人员和车辆数量分析指南

借助占用率分析模型，您可以根据在视频帧中添加的特定输入来统计人员或车辆数量。与 Person Vehicle Detector 模型相比，Occupancy Analytics 模型提供了高级功能。这些功能包括活动区域计数、越界计数和滞留检测。

• 借助活跃区域，用户可以统计特定用户定义区域内的人员或车辆数量。
• 越线功能可用于统计物体越过特定线的方向。
• 停留时间检测功能以活跃区域为基础，可检测物体是否在某个区域内停留了最短时间。

该模型接受视频流作为输入，并输出一个 协议缓冲区，其中包含每帧中检测到的人员和车辆数量。模型以 6 FPS 的速度运行。

使用场景：智慧城市交通分析

以下视频展示了如何使用 Gemini Enterprise Agent Platform Vision 创建、构建和部署入住率分析应用。

此应用使用一个模型来统计用户在Google Cloud 控制台中指定的交叉路口中穿过线路的汽车数量。此外，该应用还使用人物模糊模型来保护视频源中出现的任何人的身份信息。

应用会将分析后的数据发送到 Gemini Enterprise Agent Platform Vision 的媒体仓库以进行媒体存储，还会发送到 BigQuery 以将结构化数据存储在表中。借助仓库，您可以根据模型中的条件（例如车辆或人数）搜索存储的数据。借助 BigQuery 中的表格数据，您可以查询数据以获取分析信息。

模型输出

“人员车辆检测”会显示在当前已处理的帧中检测到的人员和车辆数量。计数类型取决于用户提供的注解输入。原始检测和跟踪结果也会显示在输出中。以下是处理器输出的协议缓冲区定义。输出流的频率恒定不变：每秒 3 帧。

// The prediction result proto for Person/Vehicle Detection.
message OccupancyCountingPredictionResult {

 // Current timestamp.
 google.protobuf.Timestamp current_time = 1;

 // The entity info for annotations from the processor.
 message Entity {
   // Label id.
   int64 label_id = 1;
   // Human readable string of the label.
   string label_string = 2;
 }

 // Identified box contains location and the entity of the object.
 message IdentifiedBox {
   // An unique id for this box.
   int64 box_id = 1;
   // Bounding Box in the normalized coordinates.
   message NormalizedBoundingBox {
     // Min in x coordinate.
     float xmin = 1;
     // Min in y coordinate.
     float ymin = 2;
     // Width of the bounding box.
     float width = 3;
     // Height of the bounding box.
     float height = 4;
   }

   // Bounding Box in the normalized coordinates.
   NormalizedBoundingBox normalized_bounding_box = 2;

   // Confidence score associated with this box.
   float score = 3;

   // Entity of this box.
   Entity entity = 4;

   // A unique id to identify a track. It must be consistent across frames.
   // It only exists if tracking is enabled.
   int64 track_id = 5;
 }

 // A list of identified boxes.
 repeated IdentifiedBox identified_boxes = 2;

 // The statistics info for annotations from the processor.
 message Stats {
   // The object info and count for annotations from the processor.
   message ObjectCount {
     // Entity of this object.
     Entity entity = 1;
     // Count of the object.
     int32 count = 2;
   }

   // Counts of the full frame.
   repeated ObjectCount full_frame_count = 1;

   // Message for Crossing line count.
   message CrossingLineCount {
     // Line annotation from the user.
     StreamAnnotation annotation = 1;
     // The direction that follows the right hand rule.
     repeated ObjectCount positive_direction_counts = 2;
     // The direction that is opposite to the right hand rule.
     repeated ObjectCount negative_direction_counts = 3;
   }

   // Crossing line counts.
   repeated CrossingLineCount crossing_line_counts = 2;

   // Message for the active zone count.
   message ActiveZoneCount {
     // Active zone annotation from the user.
     StreamAnnotation annotation = 1;
     // Counts in the zone.
     repeated ObjectCount counts = 2;
   }

   // Active zone counts.
   repeated ActiveZoneCount active_zone_counts = 3;
 }

 // Detection statistics.
 Stats stats = 3;

 // The track info for annotations from the processor.
 message TrackInfo {
   // A unique id to identify a track. It must be consistent across frames.
   string track_id = 1;
   // Start timestamp of this track.
   google.protobuf.Timestamp start_time = 2;
 }

 // The dwell time info for annotations from the processor.
 message DwellTimeInfo {
   // A unique id to identify a track. It must be consistent across frames.
   string track_id = 1;
   // The unique id for the zone in which the object is dwelling/waiting.
   string zone_id = 2;
   // The beginning time when a dwelling object has been identified in a zone.
   google.protobuf.Timestamp dwell_start_time = 3;
   // The end time when a dwelling object has exited in a zone.
   google.protobuf.Timestamp dwell_end_time = 4;
 }

 // Track related information. All the tracks that are live at this timestamp.
 // It only exists if tracking is enabled.
 repeated TrackInfo track_info = 4;

 // Dwell time related information. All the tracks that are live in a given
 // zone with a start and end dwell time timestamp
 repeated DwellTimeInfo dwell_time_info = 5;
}

最佳做法和限制

• 避免使用不寻常的拍摄角度（例如俯视图），以免人物和车辆的呈现效果与标准或常见视角不同。 异常观看次数可能会对检测质量产生很大影响。
• 确保人员和车辆完全或大部分可见。检测质量可能会受到其他对象的部分遮挡的影响。
• 人员车辆检测器具有最小可检测对象大小。此大小约为摄像头画面大小的 2%。确保目标人物和车辆距离摄像头不要太远。这些关键对象的可视尺寸必须足够大。
• 感兴趣的区域必须有适当的光线。
• 确保视频源摄像头镜头洁净。
• 确保实体（人或汽车除外）不会遮挡摄像头的任何视野范围。
• 以下因素可能会降低模型的性能。在获取数据时，请考虑以下因素：
  • 光线条件不佳。
  • 拥挤程度和对象遮挡。
  • 不常见或不太常见的视角。
  • 小型对象大小。