#38_daten_ausgangssperreneffektivitättracker

Symbolbild für Passantenerkennung aus IP-Kameras
UI mit erfassten Menschenbewegungen, grüne Punkte sind positive Veränderung, Rote negative

Video

Code

Inspiration

Wir wohnen direkt an einer Fußgängerbrücke and versuchen jeden Tag die Menge an Passanten zu schätzen. Da kam die Idee, dass man das ganze auch automatisiert anhand von öffentlich zugänglichen Daten machen könnte.

Was es macht

Unser Projekt sammelt öffentlich zugängliche IP Kameras aus dem Internet und nimmt kontinuierlich Schnappschüsse von deren Live-Übertragungen. Diese Schnappschüsse werten wir aus und zählen die Anzahl von Passanten anhand von KI-basierten Algorithmen.

Anhand dieser Daten können wir die durchschnittliche Mobilität der Bevölkerung in der Gegend messen. Das hilft uns zu schätzen wie diese Mobilität durch neue Maßnahmen zur Bekämpfung des Coronaviruses verändert wird.

Unser Ziel ist es, dass diese Einschätzungen Aussagen machen können über die Effektivität der Maßnahmen und den Behörden helfen können bessere Entscheidungen zu treffen.

Wie wir es gebaut haben

Das Projekt besteht aus einem Webcrawler in Python, einem Bildanalyse-Algorithmus der mit Hilfe von OpenCV funktioniert, einer PostgreSQL Datenbank, einem Flask Webserver, einem JavaScript Frontend.

Probleme die wir hatten

Einige der Kameras haben eine niedrige Auflösung, generelle schlechte Videoqualität oder sind zu weit weg von einer Straße und Passanten zuverlässig zu erfassen. Zusätzlich sind die Kameras in verschiedenen Städten auch in unterschiedlichen Bereichen (großer Platz oder kleine Seitenstraße) platziert, was zu inkonsistent Ergebnissen führen kann. Dies ist eine der Gründe, weshalb wir es Nutzern erlauben wollen ihre eigenen, qualitativ hochwertigen Kameras hoch zu laden.

Des Weiteren gibt es momentan keine zentrale und maschinenlesbare quelle von Maßnahmen der Bundesregierung gegen den Coronavirus.

Leistungen auf die wir stolz sind

Wir haben empirisch einen positiven Zusammenhang zwischen der Menge an Fällen pro 100,000 Einwohner in einer Stadt und unseren Daten gefunden. Zum Beispiel, in Hamburg zeigen unsere Kameras eine hohe Menge an Fußgängern, was mit der stark ansteigenden Fallzahl und generell laxen Lokalpolitik korreliert.

Was passiert als nächstes

Wir werden versuchen in den nächsten Tagen und Wochen unsere Anzahl von Kameras stark zu erhöhen. Dies sollte hauptsächlich auf zwei Arten geschehen: 1. Mittels des Webcrawlers 2. Durch eine öffentliche Submit Funktion mit der Benutzer eigene Webcams einrichten können

Um die Daten weiter in den richtigen Kontext zu bringen arbeiten wir auch daran die derzeitigen Maßnahmen in den Bundesländern zu visualisieren. Benutzer werden die Möglichkeit haben die Veränderungen seit die Maßnahmen in Kraft gesetzt wurden einzusehen.

Des Weiteren wollen wir unseren Bildanalyse Algorithmus verbessern und unsere Datenvisualisierung grundsätzlich umarbeiten und verbessern.