本文分享自华为云社区《客流分析之基于头肩部检测的过线客流统计》，作者：HiLens_feige 。

除了划区域客流统计之外，另一类常见的客流统计场景是过线客流统计，本文介绍基于头肩部检测的过线客流统计技能：采用头肩部检测人形并进行跟踪，当头肩部中心点跨过事先划定的线段时，增加客流计数；过线前后的人形将使用不同颜色的框表示，画面中也会实时显示客流数量。

本文将使用华为云ModelArts进行人形检测模型的训练，并使用ModelBox框架进行应用开发，使用前开发者需要完成如下准备工作：

这个应用对应的ModelBox版本已经做成模板放在华为云OBS中，可以用sdk中的solution.bat工具下载，接下来我们给出该应用在ModelBox中的完整开发过程：

执行.\solution.bat -l可看到当前公开的技能模板：

结果中的passenger_flow_head_det_yolo7即为基于头肩部检测的过线客流统计应用模板，可使用如下命令下载模板：

solution.bat工具的参数中，-l 代表list，即列出当前已有的模板名称；-s 代表solution-name，即下载对应名称的模板。下载下来的模板资源，将存放在ModelBox核心库的solution目录下。

在ModelBox sdk目录下使用create.bat创建passenger_flow工程

create.bat工具的参数中，-t 表示创建事务的类别，包括工程(server)、Python功能单元(Python)、推理功能单元(infer)等；-n 代表name，即创建事务的名称；-s 代表solution-name，表示将使用后面参数值代表的模板创建工程，而不是创建空的工程。

workspace目录下将创建出passenger_flow工程，工程内容如下所示：

passenger_flow工程graph目录下存放流程图，默认的流程图passenger_flow.toml与工程同名，其内容为（以Windows版ModelBox为例）：

整个应用逻辑比较简单，视频解码后做图像预处理，接着是头肩部检测，模型后处理得到头肩框，送入跟踪算法进行实时跟踪与过线判断，最后将跟踪信息画到图像输出到视频中。

本应用的核心逻辑是跟踪与过线判断，体现在 object_tracker 功能单元中，它是一个Stream功能单元，Stream功能单元的概念和案例可以参考 ModelBox AI应用开发——Stream功能单元 。

object_tracker 功能单元的实现代码在object_tracker.py和easy_tracker.py文件中，目标跟踪算法 EasyTracker 根据IoU使用贪心法进行匹配，过线判断逻辑在object_tracker.py的 get_tracking_objects 函数中：

可以看到，应用做了简化处理，假设过线统计的线段为水平线段，使用检测框的中心点y坐标与线段的y坐标比较判断是否过线。此处开发者可以进行修改扩展，使得应用可以支持非水平线段的过线判断。

本应用中的画图功能单元以来 pillow 工具包以实现中文输出，ModelBox应用不需要手动安装三方依赖库，只需要配置在 dependence\modelbox_requirements.txt ，应用在编译时会自动安装。另外，中文输出还需要对应的字体库，存放在 data 目录下，画图功能单元初始化时将从此目录加载资源。

查看任务配置文件bin/mock_task.toml，可以看到其中的任务输入和任务输出配置为如下内容：：

即，使用本地视频文件data/passenger_flow.mp4作为输入，统计过线客流后，画图输出到本地视频文件data/passenger_flow_result.mp4中。

启动应用前执行.\build_project.sh进行工程构建，该脚本将编译自定义的C++功能单元（本应用不涉及）、将应用运行时会用到的配置文件转码为Unix格式（防止执行过程中的格式错误）、安装第三方依赖库：

然后执行.\bin\main.bat运行应用：

运行结束后在hilens_data_dir目录下生成了passenger_flow_result.mp4文件，可以打开查看：

可以看到，黄色线段即为过线统计的水平线段，未过线的人使用灰色框标记其头肩部，已过线的使用蓝色框，画面左上角实时显示总的过线客流数量。

通过本教程，我们学习了另一类客流统计应用——过线客流统计，通常用于室内出入口，摄像头会架设在高处俯拍，使用头肩部检测可以减少人与人之间的遮挡。

点击关注，第一时间了解华为云新鲜技术~