摘要:透過本教程,我們學習了另一類客流統計應用——過線客流統計,通常用於室內出入口,攝像頭會架設在高處俯拍,使用頭肩部檢測可以減少人與人之間的遮擋。
本文分享自華為雲社群《客流分析之基於頭肩部檢測的過線客流統計》,作者:HiLens_feige 。
1.基於頭肩部檢測的過線客流統計
除了劃區域客流統計之外,另一類常見的客流統計場景是過線客流統計,本文介紹基於頭肩部檢測的過線客流統計技能:採用頭肩部檢測人形並進行跟蹤,當頭肩部中心點跨過事先劃定的線段時,增加客流計數;過線前後的人形將使用不同顏色的框表示,畫面中也會實時顯示客流數量。
準備工作
本文將使用華為雲ModelArts進行人形檢測模型的訓練,並使用ModelBox框架進行應用開發,使用前開發者需要完成如下準備工作:
2.技能開發
這個應用對應的ModelBox版本已經做成模板放在華為雲OBS中,可以用sdk中的solution.bat工具下載,接下來我們給出該應用在ModelBox中的完整開發過程:
1)下載模板
執行.\solution.bat -l可看到當前公開的技能模板:
PS ███> .\solution.bat -l
...
Solutions name:
mask_det_yolo3
...
passenger_flow_head_det_yolo7
結果中的passenger_flow_head_det_yolo7即為基於頭肩部檢測的過線客流統計應用模板,可使用如下命令下載模板:
PS ███> .\solution.bat -s passenger_flow_head_det_yolo7
...
solution.bat工具的引數中,-l 代表list,即列出當前已有的模板名稱;-s 代表solution-name,即下載對應名稱的模板。下載下來的模板資源,將存放在ModelBox核心庫的solution目錄下。
2)建立工程
在ModelBox sdk目錄下使用create.bat建立passenger_flow工程
PS ███> .\create.bat -t server -n passenger_flow -s passenger_flow_head_det_yolo7 sdk version is modelbox-xxx success: create passenger_flow in ███\modelbox\workspace
create.bat工具的引數中,-t 表示建立事務的類別,包括工程(server)、Python功能單元(Python)、推理功能單元(infer)等;-n 代表name,即建立事務的名稱;-s 代表solution-name,表示將使用後面引數值代表的模板建立工程,而不是建立空的工程。
workspace目錄下將建立出passenger_flow工程,工程內容如下所示:
passenger_flow |--bin │ |--main.bat:應用執行入口 │ |--mock_task.toml:應用在本地執行時的輸入輸出配置,此應用預設使用本地影片檔案為輸入源,最終結果輸出到另一本地影片檔案,可根據需要修改 |--CMake:存放一些自定義CMake函式 |--data:存放應用執行所需要的圖片、影片、文字、配置等資料 │ |--passenger_flow.mp4:客流統計測試用影片檔案 │ |--simsun.ttc:中文字型庫 |--dependence │ |--modelbox_requirements.txt:應用執行依賴的外部庫在此檔案定義,本應用依賴pillow工具包 |--etc │ |--flowunit:應用所需的功能單元存放在此目錄 │ │ |--cpp:存放C++功能單元編譯後的動態連結庫,此應用沒有C++功能單元 │ │ |--draw_passenger_bbox:客流畫圖功能單元 │ │ |--object_tracker:目標跟蹤功能單元 │ │ |--yolov7_post:頭肩部檢測使用的是YOLO7模型,此處即為後處理功能單元 |--flowunit_cpp:存放C++功能單元的原始碼,此應用沒有C++功能單元 |--graph:存放流程圖 │ |--passenger_flow.toml:預設流程圖,使用本地影片檔案作為輸入源 │ |--modelbox.conf:modelbox相關配置 |--hilens_data_dir:存放應用輸出的結果檔案、日誌、效能統計資訊 |--model:推理功能單元目錄 │ |--head_detection:頭肩部檢測推理功能單元 │ │ |--head_detection.toml:頭肩部檢測推理功能單元的配置檔案 │ │ |--head_det_yolo7_lite_224x352.onnx:頭肩部檢測onnx模型 |--build_project.sh:應用構建指令碼 |--CMakeLists.txt |--rpm:打包rpm時生成的目錄,將存放rpm包所需資料 |--rpm_copyothers.sh:rpm打包時的輔助指令碼
3)檢視流程圖
passenger_flow工程graph目錄下存放流程圖,預設的流程圖passenger_flow.toml與工程同名,其內容為(以Windows版ModelBox為例):
[driver] # 功能單元的掃描路徑,包含在[]中,多個路徑使用,分隔 # ${HILENS_APP_ROOT} 表示當前應用的實際路徑 # ${HILENS_MB_SDK_PATH} 表示ModelBox核心庫的實際路徑 dir = [ "${HILENS_APP_ROOT}/etc/flowunit", "${HILENS_APP_ROOT}/etc/flowunit/cpp", "${HILENS_APP_ROOT}/model", "${HILENS_MB_SDK_PATH}/flowunit", ] skip-default = true [profile] # 透過配置profile和trace開關啟用應用的效能統計 profile = false # 是否記錄profile資訊,每隔60s記錄一次統計資訊 trace = false # 是否記錄trace資訊,在任務執行過程中和結束時,輸出統計資訊 dir = "${HILENS_DATA_DIR}/mb_profile" # profile/trace資訊的儲存位置 [flow] desc = "passenger detection using head-shoulder detection with yolov7 for local video or rtsp video stream" # 應用的簡單描述 [graph] format = "graphviz" # 流程圖的格式,當前僅支援graphviz graphconf = """digraph passenger_flow { node [shape=Mrecord] queue_size = 4 batch_size = 1 # 定義節點,即功能單元及其屬性 input1[type=input,flowunit=input,device=cpu,deviceid=0] data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0] video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0] video_decoder[type=flowunit, flowunit=video_decoder, device=cpu, deviceid=0, pix_fmt="rgb"] resize[type=flowunit flowunit=resize device=cpu deviceid="0" image_width=352, image_height=224] color_transpose[type=flowunit flowunit=packed_planar_transpose device=cpu deviceid="0"] normalize[type=flowunit flowunit=normalize device=cpu deviceid="0" standard_deviation_inverse="0.0039215686,0.0039215686,0.0039215686"] head_detection[type=flowunit flowunit=head_detection device=cpu deviceid="0"] yolov7_post[type=flowunit flowunit=yolov7_post device=cpu deviceid="0"] object_tracker[type=flowunit, flowunit=object_tracker, device=cpu, deviceid=0] draw_passenger_bbox[type=flowunit, flowunit=draw_passenger_bbox, device=cpu, deviceid=0] video_out[type=flowunit flowunit=video_out device=cpu deviceid="0"] # 定義邊,即功能間的資料傳遞關係 input1:input -> data_source_parser:in_data data_source_parser:out_video_url -> video_demuxer:in_video_url video_demuxer:out_video_packet -> video_decoder:in_video_packet video_decoder:out_video_frame -> resize:in_image resize:out_image -> color_transpose:in_image color_transpose:out_image -> normalize:in_data normalize:out_data -> head_detection:input head_detection:output -> yolov7_post:in_feat yolov7_post:out_data -> object_tracker:in_bbox object_tracker:out_track -> draw_passenger_bbox:in_track video_decoder:out_video_frame -> draw_passenger_bbox:in_image draw_passenger_bbox:out_image -> video_out:in_video_frame }"""
整個應用邏輯比較簡單,影片解碼後做影像預處理,接著是頭肩部檢測,模型後處理得到頭肩框,送入跟蹤演算法進行實時跟蹤與過線判斷,最後將跟蹤資訊畫到影像輸出到影片中。
4)核心邏輯
本應用的核心邏輯是跟蹤與過線判斷,體現在 object_tracker 功能單元中,它是一個Stream功能單元,Stream功能單元的概念和案例可以參考 ModelBox AI應用開發——Stream功能單元 。
object_tracker 功能單元的實現程式碼在object_tracker.py和easy_tracker.py檔案中,目標跟蹤演算法 EasyTracker 根據IoU使用貪心法進行匹配,過線判斷邏輯在object_tracker.py的 get_tracking_objects 函式中:
def get_tracking_objects(self, line_y): '''從跟蹤器中獲取跟蹤目標,儲存到結構化資料中''' def _is_pass_line(bbox, line_y): '''根據檢測框的中心點與線段的水平位置關係判斷是否過線''' center_y = (bbox[1] + bbox[3]) / 2 return center_y > line_y tracking_objects = [] # 所有跟蹤目標 for track in self.tracker.tracks: # 只記錄CONFIRMED狀態的跟蹤目標 if track.state != EasyTracker.TrackingState.CONFIRMED: continue tracking_obj = {} # 使用字典儲存跟蹤目標 tracking_obj["id"] = track.track_id # 跟蹤id tracking_obj["bbox"] = track.det # 跟蹤框 if not track.passline and _is_pass_line(track.det, line_y): # 剛好過線 track.passline = True self.flow_count += 1 tracking_obj["passline"] = track.passline # 記錄過線資訊 tracking_objects.append(tracking_obj) return tracking_objects
可以看到,應用做了簡化處理,假設過線統計的線段為水平線段,使用檢測框的中心點y座標與線段的y座標比較判斷是否過線。此處開發者可以進行修改擴充套件,使得應用可以支援非水平線段的過線判斷。
5)三方依賴庫
本應用中的畫圖功能單元以來 pillow 工具包以實現中文輸出,ModelBox應用不需要手動安裝三方依賴庫,只需要配置在 dependence\modelbox_requirements.txt ,應用在編譯時會自動安裝。另外,中文輸出還需要對應的字型庫,存放在 data 目錄下,畫圖功能單元初始化時將從此目錄載入資源。
6)檢視輸入輸出配置
檢視任務配置檔案bin/mock_task.toml,可以看到其中的任務輸入和任務輸出配置為如下內容::
[input] type = "url" url = "${HILENS_APP_ROOT}/data/passenger_flow.mp4" # 表示輸入源為本地影片檔案 [output] type = "local" url = "${HILENS_APP_ROOT}/hilens_data_dir/passenger_flow_result.mp4" # 表示輸出為本地影片檔案
即,使用本地影片檔案data/passenger_flow.mp4作為輸入,統計過線客流後,畫圖輸出到本地影片檔案data/passenger_flow_result.mp4中。
7)用啟動指令碼執行應用
啟動應用前執行.\build_project.sh進行工程構建,該指令碼將編譯自定義的C++功能單元(本應用不涉及)、將應用執行時會用到的配置檔案轉碼為Unix格式(防止執行過程中的格式錯誤)、安裝第三方依賴庫:
PS ███> .\build_project.sh
...
PS ███>
然後執行.\bin\main.bat執行應用:
PS ███> .\bin\main.bat
...
執行結束後在hilens_data_dir目錄下生成了passenger_flow_result.mp4檔案,可以開啟檢視:
可以看到,黃色線段即為過線統計的水平線段,未過線的人使用灰色框標記其頭肩部,已過線的使用藍色框,畫面左上角實時顯示總的過線客流數量。
3.小結
透過本教程,我們學習了另一類客流統計應用——過線客流統計,通常用於室內出入口,攝像頭會架設在高處俯拍,使用頭肩部檢測可以減少人與人之間的遮擋。