Время прочтения: 4 мин.
Иногда у нас встречаются задачи по подсчету клиента потока. 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)
В качестве примера камеры возьмем https://weacom.ru/cams/view/akademmost2
Данная камера отлично подойдет дли 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.
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
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]
id = output[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.