基于AidLux+YOLOv5+ByteTrack实现街道人流统计

本博客内容主要基于AidLux实现，也是参加《Aidlux智慧安防AI实战训练营》的心得
AidLux是基于ARM架构的跨生态（Android/鸿蒙+Linux）一站式AIoT应用开发和部署平台

随着现代科技的不断发展，人工智能将对各行各业带去不小冲击,在人防、物防、技防的大安防市场，人工智能也在发挥着作用，已经成为了一个流行趋势并且将是未来的发展方向。此次训练营便是去实现其中的一个小场景。

行人流量统计

1. 项目概述
在火车站、机场、地铁站、景区等公共场所，需要实时检测人流数量，当人流密度过高时及时预警，并实施导流、限流等措施，防止安全隐患。
在人流密度较高的公共场所，使用 Yolov5 + ByteTrack的多目标跟踪方案，可以实现不同场景下的人流数量统计，帮助场所的工作人员相应的管理方案。

2. 实现效果

3. 环境配置

要想实现本项目，首先得做好环境的配置

• 3.1 下载AidLux
  各大安卓手机的应用商城，搜索Aidlux即可
  下载安装，并注册登录

• 3.2 AidLux电脑投影
  
  打开电脑浏览器地址，输入 Cloud_ip 里相应的ip，登录密码默认 aidlux 即可进入电脑端页面
  

• 3.3 VSCode及相关插件的下载安装
  进入 VSCode官网 选择合适的版本进行下载安装，安装时下面两项记得勾选
  
  接下来安装Python、SSH插件
  
  
  由于会用到 opencv，所以在菜单栏 terminal → new terminal 或者使用快捷键 Ctrl + Shift + `

  打开终端输入 pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/sim ple，即可快速下载安装成功。

  当然本身有基础，本机已装有Python环境的同学，直接打开或创建一个python文件，选择自己本机环境即可
  

• 3.4 PC端使用VSCode远程调试AidLux
  首先上传本地项目文件到AidLux（打开文件浏览器，进入 home ，最后上传文件）
  
  接下来进行 ssh 连接的配置
  
  
  
  
  
  
  选择上传文件的路径，跳出的窗口中，再输入密码 aidlux，即可打开我们已经上传的Lesson5_code文件夹
  
  完成上述操作后，即可进行代码操作啦，对了记得把 Python 解释器换成 AidLux 上的 Python
  
  进行到这，所有的配置流程就结束了

4. 实现步骤

• 4.1 检测行人
  行人检测主要使用目标检测算法 YOLOv5，具体的模型训练实现可以查看江大白老师的文章：深入浅出Yolov5之自有数据集训练超详细教程
  也可以在各大平台上搜索YOLOv5训练获取相应教程
  由于是在AidLux平台进行部署，所以需要使用 export.py 将 pt文件转成 tflite文件
  
  模型初始化及加载，其中主要⽤到两个函数接口，⼀个是 aidlite_gpu.aidlite()和aidlite.ANNMode()

  # aidlux相关
  from cvs import *
  import aidlite_gpu
  from utils import detect_postprocess, preprocess_img, draw_detect_res
  
  import time
  import cv2
  
  # AidLite初始化：调用AidLite进行AI模型的加载与推理，需导入aidlite
  aidlite = aidlite_gpu.aidlite()
  # Aidlite模型路径
  model_path = '/home/lesson4_codes/aidlux/yolov5n_best-fp16.tflite'
  # 定义输入输出shape
  in_shape = [1 * 640 * 640 * 3 * 4]
  out_shape = [1 * 25200 * 6 * 4]
  # 加载Aidlite检测模型：支持tflite, tnn, mnn, ms, nb格式的模型加载
  aidlite.ANNModel(model_path, in_shape, out_shape, 4, 0)
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17

• 4.2 行人追踪
  行人的跟踪主要采用了目标追踪算法 Bytetrack，
  算法原理可查看：目标跟踪之 MOT 经典算法：ByteTrack 算法原理以及多类别跟踪
• 4.3 行人流量统计
  • 绘制监测区域

    # 1.绘制行人流量统计线
    lines = [[186, 249], [1235, 366]]
    cv2.line(res_img, lines[0], lines[1], (255, 255, 0), 3)
    1
    2
    3

  • 设置人体监测点

    # 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] + 1 / 2 * tlwh[3]]
    1
    2

  • 行人区域位置判断

    # utils.py
    def is_passing_line(point, polyline):
      # 在直线下方,status =-1
      # 在直线上方,status =1
      status = 1
      # 点映射在直线的高度
      poly_x = ((polyline[1][0] - polyline[0][0]) * (point[1] - polyline[0][1])) / (polyline[1][1] - polyline[0][1]) + \
                polyline[0][0]
      if point[0] > poly_x:
          status = -1
      return status
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11

    # 3. 人体和违规区域的判断（人体状态追踪判断）
    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)
    1
    2
    3
    4
    5
    6
    7

  • 统计计数

    # 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)
            person_up += 1
    if track_id_status[tid][-1] == -1 and len(track_id_status[tid]) > 1:
        if track_id_status[tid][-2] == 1:
            track_id_status[tid].append(-3)
            person_down += 1
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12

  • 系统提醒
    关注 喵提醒 微信公众号，注册账号，选择菜单栏的 提醒，选择 新建，填写相关信息并保存，会生成对应的 喵码 和 网址，将 喵码 填入下列代码中的 id 即可接收相关信息

    # 5.越界识别+喵提醒
    # 填写对应的喵码
    id = 'tP48aPC'
    # 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 = "有人越界识别！！"
    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)
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10

通过上述的操作后，即可完成规定区域内的人流量统计了

5. AidLux使用心得
通过对AidLux学习，不难发现AidLux的部署对于刚上手的小伙伴用起来还是相对友好且容易，只需使用Python即可完成整个流程的实现。Aidlux将整个开发流程通过Aidlux平台，将PC端编写的代码，快速应用到Android系统上，大大降低了传统模型部署时繁琐的流程，减少了人员的消耗。