Schrankenloses Parken und ANRP
Anwendungsfall für schrankenloses Parken unter Verwendung von ANPR auf dem Parkplatz.
Einleitung
Sie möchten mehr Einblicke darüber erhalten, wie die Kund:innen Ihre Parkplätze nutzen? Unsere Software bietet die Lösung, um die benötigten Daten für eine Parkraumüberwachung zu sammeln.
Um Ihre Parkinfrastruktur effizient zu verwalten, ist die Sammlung von genauen und zuverlässigen Daten entscheidend. Unsere Lösung basiert auf Künstlicher Intelligenz und ist darauf ausgelegt, Fahrzeuge auf Parkplätzen zu erkennen, zu zählen und zu klassifizieren - egal ob im Innen- oder Außenbereich. Die generierten Daten können anschließend als Informationsgrundlage dienen, um Kund:innen in Parkhäusern oder auf Außenparkplätzen proaktiv zu leiten oder z.B. Parkverstöße zu erkennen sowie zu verwalten. In kurz: Wir können Ihnen dabei helfen, Fragen wie die diese zu beantworten:
Wie ist die aktuelle Auslastung meines Parkplatzes?
Wie hoch ist die historische Parkauslastung im Durchschnitt?
Wie lange parken meine Kund:innen?
Gibt es eine Möglichkeit, Parkverstöße (z.B. Langzeitparken) zu erkennen und nachzuweisen?
Hintergrund
Technisch besteht unser Parküberwachungssystem auf den folgenden Teilen: Objekterkennung; Objekttracking; Zählung der Objekte, die eine virtuelle Linie im Interessenbereich überqueren; sowie Objektklassifizierung an ANPR - also die automatische Nummernschilderkennung. Nachfolgend werden wir diese Technologien kurz beschreiben.
Objekterkennung
Die Hauptaufgabe ist es hierbei, die relevanten Objekte zu erkennen und sie vom Hintergrund des Kamerastreams zu unterscheiden. Dies gelingt durch entsprechendes Training unseres Algorithmus, ein Auto als ein Objekt von Interesse zu erkennen - statt beispielsweise einen Baum. Die Computer-Vision-Technologie befasst sich mit der Lokalisierung des Objekts. Das heißt, wenn das Objekt in einem Bild aus den Frames per Second des analysierten Kamerastreams erkannt wird, wird es einer der vordefinierten Klassen zugeordnet.
Objektklassifizierung
Die erkannten Objekte werden also klassifiziert, um so die verschiedenen Fahrzeugtypen zuordnen zu können - bzw. die verschiedenen Arten von Verkehrsteilnehmern. Allgemein kann, abhängig von Gewicht, Achsen und anderen Merkmalen, die Software die auf den Kamerabildern erkannten Objekte einer der vorab trainierten Klassen zuordnen. Unser maschinelles Lernmodell liefert für jedes Objekt eine der von uns erkannten Objektklassen als Ausgabe.
Tracking des Objekts
Wo im Kamerabild wurde das Objekt ursprünglich erkannt und wohin hat es sich anschließend bewegt? Unsere Software erkennt dasselbe Objekt fortlaufend und kann so seine Bewegungsrichtung über mehrere Frames verfolgen. Die gesammelten Daten ermöglichen es Ihnen so, den genauen Weg eines Objekts zu visualisieren, zum Beispiel für die Erstellung von Heatmaps, oder auch die Analyse häufig genutzter Bereiche in einer Szene, sowie für die Planung strategischer Infrastrukturbedürfnisse.
Überqueren von Crossing Lines
Eine weitere Technologie, die in unserer Traffic Insights Lösung, bzw. bei der Verkehrszählung eingesetzt wird, ist die Counting Line (CL). Durch das manuelle Zeichnen einer virtuellen Linie direkt in unserem Swarm Control Center bieten wir die Möglichkeit, die Objekte zu quantifizieren, die eben genau diese virtuelle Linie überqueren. Wenn Objekte erfolgreich erkannt und getrackt werden, bis sie die CL erreichen, löst unsere Software ein Event aus und aktualisiert den Zähler für diese Linie dementsprechend und fortlaufend.
ANPR
ANPR steht für Automatic Number Plate Recognition. Weitere Einstellungen und Kameraanforderungen finden Sie in der Beschreibung des entsprechenden Anwendungsfalls. Um das Kennzeichen des Fahrzeugs zu identifizieren, verwenden wir die optische Zeichenerkennung (Optical Character Recognition).
OCR (Optical Character Recognition)
OCR steht für Optical Character Recognition und bedeutet im Grunde genommen, dass ein Bild von Buchstaben in Buchstaben selbst umgewandelt wird. Eine detailreichere Beschreibung gibt es hier. Mit unserer ANPR-Lösung scannen wir also das Bild des erkannten Fahrzeugs. Aus diesem Bild liest dann unsere OCR-Lösung die Kombination des Kennzeichens. Die Erkennung dieses Bildes bei der Ein- sowie Ausfahrt des Fahrzeugs ermöglicht es also, die Parkdauer eines einzelnen Fahrzeugs zu erfassen.
Technische Details
ANPR-Events
Vor dem Senden eines Events mit den Kennzeicheninformationen eines Fahrzeugs, sobald dieses den Parkbereich befährt, führt unsere System die nachfolgenden Schritte aus:
| Beschreibung | Beispiel |
|---|---|
Fahrzeug sowie Kennzeichen des Fahrzeugs erkennen. | |
Tracken des Fahrzeugs und überprüfen, ob es die Entry- oder Exit-Linie überfahren hat. | |
Erkennen der Zeichen auf dem jeweiligen Kennzeichens mithilfe von OCR und Senden der entsprechenden Information, wenn das Fahrzeug erneut die Linie überfährt. | recognized as BNW525 |
Testinstallation
Unser Performance Lab ist wie eine echte Installation der realen Welt aufgebaut. Für jede Szene senden wir ein Testvideo von einem RTSP-Server via Ethernet an alle unsere Geräte. Die zu testenden Modelle und Softwareversionen laufen auf den Geräten und senden Nachrichten an einen MQTT-Broker. Die abgerufen Nachrichten werden mit den Ground-Truth-Zählungen verglichen, um Genauigkeitsmessungen zu liefern und die Gesamtstabilität des Systems zu gewährleisten:
Szenarien
Unsere Testumgebung für die Parkplatzanalyse kombiniert mit ANPR umfasst die folgenden Szenarien:
| Szenario | Beschreibung |
|---|---|
Aufgabe: Zählen der einfahrenden Fahrzeuge und Kennzeichenerkennung Konditionen: Tageslicht/Innenbeleuchtung Kameraeinstellung:
Objektgeschwindigkeit: 0-15 km/h Objektanzahl: >150 | |
Aufgabe: Zählen der ausfahrenden Fahrzeuge und Kennzeichenerkennung Konditionen: Tageslicht/Innenbeleuchtung Kameraeinstellung:
Objektgeschwindigkeit: 0-15 km/h Objektanzahl: >150 |
Performance
Um besser nachvollziehen zu können, wie wir unsere Genauigkeitswerte interpretieren, haben wir einige technische Details zu unserer Lösung im entsprechenden Setup gegeben. Die detaillierte Berechnung unserer Genauigkeit sowie eine Erklärung unserer Testinstallation haben wir im folgenden Abschnitt dokumentiert:
pageWie messen wir die Performance?Unsere ANPR-Lösung erreicht eine Genauigkeit von über 90%.
Grenzen in der Anwendung
Allgemein gesprochen gibt es mehrere Gründe, warum Systeme für die Parkraumüberwachung keine Genauigkeit von 100% erreichen können. Diese Gründe lassen sich in verschiedene Kategorien (technologischer Natur, umweltbedingt oder softwareseitig) einteilen, die in der Regel zu Zählfehlern führen. Angesichts unserer technischen und und umweltbedingten Voraussetzungen, die in unserer Setup-Dokumentation festgehalten sind, haben wir folgende potentielle Gründe für Einschränkungen in der bereitgestellten Software festgestellt:
Crossing Lines sind nicht korrekt positioniert
Fahrzeuge und/oder Kennzeichen sind von anderen Fahrzeugen, bzw. Objekten verdeckt
Das Kamerabild ist zu dunkel, überbelichtet oder verschwommen, als dass Objekte erkannt werden könnten. Bitte schauen Sie sich dahingehend die Dokumentation zu den Parking Insights an:
Last updated
