近日，媒体接连报道电动车起火爆炸造成严重人员伤亡的新闻，针对该问题，社区物业明令禁止电瓶车入户，但是依然有人忽视这个问题严重性。目前，AI应用已经可以有效地预防此类问题，在进入电梯的时候就可以采取报警和有效措施。AI在安防领域的应用非常广泛，在各类公共场合迅速识别人员摔倒、打架、争吵，以及车辆行驶异常等行为，可以及时通知安保人员进行干预。
本次飞桨产业实践范例库开源电瓶车进电梯检测、异常行为检测、多类别车辆跟踪三个典型安防场景，提供了从数据准备、模型训练优化，到模型部署的全流程可复用方案，降低产业落地门槛。
⭐项目链接⭐
https://github.com/PaddlePaddle/awesome-DeepLearning
所有源码及教程均已开源，欢迎大家使用
电瓶车进电梯检测
电瓶车进楼入户发生的火灾事故屡见不鲜，针对该现象飞桨联合天覆科技推出了相应的电瓶车进电梯检测方案，及时进行报警与干预，从源头减少这一情况的发生。
电梯场景内物体多，遮挡情况常有发生，要保证准确率、响应速度和高性价比，同时针对需求的变化可以自行优化，对技术方案提出很大挑战。
基于这样高难度的要求，天覆科技CTO马纯磊通过不断的尝试、试验，最终找到了最优的解决思路：使用飞桨图像分类套件PaddleClas中的图像识别系统PP-ShiTu(即主体检测 特征提取 向量检索的方式)，整体方案如下：
主体检测分别选用了单阶段检测模型 YOLOv3、PP-YOLOv2、PicoDet进行实验，最终准确率高达98%，同时用户可以不断自优化模型，模型准确率不断提升。
部署使用飞桨服务化部署框架Paddle Serving的方式，根据PicoDet前处理耗时较长的特点，采用Pipeline的策略，QPS从15提升到19，性能提升20%。同时加入kong安全网关，统一了预测服务入口，提升服务安全性。更多优化策略详解欢迎大家关注直播课。
多类别车辆跟踪
车辆追踪是安防领域的重要技术，在特定场所的车流量管控、进出口检测、交通管控等经典场景都存在广泛应用场景。本项目基于飞桨目标检测套件PaddleDetection，智能高效地实现了监控场景下的多类别车辆跟踪任务。
场景难点：
- 拍摄角度多变，受光照光线等影响对模型泛化能力要求较高；
- 涉及车辆类型较多，需要满足多类别跟踪诉求；
- 高空俯拍，对小目标大尺幅场景准确性要求较高，预警对实时性能要求较高。
本项目使用可进行多类别跟踪的MCFairMOT算法，选择较大的图像输入尺寸 1088 x 608，从而改善小目标检测效果；考虑到速度和精度能够均衡，项目中使用 DLA-34 作为Baseline模型的骨干网络。通过多种优化策略，整体精度提升30%，从最终可视化场景中可以看到取得非常好的多类别追踪效果。
在部署上提供基于Paddle Inference 的部署方案，做到高吞吐、低时延，保证了模型在服务器端即训即用，快速部署。
异常行为检测
社会治安一直是城市、社区、商区治理的重要问题。城市内安装大量摄像头，面对海量视频数据堆积，需要及时发现安防行为问题，并做出快速反应。异常行为的动作类型有很多，比如打架、争吵、破坏公物、吸烟、摔倒等，均可以用AI技术做出快速检测。
场景难点：
- 靠单张图片很难判别行为类型
- 行为识别标注难度大
- 行为类内和类间变化大
针对以上难点，我们对动作检测的技术方案做了整体分析：
最终选用了业界领先的基于时空信息的SlowFast_FasterRCNN模型。相比于基于骨骼点的模型，该模型对遮挡等场景更加鲁棒；相比于基于目标检测的模型，该模型能够提取时序特征，解决单张图片很难判别行为类型的问题。
同时，我们提供了数据集的构建方案细节，并在该数据集上提供了多种优化方案与实验数据详解，如样本均衡策略、模型细节优化、训练策略优化等，最终在多类别分类上比原模型达到了更优的效果。最后，我们提供了基于Paddle Inference 的部署方案。
