Guia de estatísticas de ocupação

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.