ピープルカウンタを考えてみる(5)

Code for Naraがらみで, 今年の初めに施設に出入りする人のカウント及びそのデータ分析などの実証実験を, とある場所(ヒ・ミ・ツ!!)の施設管理者に提案しようという話が持ち上がった.
しかし, Intel Real Sense D415の入手が遅れるなど, 結局提案には至らなかった.

D415入手後, ぼちぼち開発してたPeopleCounterを第5回「HUG²祭り2018」で実証実験(主目的はデータ収集)させてもらえることになった.

www.volunt-info.jp

実証実験の様子など少しまとめておく.

関連記事：
・ピーブルカウンタを考えてみる(1)
・ピープルカウンタを考えてみる(2)
・ピープルカウンタを考えてみる(3)
・ピープルカウンタを考えてみる(4)
・ピープルカウンタを考えてみる(5)
・ピープルカウンタを考えてみる(6)
・ピープルカウンタを考えてみる(7)
・ピープルカウンタを考えてみる(8)

1. 設置状況
事前に設置確認していたので, 大きなトラブルもなく, 設置完了.

a) 正面の入り口.

b) 西側の入り口.

2. 計測状況
各入り口の状況はこんな感じで計測してました.

a) 正面の入り口

PeopleCounter(HUG2-01)

b) 西側の入り口

PeopleCounter(HUG2-02)

モニタを見ながらカウント状況を見ていたが, いくつか課題も見つかった.
a) 複数人の同時通行
以前から分かっている課題ではあるが, カメラ位置を高くしたがまだ結構発生していた.

b) 自動ドアが開くのと通過が被る.
施設の中からOUTする際に, 自動ドアが開いている途中に人が通過すると, 自動ドアのフレームと同一領域として抽出され, 人物として抽出されない.

c) 単独通過だが人物検出に失敗.
単独で通過しているにもかかわらず, 人物の領域検出に失敗する場合があった.
背景差分の結果など詳しく不具合を解析してみないと, なぜ人物の領域検出に失敗しているかよくわからない.

3. 計測結果
データを集計すると, IN/OUT共に1350名程度を記録していた.
時間帯毎のIN/OUTをグラフ化してみると, 以下のようになった.

ステージの催しは午前中の方が盛り上がっている感があったが, 来場者の結果でも午前中に多く来られていることが分かる.

こういう展示をやると結構トラブルことが多いのだが, 設置後は時々様子を見る程度で, 他の展示をゆっくりみたり, ワンコインのマッサージを受けたりと, 実証実験をやっているとは思えないほどゆっくりできた.
事前に設置確認をやって, できる範囲ではあるが不具合対策をしたのが功を奏した感じ.

今回, 約6時間x2台で, 約1300名が出入りするデータを取得できた.
今後これらのデータを使って, Deep Learning等による人物検出も試してみたい.

----

画像処理の統計モデリング: 確率的グラフィカルモデルとスパースモデリングからのアプローチ (クロスセクショナル統計シリーズ)

画像認識 (機械学習プロフェッショナルシリーズ)

ディジタル画像処理[改訂新版]

詳解 OpenCV 3 ―コンピュータビジョンライブラリを使った画像処理・認識