Vehicle Analytics (MVA/MVAA)

Vehicle Analytics adalah analitik real-time untuk mendeteksi dan menganalisis kendaraan dalam video stream. Tersedia dalam dua varian: MVA (Multi-Logics Vehicle Analytics) untuk counting, dwelling, dan density, serta MVAA yang menambahkan klasifikasi atribut seperti warna, tipe, dan merek kendaraan.

Apa yang Dilakukan

Kemampuan (Yang Dilakukan)

Vehicle Analytics mendeteksi empat jenis kendaraan — car, motorcycle, bus, dan truck — dan memproses setiap deteksi melalui empat sub-analitik secara paralel:

Varian MVAA menambahkan klasifikasi atribut per kendaraan:

Apabila confidence atribut di bawah threshold yang dikonfigurasi, label akan menjadi unknown.

Yang TIDAK Dilakukan

• Vehicle Analytics tidak mendeteksi pejalan kaki — label pedestrian otomatis diabaikan. Gunakan People Analytics untuk deteksi orang.
• Vehicle Analytics tidak membaca nomor plat kendaraan. Gunakan License Plate Recognition untuk pembacaan plat.
• Untuk motorcycle, atribut type dan brand tidak tersedia — hanya color yang dideteksi.

Use Cases

Cara Kerja

Video stream masuk dan diproses frame per frame pada 12 FPS. Setiap frame dianalisis oleh detektor kendaraan yang menghasilkan bounding box beserta confidence score dan label kelas. Deteksi pedestrian langsung dibuang, sedangkan deteksi kendaraan diteruskan ke tracker untuk mempertahankan identitas objek lintas frame.

Pada varian MVAA, setiap kendaraan yang di-track dikirim ke tahap klasifikasi atribut yang mengekstrak warna, tipe, dan merek dari area crop kendaraan. Hasil deteksi dan atribut kemudian diproses oleh keempat sub-analitik secara paralel, dan event yang dihasilkan dikirim ke event bus untuk dikonsumsi oleh sistem hilir.

Persyaratan

Persyaratan Kamera

Persyaratan Lingkungan

Dependensi

• Visionaire API berjalan dan dapat diakses pada VISIONAIRE_API_URL (default http://localhost:4004)
• Stream video aktif dan dapat diakses oleh Visionaire sebelum pipeline dibuat
• Lisensi NFV4-MVA atau NFV4-MVAA tersedia (seat tidak penuh)

Setting Up

Konfigurasi

Parameter API

Parameter Global

Counting Logic

Konfigurasi garis (field areas di dalam logic counting):

Untuk roi_counting, dwelling, dan density, gunakan areas berisi polygon (points minimal 3 titik dengan format {x, y}).

Dwelling Logic

Density Logic

Atribut MVAA

Konfigurasi atribut diletakkan di dalam field attributes pada masing-masing sub-analytic.

Output yang Dihasilkan

Setiap event memiliki struktur top-level berikut, dengan detail spesifik logic berada di field pipeline_data. Setiap event mewakili satu hasil sub-analytic — bukan array deteksi.

Field pipeline_data per Logic

Contoh Event

{
  "analytic_id": "NFV4-MVA",
  "stream_id": "stream_001",
  "timestamp": 1705314600000,
  "primary_text": "car",
  "secondary_text": "in",
  "pipeline_data": {
    "logic": "counting",
    "label": "car",
    "confidence": 0.88,
    "tracker_id": 12,
    "group_id": 0,
    "area_name": "Gate A",
    "direction": "in",
    "attributes": {
      "vehicle": { "label": "car", "confidence": 0.88 }
    },
    "event_id": "1705314600000-3a1f9d4c"
  }
}

{
  "analytic_id": "NFV4-MVAA",
  "stream_id": "stream_001",
  "timestamp": 1705314600000,
  "primary_text": "car",
  "secondary_text": "in",
  "pipeline_data": {
    "logic": "counting",
    "label": "car",
    "confidence": 0.88,
    "tracker_id": 12,
    "area_name": "Gate A",
    "direction": "in",
    "attributes": {
      "vehicle": { "label": "car", "confidence": 0.88 },
      "color": { "label": "white", "confidence": 0.91 },
      "type":  { "label": "SUV",   "confidence": 0.85 },
      "brand": { "label": "Toyota","confidence": 0.72 }
    }
  }
}

{
  "analytic_id": "NFV4-MVA",
  "stream_id": "stream_001",
  "timestamp": 1705314600000,
  "primary_text": "No Parking Zone",
  "secondary_text": "180.000 s",
  "pipeline_data": {
    "logic": "dwelling",
    "label": "truck",
    "confidence": 0.78,
    "tracker_id": 5,
    "area_name": "No Parking Zone",
    "time_in": 1705314420000,
    "time_out": null,
    "time_alert": 1705314480000,
    "duration": 180.0,
    "attributes": {
      "vehicle": { "label": "truck", "confidence": 0.78 },
      "from": { "label": "", "confidence": 0 },
      "to": { "label": "", "confidence": 0 }
    }
  }
}

{
  "analytic_id": "NFV4-MVA",
  "stream_id": "stream_001",
  "timestamp": 1705314600000,
  "primary_text": "Parking Lot",
  "secondary_text": "45",
  "pipeline_data": {
    "logic": "density",
    "interval": 10,
    "area": "Parking Lot",
    "estimation": 45,
    "detected": [
      {
        "tracker_id": 11,
        "label": "car",
        "confidence": 0.84,
        "bbox": { "top": 220, "left": 310, "width": 180, "height": 120 }
      }
    ]
  }
}

Best Practices

Penempatan Kamera

Konfigurasi Garis Counting

• Letakkan garis di area dengan flow lancar, bukan di dekat lampu merah atau area antrean
• Untuk toll gate, gunakan dumping_sampling_time: 2000 karena kendaraan bergerak lambat
• Hindari garis yang terlalu pendek; pastikan seluruh lebar jalur tercakup
• Test konfigurasi dengan berbagai jenis kendaraan (motor, truk) sebelum go-live

Konfigurasi Zona (ROI/Dwelling/Density)

• Zona dwelling sebaiknya mengecualikan area keluar-masuk agar kendaraan yang sekadar melintas tidak memicu event
• Untuk parking occupancy, definisikan zona per area (bukan satu zona besar) untuk granularitas yang lebih baik
• Set idle_time_sec sesuai dengan pola traffic — area dengan occlusion tinggi perlu nilai lebih besar

Limitations

• Occlusion traffic padat — pada kondisi kendaraan yang sangat berdekatan atau bertumpuk, beberapa kendaraan mungkin tidak terdeteksi atau tracker kehilangan ID
• Malam tanpa inframerah — akurasi deteksi menurun signifikan pada kondisi sangat gelap tanpa pencahayaan buatan atau kamera IR
• Sudut ekstrem (top-down) — sudut kamera mendekati 90° (langsung ke bawah) mengurangi akurasi deteksi tipe kendaraan; sudut 20°–45° optimal
• Kecepatan sangat tinggi — kendaraan bergerak lebih cepat dari ~120 km/jam pada jarak jauh dapat menyebabkan motion blur yang mengurangi akurasi
• Warna kendaraan gelap di malam hari — klasifikasi warna (MVAA) dapat kurang akurat pada kondisi pencahayaan rendah atau kendaraan kotor
• Motorcycle — atribut type dan brand tidak tersedia untuk label motorcycle

Modul Terkait