Crowd Estimation

Crowd Estimation (NFV4-CE) adalah modul analitik Visionaire yang memperkirakan jumlah orang dalam area pengawasan menggunakan pendekatan density map regression — bukan tracking individu. Model memproses setiap frame, menghasilkan peta kepadatan piksel, lalu mengintegrasikan nilai kepadatan di dalam setiap ROI untuk menghasilkan estimasi jumlah orang secara periodik.

Apa yang Dilakukan

Kemampuan

• Estimasi jumlah orang per ROI — setiap ROI polygon yang Anda definisikan menghasilkan estimasi jumlah orang secara independen.
• Density map regression — model menghasilkan peta kepadatan piksel yang lebih akurat dari counting berbasis bounding box pada kerumunan padat karena tidak bergantung pada deteksi bounding box per orang yang saling tumpang tindih.
• Mode hibrida kepadatan rendah — pada kerumunan kecil (di bawah ambang batas internal), pipeline secara otomatis mengaktifkan deteksi tambahan berbasis person detection untuk meningkatkan akurasi.
• Event periodik — setiap interval (default 10 detik), pipeline menerbitkan event berisi estimasi rata-rata, nilai minimum, dan nilai maksimum selama interval tersebut.
• Visualisasi overlay — frame yang ditampilkan via MJPEG menampilkan titik kepadatan dan label estimasi per ROI secara real-time.

Yang TIDAK Dilakukan

• Tidak melakukan tracking individu — tidak ada tracker_id per orang; gunakan People Analytics jika Anda memerlukan identitas atau rute individu.
• Tidak melakukan counting line-crossing.
• Tidak menghasilkan atribut demografis (usia, gender, warna pakaian, dll.).
• Tidak mengenali identitas wajah — gunakan Face Recognition untuk itu.

Use Cases

Cara Kerja

Pipeline bekerja dalam dua tahap komplementer:

1. Density map regression (selalu aktif) — model utama memproses seluruh frame dan menghasilkan peta distribusi kepala orang dalam bentuk titik-titik kepadatan (bukan bounding box). Pendekatan ini tidak terganggu oleh occlusion parah karena mengestimasi probabilitas distribusi kepadatan, bukan mendeteksi setiap individu secara eksplisit.

2. Secondary person detection (aktif secara adaptif) — ketika estimasi kerumunan rendah (di bawah ambang batas internal ~10 orang), pipeline mengaktifkan deteksi orang berbasis bounding box sebagai pelengkap untuk meningkatkan akurasi pada kerumunan kecil. Deteksi ini dinonaktifkan secara otomatis ketika kerumunan sangat padat (lebih dari ~500 estimasi).

Setiap interval, rata-rata estimasi dari seluruh frame selama interval tersebut dihitung dan dipublikasikan sebagai Event bersama nilai minimum dan maksimum historis selama interval tersebut.

Persyaratan

Kamera

• Posisi elevated atau wide-angle — kamera harus mencakup seluruh area kerumunan yang ingin dipantau. Posisi tinggi (di atas kerumunan, misalnya dari atap atau tiang setinggi 5–10 meter) memberikan visibilitas terbaik.
• Sudut top-down atau semi-top-down lebih dianjurkan untuk Crowd Estimation dibandingkan untuk People Analytics, karena pendekatan density map tidak bergantung pada silhouette tubuh penuh.
• FOV lebar — gunakan lensa wide-angle jika area yang dipantau sangat besar.
• Resolusi minimal 720p — resolusi lebih tinggi meningkatkan akurasi pada area besar.

Lingkungan

• Pencahayaan minimal 100 lux untuk akurasi model yang optimal.
• Hindari kondisi backlit parah (cahaya matahari langsung dari belakang kerumunan ke lensa).

Dependensi

• Lisensi seat NFV4-CE aktif pada deployment Visionaire.
• GPU yang didukung: NVIDIA (T4, A2, A30, A100, L4, L40, Orin AGX) atau Intel Arc.
• Minimum RAM: 2 GB per instance pipeline.
• CPU: 3 core per instance pipeline.

Setting Up

POST /node/{node_num}/stream
Content-Type: application/json
Authorization: Basic <credentials>

{
  "stream_url": "rtsp://camera-ip/stream",
  "stream_id": "crowd-area-1"
}

POST /pipeline/{node_num}/{stream_id}/NFV4-CE
Content-Type: application/json
Authorization: Basic <credentials>

{
  "areas": {
    "Plaza Utama": [
      {"x": 0.1, "y": 0.1},
      {"x": 0.9, "y": 0.1},
      {"x": 0.9, "y": 0.9},
      {"x": 0.1, "y": 0.9}
    ]
  },
  "interval": 10
}

wss://{host}/event/{node_num}/{stream_id}/NFV4-CE

wss://{host}/event/{node_num}/{stream_id}

http://{host}/mjpeg/{node_num}/{stream_id}

Konfigurasi

Parameter API

Berikut parameter yang dapat dikonfigurasi saat membuat atau memperbarui Pipeline:

Contoh konfigurasi dengan beberapa ROI:

{
  "areas": {
    "Pintu Masuk": [
      {"x": 0.0, "y": 0.0},
      {"x": 0.4, "y": 0.0},
      {"x": 0.4, "y": 1.0},
      {"x": 0.0, "y": 1.0}
    ],
    "Area Tengah": [
      {"x": 0.4, "y": 0.0},
      {"x": 1.0, "y": 0.0},
      {"x": 1.0, "y": 1.0},
      {"x": 0.4, "y": 1.0}
    ]
  },
  "interval": 30
}

Output yang Dihasilkan

Field Utama

Setiap event yang diterbitkan oleh pipeline berisi field pipeline_data dengan struktur berikut:

Contoh Event

{
  "analytic_id": "NFV4-CE",
  "stream_id": "crowd-area-1",
  "pipeline_data": {
    "area": "Plaza Utama",
    "estimation": 23,
    "history_min": 18,
    "history_max": 31,
    "interval": 10
  },
  "timestamp": "2026-05-04T08:30:00Z"
}

{
  "analytic_id": "NFV4-CE",
  "stream_id": "crowd-area-1",
  "pipeline_data": {
    "area": "Plaza Utama",
    "estimation": 347,
    "history_min": 290,
    "history_max": 412,
    "interval": 30
  },
  "timestamp": "2026-05-04T20:15:00Z"
}

Best Practices

Penempatan Kamera

• Posisikan kamera setinggi mungkin di atas area kerumunan — idealnya 5–10 meter atau lebih.
• Sudut semi-top-down (60–80 derajat dari horizontal) memberikan cakupan area terbaik untuk density map.
• Pastikan tidak ada objek besar (pohon, tiang, atap) yang menghalangi FOV secara signifikan.
• Untuk area yang sangat luas, pertimbangkan beberapa kamera dengan ROI yang tumpang tindih sedikit sebagai redundansi.

Definisi ROI

• Batasi ROI pada area yang benar-benar ingin dipantau kepadatannya — ROI yang terlalu besar mencakup area kosong akan mengencerkan estimasi.
• Gunakan koordinat relatif (0.0–1.0) sehingga ROI tetap proporsional meski resolusi stream berubah.
• Beri nama ROI yang deskriptif ("Pintu Masuk Utara", "Area Panggung") agar mudah diidentifikasi pada event.

Tuning Interval

• Default interval: 10 cocok untuk monitoring real-time.
• Naikkan ke interval: 30 atau interval: 60 untuk skenario analitik historis yang tidak memerlukan respons cepat — ini juga mengurangi volume event yang harus diproses aplikasi Anda.
• Turunkan ke interval: 5 jika Anda memerlukan respons cepat untuk alert overcrowding (misalnya pada sistem keselamatan massa).

Threshold Overcrowding

Karena NFV4-CE tidak memiliki built-in alerting threshold, implementasikan logika alert di sisi aplikasi Anda:

# Contoh: alert jika estimasi melebihi batas kapasitas
KAPASITAS_MAKSIMAL = 500
if event["pipeline_data"]["estimation"] > KAPASITAS_MAKSIMAL:
    kirim_alert(f"Overcrowding terdeteksi: {event['pipeline_data']['estimation']} orang")

Limitations

• Tidak ada tracker_id / identitas individu — NFV4-CE hanya menghasilkan angka estimasi agregat per ROI. Jika Anda memerlukan data per-individu, gunakan People Analytics.
• Estimasi statistik, bukan hitungan exact — pipeline menggunakan density map regression yang menghasilkan estimasi probabilistik. Akurasi biasanya ±10–20% tergantung kondisi.
• Akurasi turun pada pencahayaan sangat rendah — di bawah 50 lux, akurasi model menurun signifikan.
• Sangat bergantung pada posisi kamera — model dilatih untuk sudut elevated; kamera setinggi bahu atau horizontal akan menghasilkan estimasi yang tidak akurat.
• Objek non-manusia — bayangan besar, objek berwarna gelap, atau pola lantai tertentu dapat memengaruhi density map.
• Frame rate pipeline rendah — pipeline berjalan pada 1 FPS untuk efisiensi komputasi; ini cukup untuk estimasi kepadatan tetapi tidak untuk analitik gerakan cepat.

Modul Terkait