公共地点人流量云监管平台系统

一、项目背景

    近年来，大型公共场所的人群活动愈来愈频繁，合理管理大规模人群活动具有深远的研究意义。无论是大型商超、交通枢纽，还是景区、广场等公共地点人流量监测都能为决策者提供资源分配合理化的数据支持。政府、企业和学校都需要云边协同的人流量计算云监管平台实现对人流密集度进行分析，对人群爆发聚集地点进行快速预警和疏导处理。

二、项目功能

    公共地点人流量云监管平台系统，以枣庄学院为例，通过边缘端识别视频中的人数并实时上传到服务器端，用户可访问平台网页直观清晰得知各个地区的当前人流量，并可查看人数异常地点的视频，也可在平台设置报警阈值，根据实际情况做出更贴近现实的正确决策。

1、热力图可以快速显示当前人流状态和变化趋势，对流量较大的区域进行实时监测，并可实时监测每个活动场所当前的停留人数，从而对维护人员及安防人员等进行合理调整，控制运作成本。通过对不同时段人流量的统计，使管理人员可以在人流高峰期增加工作人员，采取预防突发事件的措施，提高服务质量，进而增加销售，在空闲时减少工作人员，避免出现人力资源浪费。

2、数据显示形式

以热力图的形式，动态的显示人数的变化，热力图会根据人数的多少绘制颜色的深浅。

3、排序功能

实时对传入数据进行排序显示，更加直观，当传入的数据量比较大时，我们只截取前几名进行显示。

三、项目架构

本套系统主要分为三个部分：边缘端，服务器（云端），网页端。其中，边缘端硬件平台选择ARM架构的Raspberry Pi，具有成本低，功耗小，性能高的优点。服务器端选择阿里云服务器，使用Apache提供平台网页服务。使用百度云MQTT服务器（价格低，稳定性高，扩展性好，带机量极大）。边缘端软件图像识别部分采用Caffe框架训练的SSD（Single Shot MultiBox Detector）神经网络。SSD算法属于one-stage方法，且是多框预测，其采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。SSD算法在准确度和速度上都比Yolo要好很多，且克服了Yolo算法难以检测小目标且定位不准的缺点。训练数据来源包括网络共享资源以及从山东数据庄园网络科技有限公司购买的标注数据。模型训练完成后，使用Intel OpenVINO提供的模型优化转换工具model optimizer将模型文件转换成符合其规范的IR文件方便部署。树莓派配置了OpenVINO的Inference Engine环境以及Python3.6环境。如下图所示：

平台数据传输使用MQTT(Message Queuing Telemetry Transport，消息队列遥测传输)即时通讯协议，此协议为物联网的通用协议，符合物联网发展潮流。MQTT协议是为大量计算能力有限，且工作在低带宽、不稳定网络的远程传感器和控制设备通讯而设计的协议，所以适合本项目。如下图所示：

其系统部署图，如下图所示：