vor etwa einem Monat

Besucherzählung für Großveranstaltungen

Sportveranstaltungen, Konzerte, Festivals und politische Großdemonstrationen werden von großen Menschenmassen besucht. Die Allianz Arena hier in München hat beispielsweise bis zu 75.000 Sitze, und während die Organisation des öffentlichen Nahverkehrs für eine Veranstaltung dieser Größenordnung schon für sich eine Herausforderung darstellt (die wir in einem anderen Blogeintrag beleuchten werden), ist es mindestens genauso herausfordernd die Menschenmasse am Stadion zu managen.

Wenn man sich politische Großdemonstrationen ansieht werden die Besucherzahlen noch extremer. In den meisten Ländern haben sie mehr als 100.000 Teilnehmende und es ist nicht ungewöhnlich auch 500.000 in großen Städten wie bspw. Berlin zu erreichen.

Solche Veranstaltungen zu organisieren und abzusichern kommt mit mehreren Schwierigkeiten und Herausforderungen daher. Fast allen liegt zur Planung eine sehr simple Frage zugrunde:

Wie viele Personen sind zu erwarten? Und wo halten Sie sich auf?

Diese Frage zu beantworten ist nicht so einfach wie is scheint. Menschenmassen unterliegen einer starken Dynamik und sind nur schwer vorhersehbar. Ihre Dichte variiert zwischen verschiedenen Bereichen und bestimmte Ereignisse (z.B. das Ende des Fußballspiels im Stadion) führen zu plötzlichen und unberechenbaren Veränderungen. Bis vor kurzem gab es sehr wenige Möglichkeiten für die Organisatoren diese Dynamik in Echtzeit überschauen zu können.
Stattdessen wird im Event Management häufig mit Abschätzungen bezüglich der Spitzenlasten gearbeitet, um dann diesen mit ausreichend Ressourcen aufkommen zu können (Sicherheitspersonal, Notausgänge, etc.).

Für Computer und Data Scientists ist dieses Problem dagegen prädestiniert für moderne Lösungsansätze aus den Bereichen maschinelles Lernen, künstliche Intelligenz und Bildverarbeitung. Die Frage "Wie viele? Und wo?" nicht beantworten zu können ist unzureichend in Zeiten solcher technischen Instrumente.

In den folgenden Abschnitten wollen wir beleuchten, was wir mittels intelligenter Bildauswertung für Organisatoren von Großveranstaltungen tun können.

Wir fangen klein an mit dieser mittelmäßig ausgelasteten Einkaufsstraße. Als ersten einfachen Ansatz bietet es sich and sogenannte Object Detection Networks zu testen. Diese Netze wurden darauf trainiert Objekte in einem Eingabebild zu erkennen und gleichzeitig zu lokalisieren. Es gibt dazu viele verschiedene Architekturen und Datensätze die sich in der Komplexität der Netzwerkes, der Anzahl an verschiedenen Objekten und in ihrer Genauigkeit unterscheiden. Das oben verwendete Netzwerk ist ein populäres Open Source Netzwerk und ist nicht dazu optimiert worden Personen zu erkennen oder dabei besonders effizient in der Berechnung zu sein. Aber selbst mit diesem ersten recht naiven Ansatz erkennt das Netz 31 Personen im Bild. Das ist noch nicht perfekt (z.B. werden die Personen hinter dem Baum nicht gut erkannt), aber die Abweichung zum händischen nachzählen ist nicht allzu groß. Als nächstes werden wir dies mit mehr Menschen im Bild testen.

Es sieht so aus als würde dieser Ansatz bereits an seine Grenzen kommen. Alle Personen in diesem zu erkennen und vor allem diese zu lokalisieren ist unmöglich für die meisten gewöhnlichen Object Detection Networks. Das hat mehrere Gründe. Ihre Architektur erlaubt nur eine begrenzte Anzahl an Objekten für eine gewisse Region des Eingabebildes, was die Anzahl an erkennbaren Personen schon durch das Design an sich limitiert. Außerdem beinhalten die Datensätze auf denen diese Netze trainiert wurden keine solche Menschenmassen mit Markierungen der einzelnen Personen. Deshalb wurde das Netz nie darauf trainiert einzelne Personen in der dichten Menschenmasse zu erkennen.

Dies wird noch deutlicher für dichtere Menschenmengen, wie man dieser Szene einer Sportveranstaltung entnehmen kann. Das Netz ist nicht in der Lage einzelne Personen in der Menge zu unterscheiden und scheitert selbst daran eine große Schätzung zu erzeugen.

Die Lösung für dieses Problem verfolgt deshalb einen fundamental anderen Ansatz. Diese sogenannte Crowd Counting Technik erkennt statt einzelnen Personen die Dichte der Menge für die Regionen des Bildes. Crowd Counting Netze werden auf Datensätzen von großen Verantstaltungen trainiert und können auf viele verschiedene Menschenmengen angewandt werden, von recht kleinen Gruppen (0-50) bis hin zu sehr dichten Massen (sogar bis hin zu 10.000+). Im Folgenden nun ein paar Beispiele dieser Netze:

Dieser Ansatz zählt nun 2.228 Personen im Bilder der Sportarena und 398 Personen auf dem Platz. Eine händische Zählung wäre in diesen Beispielen völlig unpraktikabel. Moderne Verfahren des maschinellen Lernens gibt den Organisatoren von Großveranstaltungen ganz neue Werkzeuge ihre Events zu planen, managen und zu analysieren. Und das alles in Echtzeit.

Die Bilder für diesen Artikel wurden dem ShanghaiTech dataset entnommen, einem großen Crowd Counting Benchmark.

Wie setzt Isarsoft Crowd Counting ein?

Isarsoft setzt Crowd Counting ein wenn Menschenmassen zu dicht werden um einzelne Personen zu lokalisieren und diese Information auch keinen großen Mehrwert liefert. Die Ergebnisse der Zählung können in einem Dashboard angesehen und analysiert werden. Desweiteren können die Daten in mehrere gängige Formate exportiert werden, um eine weitere Analyse der Daten mit anderen Werkzeugen zu ermöglichen oder diese in Präsentation und Evaluierungen einfließen zu lassen. Die Algorithmen können direkt auf KI-fähigen Smart Kameras oder aber mit gewöhnlichen Kameras und einer Serverlösung ausgeführt werden. Die Serverlösung ist dabei als Vor-Ort oder Cloud Lösung verfügbar.

Isarsoft verfolgt das Ziel dass jeder die Möglichkeiten moderner KI Lösungen einsetzen kann um seine Geschäftsprozesse besser zu verstehen und dies auch verfügbar und einfach einzusetzen sein sollte. Da es sich um eine Softwarelösung handelt, ist die Implementierung schneller und kostengünstiger als dedizierte Sensorik oder manuelle Auswertungen. Die Lösungen lassen sich dabei einfach in bestehende Infrastruktur integrieren.

Mögliche Einsatzszenarien sind dabei die Messung des Fahrgastaufkommens an Bahnsteigen, das Erfassen des Besucheraufkommens zu Großveranstaltungen und Messen sowie als mächtiges Assistenz-Werkzeug für Städte und deren Behörden.

Falls Sie weitere Fragen haben, zögern Sie nicht uns zu kontaktieren. Wir besprechen sehr gerne mit Ihnen Ihren konkreten Anwendungsfall und beraten Sie zu den Möglichkeiten der Videoanalyse.

Philipp Schmidt - CTO
Philipp SchmidtGründer und CTO

Related Posts

Warum Isarsoft

Oskar Haller - vor etwa einem Monat

Automatische Fahrgastzählsysteme - Eine Übersicht

Oskar Haller - vor etwa einem Monat

Noch weitere Fragen?

Kundenservice steht bei uns an erster Stelle.
Unser Sales Team beantwortet Ihre Fragen gerne unter moc.tfosrasi@selas und 24263512 98 94+.

Anmeldung zum Newsletter
Erhalten Sie Benachrichtigungen über neue Lösungen, Produktupdates und Unternehmensnachrichten

© Isarsoft | Datenschutz | Impressum