使用 Amazon Rekognition 提高交通灯效率 - 亚马逊AWS官方博客
利用 Amazon Rekognition 提高交通灯效率
州和地方机构每年花费约 12.3 亿美元来运营和维护信号交通交叉口。另一方面，十字路口的交通拥堵每年给司机造成约 220 亿美元的损失。实施基于人工智能 (AI) 的检测解决方案可以显着缓解十字路口的拥堵并降低运营和维护成本。在这篇博文中，我们向您展示 Amazon Rekognition（一种 AI 技术）如何缓解交通路口的拥堵并降低运营和维护成本。
州和地方机构依靠交通信号来促进交通安全流动涉及汽车、行人和其他用户的交通。交通信号灯主要有两种类型：固定式和动态式。固定交通信号灯是由机电信号控制的定时信号灯，可根据设定的时间段切换和保持信号灯。动态交通灯旨在通过使用道路表面下方和交通灯上方的探测器来根据交通状况进行调整。然而，随着人口持续增长，街道上的汽车、自行车和行人也越来越多。道路使用者的增加会对两个交通系统的效率产生负面影响。
解决方案概述
在较高层面上，我们的解决方案使用 Amazon Rekognition 自动检测对象（汽车）、自行车等）和十字路口的场景。检测后，Amazon Rekognition 会在每个对象（例如车辆）周围创建边界框，并计算每个对象之间的距离（在这种情况下，这将是在十字路口检测到的车辆之间的距离）。计算距离的结果以编程方式用于停止或允许交通流，从而减少拥堵。所有这一切都在无需人工干预的情况下发生。
先决条件
可以使用我们提供的代码在个人 AWS 环境中实施建议的解决方案。但是，必须满足一些先决条件。在运行本文中的实验之前，请确保您拥有以下内容：
- AWS 帐户。如有必要，请创建一个。
- 访问实验室中使用的服务的适当 AWS Identity and Access Management (IAM) 权限。如果这是您第一次设置 AWS 账户，请参阅 IAM 文档，了解有关配置 IAM 的信息。
- SageMaker Studio 笔记本。如果需要，请创建一个。
解决方案架构
下图说明了实验室架构：
此解决方案使用以下 AI和机器学习 (AI/ML)、无服务器和托管技术：
- Amazon SageMaker，一种完全托管的机器学习服务，使数据科学家和开发人员能够构建、训练和部署机器学习应用程序。
- Amazon Rekognition 支持向您的应用程序添加图像和视频分析。
- IAM 授予身份验证和授权，允许解决方案中的资源相互通信。
回顾一下该解决方案的工作原理
- 交通路口视频片段从外部设备上传到您的 SageMaker 环境。
- Python 函数使用 CV2 来分割视频片段视频片段转换为图像帧。
- 图像帧完成后，该函数调用 Amazon Rekognition。
- Amazon Rekognition 分析每个帧并在其检测到的每辆车周围创建边界框。
- 该函数对边界框进行计数，并根据使用预定义逻辑检测到的汽车数量更改交通信号。
解决方案演练
现在，让我们逐步实施该解决方案。
配置 SageMaker：
- 在导航窗格中选择域，然后选择您的域名。
- 找到并复制 SageMaker 执行角色。
- 转到 IAM 控制台并在导航窗格中选择“角色”，然后粘贴您在上一步中复制的 SageMaker 执行角色。
启用 SageMaker 与 Amazon Rekognition 交互：
接下来，启用 SageMaker 使用 SageMaker 执行角色与 Amazon Rekognition 交互。
- 在 SageMaker 中在控制台中，选择您的 SageMaker 执行角色，选择添加权限，然后选择附加策略。
- 在搜索栏中，输入并选择 AmazonRekognitionFullAccess 策略。请参见下图。
配置 IAM 权限后，您可以在 SageMaker 中运行笔记本，并可以访问 Amazon Rekognition 进行视频分析。
下载 Rekognition Notebook和交通路口数据到您的本地环境。在 Amazon Sagemaker Studio 上，上传您下载的笔记本和数据。
代码演练：
本实验室使用 OpenCv 和 Boto3 准备 SageMaker 环境。OpenCv 是一个开源库，拥有超过 250 种用于计算机视觉分析的算法。Boto3 是适用于 Python 的 AWS 开发工具包，可帮助您将 AWS 服务与用 Python 编写的应用程序或脚本集成。
- 首先，我们导入 OpenCv 和 Boto3 包。下一个代码单元构建了一个用于分析视频的函数。我们将逐步介绍该函数的关键组件。该函数首先为要分析的视频创建一个帧。
- 该帧将写入具有 MP4 扩展名的新视频编写器文件中。该函数还会循环访问该文件，如果视频没有帧，该函数会将其转换为 JPEG 文件。然后，代码使用边界框定义和识别交通车道。Amazon Rekognition 图像操作在检测到的图像周围放置边界框以供以后分析。
- 该函数捕获视频帧并将其发送到 Amazon Rekognition，以使用边界框分析视频中的图像。该模型使用边界框来检测和分类视频中捕获的图像（汽车、行人等）。然后，该代码会检测发送到 Amazon Rekognition 的视频中是否有汽车。为视频中检测到的每辆车生成一个边界框。
- 计算汽车的大小和位置以准确检测其位置。在计算出汽车的尺寸和位置后，模型检查汽车是否位于检测到的车道中。确定检测到的车道中是否有汽车后，模型会统计该车道中检测到的汽车数量。
- 检测并计算汽车的大小、位置和数量的结果车道中的数据将写入函数其余部分的新文件中。
- 将输出写入新文件时，会进行一些几何计算以确定检测到的对象的详细信息。例如，多边形用于确定对象的大小。
- 函数完全构建后，下一步是使用测试视频运行该函数，并且最小置信度为 95%.
- 最后一行代码允许您从 SageMaker 中的目录下载视频，以检查输出的结果和置信度。
成本
我们的成本估算背后的逻辑是每个路口 6,000 美元，假设每个路口使用四个摄像头和一个 SageMaker 笔记本每秒一帧。一个重要的提示是，并非每个交叉路口都是四向交叉路口。在交通人口较多的区域实施此解决方案将增加整体交通流量。
成本明细和详细信息
但是，这只是估计值，根据定制情况，您可能会产生额外费用。有关成本的更多信息，请访问解决方案架构中涵盖的服务的 AWS 定价页面。如果您有疑问，请联系 AWS 团队进行更具技术性和更有针对性的讨论。
清理
删除为此解决方案创建的所有不再需要的 AWS 资源，以避免未来收费。
结论
本文提供了一种使用 Amazon Rekognition 提高交通灯效率的解决方案。本文提出的解决方案可以降低成本、支持道路安全并减少十字路口的拥堵。所有这些都使得交通管理更加高效。我们强烈建议您访问 Amazon Rekognition 开发人员指南，详细了解 Amazon Rekognition 如何帮助加速其他图像识别和视频分析任务。
作者简介
Hao Lun Colin Chu 是一名AWS 的创新解决方案架构师，帮助合作伙伴和客户利用尖端云技术解决复杂的业务挑战。凭借在云迁移、现代化和 AI/ML 方面的丰富专业知识，Colin 为组织提供建议，将其需求转化为由 AWS 提供支持的变革性解决方案。在利用技术作为行善力量的热情的推动下，他致力于提供能够增强组织能力并改善人们生活的解决方案。工作之余，他喜欢打鼓、排球和棋盘游戏！
Joe Wilson 是 Amazon Web Services 的解决方案架构师，为非营利组织提供支持。他为寻求在云中安全构建、部署或扩展应用程序的非营利组织提供技术指导。他热衷于利用数据和技术造福社会。乔的背景是数据科学和国际发展。工作之余，Joe 喜欢与家人、朋友共度时光，谈论创新和创业。
暂无评论