Deep Learning para el conteo y tracking de pasajeros

Controlar el aforo de forma automática utilizando las cámaras de videovigilancia

En este post, nos vamos a centrar en cómo el Deep Learning aplicado al conteo y tracking de pasajeros permitirá mejorar la calidad del transporte público.

Antes de entrar en materia, os recomendamos leer este post anterior. En él estuvimos hablando sobre el desconocimiento de la demanda en el transporte público y del papel de la inteligencia artificial.

¿Pero qué es el Deep Learning?

Primero debemos empezar por explicar qué es el Deep Learning:

Inteligencia Artificial: es la técnica que permite a las máquinas imitar el comportamiento humano.

Machine Learning: subconjunto de técnicas de Inteligencia Artificial que, a través de métodos estadísticos, permite aprender de experiencias previas.

Deep Learning: subconjunto del Machine Learning que, mediante redes neuronales, permite dar respuesta a preguntas más complejas y abstractas.

El Deep Learning proviene del modelo de Perceptron (Minsky-Papert, 1969), pero es en los últimos años cuando se ha convertido en una realidad. ¿Y por qué no se empezó antes? Pues porque ahora, con los avances de la tecnología, se han creado procesadores suficientemente potentes para poder llevar a cabo clasificadores de Deep Learning.

Los clasificadores son algoritmos que, mediante una entrada de información acerca de una imagen, identifican a qué categoría o clase pertenece entre un número determinado de éstas. Por ejemplo, entrando una imagen de un animal, el clasificador puede saber si se trata de un elefante o de un perro.

¿Y cómo puede el Deep Learning ayudar a operadores y autoridades de transporte público?

Las imágenes de las cámaras de seguridad existentes en vehículos, andenes o intercambiadores, se pueden procesar utilizando Deep Learning para el conteo y tracking de pasajeros y determinar, de esta forma, la ocupación en tiempo real.

Con los datos de ocupación, los responsables de operaciones pueden tomar medidas correctivas al momento. Por ejemplo, cerrar los accesos si los andenes están demasiado llenos y no dejar subir a más personas al vehículo si éste está por encima de su capacidad.

Por otro lado, los planificadores pueden detectar tendencias y optimizar el encaje oferta/demanda  mediante la mejora de horarios y frecuencias de paso de los vehículos, así como añadir más flota en las franjas punta de ocupación.

Desde Counterest, creemos que el Deep Learning va a permitir mejorar sustancialmente la calidad del transporte público, por lo que ya estamos trabajando en nuestra tecnología Pulse.