Иногда у нас встречаются задачи по подсчету клиентопотока. Мы можем считать очереди, заполнение общественных мест и т.д.
Представим, что нам поставили задачу посчитать поток машин в определенном месте в разное время. На ум приходит только то, что человеку фактически придется вручную произвести примерный расчет по тем или иным показателям.
Давайте попробуем автоматизировать данную задачу, так как на текущий момент у нас есть огромное количество инструментов и вычислительных мощностей.
Для начала определимся с источником видеозаписей. Для примера можно взять портал https://weacom.ru/cams. На данном портале размещены в общий доступ различные камеры, которые имеют качественное изображение и хорошее расположение (отлично видно дорогу и автомобили)
Данная камера отлично подойдет для примера, после попробуем усложнить задачу.
Чтобы получить кадры с камеры, нам необходимо подключиться к потоку самой камеры. Заходим в исходный код и находим ссылку на видеопоток с текущей камеры.
Программа для учёта в магазине АВТОЗАПЧАСТЕЙ! Просто! Удобно! БЕСПЛАТНО!!!
Имея данную ссылку, мы можем с использованием Python и OpenCV получать кадры с данного потока.
import cv2 import time video_stream_widget = cv2.VideoCapture(‘https://cctv.baikal-telecom.net/Akademmost-2/index.m3u8’) video_stream_widget.set(cv2.CAP_PROP_FPS, 5) success, frame = video_stream_widget.read() prev = 0 print(video_stream_widget.get(cv2.CAP_PROP_FPS)) while success: time_elapsed = time.time() — prev success, frame = video_stream_widget.read() if time_elapsed > 1. / 5: prev = time.time() cv2.imshow(‘Weacom’, cv2.resize(frame, (1280, 1080))) cv2.waitKey(20) key = cv2.waitKey(1) if key == ord(‘s’): video_stream_widget.capture.release() cv2.destroyAllWindows() exit(1)
Так как у нас поток идет быстрее, чем мы успеваем считывать кадры, принудительно замедляем поток до необходимого нам значения, примерно раз в секунду.
Теперь, когда у нас есть кадры, наша задача — применить алгоритм для слежения за автомобилями. Для этого возьмем связку Yolo + Deepsort.
В качестве готовой реализации воспользуемся — https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch. Данный репозиторий в целом уже содержит все, что нам нужно, останется только перенести его себе и доработать под задачу.
Для начала склонируем репозиторий:
>> git clone —recurse-submodules https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch.git
И установим все необходимые библиотеки:
>> pip install -r requirements.txt
Так как yolo обучена на MS Сoco датасете, нам необходимо оставить в распознавании только те классы, которые нам нужны, а именно bus, car, truck. Изменим конфигурацию на классы 4 6 8.
Запустим код из коробки – посмотрим результат работы. Ради интереса попробовал запустить на другой рандомной камере:
python track.py —source https://cctv1.dreamnet.su:8090/hls/275779/8c728f28f72aea02c41d/playlist.m3u8 —classes 2 5 7 —show-vid
Как посчитать расходы на авто? Программа для учета затрат на автомобиль.
В целом мы видим, что алгоритм работает, слежение идет. Некоторое время понаблюдав за алгоритмом, я закрыл окно.
Вспоминаем нашу задачу – нам нужно посчитать трафик за определенный период времени.
Визуально алгоритм вроде бы уже это делает – но на самом деле точность алгоритма страдает сильно – проставленные id уже явно превышают количество визуально видимых авто.
В таком случае нам необходимо просто добавить счетчики на каждый новый ID.
Для этого внесем в track.py изменения:
Добавляем все уникальные id выявленных машин в список:
for j, (output, conf) in enumerate(zip(outputs, confs)): bboxes = output[0:4] cls = output[5] ids_list.append(id)
А в конце просто убираем дубликаты и выводим длину списка
print(len(list(set(ids_list))))
Запустим алгоритм еще раз – посмотрим на результаты – выглядит уже лучше.
В целом данный алгоритм можно оставить для тестирования.
В следующих статьях рассмотрим мультипоточное отслеживание потоков с разных камер.
Источник: habr.com
Скачать Автотранспорт 16.06 от 07.01.2022
Microsoft Office для дома и бизнеса 2010 — набор важнейших приложений, необходимых для управления малым бизнесом и работы на дому.
Абак — программа для составления смет и актов выполненных работ в упрощенном варианте. В результате работы создается документ в формате 6-и графки.
Мини-Гараж — простая и удобная программа для автоматизации работы небольших автосервисов, автомастерских, СТО и т.д.
Учет пациентов — Программа предназначена для ведения базы данных пациентов, результатов обследований, историй болезней, заключений.
Простая в использовании программа, которая предназначена для учета и регистрации.
Регистрация документов организации — программа предназначена для регистрации и ведения.
Источник: www.softportal.com
Интеллектуальная транспортная система
Расчёт нагрузки на тот или иной участок дороги – непростая задача, которая имеет широкое практическое применение.
Долгое время для сбора подобной статистики использовались устаревшие методы ручного подсчета, в том числе, и по дорожным камерам, однако с разработкой автоматизированных систем подсчета точность вычислений существенно увеличилась, а затраты времени сократились. Но это далеко не единственные преимущества такого метода.
Анализ количества автомобилей
Программа для подсчета автомобилей на дороге посредством задействования нейронной сети, обученной специалистами Neurocore, представляет собой полностью автоматизированный модуль, который требует минимального вмешательства человека. Разделить полосы и посчитать количество автомобилей в каждом из направлений, учесть множество факторов и работать в соответствии с заданными настройками, вот на что способны такие системы.
Даже при большом потоке машин погрешность стремится к нулю, что позволяет решать более сложные инженерные задачи.
Существенно увеличивается не только скорость сбора данных, но и их обработки. Что немаловажно, распознавание дорожного движения позволяет подсчитать нагрузку на труднодоступные участки дороги, которых в странах с большой площадью остается немало и сегодня. Аналитика на шоссе, где нет дорожных или городских камер наблюдения, в местах где невозможно установить стационарный наблюдательный пост, именно в таких районах особенно необходимо использование автоматизированной системы подсчета автомобилей. Считать количество машин можно использовать как в реальном времени, так и с пост обработкой видеозаписей.
Подробнее про модуль анализа траффика
Свяжитесь с нами для получения дополнитиельной информации
Попробовать
Область применения системы анализа трафика
К числу преимуществ использования такого метода подсчета автозагрузки на определённый участок относится и расширение сферы применения. Работы такого типа и соответствующие вычисления должны предшествовать:
Проектированию новой дороги
Планированию разметки и установки знаков
Планированию строительства в некоторых зонах
Если ручные подсчеты позволяли получить только примерные сведения, то автоматизированная система сбора и обработки данных позволяет получить точные параметры, которые можно использовать в инженерных работах без лишних допусков. Расчёт механической нагрузки, пределов прочности, даже уровня влияния на экологическую среду определённого района – вот только небольшой переченьтех актуальных задач, которые можно решать с минимальными затратами после внедрения новой системы подсчета количества автомобилей. Систему можно использовать и в других местах:
на парковках;
Оптимизация нагрузки на дорожное полотно;
Непрерывный анализ дорожных происшествий для контроля и отслеживания ЧП;
Сокращение вредных выделений в атмосферу;
Умные светофоры
Трафик в городской среде регулируется светофорами, которые чаще всего настроены не эффективно. Архаичность данной системы лежит в ее фиксированном цикле управления. Это влияет на большое количество людей, т.к. затрагивает не только водителей, но и пешеходов.
В ходе проведенного исследования выявлено, что большинство городов России используют систему, основанную на правилах. Также отсутствует единый подход к сбору информации и управления дорожно-транспортной системой.
Наше предложение включает метод изучения функции, которая выводит соответствующие правила, учитывая текущую ситуацию с дорожным движением в качестве исходных данных. Например, мы хотели бы выбрать дорогу, чтобы закрыть ее, чтобы избежать заторов. Закрытие дороги может уменьшить скопление, направляя движение по разным дорогам. Это явление известно, как парадокс Брассе. Кроме того, закрытие дороги в одном направлении может обеспечить лучший поток в противоположном направлении.
Научная новизна решения
Научную новизну данной тематики подчеркнем путем исследования публикаций. Общепринятые подходы, как правило не предусматривают получение статистики с дорог с помощью камер, а вместо этого используют сенсоры, микрофоны, сообщения сотрудников. В отличии от этого описанный метод предлагаетматематическую обработку информации с ранее установленных камер (каких в Москве только порядка 180 тыс.). Из-за большого технологического и инженерного скачка в режиме реального времени выполнять подсчет пешеходов и автомобилей разного типа не составит никакого труда.
Исследование по данной проблеме проводятся регулярно, раз в месяц можно увидеть, как минимум одну работу, относящуюся к данной проблеме. Вот несколько основных, которые вышли за последний год:
Learning Short-Cut Connections for Object Counting(Daniel Oñoro-Rubio, Mathias Niepert, Roberto J. López-Sastre), Finding Appropriate Traffic Regulations via Graph Convolutional Networks (Tomoharu Iwata, Takuma Otsuka, Hitoshi Shimizu, Hiroshi Sawada, Futoshi Naya, Naonori Ueda), A Theory of Traffic Regulators for Deterministic Networks with Application to Interleaved Regulators (Jean-Yves Le Boudec), Game Theoretic Analysis of Road User Safety Scenarios Involving Autonomous Vehicles(Umberto Michieli, Leonardo Badia).
Источник: neuro-core.ru