用于人流和车牌识别的边缘视觉

吉隆坡的一家地铁当局希望通过 140 个街道摄像头实时了解行人流量、停留时间和车辆移动情况，但当地数据保护监管机构已明确表示，任何原始镜头都不能离开该设备。

他们之前的方法将完整的视频流发送到中央集群进行处理，这既违反了隐私边界，又受到了带宽成本的影响。

我们构建了一个在现有相机硬件上运行的轻量级边缘管道。设备上的模型仅提取当局实际需要的信号——匿名人流计数、停留热图和经过验证的车牌事件——并将它们发布到轻量级摄取端点。

在推理之前，原始帧在相机上进行预处理和清理（曝光校正、去模糊、拒绝低置信度帧），因此下游信号是干净的，无需接触中央 GPU。

受管理的再培训循环允许操作员从仪表板上标记误报；这些示例将排队等候下一个边缘模型版本，该版本通过 OTA 推送。

现在，网络中的任何设备都可以看到零原始录像，从而通过了监管机构的独立审核。

车牌识别在设备上的准确率达到 97.8%，与之前的中央处理方法相比，当局每月的带宽成本降低了 86%。

该平台目前正在为活动日和通勤高峰期间的城市实时拥堵信号提供支持。