visualNetworking_erkai(二开视联网项目)

视觉模型

选用模型 -> reid

模型输入 -> 视频流

模型输出

json
{
 "timestamp": 1634567890.123,
 "camera_id": "cam_001",
 "detections": [
  {
    "bbox": [100, 150, 200, 400],  //[x1, y1, x2, y2]
    "track_id": 101,
    "confidence": 0.95,
    "features": [0.12, -0.45, 0.88, ...], // 长达数百维的向量
    "attributes": {
    "gender": "male",
    "upper_color": "blue",
    "has_backpack": true
    }
  },
  {
   "bbox": [300, 120, 380, 370],
   "track_id": 102,
   "confidence": 0.87,
   "features": [-0.34, 0.67, 0.11, ...],
   "attributes": {
    "gender": "female",
    "upper_color": "red",
    "has_backpack": false
   }
  }
 ]
}
json

数据处理

1. map（映射处理）
   将数据处理为以track_id为key，以识别框x1位置列表为value的map
   json {
    "track_id1": ["x_11","x_12","x_13",...,"x_1n"],
    "track_id2": ["x_21","x_22","x_23",...,"x_2n"],
    ...
   } json
   
2. 白名单设置 以集合Set形式存储店员的track_id，实现高效白名单查找，时间复杂度O（1）

• 存储形式，采用文件存储或Redis持久化存储
  python
  white_list_set = {white_track_id1, white_track_id2, ... ,white_track_idn}
  if id in white_list_set:
   // 店员
  else:
   // 不是店员
  python
  

3. 进出门逻辑

• 设置门的位置，及进门方向，left or right
• 查找每个识别框列表中的单调序列，递增大于阈值为进门，递减小于阈值为出门（或相反，门的状态）

4. 进门情况示意图