KI-Videoanalysesystem zur Echtzeit-Erkennung und Zählung von Fahrzeugen

Das Projekt wurde für eine Organisation umgesetzt, die ein System zur Echtzeit-Videoanalyse für Überwachungs- und Fahrzeugzählzwecke einsetzen wollte.

Mit der zunehmenden Verbreitung von Videoüberwachungssystemen in Bereichen wie Sicherheit, Verkehrsüberwachung und landwirtschaftlicher Kontrolle entstand der Bedarf an einem Tool, das Videoströme in Echtzeit analysieren kann. Die Anforderungen umfassten eine hochpräzise Objekterkennung und -verfolgung, den Betrieb in verschiedenen Modi, die Verarbeitung mehrerer Videoquellen sowie den Zugriff über den Webbrowser.

Eine Anwendung zur Echtzeitverfolgung von Fahrzeugen wurde entwickelt und implementiert – flexibel anpassbar auf andere Objekttypen (Menschen, Tiere, Pflanzen) sowie verschiedene Geschäftsszenarien. Das System basiert auf einer Mikroservice-Architektur, bei der jede Komponente als isolierter Docker-Container ausgeführt wird. Es kombiniert einen KI-basierten Objektdetektor mit einem Multi-Object-Tracking-Modul.

Die Anwendung unterstützt drei Betriebsmodi:

• Einzeldetektion über REST API mit sehr niedriger Latenz (~450 ms),
• Peer-to-Peer-Streaming mit einer End-to-End-Verzögerung von ca. 2 Sekunden,
• Client-Server-Streaming-Architektur, optimiert für verschiedene Endgeräte der Nutzer.

Das System kann mehrere Videoströme verarbeiten (IP-Kameras, Webcams, Videodateien) und ermöglicht gleichzeitige Verbindungen mehrerer Kunden zu einem annotierten Stream. Die bidirektionale Kommunikation ermöglicht eine störungsfreie Analyse und Ergebnisübertragung direkt in den Webbrowser der Nutzer.

Das System ermöglichte:

• Zählung von Fahrzeugen in beliebigen, vom Nutzer definierten Fahrtrichtungen,
• unterscheidung von Fahrzeugtypen (Pkw, Lkw, Motorräder),
• zuverlässiger Betrieb sowohl im lokalen Netzwerk als auch über das Internet,
• schnelle Anpassung an andere Anwendungsfälle (z. B. Erkennung von Personen oder Tieren), was das System zu einem vielseitig einsetzbaren Werkzeug für viele Branchen macht.

Technologie

Für die Entwicklung des Systems wurden folgende Technologien eingesetzt:

• Frontend : React.js, TypeScript, Redux, Redux-Saga, Styled-Components,
• Backend : Python, PyTorch, OpenCV, AsyncIO, Multiprocessing,
• Diffusion vidéo : WebRTC und HLS,
• Architecture : Mikroservices, ausgeführt in Docker-Containern.