Riconoscimento di veicoli e pedoni in aree ad accesso limitato mediante dispositivi edge

Abstract

La presente tesi descrive la progettazione e l’implementazione di un sistema embedded per il rilevamento e il tracciamento di veicoli e pedoni in aree ristrette, realizzato sulla piattaforma Luxonis OAK-D CM4, che integra un Raspberry Pi Compute Module 4 con acceleratori AI edge. Il sistema implementa una pipeline completa di elaborazione di visione artificiale eseguita interamente on-device, eliminando la necessità di server esterni. L’architettura comprende rilevamento degli oggetti, tracciamento multi-oggetto, localizzazione delle targhe e riconoscimento ottico dei caratteri, il tutto coordinato tramite elaborazione parallela sull’hardware neurale integrato.

L’implementazione integra tre reti neurali specializzate: YOLOv6n per il rilevamento generale degli oggetti, un modello YOLOv8 ottimizzato per la localizzazione delle targhe e PaddleOCR per il riconoscimento dei caratteri. La scelta di tali strumenti rappresenta il miglior compromesso tra accuratezza, velocità e distribuibilità su Myriad X: YOLOv6n è sufficientemente leggero per il rilevamento multi-classe in tempo reale, YOLOv8 garantisce elevate prestazioni su oggetti di piccole dimensioni come le targhe, mentre PaddleOCR è un sistema di riconoscimento testuale maturo e open source, già supportato da OpenVINO/DepthAI.

Il sistema genera log strutturati che facilitano il monitoraggio del traffico e possono essere integrati all’interno di più ampi framework di Intelligent Transportation Systems. I risultati empirici confermano che l’hardware di accelerazione edge è in grado di gestire efficacemente carichi di lavoro completi di visione artificiale in contesti con vincoli di banda e consumo energetico.

This thesis presents the design and implementation of an embedded vehicle and pedestrian detection and tracking system in restricted areas utilizing the Luxonis OAK-D CM4 platform, which combines a Raspberry Pi Compute Module 4 with edge AI accelerators. The system implements a complete computer vision processing pipeline that executes entirely on-device, eliminating the need for external servers. The architecture encompasses object detection, multi-object tracking, license plate localization, and optical character recognition, all coordinated through parallel processing on embedded neural hardware. The implementation integrates three specialized neural networks: YOLOv6n for general-purpose object detection, a fine-tuned YOLOv8 model for license plate localization, and PaddleOCR for character recognition. The selection of these tools is made based on the best compromise between accuracy, speed and deployability on Myriad X: YOLOv6n is lightweight for real-time multi-class detection, YOLOv8 offers strong performance on small objects like plates, and PaddleOCR is a mature, open text recognizer with existing OpenVINO/DepthAI support. The system generates structured output logs that facilitate traffic monitoring and can be integrated into broader intelligent transportation system frameworks. Empirical results confirm that edge-based acceleration hardware can effectively manage comprehensive computer vision workloads in bandwidth and power-constrained environments.