Die Swarm Perception Box ist eine verwaltete Black Box, d.h. Sie müssen sich nicht um Hardware, OS, Treiber, Sicherheitspatches oder sonstiges kümmern. Sie können auch nicht direkt auf das System zugreifen.

Um alles entsprechend einzurichten, folgen Sie den folgenden Schritten:

1. Montieren und verbinden

Die ersten Schritte:

• Montieren Sie die (O)P101/P401 am gewünschten Ort.

• Stellen Sie sicher, dass Ihre (O)P101/P401 im Swarm Control Center online ist.

2. Gerätekonfiguration

Nachdem die Swarm Perception Box erfolgreich mit dem Swarm Control Center verbunden wurde, müssen Kamera und das jeweilige Szenario entsprechend konfiguriert werden.

3. Data Analytics

Für die bereits konfigurierten Szenarien können Sie die Daten entweder über MQTT sammeln oder Dashboards in unserem Data Analytics erstellen. Diese Dashboards bieten sofort einsatzbereite Visualisierungen sowie REST-APIs, um weitere Erkenntnisse zu gewinnen.

​

Ortskennzahl für Nummernschilder (Early Availability Feature)

Zusätzlich zum Rohtext des Kennzeichens und der Landeskennzahl unterstützen wir jetzt auch den Ortscode des Kennzeichens. Einige Nummernschilder enthalten eine Ortskennzahl, die mit einem geografischen Gebiet verbunden ist, z. B. "W" für Wien (Österreich) oder "M" für München (Deutschland). Die folgenden 13 Länder werden unterstützt:

• Bulgarien

• Deutschland

• Griechenland

• Irland

• Kroatien

• Norwegen

• Österreich

• Polen

• Rumänien

• Schweiz

• Slowakei

• Slowenien

• Tschechische Republik

Wie funktioniert das?

Bei den unterstützten Ländern erkennen wir Leerzeichen zwischen den Buchstaben und analysieren den Rohtext des Kennzeichens nach einem vordefinierten Format. Bei Ländern, die nicht unterstützt werden (z. B. Italien), enthält das generierte Event entsprechend keinen Ortscode.

Wie wird konfiguriert?

Alle Anwendungsfälle, die auf ANPR basieren, werden automatisch unterstützt. Eine zusätzliche Konfiguration ist also nicht erforderlich.

Wie erhalte ich die Daten?

Die Data Analytics Widgets Journey Distributions und License Plates ermöglichen die Segmentierung nach License Plate Area:

Verbesserungen und Fehlerbehebungen

• Verbesserte Klassifizierungsgenauigkeit für die Klassen person und bicycle (Traffic & Parking Standard/Accuracy+)

• Fix für Data Analytics, einige Abfragen führten zu inkonsistenten Daten

• Fix für Rule Engine für die Belegung einer Region of Interest

• Behobene P100/OP100-Verlangsamung, die mit 2023.3 eingeführt wurde

• Reduzierte Downtime während Geräte-Updates

• Fix für falsche Pixelierung bei Counting Lines während der Debug-Videoausgabe

• Fix für falsch dargestellte Benachrichtigung für nicht genügend SPS-Lizenzen

Adaptive Traffic Control (adaptive Verkehrssteuerung)

Die Adaptive Traffic Control ermöglicht es Ihnen, mit Hardwaregeräten wie Verkehrssteuerungen über potenzialfreie Kontakte zu kommunizieren. Anwendungsfälle und Vorteile:

• "Smart Prio System": Priorisierung bestimmter Verkehrsklassen und Gewährleistung eines flüssigen Verkehrsverhaltens in Echtzeit (z.B. Fußgänger:innen, Radfahrende, E-Scooter, Schwerverkehr)

• Vereinfachung der Infrastrukturwartung: Ersetzen Sie mehrere Induktionsschleifen durch eine einzige Swarm Perception Box. Die Installation erfordert keinerlei Grabungsarbeiten und reduziert den Wartungsaufwand deutlich.

Schauen Sie sich hier die Konfigurationsschritte an.

Device Health: der Zustand Ihrer Geräte auf einen Blick

Durch die Metriken zum Gerätezustand können Sie Nachweise für eine zuverlässige und kontinuierliche Datenerfassung erbringen und mögliche Probleme selbst diagnostizieren (z.B. hinsichtlich einer stabilen Netzwerkverbindung, der Stromversorgung, usw.). Die folgenden Metriken werden unterstützt:

• Gerätebetriebszeit, Status, Neustarts, verfügbarer Speicherplatz

• Gerätetemperatur (unterstützt für P101/OP101/Jetson Nano)

• LTE-Modem-Traffic, Signalstärke und Reconnects (unterstützt für OP100/OP101)

• Kamerastatus und Verarbeitungsgeschwindigkeit der Kamera (FPS)

• erstellte und ausstehende Events

Modell-Verbesserungen

Traffic & Parking (Standard und Accuracy+)

Wir haben das Modell Parking (Single-/Multispace) durch das Modell Traffic & Parking (Accuracy+) ersetzt. Dieses ist auf Genauigkeit getrimmt, während die Verarbeitungsgeschwindigkeit (gemessen in FPS) reduziert ist. Ideal für Anwendungsfälle mit weniger dynamischen Objekten wie Adaptive Traffic Control und Parking Insights (Single- und Multispace).

Wir haben die Klassifizierungsgenauigkeit für beide Varianten des Modells, also Standard sowie Accuracy+, verbessert - insbesondere für die Klassen articulated truck, truck with trailer und car with trailer.

People Head

Wir haben den Output angepasst, dieser lautet bei Events nun person (zuvor war es head). Betroffen von dieser Änderung sind die Geräte P101/OP101/VPX. Nicht betroffen sind die Geräte P100/OP100. Wir haben die Genauigkeit durch eine höhere Auflösung der Verarbeitung verbessert.

People Full Body

Wir haben die Genauigkeit aufgrund der höheren Auflösung verbessert.

Parking Fisheye

Das Modell ist bereits veraltet und wird in Zukunft nicht mehr aktualisiert werden. Es wird selbstverständlich so lange funktionieren, wie es Geräte gibt, die es verwenden. Bitte ziehen Sie dennoch in Erwägung, auf das Modell Traffic & Parking umzusteigen.

Geräte-Metadaten

Organisieren Sie Ihre Geräte und erzeugen Sie Events mit vordefinierten Metadaten. Sie können bis zu fünf Schlüssel- und Wertepaare für ein Gerät definieren. Die Schlüssel und Werte können frei definiert werden, wir unterstützen die automatische Vervollständigung von Schlüsseln, um lästige Tippfehler zu vermeiden. Nach der Definition von Metadaten können Sie die Liste der Geräte nach Metadatenwerten filtern, und die generierten Events enthalten die vordefinierten Metadaten für die weitere Verarbeitung durch Ihre Anwendung. Details finden Sie im Event-Schema.

Track Calibration History: vereinfachte Kalibrierung

Bei der Track Calibration werden die letzten 100 Object Tracks auf einem aktuellen Kamerabild überlagert. So können Sie Event-Trigger (z. B. Counting Lines) für optimale Ergebnisse positionieren. Wir erweitern die Funktionalität mit dieser Version um eine Historie über die letzten 24 Stunden. Wenn Sie den Verlauf der Track Calibration in der Konfiguration aktivieren, können Sie auf die Spurenkalibrierung für jede Stunde der letzten 24 Stunden zugreifen.

Geräte-Updates

Ab sofort, bzw. mit dieser Version, entscheiden Sie, wann Ihre Geräte ein Update erhalten. Wir empfehlen natürlich eine möglichst baldige Aktualisierung, damit Sie die neuesten Funktionen (z.B. Adaptive Traffic Control, Track Calibration History) entsprechend nutzen und von Qualitätsverbesserungen (z.B. Modell-Updates), Fehlerbehebungen und Sicherheitsupdates profitieren können. Sollte die Aktualisierung bis zum 13. Dezember 2023 nicht durchgeführt worden sein, werden wir updaten.

Weitere Anpassungen/Fixes

Control Center:

• User Management: Einladen von Benutzer:innen und Verwalten der Berechtigungen für bestehende Benutzer:innen

• Die MQTT-Client-ID kann für benutzerdefinierte MQTT-Broker festgelegt werden

Data Analytics

• Beschleunigung des Widgets für Origin-Destination

• Fix: Visualisierung für Akkorddiagramm (OD) sowie Liniendiagramme

• Fix: unter bestimmten Bedingungen löste eine Region of Interest in Kombination mit einer Rule keine Events aus.

Verwenden Sie diese Dokumentation, um mehr über die Technologie von Swarm Analytics zu erfahren und sie anzuwenden.

Für wen ist diese Dokumentation?

Diese Dokumentation ist eine technische Richtlinie für Sie als Partner und Kunden sowie generell alle, die daran interessiert sind, unsere Software in einer neuen oder bestehenden datenanalytischen IoT-Umgebung zu integrieren.

Unsere Swarm Perception Plattform besteht aus den folgenden zwei Hauptkomponenten:

• Swarm Control Center (SCC): Sie Ihre Perception Boxen und analysieren Sie Ihre Daten mit Data Analytics. Für beide Bereiche stellen wir bereit.

• Swarm Perception Agent: Unsere Software, die auf unseren Produkten (P101/OP101/VPX) läuft. Das Video von einer RTSP-/USB-Kamera wird mithilfe von Deep Learning verarbeitet. Ereignisse werden generiert und über MQTT an oder einen gesendet. Die Verarbeitung von Einzel- oder Mehrkameradaten wird unterstützt. Die Engine wird ausschließlich über das SCC konfiguriert.

Optionen zur Datenintegration

• Data Analytics API (High Level)

  • Events werden an eine von Swarm Analytics verwaltete Azure Cloud-Umgebung gesendet und dort gespeichert.

  • Events werden von Swarm Analytics verarbeitet und gespeichert.

  • Die API ermöglicht eine einfache Integration mit Drittanbietersystemen.

• MQTT (Low Level)

  • Erfordert den Betrieb eines MQTT-Servers.

  • Erfordert die Speicherung/Verarbeitung von Rohdaten für Events

  • Ermöglicht die Verarbeitung via Edge für zeitkritische und/oder Offline-Anwendungsfälle

Prinzipien

Die Architektur basiert auf den folgenden Prinzipien:

• Zentralisierte Datenanalyse, Gerätekonfiguration und Update-Verwaltung

  • Hosting via Microsoft Azure Cloud, verwaltet von Swarm Analytics

• Dezentrale Verarbeitung von Kameradaten (Edge)

  • Generierte Data (Events) und Verwaltungsdaten sind entkoppelt

  • Support für heterogene Netzwerkinfrastruktur

• Skalierung von einer bis tausenden Swarm Perception Agents

Illustration der P101

Für den VPX-Agent müssen die nachfolgenden Hardware- sowie Softwareanforderungen erfüllt werden.

NVIDIA Jetson

• Hardware

  • Unterstützte NVIDIA Jetson-Geräte

    • Nano 4 GB, TX2 NX, Xavier NX, AGX Xavier

    • Orin Nano 4GB/8GB, Orin NX 8GB/16GB, Orin AGX 32GB/64GB

  • Speicher: es müssen mindestens 4 GB verfügbar sein

  • Speicherplatz: es müssen mindestens 6 GB frei sein

• Software

  • JetPack 4.6 oder Jetpack 5.1.1

  • IotEdge 1.4

• Netzwerkanforderungen

NVIDIA Grafikprozessor (GPU)

• Hardware

  • CPU: X86-64bit

  • Speicher: es müssen mindestens 4 GB verfügbar sein

  • Speicherplatz: es müssen mindestens 15 GB frei sein

  • NVIDIA Workstation GPUs

    • RTX-Serie (z.B. RTX A2000)

    • Quadro-RTX-Serie (z.B. Quadro RTX 4000)

• Software

  • Ubuntu 20.04 LTS

  • NVIDIA Driver Version 470 (oder neuer)

  • Docker 19.0.1+

  • IotEdge 1.4

• Netzwerkanforderungen

Die Virtual Perception Box (VPX) ist ein rein softwarebasiertes Produkt, das als Docker-Container bereitgestellt wird. Das bedeutet folgendes:

• Sie sind alleinig verantwortlich für die Einrichtung und Wartung der Hardware sowie Software (Betriebssystem, Treiber, Netzwerk, Systemanwendungen, usw.)

• Checkliste für Geräte mit VPX (von Swarm Analytics empfohlen)

  • Integrieren von Remote-Management (z.B. VPN/SSH)

  • Integrieren von Update-Management (z.B. Ansible) zur Aktualisierung von Systempaketen wie IoTEdge, Jetpack, Docker

  • Gerätekontrolle

  • Ständiges Überprüfen der Sicherheit (Firewall, angewendete Sicherheitspatches, starke Passwörter/Zertifikate)

Installation von JetPack 4.6.0

Übertragen Sie JetPack 4.6.0 (L4T 32.6.1) auf Ihr Jetson-Gerät. Folgen Sie der von NVIDIA bereitgestellten Dokumentation. Abhängig von Ihrer Hardware haben Sie die Möglichkeit, eine SD-Karte oder den internen Speicher zu verwenden.

Optional: Festplattenspeicher auf dem Jetson-Gerät freigeben

sudo apt update && sudo apt install curl -y
curl http://get-vpx.swarm-analytics.com/clean_jetson.sh > clean_jetson.sh  && chmod +x clean_jetson.sh 
./clean_jetson.sh

Installation des VPX-Agenten

Mit unserem Installationsskript ist die Installation des VPX-Agenten denkbar einfach. Vergewissern Sie sich vorab, dass Sie die Seriennummer(n) bereits von uns erhalten haben.

sudo apt update && sudo apt install curl -y
curl http://get-vpx.swarm-analytics.com/install.sh > install.sh  && chmod +x install.sh 
./install.sh

Nachdem das Installationsskript abgeschlossen ist, zieht die IoT-Edge-Runtime vier Docker-Container wie nachfolgend beschrieben.

Der Gerätetyp muss im Swarm Control Center eingestellt werden. Derzeit kann das ausschließlich von unserem Support durchgeführt werden, erstellen Sie daher bitte ein Supportticket.

Stellen Sie sicher, dass der Container curiosity-arm64-tensorrt verwendet wird.

swarm@VPX:~$ sudo docker ps -a
CONTAINER ID        IMAGE                                             COMMAND                   CREATED             STATUS              PORTS                                                                  NAMES
57eec104e917        swarm.azurecr.io/curiosity-arm64-tensorrt:5.3.0   "./curiosity"             2 weeks ago         Up 5 minutes                                                                               curiosity
82b106f9d3d7        swarm.azurecr.io/azure-module-arm64:1.1.0         "java -jar app.jar"       6 weeks ago         Up 10 days                                                                                 azure-module
27ffd61ab021        mcr.microsoft.com/azureiotedge-hub:1.0.10.3       "/bin/sh -c 'echo \"$…"   6 weeks ago         Up 10 days          0.0.0.0:443->443/tcp, 0.0.0.0:5671->5671/tcp, 0.0.0.0:8883->8883/tcp   edgeHub
5e96e96eb440        mcr.microsoft.com/azureiotedge-agent:1.0.10.3     "/bin/sh -c 'exec /a…"    6 weeks ago         Up 10 days                                                                                 edgeAgent

Danach sehen Sie im Swarm Control Center ein Unnamed Device mit der entsprechenden Registrierungs-ID:

Nächste Schritte: Konfigurieren Sie Ihren Use-Case.

Jetpack-Upgrade von 4.4.1 auf 4.6.0

Dieser Vorgang ist von NVIDIA dokumentiert.

Fehlerbehebung

Stellen Sie sicher, dass die folgenden Software-Pakete und Versionen installiert sind:

NVIDIA Jetson Nano
 L4T 32.6.1 [ JetPack 4.6 ]
   Ubuntu 18.04.5 LTS
   Kernel Version: 4.9.253-tegra
 CUDA 10.2.300
   CUDA Architecture: 5.3
 OpenCV version: NOT_INSTALLED
   OpenCV Cuda: NO
 CUDNN: 8.2.1.32
 TensorRT: 8.0.1.6
 Vision Works: NOT_INSTALLED
 VPI: NOT_INSTALLED
 Vulcan: NOT_INSTALLED

Illustration der P401

Sobald Schritt 6 abgeschlossen ist, kehren Sie zum Beginn des Guides zurück, um mit der Gerätekonfiguration fortzufahren.

Hier finden Sie das Produktdatenblatt.

Sobald Ihre OP101AC montiert und online ist, kehren Sie zum Beginn des Guides zurück, um mit der Gerätekonfiguration fortzufahren.

Installation der NVIDIA-Drivers und der Docker-Engine

Nachdem Sie die Installationsschritte durchgeführt haben, sollten Sie einen ähnlichen Output erhalten:

Installation von Azure IoTEdge

(lediglich das Paket aziot-edge wird benötigt).

Konfiguration von Azure IotEdge

Sie erhalten eine Zip-Datei von uns, die Konfigurationsdateien enthält. Ersetzen Sie $ID mit der Geräte-ID, die Sie von uns bekommen haben.

An dieser Stelle empfehlen wir, die IoTEdge-Protokolle auf Fehler zu überprüfen.

Im Swarm Control Center sehen Sie Ihr Gerät nun als Unnamed Device mit der entsprechenden ID:

Nun zieht die IoTEdge-Runtime die Docker-Images. Sobald dies abgeschlossen ist, kann das Gerät im Control Center konfiguriert werden.

Nächste Schritte: Konfigurieren Sie Ihren Anwendungsfall.

Sie möchten die Durchschnittsgeschwindigkeit Ihres Straßenverkehrs in bestimmten Bereichen wissen? Unsere Software ist die Lösung, um die Anzahl der Fahrzeuge zu erfassen, aufgeschlüsselt in Geschwindigkeitssegmente (10 km/h) oder um die Durchschnittsgeschwindigkeit der gezählten Fahrzeuge über einen aggregierten Zeitraum zu ermitteln.

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software sämtliche Informationen für die Verkehrszählung samt Geschwindigkeitsschätzung zur Verfügung.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Hier finden Sie das .

Mit unserer Swarm Perception Platform können Sie dank der nachstehend abgedeckten Anwendungsfälle für jede Parkumgebung eine Lösung finden.

Für die Version 2023.1 und alle nachfolgenden wird benötigt. Für neue Geräte übernimmt unser Installer den Installationsprozess. Bestehende VPX-Geräte müssen selbst upgegradet werden. P10X- sowie OP10X-Geräte werden von uns im Zuge der Version 2023.1. upgegradet.

Installationsgröße

Jetpack 5.1 benötigt mindestens 32GB oder mehr an Speicherplatz. Um mehr Speicherplatz für zusätzliche Software freizugeben, verwenden Sie entweder ein größeres Speichermedium oder folgen Sie .

JetPack 5.1 installieren

Übertragen Sie JetPack 5.1 auf Ihr Jetson-Gerät. Folgen Sie dabei der . Abhängig von Ihrer Hardware können Sie eine SD-Karte oder den internen Speicher verwenden.

Installation des VPX-Agenten

Mit unserem Installationsskript ist die Installation des VPX-Agenten denkbar einfach. Vergewissern Sie sich vorab, dass Sie die Seriennummer(n) bereits von uns erhalten haben.

Nachdem das Installationsskript abgeschlossen ist, zieht die IoT-Edge-Runtime vier Docker-Container wie nachfolgend beschrieben.

Der Gerätetyp muss im Swarm Control Center eingestellt werden. Derzeit kann das ausschließlich von unserem Support durchgeführt werden, erstellen Sie daher bitte ein .

Stellen Sie sicher, dass der Container curiosity-arm64-jetpack5 verwendet wird.

Danach sehen Sie im Swarm Control Center ein Unnamed Device mit der entsprechenden Registrierungs-ID:

Es gibt folgende Hauptanwendungsfälle unserer Technologie, um die Verkehrssituation in der Stadt, auf städtischen Straßen und auf Autobahnen besser zu verstehen:

Sie möchten den Verkehrsfluss an Verkehrskreuzungen und Kreisverkehren kennen? Die Swarm Perception Platform bietet die Lösung, um die Anzahl der Fahrzeuge zu erfassen, die von einer Ursprungszone (origin) zu einer Zielzone (destination) fahren, aufgeschlüsselt nach Fahrzeugtypen (Klassen).

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software alle erforderlichen Daten für Origin-Destination-Analysen zur Verfügung - die Anzahl der Fahrzeuge von einer Zone zur anderen, einschließlich Klassifizierung nach BAST/TLS-Standards, kann erfasst werden.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Sie möchten die Verkehrssituation einer städtischen Straße oder Autobahn erfahren? Unsere Software ist die Lösung, um die Anzahl sämtlicher Fahrzeuge zu erfassen, aufgeschlüsselt nach Fahrzeugtypen (Klassen) und Richtungen.

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software sämtliche Informationen für die Verkehrszählung zur Verfügung. Die Zählungen der Fahrzeuge einschließlich ihrer Klassifizierung können erfasst werden. Die Zählungen sind auf zwei Richtungen aufgeteilt (In/Out). Darüber hinaus können mehrere Zählungen in einer Kamera durchgeführt werden, z.B. die separate Zählung jeder Fahrspur. Zusätzlich besteht die Möglichkeit, eine zweite Counting Line hinzuzufügen, den Abstand dazwischen zu kalibrieren und die Geschwindigkeit der Fahrzeuge, die beide Linien passieren, abzuschätzen.

Diese Klassen werden von unserer Software erkannt.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Sie haben einen Parkplatz, auf dem Sie einfach nur die Auslastung durch Zählung von Ein- und Ausfahrten erfahren möchten? Unsere Technologie bietet die perfekte Lösung, um dies auf einfache Weise zu erreichen. Überzeugen Sie sich selbst:

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software sämtliche relevante Informationen für Ihre Zählung basierend auf Ein- und Ausfahrten zur Verfügung. Sie erfasst die Anzahl der Fahrzeuge auf Ihrem Parkplatz sowie die Anzahl der Fahrzeuge, die Ihren Parkplatz befahren sowie verlassen. Das Ganze kann für benutzerdefinierte Zeiträume konfiguriert werden.

Die Fahrzeuge werden basierend auf unseren definierten Klassen erkannt. Beachten Sie bitte, dass die folgende Konfiguration für die Erkennung von Fahrzeugen und nicht für Personen sowie Fahrräder optimiert ist.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Wie ANPR funktioniert

Die automatische Kennzeichenerkennung funktioniert in vier Schritten. Dabei werden Fahrzeuge und Kennzeichen erkannt, die Kennzeichen werden gelesen und Ereignisse werden ausgelöst.

1. Fahrzeugerkennung

Fahrzeuge wie Autos, Lastwagen und Busse werden erkannt und im Videostream verfolgt.

2. Kennzeichenerkennung

Für jedes erkannte Fahrzeug werden die Kennzeichen erkannt und den Fahrzeugen entsprechend zugeordnet.

3. Lesen der Kennzeichen

Für jedes erkannte Kennzeichen wird anschließend eine optische Zeichenerkennung (OCR) angewendet, um das Kennzeichen zu lesen.

4. Ereignis senden

Wenn das Fahrzeug nun eine Counting Line überquert, wird ein Ereignis mit dem Text des erkannten Kennzeichens gesendet.

Die größte Herausforderung bei ANPR-Installationen besteht darin, gut lesbare Kennzeichen zu erfassen. Dafür ist ein scharfes und gut beleuchtetes Bild ohne Verdeckungen oder unscharfe Objekte erforderlich, um korrekte Ergebnisse zu erzielen. Der folgende Leitfaden soll zeigen, wie Sie unsere Technologie für ANPR optimal einrichten und die häufigsten Probleme vermeiden können.

Typisches Setup

Unser System ist für zwei typische Installationen ausgelegt, die wir hier nachfolgend beschreiben:

Eine Fahrspur, Kamera von der Seite

Für dieses Setup wird die Kamera in einer Höhe von ca. zwei Metern montiert, möglichst nah an der Seite der Fahrspur, um einen hohen horizontalen Winkel zu vermeiden. Sofern möglich, sollte sichergestellt sein, dass Fahrzeuge in der Spur bleiben, um genaue Ergebnisse für die Kennzeichenerkennung zu erzielen.

Zwei Fahrspuren, Kamera von oben

Wenn die Kamera über den Fahrzeugen positioniert wird (z.B. an der Ein-/Ausfahrt einer Garage), können maximal zwei Fahrspuren abgedeckt werden.

Damit das System ordnungsgemäß funktioniert, sollten Fahrzeuge gerade durch das Bild fahren, sodass die Kennzeichen in der gesamten Szene sichtbar ist. Die Kamera sollte in einer Höhe von drei Metern angebracht sein und Fahrzeuge direkt von vorne oder hinten gegenüberstehen, um einen hohen horizontalen Winkel zum Kennzeichen zu vermeiden.

Kamera-Setup

Die Kameraeinrichtung kann manchmal knifflig sein und erfordert oftmals etwas Experimentieren mit der Kameraposition sowie den Parameters, um optimale Ergebnisse zu erzielen. Die folgenden Abschnitte beschreiben häufige Probleme mit Kameras und wie man diese vermeiden kann.

Auflösung

Kennzeichen müssen mit 250 Pixel-per-Meter (PPM) sichtbar sein. Bei europäischen Standardkennzeichen bedeutet dies eine Mindesthöhe von 30 Pixel und eine Mindestbreite von 100 Pixel für die Auflösung, um gute Erkennungsergebnisse zu erzielen.

Für Kameraeinstellungen mit Objektabständen innerhalb der Spezifikation ist eine FullHD-Auflösung (1080p) ausreichend. In einigen Fällen kann es auch hilfreich sein, eine höhere Auflösung (4MP oder 2K) zu wählen, um ein schärferes Bild zu erhalten.

Wir empfehlen, während der Einrichtung die Größe der Kennzeichenausschnitte manuell zu überprüfen.

Betrachtungswinkel

Kennzeichen müssen aus einem direkten Betrachtungswinkel zu sehen sein. Kleine Winkel (<20° horizontal, <30° vertikal) und eine Neigung von <5° können problemlos verarbeitet werden, während größere Winkel überhaupt nicht funktionieren. Bei größeren Betrachtungswinkeln neigt das System eher dazu, Zeichen zu verwechseln oder Zeichen am Rand nicht zu erkennen.

Für Kamerapositionen von der Seite wird empfohlen, maximal eine Fahrspur zu analysieren, während bei Kameraperspektiven von oben auch zwei Fahrspuren betrachtet werden können.

Beleuchtung

Die Beleuchtung der jeweiligen Szenen hat zwei wesentliche Auswirkungen.

1. Mit guter Beleuchtung kann eine niedrige Verschlusszeit gewählt werde und die Bilder werden weniger verwischt, das gilt insbesondere für schnell fahrende Fahrzeuge.

2. Eine gute Beleuchtung reduziert den ISO-Wert der Kamera, in der Folge erscheinen die Bilder weniger körnig und dafür schärfer.

Einige Kameras bieten zusätzliche Beleuchtungsmöglichkeiten, die nützlich sein können. Wenn das Kameralicht nicht ausreicht, ist eine externe Beleuchtung der Szene erforderlich.

Die digitale Rauschunterdrückung (DNR) sollte auf einen geringen Wert eingestellt sein, um Körnigkeit zu reduzieren.

Verschlusszeit

Eine niedrige Verschlusszeit ist wichtig für sich bewegende Objekte, um ein scharfes Bild zu erhalten und gleichzeitig Unschärfe durch Bewegung zu vermeiden. Während im Allgemeinen schneller meist besser ist, hängt die gewählte Verschlusszeit von der Beleuchtung in der Szene ab.

Abhängig von der Fahrzeuggeschwindigkeit ist eine Verschlusszeit von 1/250 das absolute Minimum für dich bewegende Objekte unter 15 km/h. Für schnellere Fahrzeuge bis zu 40 km/h ist eine Verschlusszeit von 1/500 eine gute Wahl. Für schnellere Objekte empfehlen wir entsprechend eine noch niedrigere Verschlusszeit, die allerdings nur bei sehr guter Beleuchtung funktioniert.

Codierungsqualität

Für die Übertragung des Kamerabildes wird eine Codierung verwendet. Unterschiedliche Codierungen können Daten sparen und die Bildqualität reduzieren. Wie wir wissen, ist für die Anwendung von ANPR allerdings eine hohe Bildqualität erforderlich. Wählen Sie deswegen den H.264-Codec und eine hohe Bitrate von >6000kbps für FullHD-Inhalte (1080p), sowie eine Bitrate von >8000kbps für 4MP-Videomaterial mit 25 fps aus.

Zusätzliche Funktionen wie BLC und WDR empfehlen wir nicht, da die Nachbearbeitung Details reduzieren kann. Wenn diese Funktionen dennoch erforderlich sind, sollte der Einfluss auf die Videoqualität überprüft werden.

Eine konstante Bitrate (CBR) führt normalerweise zu einer besseren Qualität als eine variable Bitrate (VBR).

Test-Setup unter verschiedenen Konditionen

Bei der Kameraeinrichtung empfehlen wir, einige kurze Testvideos mit verschiedenen Beleuchtungsbedingungen (morgens, mittags, abends, nachts) aufzunehmen, um zu überprüfen, ob Kennzeichen unter allen Bedingungen deutlich sichtbar sind.

Event-Trigger

Eine geeignete Position des Event-Triggers (Counting Line) ist entscheidend für gute ANPR-Ergebnisse. Wenn die Linie zu weit hinten positioniert ist, hat das Modell nicht ausreichend Zeit, das Nummernschild zu erkennen und zu identifizieren, bevor ein Event gesendet wird. Wenn sich die Counting Line an einer Position befindet, an der das Kennzeichen nur aus einem suboptimalen Winkel sichtbar ist, werden die Ergebnisse entsprechend ungenau ausfallen.

Um die optimale Position der Counting Line identifizieren zu können, ist ein kurzes Debug-Video der Szene mit drei bis fünf Fahrzeugen sehr hilfreich. Bei der Analyse dieses Videos sollte das Fahrzeug durch den optimalen Ausschnitt mit der bestmöglichen Sicht auf das Kennzeichen verfolgt werden (siehe Beispiel 6). Sobald die Sicht auf das Kennzeichen schlechter wird (Beispiel 7), sollte die Counting Line direkt hinter der Mitte des Fahrzeugs positioniert werden.

Auf diese Weise ist garantiert, dass das System die besten Videoausschnitte nutzen kann, um das Nummernschild zu erkennen sowie zu identifizieren und das Event so noch vor der Verschlechterung der Sicht zu senden.

Bestmögliche Genauigkeit

Unser ANPR-Feature wurde gründlich und unter zahlreichen Bedingungen getestet. In unserer Testumgebung verfügen wir über ca. fünf verschiedene Szenen und die Genauigkeiten werden auf der Grundlage von mehr als 800 Fahrzeugen mit europäischen Kennzeichen berechnet. Mit der Gesamtgenauigkeit meinen wir den Prozentsatz korrekt identifizierter Fahrzeuge und Kennzeichen im Vergleich zu allen Fahrzeugen mit lesbaren Kennzeichen.

Unter den angegebenen Bedingungen erreicht unsere Technologie >95% Gesamtgenauigkeit in Umgebungen mit langsam fahrenden Fahrzeugen sowie >90% Gesamtgenauigkeit bei schnell fahrenden Fahrzeugen.

Für eine Analyse von potentiellen Fehlern, beachten Sie bitte die nachfolgend beschriebenen Limitationen.

Limitationen

Eine der grundlegenden Limitationen, die nicht gelöst werden kann, ist die grundsätzliche Lesbarkeit von Nummernschildern. Das heißt, Nummernschilder, die beispielsweise durch Hindernisse verdeckt oder von Dreck, Staub oder Schnee bedeckt sind. Gleiches gilt auch für falsch montierte Kennzeichen. Umweltbedingungen wie Starkregen oder dichter Schneefall können ebenfalls eine Limitation darstellen und so zu ungenauen Ergebnissen führen.

Allgemeines

Es gibt einige grundsätzliche Einschränkungen, bei denen das System einfach keine guten Ergebnisse liefern kann. Diese versuchen wir nachfolgend zu erläutern, bzw. zu erklären, wie diese Einschränkungen vermieden werden können.

1. Beleuchtung

Derzeit unterstützt unser System nur gut ausgeleuchtete Szenen, insbesondere tagsüber, oder wenn Nachtszenen sehr gut ausgeleuchtet und Nummernschilder klar erkennbar sind.

2. Einzeilige Kennzeichen

Zweizeilige Kennzeichen, wie sie oft bei Motorrädern zu sehen sind, werden nicht unterstützt und können demnach nicht erkannt werden.

3. Europäische Kennzeichen

Unsere Technologie ist für Standard-EU-Kennzeichen ausgelegt. Es kann durchaus sein, dass unser Modell auch Nummernschilder aus Ländern außerhalb der EU erkennt, allerdings garantieren wir dies nicht.

Fehlerarten

Innerhalb der ANPR-Technologie kann es zu den folgenden vier Fehlertypen kommen:

1. Kein Fahrzeug wird erkennt (<1% Fehlerquote)

2. Kein Kennzeichen wird erkannt (<0,1% Fehlerquote)

3. Es wird ein Event gesendet, ohne dass ein Fahrzeug die Kamera passiert (<0,1% Fehlerquote)

4. Kennzeichen wird falsch erkannt (<5-10% Fehlerquote, abhängig vom Szenario)

Typische Fehler

Das OCR-System identifiziert Zeichen für Zeichen. In den meisten Fehlerfällen handelt es sich um einzelnes Zeichen, dass falsch gelesen oder übersehen wurde. In einigen Ländern sehen sich verschiedene Nummernschildzeichen zum Verwechseln ähnlich - oder sind sogar identisch - und dadurch kann es entsprechend zu Verwechslungen kommen, so etwa:

• B und 8

• D and 0

• 0 and O

• I and 1

• 5 and S

Die beste Option, um diese Verwechslungen zu vermeiden, besteht darin, eine klare Frontansicht auf die Nummernschilder bei der Konfiguration zu erhalten. Für Systeme, die einfahrende sowie ausfahrende Kennzeichen abgleichen müssen, könnte es von Vorteil sein, sie mit einer unscharfen Suche abzugleichen, die Verwechslungen und doppelte Zeichen berücksichtigt. Beispiel: Das System könnte dann immer noch Kennzeichen wie S123A0 undSI23AO abgleichen, auch wenn das zweite Event am selben oder folgenden Tag stattfindet.

Weitere Verbesserungsmöglichkeiten

Wurden alle Empfehlungen für das Setup umgesetzt und die Kamerakonfiguration ist dennoch nicht zufriedenstellend, gibt es noch externe Verbesserungsmöglichkeiten, die vorgenommen werden können. Die besten Ergebnisse werden erzielt, wenn sie kombiniert werden:

1. Wenn möglich, sollten die Fahrzeuge im Bereich der ANPR-Szene langsamer fahren, sodass mehr Zeit zum Erkennen und Identifizieren der Kennzeichen bleibt.

2. Reduzieren Sie den Abstand zwischen Fahrzeug und Kamera, z.B. durch einspuriges Einfahren auf den Parkplatz.

3. Verwenden Sie bei Möglichkeit den Kamerazoom, um auf den Bereich mit der besten Sicht auf die Kennzeichen zu fokussieren. Dies kann ebenfalls bei einer geringen Videoauflösung helfen.

4. Sollte die Leistung unseres Systems ein Problem darstellen (etwa durch eine zu geringe Bildrate), kann es helfen, bei der Kamerakonfiguration unnötige Bildbereiche zu maskieren, bzw. auszublenden. Dadurch wird der Fokus des Systems auf den Bereich gelegt, der relevant für ANPR ist.

Dieses Feature ermöglicht es Ihnen, mit Hardwaregeräten wie Verkehrssteuerung über Relais (potentialfreie Kontakte) zu kommunizieren. Folgende Anwendungsfälle können so abgedeckt werden:

• "Smart Prio System": Priorisierung bestimmter Verkehrsklassen und Gewährleistung eines flüssigen Verkehrsverhaltens in Echtzeit (z.B. Fußgänger:innen, Radfahrende, E-Scooter, Schwerverkehr)

• Vereinfachung der Infrastrukturwartung: Ersetzen Sie mehrere Induktionsschleifen durch eine einzige Swarm Perception Box. Die Installation erfordert keinerlei Grabungsarbeiten und reduziert den Wartungsaufwand deutlich.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Wenn Sie über einen Parkplatz verfügen, für den Sie Auslastung sowie Parkdauer Ihrer Kundinnen und Kunden analysieren möchten, können Sie unsere Lösung wie folgt verwenden:

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software sämtliche relevante Informationen für Ihre Zählung basierend auf Ein- und Ausfahrten zur Verfügung. Sie erfasst die Anzahl der Fahrzeuge auf Ihrem Parkplatz sowie die Anzahl der Fahrzeuge, die Ihren Parkplatz befahren sowie verlassen. Das Ganze kann für benutzerdefinierte Zeiträume konfiguriert werden.

Die Fahrzeuge werden basierend auf unseren definierten Klassen erkannt. Beachten Sie bitte, dass die folgende Konfiguration für die Erkennung von Fahrzeugen und nicht für Personen sowie Fahrräder optimiert ist.

Dank der Kennzeichenerkennung (ANPR) werden die Parkzeiten Ihrer Kundinnen und Kunden genau analysiert. Zusätzlich zu den Kennzeichendaten steht auch das Herkunftsland des Kennzeichens als Metainformation zur Verfügung. Die Ländercodes entsprechen dem ISO 3166 Alpha 2-Standard. Die Länderklassifizierung arbeitet mit einer ausgezeichneten Genauigkeit von 99%.

Was muss für eine erfolgreiche Analyse beachtet werden?

Nachfolgend finden Sie einige allgemeine Einstellungen für die Installation dieses Anwendungsfalls. Da die automatische Nummernschilderkennung weitere detaillierte Informationen erfordert, finden Sie zusätzliche Informationen zur Einrichtungen im dazu eigens angelegten Abschnitt:

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Sie haben einen Parkplatz, für den die den Belegungsstatus, bzw. die Auslastung analysieren möchten? Unsere Technologie bietet die perfekte Lösung dafür. Überzeugen Sie sich selbst:

Welche Daten können generiert werden?

Für diesen Anwendungsfall stellt Ihnen unsere Software sämtliche relevante Informationen für die Einzelplatzerkennung sowie die Mehrplatzerfassung zur Verfügung. Unsere Lösung liefert Ihnen den Belegungsstatus für jeden Ihrer konfigurierten Parkplätze.

Die Einzelplatzerkennung liefert Ihnen Informationen über die Belegung Ihres Parkplatzes sowie Informationen zur Fahrzeugklasse auf Ihrem Parkplatz. Beachten Sie an dieser Stelle allerdings, dass die nachstehende Konfiguration auf die Erkennung von Fahrzeugen optimiert und nicht für die Erkennung von Menschen sowie Fahrräder ausgelegt ist. Zudem hängt die Genauigkeit der Klassifizierung von der Kameraeinrichtung ab, so wird die Klassifizierung bei einer Ansicht von oben weniger genau ausfallen.

Positionierung der Kamera

Die größte Herausforderung bei der Planung der Kameraeinrichtung besteht darin, mögliche Verdeckungen durch andere Fahrzeuge zu vermeiden. Wir empfehlen die Verwendung des Objektivrechners von Axis oder eines generischen Objektivrechners sowie das gründliche Testen Ihrer Parkplatzkonfiguration unter den folgenden Bedingungen:

• Parken Sie ein Auto auf einem der Parkplätze

• Stellen Sie ein größeres Fahrzeug (hoher Lieferwagen, kleiner LKW, etc.) daneben ab

• Wenn Sie immer noch mindestens 70% des zuerst geparkten Fahrzeugs erkennen können, ist die Erkennung durch das System gewährleistet

Generelle Empfehlungen für die Kamerapositionierung:

• Die Parkplätze müssen vollständig sichtbar sein (innerhalb des Sichtfelds der Kamera). Wir garantieren keine volle Genauigkeit für abgeschnittene Stellplätze.

• Vermeiden Sie es, dass Stellplätze von Objekten (Bäume, Pfosten, Flaggen, Wände, andere Fahrzeuge, etc.) verdeckt werden. Vermeiden Sie außerdem Kamerapositionen, bei denen Fahrzeuge (insbesondere hohe Fahrzeuge wie Lieferwagen) andere Fahrzeuge verdecken.

• Verdeckungen durch andere parkende Autos treten hauptsächlich auf, wenn die Parkplätze und die Kameraausrichtung in dieselbe Richtung ausgerichtet sind.

Beispiele

Um eine bessere Übersicht für Installationen mit mehr Details zur Kameradistanz und zur Montagehöhe zu erhalten, besuchen Sie bitte folgenden Abschnitt mit Standard-Beispielen:

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Um Fahrten von Fahrzeugen zu erkennen, muss dasselbe Fahrzeug an mehreren vordefinierten Orten erkannt werden. Das bedeutet, dass es einen speziellen Identifikator geben muss, um zu erfassen, ob es sich wirklich um dasselbe Fahrzeug handelt und nicht verschiedene.

Bei Fahrzeugen ist der eindeutige Identifikator natürlich das Nummernschild. Daher wird dieses für den Abgleich von Fahrzeugen an verschiedenen Standorten verwendet. Da Nummernschilder als personenbezogene Daten gelten, wird eine angewendet, um die personenbezogenen Daten zu pseudo-anonymisieren.

Wie funktioniert das?

Auf Grundlage unseres Standardanwendungsfalls für die Verkehrszählung wird das Objekt (Fahrzeug) zunächst erkannt und klassifiziert. Wenn das Journey-Time-Feature aktiviert ist, führt der Algorithmus eine Kennzeichenerkennung sowie -lesung für jedes detektierte Fahrzeug durch. Der Raw String des Kennzeichens, also die unbearbeitete Zeichenabfolge, wird dann mit einem sogenannten Hashing-Mechanismus pseudonymisiert, und der pseudonymisierte Zufallstext wird im Rahmen eines Events, welches durch das Überfahren einer Counting Line getriggert wird, über das verschlüsselte Netzwerk gesendet.

Im folgenden Abschnitt werden die einzelnen Schritte näher beschrieben.

Fahrzeugerkennung

In jedem Videoframe werden Fahrzeuge erkannt und als Pkw, Lkw oder Bus klassifziert. Außerdem wird das Fahrzeug über die einzelnen Frames hinweg getrackt.

Kennzeichenerkennung

Für jedes klassifizierte Fahrzeug wird nun das Nummernschild erkannt und dem Objekt entsprechend zugeordnet.

Lesen des Kennzeichens

Nun wird für jedes erkannte Kennzeichen eine optische Zeichenerkennung (OCR) angewendet, um das Nummernschild zu lesen. Der Output ist ein Text, der die Raw Strings, also die Rohzeichenfolge, des Kennzeichens enthält.

Pseudonymisierung des Kennzeichens (Hashing)

Um die Nummernschilder erfolgreich zu pseudonymisieren, erzeugt ein sogenannter Salt Shaker zufällige Salts im Backend (Cloud) und verteilt diese an die Edge-Geräte. Ein Salt ist ein Zufallswert, der als Eingabe für das Hashing von Daten verwendet wird, z.B. von Passwörtern oder in unserem Fall eben von Nummernschildern. Dieser Zufallswert wird nicht im Backend gespeichert. Lediglich im Edge-Gerät, also etwa in der Perception Box, werden die Salts kurzzeitig zwischengespeichert.

Um die Sicherheit vor potentiellen Angriffen zu gewährleisten und zu erhöhen, hat ein Salt ein Gültigkeitsfenster von zwölf Stunden. Nach Ablauf dieser wird ein neues, zufällig generierter Salt verwendet. Die folgende Grafik zeigt ein Beispiel für die Hashing-Funktion, die für die Kennzeichen verwendet wird:

Die vier Salts werden vom Salt Shaker erzeugt und an jedes Edge-Gerät verteilt. Um immer alle Fahrten zu erfassen, wird jedes Kennzeichen mit zwei Salts gehasht. Grund dafür ist die Annahme, dass eine Fahrt potentiell länger dauern kann als die Gültigkeitsdauer eines Salts. Weitere Informationen dazu folgen im nächsten Abschnitt.

Event wird ausgelöst und gesendet

Wenn das Fahrzeug eine Counting Line überfährt, wird ein entsprechend Event mit den Hashes der erkannten Nummernschilder über MQTT an die Cloud (Microsoft Azure) gesendet und in einer strukturierten Datenbank gespeichert.

Abgleichen/Matching der Journey Times

In der Cloud wird die Datenbank regelmäßig auf mögliche Übereinstimmungen innerhalb des Hashes überprüft. Wie bereits erläutert, werden pro erkanntem Fahrzeug zwei Hashes erstellt. Wenn einer der beiden bei zwei verschiedenen Erkennungen identisch ist, wird er als eine Fahrt mit den entsprechenden Fahrtzeitinformationen, der Fahrzeugklasse, den Namen des Edge-Geräts und den GPS-Koordinaten des Edge-Geräts gespeichert.

Falls derselbe Hash an mehreren Orten gefunden wird, wird eine sogenannte Multi-Hop-Fahrt basierend auf der Sortierung der Zeitstempel gespeichert (z.B. Fahrt von Ort A nach B nach C).

Anonymisierung der Daten

Nach zwölf Stunden, also der Gültigkeitsdauer des zur Pseudonymisierung des Kennzeichens verwendeten Salts, wird das pseudonymisierte Kennzeichen gelöscht. Durch diesen Vorgang werden die pseudonymisierten Daten entsprechend anonymisiert. Zusammengefasst bedeutet dies, dass nach zwölf Stunden nach der Erkennung des Fahrzeugs und des Kennzeichen sämtliche Daten anonymisiert sind.

Neben der Verkehrsfrequenz an bestimmten Orten fragen Sie sich, wie lange eine Warteschlange von Fahrzeugen ist, wenn ein Verkehrsstau besteht? Mithilfe unserer Software erhalten Sie entsprechende Einblicke dazu: In Kombination mit der Geschwindigkeit des erkannten Fahrzeugs können Informationen zu möglichen Verkehrsstaus ausgespielt werden.

Welche Daten können generiert werden?

Für diesen Anwendungsfall liefert Ihnen unsere Software die wichtigsten Erkenntnisse über den Straßenverkehr. Zum einen können Fahrzeugzählungen einschließlich der Fahrzeugklassifizierung vorgenommen werden. Darüber hinaus bietet unsere Technologie durch entsprechende Konfigurationsoptionen die Schätzung der Geschwindigkeit oder auch Informationen über mögliche Verkehrsüberlastungen.

Bei der Analyse der Verkehrsfrequenz können Daten zu sämtlichen Fahrzeugklassen generiert werden. Je nach Kamerakonfiguration können Fahrzeuge bei einer Entfernung von bis zu 70 Metern detektiert werden.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Nachfolgend erläutern wir, wie unsere Software dafür genutzt werden kann, um die Anzahl von Menschen zu erfassen, die einen zuvor definierten Bereich über eine sogenannte Virtual Door betreten oder verlassen.

Welche Daten können generiert werden?

Unsere Software liefert Ihnen für diesen Anwendungsfall Informationen darüber, wie viele Personen aufgeteilt nach Richtung (In/Out) einen bestimmten Bereich betreten oder verlassen. Darüber hinaus können mehrere Zählungen mit einer Kamera durchgeführt werden, z.B. separate Zählungen für jede Tür.

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Hardware-Spezifikationen

Neben der Verkehrsfrequenz an bestimmten Standorten interessieren Sie sich auch für Statistiken darüber, wie lange Fahrzeuge von einem Ort zum anderen brauchen und wie der Verkehr in Ihrer Stadt und Gemeinde fließt? Diese Daten können Sie problemlos mit unserer Sensorik lösen. Überzeugen Sie sich selbst:

Welche Daten können generiert werden?

Für diesen Anwendungsfall liefert Ihnen unsere Software die entsprechenden Erkenntnisse zum Straßenverkehr, zunächst die Zählung von Fahrzeugen einschließlich ihrer Klassifizierung.

Darüber hinaus haben Sie dank unserer einfachen Konfiguration verschiedene Möglichkeiten, Ihre Analyse zu erweitern: Neben der , kann durch das Kombinieren mehrerer Sensoren an verschiedenen Standorten ebenfalls die Fahrzeit (Journey Time) sowie die statistische Verteilung des Verkehrsflusses (Traffic Flow Distribution) erfasst werden.

Für die Verkehrsfrequenz erfolgt die Klassifizierung nach unseren , Journey Time sowie Traffic Flow Distribution erfolgen lediglich in den Fahrzeugklassen (car, bus und truck).

Was muss für eine erfolgreiche Analyse beachtet werden?

Spezifikationen für die Umgebung

Informationen zur Genauigkeit

Wenn wir hier von Genauigkeit sprechen, meinen wir den Erfassungsgrad eines einzelnen Sensors, der den Prozentsatz der korrekt erkannten Kennzeichen im Verhältnis zur Gesamtzahl der während einer Ground-Truth-Zählung erfassten Fahrzeuge darstellt.

Der aktuelle Erfassungsgrad für diesen Anwendungsfall beträgt 60%, unter Berücksichtigung unterschiedlicher Tages-/Nachtzeiten, Wetterbedingungen und Verkehrssituationen. Bei der Berechnung der Fahrzeit zwischen zwei Sensoren werden etwa 36% der Fahrten als Grundlage verwendet, was durch die Multiplikation des Erfassungsgrades beider Sensoren berechnet wird.

Diese Genauigkeit ist absolut ausreichend, um Daten zu generieren, die valide Rückschlüsse auf Verkehrsmuster und Fahrzeiten zulassen.

Hardware Specifications

Wichtige Begriffe zum besseren Verständnis:

• Kamerawinkel (Camera Angle): gemessen von einer horizontalen Linie

• Kamerahöhe (Camera Height): Montagehöhe der Kamera

• Abstand Kamera zu Punkt in der Bildmitte (Distance Camera to Point in the Image-Center): Dieser Abstand ist durch den Kamerawinkel und die Kamerahöhe automatisch festgelegt. Aber auf eine bessere Einschätzung Ihrer Kamerakonfiguration fügen wir ihn als zusätzlichen Parameter hinzu.

Nachstehend geben wir Standardbeispiele mit den folgenden Annahmen:

• Fahrzeugbreite: 2 m

• Parkplatzlänge/Fahrzeuglänge: 5 m

• Höhe des verdeckenden Fahrzeugs: 2,5 m

Einzelne, parallele Parkplatzreihe

Zwei parallele Parkplatzreihen

Journey Time ist hier als Fahrtzeit definiert, die zwischen der Sichtung desselben Fahrzeugs über zwei oder mehrere Kamerastreams vergeht. Die Identifizierung der Fahrzeuge basiert auf den Kennzeichen. Bitte beachten Sie zu diesem Thema unsere ausführliche Anleitung zur für eine allgemeine Übersicht.

Dieser Anleitung konzentriert sich auf spezifische Details, die bei der Erfassung von Fahrtzeiten und der Analyse des Verkehrsflusses auf öffentlichen Straßen zu beachten sind. Dabei liegt der Fokus auf der Platzierung der Kameras, den Kameraeinstellungen selbst sowie auf der Konfiguration der Event-Trigger.

Kameraplatzierung

Eine möglichst perfekte Platzierung der Kamera ist entscheidend, um ein klares Bild und damit lesbare Kennzeichen zu erhalten. Während einige Parameter wie etwa der Abstand von der Kamera zum Kennzeichen nach der Installation noch feinjustiert werden können, können die Montagehöhe und der Winkel zwischen Kamera und Fahrtrichtung der Fahrzeuge nur durch eine physische und meist kostspielige Neuanordnung angepasst werden. Die Kameraposition muss so gewählt werden, dass vorbeifahrende Fahrzeuge vollständig sichtbar sind und in mehreren Frames des Kamerastreams erfasst werden können, wobei die Nummernschilder groß genug sein müssen, damit das ANPR-System jedes einzelne Zeichen erkennen kann.

Wir empfehlen Montagehöhen zwischen drei und acht Metern. Daher liegt der geeignete minimale Erfassungsabstand zwischen fünf und 14 Metern. Neben der vertikalen Winkelbeschränkung sollten die Kennzeichen mit mindestens 250 Pixel Per Meter (PPM) sichtbar sein. Diese Einschränkung bestimmt gleichzeitig die erforderliche minimale Brennweite (Zoom), auf die die Kamera eingestellt werden muss.

Warum sollte die Montagehöhe zwischen drei und acht Meter betragen?

Die Untergrenze von drei Metern wird durch eher praktische Gründe und nicht durch technische Einschränkungen bestimmt. Kameras, die niedriger als drei Meter montiert sind, sind häufig anfällig für Vandalismus. Außerdem können Scheinwerfer von vorbeifahrenden Fahrzeugen zu Reflexionen führen. Die Obergrenze von acht Metern ergibt sich aus dem resultierenden minimalen Erfassungsabstand von mindestens 14 Metern für die erforderliche Auflösung von 1920 x 1080 Pixel. Kennzeichen müssen mit 250 Pixel Per Meter (PPM) sichtbar sein.

Da die Swarm Perception Box und die Kameras hauptsächlich an bereits bestehender Infrastruktur wie beispielsweise Ampelmasten montiert werden, gibt es zwei Möglichkeiten, die Kameras zu montieren: eine seitliche Montage oder eine Überkopfmontage.

Überkopfmontage

Bei der Positionierung der Kamera über den Fahrzeugen können mit einem Sensor gleich zwei Fahrspuren abgedeckt werden.

Beachten Sie Montagehöhe (1) und Erfassungsabstand (2), die den vertikalen Winkel (3) zwischen der Kamera und der Fahrtrichtung des Fahrzeugs bestimmen. Der Abstand zwischen der Spurmitte (4) und der Kamera bestimmt hingegen den horizontalen Winkel (5) zwischen der Kamera und der Fahrtrichtung des Fahrzeugs.

Seitliche Montage

Bei der seitlichen Montage der Kamera an der Straße können zwei Fahrspuren abgedeckt werden, vorausgesetzt der horizontale Winkel zwischen der Kamera und der Fahrtrichtung der Fahrzeuge überschreitet nicht 20°.

Positionieren Sie die Kamera demnach so nah wie möglich am Straßenrand, um einen zu großen horizontalen Winkel zu vermeiden. Größere Winkel können die Genauigkeit insofern beeinträchtigen, als dass Teile des Kennzeichens unleserlich werden. Siehe nachfolgende Illustration: Während die Fahrtrichtungen (1) und (2) für beide Fahrzeuge gleich sind, ist der eine horizontale Winkel (3) deutlich größer als der andere (4).

Einstellungen für den Nachtmodus

Während es tagsüber bei guten Lichtverhältnissen relativ simpel ist, scharfe Bilder zu erhalten, ist es bei schwacher Beleuchtung und Dunkelheit wesentlich schwieriger, eine gute Erkennung der Kennzeichen von fahrenden Fahrzeugen zu erreichen. Der folgende Abschnitt dieser Anleitung gibt daher einen Überblick über die Feinjustierung Ihrer Kamera, um auch unter solch schwierigen Bedingungen die bestmöglichen Ergebnisse zu erzielen.

Die Einstellung der folgenden Parameter hängt stark von der jeweiligen Montageposition der Kamera und ihrer Umgebung ab. Eine Lichtquelle wie eine Straßenlaterne oder ein Fahrzeug, das auf einer anderen Fahrspur vorbeifährt, kann es zu einem unerwünschten Lichteinfall kommen, der das Bild entsprechend negativ beeinflusst. Aus diesem Grund bietet dieser Leitfaden zwar einen allgemeinen Überblick über relevante Einstellungen und deren Auswirkungen auf die Bildqualität, kann aber nicht sämtliche Szenarien und externe Faktoren berücksichtigen.

Tag-/Nachtumschaltung

Wir empfehlen, den automatischen Tag-/Nacht-Umschaltmodus der Kamera zu verwenden. Wie sie auf den nachfolgenden Beispielbildern sehen können, ist es absolut entscheidend, dass die Kamera zuverlässig in den Nachtmodus wechselt.