AI開發實踐丨客流分析之未佩戴口罩識別

華為雲開發者聯盟發表於2023-03-03
摘要:透過本教程,我們可以學習客流統計應用的擴充套件——過線客流統計+口罩佩戴識別,可用於商超、寫字樓入口安檢。

本文分享自華為雲社群《客流分析之未佩戴口罩識別》,作者: HiLens_feige 。

疫情雖然過去了,口罩佩戴防護依然十分重要,本文在 基於頭肩部檢測的過線客流統計 博文基礎上增加口罩佩戴檢測功能: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,同時檢查此人是否佩戴口罩;過線前後的人形將使用不同顏色的框表示,畫面中會實時顯示客流數量,若有未佩戴口罩的人也會產生告警。

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:

  1. 參考 此教程 完成裝置的註冊;
  2. 參考 此教程 完成ModelBox SDK的安裝。

 

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_mask_det_yolo7_LCNet

結果中的passenger_flow_mask_det_yolo7_LCNet即為過線客流統計+口罩佩戴識別應用模板,可使用如下命令下載模板:

PS ███> .\solution.bat -s passenger_flow_mask_det_yolo7_LCNet
...

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_mask_det工程

PS ███> .\create.bat -t server -n passenger_flow_mask_det -s passenger_flow_mask_det_yolo7_LCNet
sdk version is modelbox-xxx
success: create passenger_flow_mask_det 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_mask_det工程,工程內容如下所示:

passenger_flow_mask_det
|--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
│  │  |--collapse_multi_face:合併功能單元,將同一張圖的多個人臉的口罩佩戴資料進行合併輸出
│  │  |--draw_passenger_bbox:客流畫圖功能單元
│  │  |--expand_face_images:展開功能單元,將同一張圖的多個人臉檢測框展開為多個輸出
│  │  |--face_condition:條件功能單元,根據圖中是否檢測到人臉輸出不同的分支
│  │  |--merge_track_face_info:將跟蹤資訊與口罩佩戴資訊整合輸出
│  │  |--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_mask_det.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
│  |--mask_cls:口罩佩戴分類推理功能單元
│  │  |--mask_cls.toml:口罩佩戴分類推理功能單元的配置檔案
│  │  |--mask_cls.onnx:口罩佩戴分類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_mask_det工程graph目錄下存放流程圖,預設的流程圖passenger_flow_mask_det.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 flow count and mask detection example using yolo7 and LCNet 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_mask_det {
    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"]
 face_condition[type=flowunit flowunit=face_condition device=cpu deviceid="0"]
 expand_face_images[type=flowunit, flowunit=expand_face_images, device=cpu, deviceid=0]
    image_resize2[type=flowunit, flowunit=resize, device=cpu, deviceid=0, image_width=96, image_height=96]
    color_transpose2[type=flowunit flowunit=packed_planar_transpose device=cpu deviceid="0"]
 mean[type=flowunit flowunit=mean device=cpu deviceid="0" mean="123.675, 116.28, 103.53"]
    normalize2[type=flowunit flowunit=normalize device=cpu deviceid="0" standard_deviation_inverse="0.01742919,0.0175070,0.01712475"]
 mask_cls[type=flowunit, flowunit=mask_cls, device=cpu, deviceid=0]
 collapse_multi_face[type=flowunit, flowunit=collapse_multi_face, device=cpu, deviceid=0]
 merge_track_face_info[type=flowunit, flowunit=merge_track_face_info, 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
 video_decoder:out_video_frame -> face_condition:in_image
 object_tracker:out_track -> face_condition:in_track
 face_condition:no_face -> draw_passenger_bbox:in_image
 face_condition:has_face -> expand_face_images:in_image
 expand_face_images:roi_images -> image_resize2:in_image
    image_resize2:out_image -> color_transpose2:in_image
    color_transpose2:out_image -> mean:in_data
 mean:out_data -> normalize2:in_data
    normalize2:out_data -> mask_cls:input
 mask_cls:output -> collapse_multi_face:in_feat
 collapse_multi_face:out_data -> merge_track_face_info:in_face_info
 face_condition:has_face -> merge_track_face_info:in_image
 merge_track_face_info:out_image -> draw_passenger_bbox:in_image
 draw_passenger_bbox:out_image -> video_out:in_video_frame
}"""

整個應用邏輯較為複雜,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,此時根據是否有人過線並檢測到人臉分成兩個分支,一個分支直接輸出跟蹤資訊,另一個分支將人臉檢測框裁剪出來做口罩佩戴識別,最後將跟蹤資訊與口罩識別結果整合後畫到影像輸出到影片中。應用中使用到了條件功能單元、展開/合併功能單元。

4)核心邏輯

本應用的核心邏輯有幾處:

  • 過線時刻人臉圖片的提取,用於判斷是否佩戴口罩

這一段邏輯體現在 object_tracker 功能單元 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
 track_bboxes = [track.det for track in self.tracker.tracks]
        matches, _, _ = match(face_bboxes, track_bboxes, self.face_cover_ratio, True)
 tracking_objects = []  # 所有跟蹤目標
 face_info = {}  # 剛剛過線的人頭目標對應的人臉框,track_id -> face_bbox
 for ix, track in enumerate(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
 if ix in matches:  # 找到了匹配的人臉框
 face_info[track.track_id] = face_bboxes[matches[ix]]
 tracking_obj["passline"] = track.passline  # 記錄過線資訊
 tracking_objects.append(tracking_obj)
 return tracking_objects, face_info

可以看到,與過線客流統計 中的程式碼相比,此處還做了頭肩部與人臉的匹配,當某頭肩部過線時,若它匹配到了人臉(人臉框在頭肩部框中),將它們進行關聯(使用跟蹤id關聯)。後面的功能單元跟人臉框資訊裁剪出人臉圖片進行口罩佩戴分類。

  • 口罩佩戴資訊的傳遞,用於最後畫圖和生成告警

這一段邏輯體現在 merge_track_face_info 功能單元 merge_track_face_info.py 的 process 函式中:

  def process(self, data_context):
        # 從DataContext中獲取輸入輸出BufferList物件
 in_image = data_context.input("in_image")
 in_face_info = data_context.input("in_face_info")
 out_image = data_context.output("out_image")
        # 迴圈處理每一個輸入Buffer資料
 for buffer_img, buffer_mask in zip(in_image, in_face_info):
            # 獲取輸入影像Buffer的寬、高、通道數等屬性資訊
            width = buffer_img.get('width')
            height = buffer_img.get('height')
            channel = buffer_img.get('channel')
            # 將輸入影像Buffer轉換為numpy物件
 img_data = np.array(buffer_img.as_object(), dtype=np.uint8, copy=False)
 img_data = img_data.reshape(height, width, channel)
            # 提取口罩佩戴資訊,轉換為numpy物件
 mask_info = np.array(buffer_mask.as_object(), copy=False)
            # 提取影像Buffer中附帶的json跟蹤資料,轉換為dict物件
 track_info = json.loads(buffer_img.get("track_info"))
 face_info = json.loads(track_info['face_info'])
 for ix, id in enumerate(face_info):  # 將口罩佩戴資訊更新到人臉資料中
 face_info[id] = int(mask_info[ix])
            # 更新跟蹤資料dict,轉換為json物件
 track_info["face_info"] = json.dumps(face_info)
 buffer_img.set("track_info", json.dumps(track_info))
            # 將輸出Buffer放入輸出BufferList中
 out_image.push_back(buffer_img)
        # 返回成功標誌,ModelBox框架會將資料傳送到後續的功能單元
 return modelbox.Status.StatusCode.STATUS_SUCCESS

可以看到,口罩佩戴資料整合到跟蹤資料中,作為屬性附在圖片上往後傳遞。

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 即可。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):

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:

AI開發實踐丨客流分析之未佩戴口罩識別

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,已過線且未佩戴口罩的使用紅色框,已過線且佩戴口罩的使用藍色框,畫面左上角實時顯示總的過線客流數量,若畫面中有未佩戴口罩的人會輸出告警。

3. 小結

透過本教程,我們學習了客流統計應用的擴充套件——過線客流統計+口罩佩戴識別,可用於商超、寫字樓入口安檢。

 

點選關注,第一時間瞭解華為雲新鮮技術~

相關文章