Besucherzählung für Großveranstaltungen

Sportveranstaltungen, Konzerte, Festivals und große politische Demonstrationen werden von großen Menschenmengen besucht. Die Allianz Arena hier in München hat zum Beispiel bis zu 75.000 Sitzplätze, und obwohl die Organisation der öffentlichen Verkehrsmittel für eine Veranstaltung dieser Größenordnung an sich schon eine Herausforderung ist (auf die wir in einem anderen Blogeintrag eingehen werden), ist es mindestens genauso schwierig, das Publikum im Stadion zu managen.

Wenn man sich große politische Demonstrationen anschaut, wird die Besucherzahl noch extremer. In den meisten Ländern haben sie mehr als 100.000 Teilnehmer, und in großen Städten wie Berlin ist es nicht ungewöhnlich, 500.000 zu erreichen.

Die Organisation und Sicherung solcher Veranstaltungen ist mit mehreren Schwierigkeiten und Herausforderungen verbunden. Fast alle basieren auf einer sehr einfachen Frage zur Planung:

Wie viele Personen werden erwartet? Und wo wohnst du?

Die Beantwortung dieser Frage ist nicht so einfach, wie es scheint. Menschenmengen unterliegen einer starken Dynamik und sind schwer vorherzusagen. Ihre Dichte variiert je nach Gebiet und bestimmte Ereignisse (z. B. das Ende des Fußballspiels im Stadion) führen zu plötzlichen und unvorhersehbaren Veränderungen. Bis vor Kurzem gab es für Organisatoren nur sehr wenige Möglichkeiten, diese Dynamik in Echtzeit zu überwachen.
Stattdessen arbeitet das Eventmanagement häufig mit Schätzungen zu Lastspitzen, um diesen dann mit ausreichenden Ressourcen (Sicherheitspersonal, Notausgänge usw.) begegnen zu können.

Für Computer und Datenwissenschaftler ist dieses Problem dagegen prädestiniert für moderne Lösungsansätze aus den Bereichen maschinelles Lernen, künstliche Intelligenz und Bildverarbeitung. Die Frage „Wie viele?“ nicht beantworten zu können Und wo?“ ist in Zeiten solcher technischer Hilfsmittel unzureichend.

In den folgenden Abschnitten beleuchten wir, was wir mit intelligenter Bildanalyse für Veranstalter von Großveranstaltungen tun können.

Wir fangen klein mit dieser mäßig belebten Einkaufsstraße an. Ein erster einfacher Ansatz ist das Testen sogenannter Netzwerke zur Objekterkennung. Diese Netzwerke wurden darauf trainiert, Objekte in einem Eingabebild zu erkennen und gleichzeitig zu lokalisieren. Es gibt viele verschiedene Architekturen und Datensätze, die sich in der Komplexität des Netzwerks, der Anzahl der verschiedenen Objekte und ihrer Genauigkeit unterscheiden. Das oben verwendete Netzwerk ist ein beliebtes Open-Source-Netzwerk und ist nicht darauf optimiert, Personen zu erkennen oder besonders effizient bei der Berechnung zu sein. Aber selbst mit diesem ersten, ziemlich naiven Ansatz erkennt das Netzwerk 31 Personen auf dem Bild. Das ist noch nicht perfekt (z. B. werden die Personen hinter dem Baum nicht gut erkannt), aber die Abweichung zum manuellen Nachzählen ist nicht allzu groß. Als Nächstes werden wir das mit mehr Personen auf dem Bild testen.

Es sieht so aus, als ob dieser Ansatz bereits an seine Grenzen stößt. Für die meisten herkömmlichen Objekterkennungsnetzwerke ist es unmöglich, alle Personen darin zu erkennen und insbesondere sie zu lokalisieren. Das hat mehrere Gründe. Ihre Architektur erlaubt nur eine begrenzte Anzahl von Objekten für einen bestimmten Bereich des Eingabebildes, was die Anzahl der detektierbaren Personen konstruktionsbedingt begrenzt. Darüber hinaus enthalten die Datensätze, auf denen diese Netzwerke trainiert wurden, solche Menschenmengen mit Markierungen für jede Person nicht. Daher wurde das Netzwerk nie darauf trainiert, einzelne Personen in der dichten Menschenmenge zu erkennen.

Dies wird bei dichteren Menschenmengen noch deutlicher, wie in dieser Szene von einem Sportereignis zu sehen ist. Das Netzwerk ist nicht in der Lage, einzelne Personen aus der Menge zu unterscheiden, und es ist nicht einmal in der Lage, eine große Schätzung zu erstellen.

Die Lösung dieses Problems verfolgt daher einen grundlegend anderen Ansatz. Diese sogenannte Crowd-Counting-Technik ermittelt die Dichte der Menschenmenge für die Bildregionen und nicht für einzelne Personen. Netzwerke zum Zählen von Menschenmengen werden anhand von Datensätzen von Großveranstaltungen trainiert und können auf viele verschiedene Menschenmengen angewendet werden, von recht kleinen Gruppen (0-50) bis hin zu sehr dichten Menschenmengen (sogar bis zu 10.000 und mehr). Im Folgenden finden Sie einige Beispiele für diese Netzwerke:

Dieser Ansatz zählt jetzt 2.228 Personen im Bild der Sportarena und 398 Personen auf dem Platz. Eine manuelle Zählung wäre in diesen Beispielen völlig unpraktisch. Moderne Techniken des maschinellen Lernens bieten großen Veranstaltern völlig neue Tools zur Planung, Verwaltung und Analyse ihrer Veranstaltungen. Und das alles in Echtzeit.

Die Bilder für diesen Artikel stammen aus dem ShanghaiTech-Datensatz, einem großen Benchmark zum Zählen von Menschenmengen.

Wie verwendet Isarsoft Crowd Counting?

Isarsoft verwendet Crowd Counting, wenn Menschenmengen zu dicht werden, um Personen zu lokalisieren, und diese Informationen bieten auch keinen großen Mehrwert. Die Ergebnisse der Zählung können in einem Dashboard eingesehen und analysiert werden. Darüber hinaus können die Daten in mehrere gängige Formate exportiert werden, um eine weitere Analyse der Daten mit anderen Tools zu ermöglichen oder um sie für Präsentationen und Auswertungen zu verwenden. Die Algorithmen können direkt auf KI-fähigen Smart-Kameras oder mit normalen Kameras und einer Serverlösung ausgeführt werden. Die Serverlösung ist als Vor-Ort- oder Cloud-Lösung verfügbar.

Das Ziel von Isarsoft ist es, dass jeder die Möglichkeiten moderner KI-Lösungen nutzen kann, um seine Geschäftsprozesse besser zu verstehen, und dass dies auch verfügbar und einfach zu bedienen sein sollte. Da es sich um eine Softwarelösung handelt, ist die Implementierung schneller und günstiger als dedizierte Sensoren oder manuelle Analysen. Die Lösungen können problemlos in die bestehende Infrastruktur integriert werden.

Mögliche Anwendungsszenarien sind unter anderem die Messung der Anzahl der Fahrgäste auf Bahnsteigen, die Erfassung der Besucherzahlen von Großveranstaltungen und Messen sowie als leistungsstarkes Assistenzinstrument für Städte und ihre Behörden.

Wenn Sie weitere Fragen haben, zögern Sie bitte nicht, uns zu kontaktieren. Gern besprechen wir mit Ihnen Ihre spezifische Anwendung und beraten Sie zu den Möglichkeiten der Videoanalyse.

Mehr über Isarsoft

Mit Isarsoft Perception werden Ihre Kamerasysteme Teil Ihrer Business Intelligence. Ganz gleich, ob das Ziel darin besteht, die Effizienz, Kundenzufriedenheit oder Sicherheit zu steigern, Isarsoft Perception liefert die Erkenntnisse, die für fundierte Entscheidungen erforderlich sind.

Kontaktiere uns, um mehr darüber zu erfahren, wie Sicherheitskameras in intelligente Sensoren umgewandelt werden können.