}Práticas recomendadas e limitações
- Evite pontos de vista invulgares da câmara (por exemplo, uma vista de cima) em que as pessoas e os veículos aparecem de forma diferente de uma vista padrão ou comum dos mesmos. A qualidade da deteção pode ser bastante afetada por visualizações invulgares.
- Certifique-se de que as pessoas e os veículos estão total ou maioritariamente visíveis. A qualidade da deteção pode ser afetada pela oclusão parcial de outros objetos.
- O detetor de veículos com pessoas tem um tamanho mínimo de objeto detetável. Este tamanho é de aproximadamente 2% relativamente ao tamanho da vista da câmara. Certifique-se de que as pessoas e os veículos-alvo não estão demasiado afastados da câmara. Os tamanhos visíveis destes objetos principais têm de ser suficientemente grandes.
- As áreas de interesse têm de ter iluminação adequada.
- Certifique-se de que a lente da câmara de origem do vídeo está limpa.
- Certifique-se de que as entidades (exceto pessoas ou carros) não obstruem nenhuma parte do campo de visão da câmara.
- Os seguintes fatores podem prejudicar o desempenho do modelo. Considere estes fatores quando obtiver dados:
- Condições de iluminação deficientes.
- Aglomerados e oclusões de objetos.
- Pontos de vista invulgares ou menos comuns.
- Tamanhos de objetos pequenos.