公共场所人流分析：解决遮挡漏检的智能方案

应用： 密集人群流量分析

行业： 公共安全

部署地点： 欧洲

“每天有多少人进出？””这个特定地点是否过于拥挤？”在当今快节奏的世界中，公共空间的高效管理变得比以往任何时候都更加重要。购物中心、火车站、地铁和其他繁忙的公共场所是我们城市的生命线，这些关键数据不仅对业务优化至关重要，在制定相关公共卫生安全防控措施方面也发挥着关键作用。

挑战

在探索合适解决方案的过程中可能出现几个挑战：

首先，当人群密度达到峰值时，漏检和误报的风险会急剧上升。在高密度场景中，个体之间的遮挡可能会干扰模型，导致检测遗漏和虚假识别。

其次，在动态环境中，传统传感器和目标检测技术难以准确监控行人移动。它们往往无法识别行人朝向和个体ID，难以精确跟踪在给定时间内进出指定区域的人数。此外，临时遮挡后重新出现的行人再识别是一个巨大挑战。

最后，购物中心常见的众多干扰物，如人体模特和广告牌，会显著影响统计的准确性。这些障碍物可能导致误识别和数据偏差，因此必须设计一个能够克服这些复杂障碍的解决方案，以实现可靠的人流分析。

解决方案

FairMOT模型基于Anchor Free的CenterNet检测器构建，通过无缝融合深层和浅层特征，分别满足检测和ReID（重新识别）任务的需求，提供了一种新颖的方法。这种独特的特征融合不仅确保了这两个重要任务之间的公平性，还显著提升了实时多目标跟踪精度，是有效解决各种场景下人流统计复杂挑战的理想选择。人流统计任务需要检测目标的类别和位置信息，同时完成帧间关联的关键任务，以防止同一人被错误地多次计数。

认识到不同拍摄角度和不同人员密度需要定制解决方案，我们应该考虑采用两种不同的训练方法，两种方法都可以在 NVIDIA Jetson Orin NX 上部署：

稀疏人员场景： 在人员相对稀少的场景中，解决方案利用来自不同数据集的训练数据。模型对场景中的行人进行全身检测和跟踪。它识别行人并在每帧的左上角显示个体计数，从而实现准确的行人流量统计。
密集人员场景： 在以密集人群为特征的场景中，个体之间的遮挡普遍存在，必须采用不同的方法来保持准确性。在这种情况下，我们可以采用基于专用训练数据集的头部跟踪方法。这种方法专注于检测和跟踪场景中行人的头部，在整体行人检测可能导致更高漏检率的条件下，实现可靠的人流统计。