Slim een menigte tellen: snel, nauwkeurig en nuttig

Kijk eens naar de menigte hierboven. Hoeveel mensen staan er volgens jou op de foto? Hoe lang denk je dat het duurt om ze te tellen? En als het slechts een klein deel van een grotere menigte is, met welke berekening kun je dan schatten hoeveel mensen er in totaal zijn? Een lastig klusje, toch? Je hebt nu een idee van de manier waarop hiervoor menigten werden geteld - moeizaam, uitgevoerd door mensen en daardoor niet echt nauwkeurig. Maar vandaag de dag gaat het behoorlijk anders.

Het tellen van een menigte is belangrijk. We willen allemaal ons dagelijks leven kunnen leiden op een veilige en prettige manier en weten hoeveel mensen er zich op elk moment in een bepaalde ruimte bevinden, kan hiervoor van essentieel belang zijn. Mensen die verantwoordelijk zijn voor ruimten en plaatsen moeten de beweging van grote aantallen mensen beheren, en de middelen plannen die nodig zijn om over hun welzijn te waken. Dus waar er enorme menigten mensen zijn, zoals bij concerten, sportevenementen en festivals, worden mensen geteld. Maar het is ook van cruciaal belang voor openbare ruimten, zoals luchthavens, treinstations en winkelcentra. Je kunt je voorstellen dat dit plaatsen zijn waar handmatig tellen niet ideaal is.

In 2016 bracht Canon software uit met de naam People Counter, die gebruikmaakt van analysetechnologie voor videocontent om het aantal mensen te tellen dat aanwezig is in beelden die worden vastgelegd met beveiligingscamera's. Later, in 2019, werd dit gevolgd door een bijgewerkte versie (Crowd People Counter), die in enkele seconden duizenden mensen kon tellen, dankzij de ontwikkelingen in kunstmatige intelligentie (AI). Een proefconcept tijdens een internationale rugbywedstrijd in 2018 toonde aan dat het in slechts enkele seconden ongeveer 6000 mensen kon tellen met een foutmarge van minder dan 5%, vergeleken met handmatig tellen.

Je zou denken dat simpelweg 'tellen' vrij eenvoudig zou zijn voor een stukje software, maar het is wel degelijk complex. Een van de grootste uitdagingen is bijvoorbeeld wanneer mensen elkaar 'overlappen', voor elkaar staan of te dicht bij elkaar staan. Voor software kan het lastig zijn om het ene individu van het andere te onderscheiden. Om dit op te lossen, gebruikt Crowd People Counter AI om alleen het aantal hoofden in een menigte te detecteren en te tellen, niet het aantal gezichten of lichamen. Dit is nauwkeuriger. Dit betekende natuurlijk dat het algoritme van Crowd People Counter moest weten hoe een menselijk hoofd eruitziet in alle mogelijke situaties in een massa en vanuit elke hoek waarin een beveiligingscamera ze zou kunnen zien. Om dit te doen, werd de software 'gevoed' met een enorm aantal voorbeeldbeelden, waarbij de hoofden waren gemarkeerd. Vervolgens keken de ontwikkelaars of de nauwkeurigheid van het algoritme bij het waarnemen van hoofden toenam. Klinkt eenvoudig, toch? Niet wanneer je tot de ontdekking komt dat dit proces inhield dat het algoritme enkele honderdduizenden door de computer gegenereerde 3D-scènes van menigten ingevoerd kreeg - een aantal dat anders bijna onmogelijk zou zijn.

Het proces was natuurlijk een leercurve die tijd in beslag nam en waarvoor zowel hardware als software nodig was om vooruitgang te boeken. Imagingtechnologie alleen al is in slechts zeven jaar enorm ontwikkeld. Maar de enorme vooruitgang in kunstmatige intelligentie (AI) betekende dat de technologie voor het tellen van de menigten al vroeg de weg naar deep learning nam. Deep learning is een subset van kunstmatige intelligentie (AI) en bootst het menselijk brein na om complexe problemen op te lossen door patronen in gegevens te herkennen - vergelijkbaar met de manier waarop wij mensen dat doen als we kijken naar de wereld om ons heen. Om de precisie van Crowd People Counter een boost te geven, ontwikkelde het team daarom een licht deep learning-model, waarvoor de zware verwerkingskracht van sommige modellen niet nodig was en het veel efficiënter kon werken.

Maar een van de belangrijkste dingen die Crowd People Counter anders maakt, is de manier waarop het ontwikkelingsteam achter de software uitdagingen het hoofd konden bieden. Ze hadden teams voor cameraontwikkeling bij de hand om mee te praten, wat hen hielp wanneer ze bijvoorbeeld problemen hadden met beeldruis bij weinig licht. Dankzij dit soort goede samenwerking bereikt de software nu een hoge mate van precisie. Ook via de samenwerking met Axis en Milestone, twee andere bedrijven uit de Canon-groep, kon iedereen waardevolle gemeenschappelijke mogelijkheden realiseren, zoals realtime trendanalyse en een beeldresolutie met een groot aantal Megapixel en lage vervorming. Als gevolg hiervan wordt Crowd People Counter toegepast op verschillende gebieden en voor tal van verschillende doeleinden.

En dat brengt ons weer terug bij het 'waarom'. Het is duidelijk dat het tellen van menigten ons veilig kan houden. Het kan verhinderen dat drukke situaties een dodelijke afloop krijgen door beveiligingspersoneel te waarschuwen voor de kans op gevaarlijk overvolle ruimten. Het kan ervoor zorgen dat de toegang tot ruimten wordt gemeten of ons helpen inzicht te krijgen in het maximale aantal mensen dat veilig een plaats kan bezoeken. Er is ook een aantal rustigere, alledaagse manieren waarop het tellen van menigten voordelen biedt. Het kan ons nuttige trends laten zien - hoeveel mensen er bijvoorbeeld naar verwachting een restaurant bezoeken. Dit kan bedrijven helpen plannen hoeveel voedsel er op een bepaalde dag moet worden bereid, wat de hoeveelheid afval aanzienlijk kan verminderen. Het kan ook door stadsplanners worden gebruikt om inzicht te krijgen in de wijze waarop ruimten en plaatsen worden gebruikt, om deze kennis vervolgens toe te passen om milieuvriendelijkere vervoersmogelijkheden te stimuleren. In de tijd voor dergelijke technologie zou dit een buitengewoon tijdrovende en mogelijk complexe taak zijn, maar tegenwoordig is het niet meer nodig om alleen met je ogen en een rekenmachine te werken. Tenzij je dat wilt, natuurlijk.

Ontdek meer informatie over Canon Crowd People Counter.