Videoanalyse für Echtzeitüberwachung

Überblick

Client

NDA

Scope of work

Die Entwicklung eines Echtzeit Erkennungs- und Trackingsystems für einen Web-Service.

Technologies

React.js, Python, PyTorch, OpenCV, Multiprocessing, AsyncIO, TypeScript, Redux, Redux-Saga, Styled-Components, WebRTC, HLS

Fahrzeugtracking-App in Echtzeit

Videoüberwachungssysteme werden heutzutage immer beliebter und werden oft für Security, Verkehrsanalysen, landwirtschaftliche Kontrollsysteme usw. angewendet.

Mit unseren Fachkenntnissen in Computer Vision und Webentwicklung haben wir eine Fahrzeugtracking-App in Echtzeit gestaltet die einfach anpassbar ist um andere Objekte zu verfolgen (Menschen, Tiere, Pflanzen usw.) und in verschiedenen Business-Szenarien eingesetzt werden kann. Es kann in verschiedenen Modi verwendet werden: von einem On-Demand Single-Frame Detektor bis hin zur andauernden Stream-Analyse und Tracker.

Kurz gesagt

Fahrzeuge zählen die vorbeifahren (eigenständig in beliebige benutzerdefinierte Richtungen)
Erkennung verschiedener Arten von Fahrzeugen (Autos, Trucks, Motorräder)
Verschiedene Arbeitsmodi:
- einzelne Bildverarbeitung über REST API mit einer sehr geringen Latenz von 450ms
- flüssiges und adaptives Live-Streaming mit Peer-to-Peer-Technologie mit End-to-End Latenz ≈ 2 Sekunden
- zuverlässiges Live-Streaming innerhalb der Server-Kunde Architektur, gestaltet um verschiedene User-Geräte zu unterstützen
Möglichkeit verschiedene Stream-Quellen zu bearbeiten, wie eine spezielle Kamera (z.B. IP-Kamera) oder die Web-Kamera eines Benutzers

Deep-Learning-basiertes und Multi-Object-Tracking-System

Für die Videoverarbeitung auf unserem Server wird ein Deep-Learning-basierter Detektor zusammen mit einem Multiobjekt-Trackingssystem angewendet. Die Zwei-Wege-Kommunikation in Echtzeit erlaubt es die kontinuierliche Analyse der eingehenden Frames und die Sendung von Annotationen zu Web-Kunden, was für eine flüssige Live-Streaming-Erfahrung sorgt.

Das System akzeptiert verschiedene Stream-Quellen (IP- oder Web-Kamera, Videodateien, usw.) und erlaubt es mehreren Kunden mit dem annotierten Video-Stream verbunden zu sein. Die Lösung entsteht mithilfe von Microservices als isolierte Docker-Container.