Aidlux实践-快速实现街道人流量统计系统

孙百度

已于 2022-10-31 10:25:26 修改

阅读量1.7k

点赞数 1

文章标签： pytorch 深度学习

于 2022-10-30 21:08:42 首次发布

本文链接：https://blog.csdn.net/sun123_123/article/details/127603880

版权

背景

之前通过公众号了解到了Aidlux,机缘巧合的情况下参加了『In AidLux，To AIoT』AI应用案例征集活动，在活动过程中，初识了Aidlux平台，该平台可以极大的方便深度学习落地，为智慧工厂，智慧交通等提供了快捷的落地方案。
本人最近因为公司需要，开始入门深度学习领域，随着一点点的深入，感觉深度学习是十分有意思的一个学科。关注了很多从事机器学习，深度学习这方面的博客，公众号等。在学习过程中，学习到了江大白老师的《万字长文手把手教你YoloV5制作家庭安防告警系统》，满满的干货，里面的技术要点清晰明了，对于刚入门深度学习的技术人员十分友好。随着学习的深入，参加了最近Aidlux组织，由江大白老师主讲的Aidlux&AI实战训练营，在本次学习中学习了越界识别功能，由人体检测+人体追踪+目标检测组成，本篇博文记录一下开发过程中是如何一步步实现越界识别功能

运行环境

硬件环境	软件环境
Windows系统电脑	LabelImg
安卓手机	YOLOV5
	喵提醒SDK
	Aidiux

总体功能

该系统实现的主要功能需求如下：

（1）数据采集与预处理：

Yolov5 目标检测有部署简单、速度快、易上手等优点。本系统选择 Yolov5 系列中深度最小，特征图宽度最小的 Yolov5n。本系统需要实现对复杂场景中的行人视频进行采集，数据来源有两部分，一部分是使用安卓手机的摄像机进行实时录像和检测，还有一部分是从网络中收集的MOT16视频数据集-东京街道人流量统计的公开数据集(注：来源于旷视的Crowdhuman数据集)，然后使用labelImg对采集得到的照片标注然后将标注完成的数据输入YOLOv5目标检测模型中，提取人体特征，训练得到行人模型。

（2）行人检测：

本模块主要是使用上一步得到的行人模型进行推理。

（3）人体轨迹追踪：

常规来说，⽬标追踪主要分成两个类别：⼀种是多⽬标追踪，⼀种是单⽬标追踪。两者的区别从字⾯意思上也很好理解，多⽬标追踪主要是针对视频中所有的⽬标都进⾏检测+追踪分析。本博文讲的越界识别，主要是监测视频画⾯中，某⼀个区域是否有⼈越界的情况。并且这时的相机采⽤的主要是固定枪机摄像头，相机⻆度是不变的，且监测的是多个⼈，因此我们主要采⽤多⽬标检测的方法，即MOT（Multi-Object Tracking）。

（3）结果展示：

最后通过喵提醒SDK，把越界的人员数量实时推送的相关人员的微信上，进行快速的响应及处理

功能模块设计

（1）LabelImg

Labelimg是一款可视化图片标注工具，YOLOV5目标检测网络所需要的人体数据集,均需要借此工具标定图像中的目标，生成的txt文件是遵循YOLOV5格式的。从github上下载源码后，安装PyQt+lxml,运行labelimg.py即可打开窗口，进行数据标注工作。本次使用的labelImg，进行了二次开发，优化了整体布局样式，汉化了界面，新增了自动标注，格式转换等新功能（想要的伙伴，可以关注我一下，私信获取）
在这里插入图片描述

（2）YOLOV5
在这里插入图片描述

YOLOV5模型框架图

YOLOV5是在 COCO 数据集上预训练的一系列对象检测架构和模型，代表Ultralytics 对未来视觉 AI 方法的开源研究（官方解释）。从github上下载源码后，安装requirements.txt文件中程序运行所依赖的python包后，导入自定义训练数据集，调整对应的参数后，运行train.py和detect.py进行自定义模型的训练及推理,运行export可以转换为多种类型的模型文件。（最新YOLOV5版本已更新至V6.2版本，新增图片分类模型，及训练代码）

训练完成后，推理效果
在这里插入图片描述

（3）多目标检测：

多目标追踪算法包括：sort多目标算法、deepsort多目标检测算法、Bytetrack多目标检测算法。该博文中我们使用最后一个多目标检测算法-Bytetrack，该算法会尽量减少人物之间的遮挡而带来的目标的丢失
三者多⽬标追踪其中涉及了⼤量的逻辑⽅式，⼤家感兴趣也可以好好研究下，也找了⼀些不错的⽂章，可以参考：
（1）带你⼊⻔多⽬标跟踪（⼀）领域概述 7
（2）带你⼊⻔多⽬标跟踪（⼆）SORT&DeepSORT
（3）带你⼊⻔多⽬标跟踪（三）匈⽛利算法&KM算法
 （4）带你⼊⻔多⽬标跟踪（四）外观模型 Appearance Model
（5）ByteTrack: Multi-Object Tracking by Associating Every Detection Box阅读笔记
当然，客观来说，多⽬标追踪在遮挡情况下，还存在很多的交错丢失的问题，这也是业内⽬前的⼀个研究瓶颈。

以越界识别为例子，我们主要是设置一个感兴趣的区域，比如下图中绿色区域，当感兴趣的区域内识别到人体的时候，就要重点关注，完成技术功能，（可以使用画图功能，确定区域在图片中的坐标信息）
在这里插入图片描述

当⼈体在线段的下⽅时，⼈体状态是-1 。当⼈体在线段的上⽅时，⼈体状态是 1。我们这⾥主要统计从- 1 ，到 1 区域的⼈流的数量。
在这里插入图片描述

（4）喵提醒

完成越界人员统计后，需要一个工具将数据信息推送到相应人员的手机上，能实时收到应急消息，这个功能可以通过喵提醒公众号来实现，喵提醒是一个提供提醒服务的微信公众号。用户在这创建提醒后可以得到一个网址,将网址交给提供服务的开发者,开发者只需访问这个网址就能给用户发送手机提醒，十分的方便。

（5）AidLux

是基于ARM架构的跨生态（Android/鸿蒙+Linux）一站式AIoT应用快速开发和部署平台APP。通过共享 Linux 内核实现Android 和 Linux 生态融合，为单一设备同时提供Android和Linux运行环境，集成国际主流AI框架和多种开发环境、后台服务程序、编译器及图形开发组件，无须配置开箱即用，极大地简化了开发步骤；自主研发的AI智能加速技术可实现CPU+GPU+NPU智能加速，大幅提高AI应用运行效率；平台广泛而深度的适配外设接口，省去大量调试工作；内置完整的跨平台桌面和命令行终端连接（SSH），一个平台完成多终端协同开发、测试、部署。将上述整合后的代码上传后，运行即可。通过软件商城下载搜索即可。
在这里插入图片描述

此时调用手机摄像头开始监控，当检测人员越界后，会接收到一条数据信息，查看人员计数情况

完整代码

# aidlux相关
# 下面的utils函数包和track函数包要到公众号“AidLUx”上回复lesson5
from cvs import *
import aidlite_gpu
from utils import detect_postprocess, preprocess_img, draw_detect_res, scale_coords, process_points, is_in_poly, \
    is_passing_line
import cv2
# bytetrack
from track.tracker.byte_tracker import BYTETracker
from track.utils.visualize import plot_tracking
import requests  # 库的引用
import time

# 加载模型
model_path = '/home/lesson4_codes/aidlux/best-fp16.tflite'
in_shape = [1 * 640 * 640 * 3 * 4]
out_shape = [1 * 25200 * 6 * 4]

# 载入模型
aidlite = aidlite_gpu.aidlite()
# 载入yolov5检测模型
aidlite.ANNModel(model_path, in_shape, out_shape, 4, 0)
# 初始化文件
tracker = BYTETracker(frame_rate=30)
track_id_status = {}
cap = cvs.VideoCapture("/home/aidlux/person.mp4")
frame_id = 0
count_person = 0
while True:
    frame = cap.read()
    if frame is None:
        print("Camera is over!")
        # 填写对应的喵码
        id = 'xxxxx'
        # 填写喵提醒中，发送的消息，这里放上前面提到的图片外链
        text = "越界人流统计:" + str(count_person)
        ts = str(time.time())  # 时间戳
        type = 'json'  # 返回内容格式
        request_url = "http://miaotixing.com/trigger?"
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.67 Safari/537.36 Edg/87.0.664.47'}
        result = requests.post(request_url + "id=" + id + "&text=" + text + "&ts=" + ts + "&type=" + type,
                               headers=headers)
        break
    frame_id += 1
    if frame_id % 3 != 0:
        continue
    # 预处理
    img = preprocess_img(frame, target_shape=(640, 640), div_num=255, means=None, stds=None)
    # 数据转换：因为setTensor_Fp32()需要的是float32类型的数据，所以送入的input的数据需为float32,大多数的开发者都会忘记将图像的数据类型转换为float32
    aidlite.setInput_Float32(img, 640, 640)
    # 模型推理API
    aidlite.invoke()
    # 读取返回的结果
    pred = aidlite.getOutput_Float32(0)
    # 数据维度转换
    pred = pred.reshape(1, 25200, 6)[0]
    # 模型推理后处理
    pred = detect_postprocess(pred, frame.shape, [640, 640, 3], conf_thres=0.4, iou_thres=0.45)
    # 绘制推理结果
    res_img = draw_detect_res(frame, pred)

    # 目标追踪相关功能
    det = []
    # Process predictions
    for box in pred[0]:  # per image
        box[2] += box[0]
        box[3] += box[1]
        det.append(box)
    if len(det):
        # Rescale boxes from img_size to im0 size
        online_targets = tracker.update(det, [frame.shape[0], frame.shape[1]])
        online_tlwhs = []
        online_ids = []
        online_scores = []
        # 取出每个目标的追踪信息
        for t in online_targets:
            # 目标的检测框信息
            tlwh = t.tlwh
            # 目标的track_id信息
            tid = t.track_id
            online_tlwhs.append(tlwh)
            online_ids.append(tid)
            online_scores.append(t.score)
            # 针对目标绘制追踪相关信息
            res_img = plot_tracking(res_img, online_tlwhs, online_ids, 0, 0)

            # 1.绘制统计人流线
            lines = [[167, 541], [1191, 539]]
            cv2.line(res_img, (167, 541), (1191, 539), (255, 255, 0), 3)

            # 2.计算得到人体下方中心点的位置（人体检测监测点调整）
            pt = [tlwh[0] + 1 / 2 * tlwh[2], tlwh[1]]  # 以人头为识别点

            # 3人体和违规线的判断（状态追踪）
            track_info = is_passing_line(pt, lines)

            if tid not in track_id_status.keys():
                track_id_status.update({tid: [track_info]})
            else:
                if track_info != track_id_status[tid][-1]:
                    track_id_status[tid].append(track_info)

            # 4.判断是否有track_id越界，有的话保存成图片
            # 当某个track_id的状态，上一帧是-1，但是这一帧是1时，说明越界了
            if track_id_status[tid][-1] == 1 and len(track_id_status[tid]) > 1:
                # 判断上一个状态是否是-1，是否的话说明越界，为了防止继续判别，随机的赋了一个3的值
                if track_id_status[tid][-2] == -1:
                    track_id_status[tid].append(3)
                    # cv2.imwrite("overstep.jpg",res_img)
                    count_person += 1  # 之前已经定义count_person=0，不然会报未定义的错

                # 5.再判断当前一个状态为1，后一个状态为-1时的情况
            if track_id_status[tid][-1] == -1 and len(track_id_status[tid]) > 1:
                # 判断上一个状态是否是1，是否的话说明越界，为了防止继续判别，随机的赋了一个3的值
                if track_id_status[tid][-2] == 1:
                    track_id_status[tid].append(3)
                    # cv2.imwrite("overstep.jpg",res_img)
                    count_person += 1
    cv2.putText(res_img, "Pereson_count in the gate of Hospital:" + str(count_person), (50, 50),
                cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 255), 3)
    cvs.imshow(res_img)