使用數碼相機進行視頻監控是一種不斷增長的趨勢，其中一些趨勢是由物聯網 (IoT) 的發展所推動的。2016 年，全球估計有 3.5 億個監控攝像頭在運行，其中約 65% 在亞洲運行。

但是，當在畫面中檢測到運動時，這些攝像頭不僅僅可以被動地錄制視頻。該視頻還可以實時用于分析。在此博客中，我們將探討如何使用英特爾? OpenVINO ?工具包的停車場監視器應用程序根據進出停車場的車輛自動識別可用停車位。

停車場監控數據管道

在過去的博文中，我們探索了使用攝像頭圖像進行人臉和表情檢測的應用。在此應用程序中，我們將探索深度學習的不同用途，以根據方向跟蹤車輛并確定它們是進入停車場還是離開停車場。

圖 1顯示了停車場車輛跟蹤管道。讓我們仔細看看這個深度學習應用程序中發生了什么。

圖 1：停車場車輛跟蹤流水線圖說明了 OpenVINO ?工具包的這個應用程序如何從捕獲的圖像執行車輛檢測，然后計算質心（檢測到的車輛的移動）以確定車輛的進出。（來源：作者）

該應用程序使用安裝在停車場入口和出口上方的攝像機捕獲的圖像進行操作。從捕獲的圖像中，深度神經網絡使用針對車輛識別訓練和優化的卷積神經網絡 (CNN) 識別畫面中的車輛。CNN 是一種流行的深度神經網絡，通常用于處理圖像。CNN 識別捕獲幀中的車輛，然后使用車輛矩形計算質心來表示車輛。然后存儲這些質心。當捕獲新幀并檢測到車輛時，將根據舊質心檢查新質心，并且最近的舊質心指示車輛（考慮到檢測速度高而車輛速度慢）。然后這兩個樣本可以指示車輛行駛的方向，

圖 2顯示了這個深度神經網絡的結果。請注意，圖像中的綠色疊加層是汽車質心及其坐標（用于跟蹤和關聯）。

圖 2：停車場計數器輸出屏幕將質心顯示為綠色圓圈，以確定車輛是進入還是離開停車場。（來源：英特爾）

示例應用程序還說明了消息隊列遙測傳輸 (MQTT) 協議的使用，該協議將停車場信息傳送到數據分析系統。

為什么這很酷

此應用程序是使用英特爾? OpenVINO? 分發版和約 800 行 Go（或 700 行 C++）開發的。這個應用程序的復雜部分是通過預訓練的深度神經網絡執行的，它伴隨著一些膠水代碼，這些膠水代碼實現了車輛跟蹤和幀之間相關性的簡單計算（通過跟蹤代表車輛的質心）。根據檢測到的矩形大小，應用程序可以丟棄對象（例如漫游到框架中的行人）。與功能強大的硬件配對時，例如基于第 6代英特爾?酷睿?處理器或英特爾神經計算棒 2 的硬件由 Intel Movidius? X VPU 提供支持，可以獲得令人印象深刻的推理速度，從而實現實時分析。

改編這個例子

應用程序存在許多用例，可以識別捕獲的幀中的車輛，然后跟蹤它們。考慮這樣一種情況，道路安全工程師在麻煩的十字路口跟蹤車輛以尋找潛在問題（例如車輛不遵守停車標志，或在盲點十字路口發生未遂事故）。道路安全工程師可以使用此應用程序收集的統計數據（質心位置和通過十字路口的速度）來提出更改建議（例如安裝燈或額外的停車標志）。

另一個用途是跟蹤特定區域中站立的人數。安裝在人行橫道上方或電梯外的攝像頭可以幫助確定何時換燈——例如，如果交通暢通，道路安全工程師可以優化行人的交通流量——或者換到哪個樓層作為一種方式優化進出建筑物的人流。

在哪里了解更多

您可以在英特爾?物聯網開發套件GitHub 上了解有關此演示的更多信息。

膠水應用程序是用 C++ 和 Go 語言開發的。該發行版包括針對 OpenVINO ?的英特爾?優化車輛和行人檢測模型。您可以使用 Ubuntu 16.04 LTS Linux 操作系統、Intel ? OpenVINO ?工具包分發版和 OpenCL ?運行時包輕松試驗此應用程序。

您還可以使用 AIoT 開發套件快速啟動您的開發，其中包括 Ubuntu、OpenVINO ?、英特爾? Media SDK 和預裝英特爾?酷睿?處理器的英特爾? System Studio 2018。開發工具包包括幫助您快速入門和運行的教程。

您還可以使用基于 Intel ? Apollo Lake ?平臺的AAEON UP 板。

審核編輯hhy