基于人形检测的划区域客流统计

在智慧园区、智慧门店等商业场景中，划区域的客流统计是一类常见的AI应用，本文介绍基于人形检测的划区域客流统计：采用人形框检测行人并进行跟踪，若人形框中心点位于事先划定的区域中，增加客流计数；区域内外的人形将使用不同颜色的框表示，画面中也会实时显示客流数量。

准备工作

本文将使用华为云ModelArts进行人形检测模型的训练，并使用ModelBox框架进行应用开发，使用前开发者需要完成如下准备工作：

1. 参考 此教程 完成设备的注册；
2. 参考 此教程 完成ModelBox SDK的安装。

技能开发

这个应用对应的ModelBox版本已经做成模板放在华为云OBS中，可以用sdk中的solution.bat工具下载，接下来我们给出该应用在ModelBox中的完整开发过程：

1）下载模板

执行.\solution.bat -l可看到当前公开的技能模板：

PS ███> .\solution.bat -l
...

Solutions name:
mask_det_yolo3
...
passenger_flow_person_det_yolo7

结果中的passenger_flow_person_det_yolo7即为基于人形检测的划区域客流统计应用模板，可使用如下命令下载模板：

PS ███> .\solution.bat -s passenger_flow_person_det_yolo7
...

solution.bat工具的参数中，-l 代表list，即列出当前已有的模板名称；-s 代表solution-name，即下载对应名称的模板。下载下来的模板资源，将存放在ModelBox核心库的solution目录下。

2）创建工程

在ModelBox sdk目录下使用create.bat创建passenger_flow_count工程

PS ███> .\create.bat -t server -n passenger_flow_count -s passenger_flow_person_det_yolo7
sdk version is modelbox-xxx
success: create passenger_flow_count in ███\modelbox\workspace

create.bat工具的参数中，-t 表示创建事务的类别，包括工程(server)、Python功能单元(Python)、推理功能单元(infer)等；-n 代表name，即创建事务的名称；-s 代表solution-name，表示将使用后面参数值代表的模板创建工程，而不是创建空的工程。

workspace目录下将创建出passenger_flow_count工程，工程内容如下所示：

passenger_flow_count
|--bin
│  |--main.bat：应用执行入口
│  |--mock_task.toml：应用在本地执行时的输入输出配置，此应用默认使用本地视频文件为输入源，最终结果输出到另一本地视频文件，可根据需要修改
|--CMake：存放一些自定义CMake函数
|--data：存放应用运行所需要的图片、视频、文本、配置等数据
│  |--passenger_flow.mp4：客流统计测试用视频文件
│  |--simsun.ttc：中文字体库
|--dependence
│  |--modelbox_requirements.txt：应用运行依赖的外部库在此文件定义，本应用依赖pillow、lap、scipy等工具包
|--etc
│  |--flowunit：应用所需的功能单元存放在此目录
│  │  |--cpp：存放C++功能单元编译后的动态链接库，此应用没有C++功能单元
│  │  |--draw_passenger_bbox：客流画图功能单元
│  │  |--object_tracker：目标跟踪功能单元
│  │  |--yolov7_post：人形检测使用的是YOLO7模型，此处即为后处理功能单元
|--flowunit_cpp：存放C++功能单元的源代码，此应用没有C++功能单元
|--graph：存放流程图
│  |--passenger_flow_count.toml：默认流程图，使用本地视频文件作为输入源
│  |--modelbox.conf：modelbox相关配置
|--hilens_data_dir：存放应用输出的结果文件、日志、性能统计信息
|--model：推理功能单元目录
│  |--person_det：人形检测推理功能单元
│  │  |--person_det.toml：人形检测推理功能单元的配置文件
│  │  |--person_det.onnx：人形检测onnx模型
|--build_project.sh：应用构建脚本
|--CMakeLists.txt
|--rpm：打包rpm时生成的目录，将存放rpm包所需数据
|--rpm_copyothers.sh：rpm打包时的辅助脚本

3）查看流程图

passenger_flow_count工程graph目录下存放流程图，默认的流程图passenger_flow_count.toml与工程同名，其内容为（以Windows版ModelBox为例）：

[driver]
# 功能单元的扫描路径，包含在[]中，多个路径使用,分隔
# ${HILENS_APP_ROOT} 表示当前应用的实际路径
# ${HILENS_MB_SDK_PATH} 表示ModelBox核心库的实际路径
dir = [
    "${HILENS_APP_ROOT}/etc/flowunit",
    "${HILENS_APP_ROOT}/etc/flowunit/cpp",
    "${HILENS_APP_ROOT}/model",
    "${HILENS_MB_SDK_PATH}/flowunit",
]
skip-default = true

[profile]
# 通过配置profile和trace开关启用应用的性能统计
profile = false                       # 是否记录profile信息，每隔60s记录一次统计信息
trace = false                         # 是否记录trace信息，在任务执行过程中和结束时，输出统计信息
dir = "${HILENS_DATA_DIR}/mb_profile" # profile/trace信息的保存位置

[flow]
desc = "passenger detection using person detection with yolov7 for local video or rtsp video stream" # 应用的简单描述

[graph]
format = "graphviz" # 流程图的格式，当前仅支持graphviz
graphconf = """digraph passenger_flow_count {
    node [shape=Mrecord]
    queue_size = 4
    batch_size = 1

    # 定义节点，即功能单元及其属性
    input1[type=input,flowunit=input,device=cpu,deviceid=0]
    data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0]
    video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0]
    video_decoder[type=flowunit, flowunit=video_decoder, device=cpu, deviceid=0, pix_fmt="rgb"]
    resize[type=flowunit flowunit=resize device=cpu deviceid="0" image_width=416, image_height=320]
    color_transpose[type=flowunit flowunit=packed_planar_transpose device=cpu deviceid="0"]
    normalize[type=flowunit flowunit=normalize device=cpu deviceid=0 standard_deviation_inverse="0.003921568, 0.003921568, 0.003921568"]
    person_det[type=flowunit flowunit=person_det device=cpu deviceid="0"]
    yolov7_post[type=flowunit flowunit=yolov7_post device=cpu deviceid="0"]
    object_tracker[type=flowunit, flowunit=object_tracker, device=cpu, deviceid=0]
    draw_passenger_bbox[type=flowunit, flowunit=draw_passenger_bbox, device=cpu, deviceid=0]
    video_out[type=flowunit flowunit=video_out device=cpu deviceid="0"]

    # 定义边，即功能间的数据传递关系
    input1:input -> data_source_parser:in_data
    data_source_parser:out_video_url -> video_demuxer:in_video_url
    video_demuxer:out_video_packet -> video_decoder:in_video_packet
    video_decoder:out_video_frame -> resize:in_image
    resize:out_image -> color_transpose:in_image
    color_transpose:out_image -> normalize:in_data
    normalize:out_data -> person_det:input
    person_det:output -> yolov7_post:in_feat
    yolov7_post:out_data -> object_tracker:in_bbox
    object_tracker:out_track -> draw_passenger_bbox:in_track
    video_decoder:out_video_frame -> draw_passenger_bbox:in_image
    draw_passenger_bbox:out_image -> video_out:in_video_frame
}"""

整个应用逻辑比较简单，视频解码后做图像预处理，接着是人形检测，模型后处理得到人形框，送入跟踪算法进行实时跟踪与区域内外判断，最后将跟踪信息画到图像输出到视频中。

4）核心逻辑

本应用的核心逻辑是跟踪与区域判断，跟踪逻辑在 object_tracker 功能单元中，使用的是 JDE（Towards Real-Time Multi-Object Tracking）算法，算法介绍可参考论文，本应用使用的是简化版本，未使用人形reid特征值做匹配。

区域判断在 draw_passenger_bbox 功能单元draw_passenger_bbox.py的 draw_tracking_object 函数中：

    def draw_tracking_object(self, img_data, tracking_objects):
        '''在图中画出跟踪对象的检测框和过线的行人数据'''

        thickness = 2
        GRAY = (117, 117, 117)
        GREEN = (0, 255, 0)
        YELLO = (255, 255, 0)

        # 画出区域边界线
        cv2.polylines(img_data, [self.area], True, YELLO, 3)

        flow_count = 0
        for track in tracking_objects:
            # 人形框的中心点
            c_x = int((track["bbox"][0] + track["bbox"][2]) / 2)
            c_y = int((track["bbox"][1] + track["bbox"][3]) / 2)
            # 判断人形框的中心点是否在区域内
            flag = cv2.pointPolygonTest(self.area, (c_x, c_y), False)
            if flag > 0:
                # 区域内人形框用绿色，同时客流计数增加
                flow_count += 1
                cv2.rectangle(img_data, (track["bbox"][0], track["bbox"][1]),
                              (track["bbox"][2], track["bbox"][3]), GREEN, 2)
            else:
                # 区域内人形框用灰色
                cv2.rectangle(img_data, (track["bbox"][0], track["bbox"][1]),
                              (track["bbox"][2], track["bbox"][3]), GRAY, thickness)

        # 左上角显示实时的客流数量
        img_data = self.put_chi_text(
            img_data, '客流计数：%d' % flow_count, (50, 20), YELLO, 50)

        return img_data

可以看到，我们使用了OpenCV的 pointPolygonTest 函数判断点与区域的位置关系。其中区域参数配置在draw_passenger_bbox.toml文件中，配置的是划定区域的4个顶点坐标，围成一个封闭的四边形：

...
# 自定义的配置项
[config]
area = ["0", "325", "1280", "25", "1280", "360", "0", "720"]  # 客流统计的划定区域
...

5）模型训练

本应用中包含模型推理部分，ModelBox内置了主流的推理引擎，如TensorFlow，TensorRT，LibTorch，Ascend ACL，MindSpore，以及Windows版本中所用的ONNXRuntime。在开发推理功能单元时，只需要准备模型文件，并配置对应的toml文件，即可完成推理功能单元的开发，无需掌握推理引擎的开发接口。

passenger_flow_person_det_yolo7模板中内置了人形检测模型，这个模型基于yolov7与yolov5-lite，训练数据集用的是开源的CUHK-SYSU，在ModelArts的Notebook环境中训练后，再转换成对应平台的模型格式：onnx格式可以用在Windows设备上，RK系列设备上需要转换为rknn格式。

模型的训练与转换教程已经开放在AI Gallery中，其中包含训练数据、训练代码、模型转换脚本，以及详细的指导文档。开发者如果希望尝试自己训练模型，或者对模板中提供的模型效果不满意，可以进入 【ModelBox】行人检测模型训练 页面，点击右上角的Run in ModelArts按钮，跟随教程一步步操作，也可以修改其中的代码、更换新的数据集训练出自己的模型。

6）三方依赖库

本应用中的画图功能单元依赖 pillow工具包以实现中文输出，ModelBox应用不需要手动安装三方依赖库，只需要配置在 dependence\modelbox_requirements.txt ，应用在编译时会自动安装。另外，中文输出还需要对应的字体库，存放在 data 目录下，画图功能单元初始化时将从此目录加载资源。

7）查看输入输出配置

查看任务配置文件bin/mock_task.toml，可以看到其中的任务输入和任务输出配置为如下内容：：

[input]
type = "url"
url = "${HILENS_APP_ROOT}/data/passenger_flow.mp4"  # 表示输入源为本地视频文件

[output]
type = "local"
url = "${HILENS_APP_ROOT}/hilens_data_dir/passenger_flow_result.mp4"  # 表示输出为本地视频文件

即，使用本地视频文件data/passenger_flow.mp4作为输入，统计过线客流后，画图输出到本地视频文件data/passenger_flow_result.mp4中。

8）用启动脚本执行应用

启动应用前执行.\build_project.sh进行工程构建，该脚本将编译自定义的C++功能单元（本应用不涉及）、将应用运行时会用到的配置文件转码为Unix格式（防止执行过程中的格式错误）、安装第三方依赖库：

PS ███> .\build_project.sh
...
PS ███>

然后执行.\bin\main.bat运行应用：

PS ███> .\bin\main.bat
...

运行结束后在hilens_data_dir目录下生成了passenger_flow_result.mp4文件，可以打开查看：

可以看到，黄色线段包围的即客流统计的区域，区域外人使用灰色框标记，区域内的使用绿色框，画面左上角实时显示总的过线客流数量。

3. 小结

通过本教程，我们学习了一类客流统计应用——区域内客流统计，通常用于室外安防，或室内客流热力图，经过简单改造还可以实现区域入侵检测、人员在离岗检测等应用。