Erkennung von Besucherströmen für Zoo Zürich

Ausgangslage: Diese Arbeit ist in Zusammenarbeit mit der Firma Noser Engineering AG und dem Zoo Zurich entstanden. Der Zoo Zurich hat das Problem, dass seine Restaurants und Verpflegungsstande unterschiedlich stark frequentiert sind. Er mochte die Moglichkeit haben, seine Besucher auf weniger ausgelastete Verpflegungsmoglichkeiten umzuleiten. Ziel dieser Arbeit war es, mit Hilfe von Bildern einer handelsublichen Kamera die Besucher der Restaurants zu zahlen. Im Rahmen dieser Bachelorarbeit entstand so ein Prototyp, mit welchem Videodateien und Kamerastreams verarbeitet und die Informationen in einem einfachen Webfrontend visualisiert werden konnen. Vorgehen: Als Erstes wurde die Situation im Zoo analysiert und zwei verschiedene Ansatze bestimmt. Das Zahlen am Eingang mit Hilfe einer virtuellen Schranke eignet sich dabei besser als das Zahlen von sitzenden Personen. Aufgrund dieser Erkenntnisse wurde ein Prototyp unter der Verwendung von Deep Learning basierten Object Detection und Tracking Algorithmen entwickelt. Besonderes Augenmerk wurde dabei auf die Wahl des Detection Algorithmus gelegt, welcher in einem separaten Benchmarking bestimmt wurde. Ergebnis: Die Zuverlassigkeit des Prototyps konnte aufgrund der COVID-19 Pandemie nicht im Zurich Zoo evaluiert werden. Aus diesem Grund haben wir den SAIVT Datensatz verwendet, welche diverse Aufnahmen von Personen bei Eingangen und auf Wegen beinhaltet. Wir haben unseren Prototypen auf Teilsequenzen von funf Videos optimiert und auf funf anderen Videos des Datensatzes evaluiert. Unser selbstdefiniertes Ziel war es mindestens eine Genauigkeit von 80% zu erreichen. Mit einem Endergebnis von 90.72% konnten wir diesen Wert ubertreffen.