Python社区  »  Git

银行来客分析与异常行为识别(打架、闯入等)预警系统开发,附Github代码

我爱计算机视觉 • 2 周前 • 24 次点击  

在银行网点及营业厅中,客流量与销售量成直接的正比关系,智能客流量统计和分析就显得尤为重要,同时也是人群密集场所事故预防措施和应急管理方案制定的重要基础。随着AI视觉技术的飞速发展,深度学习模型算法已可自动分析图像与视频数据,实时获取客流变化、客群轨迹等,实现安全管理与经营增效。其中,人流计数、属性分析(穿着和朝向等)、异常行为识别等是其中的关键技术。


来客分析技术方案剖析

飞桨目标检测套件PaddleDetection中的PP-Human作为首个开源行人场景分析工具,覆盖异常行为识别、人体属性分析、人流计数/轨迹留存跨镜ReID四大产业功能,非常适用于银行网点客情分析场景。

PP-Human全功能教程及体验入口:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/deploy/pipeline


Star即可及时GET最新动态并加入收藏列表防止丢失~


PP-Human不仅包含以上四大产业能力,更是拥有功能易扩展、输入类型丰富、易用性强、性能高四大特点:

1. 功能易扩展:PP-Human中提供了从数据标注、模型训练、模型优化、部署上线的全流程保姆级教程,10分钟即可实现动作、属性类型新增。

不仅如此,PP-Human同时提供了行为识别技术方案选型参考,助力开发者快速完成方案选型。

2. 输入类型丰富:支持离线图片、视频及在线视频流输入。

3. 易用性强:一行命令即可完成推理。

首先开启来客分析用到的功能,具体修改配置文件deploy/pipeline/config/infer_cfg_pphuman.yml中MOT、ATTR、SKELETON_ACTION、REID对应的enable为True。然后配置推理视频路径运行下列命令即可完成推理:

4. 底层算法性能强劲:针对最核心和高频的五种复杂异常行为识别(抽烟、打电话、闯入、打架、摔倒),PP-Human分别构建了性价比最高的技术方案,无论是从精度速度,还是可扩展性上,都有绝对性的优势。

如属性识别提供高精度、超轻量及性能平衡三个版本,充分满足各类开发需求;行人检测PP-YOLOE-l模型达到57.8mAP;高精度行人跟踪模型MOTA达到82.2、FPS为43,轻量级跟踪模型MOTA为73.9、FPS为70。(特别说明:该数据与表格数据存在差异,原因在于版本不同。)

来客分析相关模型精度速度详情

(注:预测速度为T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程。)


大型银行网点应用案例

目前南京奥拓电子科技有限公司应用PP-Human v2实现了智能客流分析与异常行为识别,根据区域热度统计进行活动方案优化,并基于客流量合理决策和调配网点人员和窗口资源;同时实现了异常行为识别预警包括摔倒、打架、闯入等。

基于PP-Human,南京奥拓电子针对来客分析项目的整体流程可概括如下:

贴心的是,南京奥拓电子联合飞桨针对此项目打造了端到端全流程的产业范例,供各位开发者在线学习与使用。

向下滑动查看所有内容

项目链接:

https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/industrial_tutorial/README.md


精彩课程预告

为了让小伙伴们更便捷地实践和应用基于飞桨PP-Human的来客分析技术方案,飞桨开发者将于9月22日19:00为大家深度解析应用背景、实现方案和范例实操。

欢迎小伙伴们扫码进群,免费获取直播课和回放视频链接,也欢迎感兴趣的企业和开发者与我们联系,交流技术探讨合作。


扫码报名直播课,加入技术交流群

更多精彩抢先看

附:“乘风而起,AI赋能智慧金融创新发展”系列课程海报(如已在前文扫码入群,则报名成功,无需重复操作)

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147504
 
24 次点击  
分享到微博