1.1 Recuento de pisadas

Se utilizan diferentes algoritmos de conteo en diferentes circunstancias. Los tipos y diferencias de los diversos algoritmos utilizados por FootfallCam se indican en las siguientes secciones.

1.1.1 Algoritmo 3D estándar

En circunstancias normales, FootfallCam^TM utiliza un algoritmo 3D estándar para contar en su nivel óptimo. La altura más óptima para FootfallCam^TM es de 2.5 ma 4.5 m.

El algoritmo 3D estándar funciona mediante:

• Diferenciar entre la cabeza y el hombro del ser humano, formando una gota en 3D y una línea de rastro que sigue su movimiento.
• Excluirá a una persona que hace un giro en U y no ingresó a la tienda de ser contada usando una zona de inicio y fin.
• Diferenciará entre niños, adultos, objetos inanimados a través de la detección de altura y formará un mapa de profundidad.
• Puede funcionar bien en casos de mucho tráfico, ya que la mancha y el punto inicial serán claros.
• Puede aplicar una línea de exclusión en una parte específica de la línea de seguimiento que el personal utiliza con frecuencia para evitar el recuento de personal.

Vista en vivo estándar	El cambio de sentido no se cuenta
Los niños no se cuentan	Las personas con carrito se cuentan como una

 

1.1.2 Algoritmo de recuento de áreas

El algoritmo de recuento de áreas funciona mediante la tecnología de seguimiento de blobs 3D para rastrear a cada persona individual en un área para admitir el recuento múltiple cuando más de una persona ingresa a la zona. También evita el recuento excesivo de un individuo. El algoritmo rastrea automáticamente la duración (ajustable) que una persona ingresa a la zona y una vez que la persona excede el umbral de duración, la persona será considerada como In, si la persona sale de la zona, será considerada como Out.

Quedarse por un tiempo determinado	Conteo múltiple en un área
Patrón aleatorio en movimiento	Sin entrada específica

El recuento de áreas es más adecuado para

• Tiendas sin entradas específicas. Esto significa que cualquier visitante puede entrar y salir desde cualquier dirección de la tienda.
• Tiendas donde el visitante caminaría en un patrón aleatorio en lugar de solo entrar y salir. Esto generalmente es causado por las exhibiciones de existencias cerca del área de conteo, lo que hace que los visitantes interactúen con las exhibiciones.
• El área de seguimiento es muy limitada y no tiene suficiente distancia para caminar para que el algoritmo de conteo 3D estándar funcione bien.

Limitación del recuento de áreas

• La línea de exclusión no es aplicable ya que no utiliza una línea de conteo.

 

Recopilación de datos 1.1.3

Para el algoritmo 3D estándar, una vez que un visitante ingresa y sale de la zona de seguimiento de un dispositivo mientras activa la línea de entrada-salida en el medio, se activará el conteo. En cuanto al recuento de áreas, una vez que un visitante ha permanecido en la zona de seguimiento de un dispositivo más tiempo que el umbral establecido, se activará el recuento.

A continuación, los datos se guardarán de la siguiente forma:

Serie del dispositivo	Timestamp	Identificación de línea
00000000xxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxx	12/2/2017 2:09pm	2

El número de serie del dispositivo indica de qué dispositivo provienen los datos, la marca de tiempo indica cuándo se está contando un visitante y el ID de línea indica qué línea fue activada por el visitante correspondiente.

1.1.4 Proceso de carga de datos

Los datos recopilados por cada dispositivo se cargan en el servidor en un intervalo de 15 minutos que se borrará después de 7 días. Sin embargo, el proceso de carga de datos depende en gran medida de la conexión a Internet del sitio. Si la velocidad es lenta, la velocidad de carga de datos también se reducirá, lo que afectará aún más la visualización de datos en los informes.

Una vez que los datos se han cargado en el servidor, luego se agregarán por horas y por días, según los requisitos del informe de un área o sitio específico. Los datos agregados no se eliminarán hasta que el dispositivo sea desasignado de su sitio.

1.1.5 Conversión de ventas

La conversión de ventas es una simple cuestión de dividir el número de transacciones que el visitante realiza dentro de un período de tiempo para la tienda en ese mismo período de tiempo. Este resultado permite al gerente tener una visión más profunda del desempeño de la tienda. Por ejemplo, una gran afluencia de público significará que la tienda está atrayendo a muchos clientes del tráfico externo, pero una tasa de conversión baja indicará que no está haciendo un buen trabajo maximizando las oportunidades de ventas.

1.1.6 Códigos de métricas

Las métricas clave utilizadas para el recuento de pisadas serán:

• PFC01 - Recuento de pisadas IN
• PFC02 - Contador de pisadas FUERA
• SFC03 - Discrepancia ENTRADA SALIDA
• PFC07 - Recuento total de transacciones
• PFC08 - Volumen total de ventas
• SFC09 - Conversión de recuento de visitantes a ventas

1.2 Análisis de Wi-Fi

Además del recuento que se activa mediante el algoritmo de seguimiento, también hay un recuento que se puede activar mediante señales de Wi-Fi.

1.2.1 Cobertura de datos

El módulo de Wi-Fi en Footfall Counter funciona como cualquier otro dispositivo habilitado para Wi-Fi, ya que puede captar la señal de Wi-Fi de otro dispositivo habilitado para Wi-Fi cercano. El módulo Wi-Fi puede recopilar las señales Wi-Fi emitidas por los dispositivos habilitados para Wi-Fi en un radio de 100 m. Sin embargo, el rango de trabajo real puede verse reducido debido a la instalación de las paredes internas en las tiendas.

Los teléfonos inteligentes que no tienen sus capacidades Wi-Fi desactivadas están conectados a un punto de acceso Wi-Fi o buscan uno al que conectarse. Para hacerlo, emiten mensajes de Wi-Fi: si están conectados, transmiten mensajes de datos y, si están buscando, sondean los mensajes que indican a un punto de acceso que responda. La frecuencia de estas señales varía, según el proveedor de teléfonos inteligentes y el estado del dispositivo, pero en general, tienen un promedio de dos a nueve señales por minuto.

1.2.1.1 Acerca de la aleatorización de MAC y cómo se detectan

La aleatorización de MAC ha sido parte de la industria de redes durante un tiempo e implica cambiar la dirección MAC de un dispositivo cuando envía solicitudes de sondeo. Esto ayuda a evitar el seguimiento de dispositivos no conectados. Sin embargo, esto está cambiando con el lanzamiento de los últimos sistemas operativos, como iOS 14/WatchOS 7, Android 10+ y algunas versiones de Windows 10. Estos sistemas ahora aleatorizan las direcciones MAC no solo durante la fase de descubrimiento, sino también mientras el dispositivo está conectado a la red.

Para los teléfonos inteligentes que están equipados con la tecnología MAC Randomization, no afectará la precisión de conteo de los datos generados a través de análisis de Wi-Fi. La aleatorización de la Dirección MAC solo afectará a los dispositivos móviles que no estén conectados a una red móvil. Además, cuando la dirección MAC se asigna aleatoriamente, se convierte en una dirección MAC sin sentido que es diferente de la dirección MAC genuina.

Reconocer direcciones MAC aleatorias es simple. La sección OUI de una dirección MAC tiene un bit establecido para indicar una dirección aleatoria o administrada localmente. Simplemente marque el segundo carácter en una dirección MAC y si es 2, 6, A o E, es una dirección aleatoria. Por ejemplo, la dirección Wi-Fi 92:B1:B8:42:D1:85 es aleatoria porque su segundo carácter es 2. Nuestro contador de pasos filtrará las direcciones MAC sin sentido que capta el sensor Wi-Fi y excluirá de los datos de conteo.

1.2.2 Muestreo estadístico

La función principal del conteo de Wi-Fi es utilizar las señales de Wi-Fi emitidas por los teléfonos inteligentes de los visitantes para aproximar el flujo de tráfico de personas dentro de un área determinada. Sin embargo, no todas las personas llevan un teléfono inteligente, y algunas personas pueden llevar más de un dispositivo Wi-Fi, como iPads.

Nuestro algoritmo de recuento de Wi-Fi puede superar las limitaciones anteriores y proporcionar una aproximación precisa del tráfico mediante el uso de muestreo estadístico. Esto asegura que incluso si no todos los visitantes contribuirán a los datos de Wi-Fi, no todos los visitantes llevarán un teléfono móvil, estos usuarios son una pequeña proporción del número total de visitantes y no contribuyen a un gran margen de error.

El muestreo estadístico se usa ampliamente en muchas industrias diferentes, como la clasificación de televisión y las encuestas electorales. The Nielsen Company utiliza sofisticadas técnicas de muestreo para medir e informar sobre las calificaciones y la audiencia en la industria de la televisión en todo el mundo. En Estados Unidos, por ejemplo, la compañía selecciona hogares en los que instalar pequeños dispositivos que monitorean los hábitos de visualización.

Otro ejemplo se utilizó en la encuesta electoral. Las encuestas de opinión durante muchos años se mantuvieron a través de las telecomunicaciones o el contacto de persona a persona. Los métodos y técnicas varían, aunque son ampliamente aceptados en la mayoría de las áreas. Algunas organizaciones de votación, encuesta por Internet, donde se extrae una muestra de un gran panel de voluntarios y los resultados se ponderan para reflejar la demografía de la población de interés.

1.2.3 Normalización de datos Wi-Fi

La normalización se utiliza a menudo para convertir los datos estadísticos en números de la vida real; por ejemplo, el factor de normalización se aplica a la cantidad de dispositivos Wi-Fi detectados para convertirlo en la cantidad de personas en el área.

Al correlacionar la cantidad de personas que ingresan al sitio usando Video Counting y la cantidad de dispositivos Wi-Fi detectados que han atravesado la puerta, el contador usa los datos de las últimas dos semanas para construir un perfil estadístico y aproximar el porcentaje de personas que llevan teléfonos inteligentes.

Este modelo estadístico se basa en un contador; es decir, cada contador tiene su propio modelo estadístico que se ajusta automáticamente en función de la demografía de las personas y las características de Wi-Fi que lo rodean.

 

1.2.4 Recopilación de datos

Los datos recopilados se guardarán en nuestra base de datos, incluida la serie del dispositivo, la intensidad de la señal, la dirección Mac y la marca de tiempo.

A continuación se muestra el método de recopilación de datos de datos Wi-Fi:

1. Los datos de Wi-Fi se recopilarán de la multitud alrededor de la ubicación donde está instalado el dispositivo.
2. El dongle de Wi-Fi conectado al dispositivo será el módulo que capta constantemente la señal de Wi-Fi enviada por los dispositivos habilitados para Wi-Fi, como teléfonos inteligentes, tabletas, etc.
3. Mac ID se procesa en el dispositivo con la intensidad de la señal y la marca de tiempo como se muestra en la tabla:

Dirección Mac Wi-Fi con hash	Hora detectada	Fuerza de la señal
aaa	12/2/2017 1:00pm	-65
bbb	12/2/2017 1:03pm	-66
ccc	12/2/2017 2:09pm	-100

La dirección MAC sin procesar de estos dispositivos se almacenará en la base de datos y se cargará constantemente en el servidor central (cada hora) para una mayor agregación en los informes. FootfallCam recopila estos datos y luego los reenvía de forma segura a FootfallCam Cloud cada hora para su procesamiento y análisis.

El algoritmo de hash para la dirección MAC utilizado es PBKDF2WithHmacSHA256, que está diseñado para el hash de contraseña, por lo que es un algoritmo lento. Esto es bueno para el hash de contraseñas, ya que reduce la cantidad de contraseñas por segundo que un atacante podría usar al crear un ataque de diccionario. Tener una sal agregada a la contraseña reduce la capacidad de usar hashes precalculados para ataques, y significa que varias contraseñas deben probarse individualmente, no todas a la vez. El estándar recomienda una longitud de sal de al menos 64 bits. El Instituto Nacional de Estándares y Tecnología de EE. UU. Recomienda una longitud de sal de 128 bits, y FootfallCam utiliza 256 bits en este caso.

 

1.2.5 Procesamiento y clasificación de datos

A medida que los datos fluyen hacia FootfallCam Cloud cada hora, todos los dispositivos detectados se clasifican en una base de datos de series de tiempo, con algoritmos robustos aplicados para perfilar todos los dispositivos detectados y además clasifican los datos en unos pocos valores:

1. Diferenciar la ID de Mac recopilada como "caminar por" y "entrar en la tienda" por la fuerza de la señal, las sondas de Wi-Fi y la confianza.
2. Mapa adicional de la "duración de la visita" obteniendo el "primer visto" y el "último visto" con la condición de mayor intensidad de señal detectada de las sondas recibidas en 2 marcas de tiempo diferentes.

La intensidad de la señal por sí sola es un método de aproximación burdo y es inexacto, ya que las señales de Wi-Fi tienden a variar en diferentes entornos ambientales. Además, la intensidad de la señal depende de muchas condiciones ambientales en tiempo real.

Sumar la cantidad de sondas, la marca de tiempo, el nivel de confianza y el umbral aumentará la precisión de los datos de Wi-Fi. Hay dos umbrales de Wi-Fi: el umbral 1 filtra la señal débil que se aleja del contador. El umbral 2 captura una fuerte señal en el tráfico de la tienda. Todos los detalles de la solicitud de sondeo por debajo del umbral 1 se almacenarán en una tabla de base de datos mac sin procesar en el dispositivo. El lado del servidor procesará la lista de direcciones mac para calcular el tiempo de permanencia y devolver los valores del cliente agregando los datos diarios a los análisis.

 

1.2.5.1 Varios contadores instalados en una tienda

Cuando hay varios contadores instalados en una sola tienda, los datos de recuento de los contadores se cargarán en la base de datos para su posterior procesamiento para evitar el recuento excesivo de un solo individuo. Este proceso garantizará que los datos de recuento generados por FootfallCam sean genuinos y estén listos para un procesamiento analítico adicional por parte del sistema de inteligencia empresarial del usuario.

Contando datos

Contador 1 + Contador 2 + Contador 3

Cuando hay varios contadores instalados en una sola tienda, los datos de conteo de Wi-Fi se cargarán en la base de datos central para filtrar las entradas duplicadas de direcciones MAC. Las direcciones MAC duplicadas no se utilizarán en la agregación de datos. Este método evita que el recuento excesivo de una sola dirección MAC se cuente dos veces.

Datos Wi-Fi

Contador 1 + Contador 2 + Contador 3

Cuando hay varios contadores instalados en una entrada amplia, la zona de seguimiento y las líneas de conteo deberán trazarse de manera conservadora. La zona de seguimiento y las líneas de conteo dibujadas en una ficha no deben superponerse a la zona de conteo y las líneas de seguimiento dibujadas en otra ficha. Esto es necesario para evitar el recuento excesivo de los datos de los visitantes, mientras que puede dar lugar a un recuento de visitantes inexacto y datos falsificados de tasas de entrega de ventas.

1.2.5.2 Exclusión de la dirección MAC del dispositivo del personal

Si el personal lleva dispositivos con WiFi encendido, su dirección MAC también será capturada por dispositivos de pisada. Puede excluir manualmente la dirección MAC de los dispositivos del personal en la página del sitio. Referir Parte 15.5 para la guía paso a paso.

1.2.5.3 Duración promedio de la visita

Podemos obtener la duración de la visita del cliente utilizando los 2 picos de intensidad de la señal Wi-Fi, ya que son la ubicación más cercana a la entrada con el dispositivo instalado. Si el perfil tiene dos picos que están por encima de un umbral de intensidad de señal definido, se identifican como la hora de ENTRADA y la hora de SALIDA del visitante.

Duración máxima de la visita: algunos visitantes pueden visitar el sitio varias veces en el mismo día. La duración máxima de la visita es la visita máxima razonable que un visitante puede esperar permanecer en el sitio durante una sola visita. El valor predeterminado es 2 horas.

Por ejemplo,

Visitante A: primera visita => 1:05 pm a 1:30 pm Segunda visita => 4:05 pm a 5:43 pm

Resultado: 2 visitas. La primera visita es de 25 minutos. La segunda visita dura 98 minutos.

Primero, la duración de la visita se mide en función de un identificador único (sondas de ID de MAC) del teléfono inteligente del usuario.

Duración de la visita

Tiempo (entrada) - tiempo (salida)

Estado:

1. Definición de los límites del seguimiento de Wi-Fi
2. Lista de personal y lista de dispositivos excluidos

 Agregación de categorías de duración de la visita

FootfallCam clasificó además la recopilación de datos de duración de la visita en 3 categorías. De forma predeterminada, hay 15 minutos por debajo, de 15 a 30 minutos y por encima de 30 minutos.

Duración de la visita para sitios con múltiples contadores

Al cargar la información de seguimiento de Wi-Fi de todos los dispositivos de la entrada del sitio a un servidor central, el servidor llevaría a cabo el análisis y estimaría los tiempos de ENTRADA y SALIDA de los dispositivos Wi-Fi. El sistema agregaría la información de seguimiento de Wi-Fi de todos los mostradores dentro del sitio.

1.2.6 Códigos de métricas Wi-Fi

Las métricas clave utilizadas para el módulo Wi-Fi serán:

• PWA01 - Tráfico exterior
• SWA02 - Tasa de devolución
• PWA03 - Duración promedio de la visita
• SWA04 - Tarifa de clientes recurrentes en los últimos 14 días
• SWA05 - Tarifa de clientes recurrentes en los últimos 60 días
• SWA06 - Tarifa para nuevos clientes en los últimos 14 días
• SWA07 - Tarifa para nuevos clientes en los últimos 60 días

1.3 Ocupación del espacio

La ocupación del espacio es la cantidad de personas que se quedaron en un sitio en un momento dado. Es equivalente a Recuento de IN acumulados deducir Recuento acumulado de SALIDAS.

Ocupación

(ENTRADA acumulativa - SALIDA acumulativa)

Recuento de IN acumulados es la suma de todo el recuento IN desde el inicio de la hora de funcionamiento hasta la hora actual. Estos datos se actualizan instantáneamente. Lo mismo para Recuento acumulado de SALIDAS.

1.3.1 Error acumulativo

No people counter es 100% exacto. Tendría errores acumulativos a medida que avanza el día.

 

1.3.2 Modos de ocupación

Hay dos modos de ocupación: Ocupación ingenua y Ocupación inteligente.

Comparaciones	Ocupación ingenua	Ocupación inteligente
Fórmula	EN FUERA	IN - OUT + corrección de errores
Corrección de errores	×	√
Requiere recolección de muestras de datos históricos	×	√ (automático)
Panel de control en tiempo real	√	√
Informe de datos históricos	√	√
Métrica de nivel de sitio	√	√
Métrica de nivel de área	√	√
Exactitud	Alta	Más alto
Suma de datos a nivel de área igual a datos a nivel de sucursal	√	×(ver nota)
Modos	×	Modo 1 y modo 2
Detalles	Sección 15.3.1.4	Sección 15.3.1.5 & Sección 15.3.1.6

1.3.2.1 Casos de uso recomendados

En general, Ocupación inteligente es la opción preferida para casi todas las situaciones, excepto los sitios con poco tráfico.

Casos de uso	Ingenuo	Smart
Supermercados o tiendas de abarrotes con altos volúmenes de tráfico	×	√
Ocupación de baños	×	√
Restaurantes o cantinas	×	√
Control de capacidad de ocupación a través del tablero de instrumentos o puerta automática	×	√
Bibliotecas o joyerías con poco tráfico	√	×
Exposiciones	×	√
Cines	×	√

1.3.2.2 Ocupación ingenua

El gráfico de ocupación generalmente se ve como una curva en forma de campana, con un pico de ocupación en algún lugar entre las horas de operación. Algunos pueden tener múltiples picos, lo que indica múltiples horas pico.

Debido al error acumulativo, la ocupación ingenua puede tener un error significativo hacia el final de las horas de funcionamiento.

 

1.3.2.3 (Ocupación inteligente) Corrección de errores en tiempo real

Dado que la ocupación se actualiza instantáneamente y se muestra en Tablero de control de ocupación en vivo, corrección de errores en tiempo real se aplica a Ocupación ingenua para minimizar el error acumulado. Esto asegura que:

• La ocupación es más precisa con respecto al recuento real
• La ocupación nunca cae más allá de 0 a números negativos
• La ocupación se acerca a 0 al final de las horas de funcionamiento.

 

Detrás de escena, el sistema utiliza Modelado avanzado de IA para encapsular la tendencia de ocupación de los últimos 14 días o más, y genera un modelo predictivo que reduce con precisión el error de ocupación acumulativo.

Ocupación en vivo

Ocupación ingenua + corrección de errores en tiempo real

Hay 2 los modos para Ocupación inteligente.

modo 1	modo 2
Usos Modelado estadístico avanzado para generalizar los patrones de ocupación de un sitio / área.	Caduca la ocupación de una persona si supera la configurada período de caducidad.
No requiere intervención del usuario.	El usuario debe establecer un período de vencimiento.
Requiere recopilación de datos históricos (automático).	No requiere recopilación de datos históricos.
Adecuado para sitios de alto volumen de tráfico, por ejemplo: tiendas de comestibles, supermercados, restaurantes, exposiciones.	Adecuado para situaciones en las que la duración de la visita es conocida y bastante constante, por ejemplo: ocupación de baños, ocupación de cines.

Referencia: https://www.semanticscholar.org/paper/PreCount%3A-a-predictive-model-for-correcting-count-Sangogboye-Kj%C3%A6rgaard/8db6e7809f9eec131aee63a851a6b27ea6deed5b

1.3.2.4 (Ocupación inteligente) Corrección de errores de posprocesamiento

Para la ocupación de los datos del día anterior en Informe de ocupación del espacio, Corrección de errores de posprocesamiento se aplica a la ocupación según la discrepancia diaria general de entrada y salida. Esto tiene los mismos efectos que la corrección de errores de ocupación en tiempo real, excepto que ahora se encuentra en posprocesamiento.

Ocupación histórica

Ocupación en vivo + Corrección de errores de posprocesamiento

Referencia: https://www.semanticscholar.org/paper/PLCount%3A-A-Probabilistic-Fusion-Algorithm-for-from-Sangoboye-Kj%C3%A6rgaard/b68ccf4d6a43bbf104e598fbbae988eb7bd3f160

1.3.3 Códigos de métricas

Las métricas clave utilizadas para la ocupación del espacio serán:

• PSO01 - Ocupación ingenua
• SSO02 - Ocupación vs Capacidad
• PSO05 - Ocupación inteligente

1.4 Conteo de grupos

El recuento de grupos identifica uno o mas individuos como una unidad colectiva y los agrupa. los trayectoria de seguimiento de individuo está siendo analizado con respecto a otro individuo, y lógica de filtrado avanzada según el umbral de distancia de persona a persona, la velocidad de la trayectoria, la dirección y la duración, se aplican para garantizar un recuento de grupos preciso.

El conteo grupal abre posibilidades para mejores datos y métricas:

• En el comercio minorista, 1 grupo familiar se considera como 1 unidad de compra. El recuento de grupos proporciona una mayor precisión conversión de venta métrico.
• Para el cálculo de los tiempos de espera de la cola, 1 par de pares se considera como 1 unidad de espera. El recuento de grupos proporciona una métrica de tiempo de espera más precisa.

Requisitos:

• Aplicable al firmware del contador v3.4.2 y superior, que se puede actualizar desde el mínimo v3.3.0.
• El recuento de grupos está disponible actualmente para conteo estándar de pisadas solamente. Es compatible con la exclusión de personal. La disponibilidad para el recuento de áreas, el recuento de colas y el recuento de mapas de calor son todavía trabajo en progreso.

El recuento de grupos está diseñado para funcionar junto con otros algoritmos de recuento como un procesamiento adicional adicional.

Esto significa que, si el contador está configurado para el conteo de entradas estándar + el conteo de grupos, se recopilarán 2 conjuntos de datos separados:

• datos de recuento de entradas
• adicional datos de recuento de grupo

Por ejemplo, si hay 1 visitante entrando por la entrada, el mostrador recogerá ambos:

• 1 visitante EN
• 1 grupo EN

Por tanto, es No recomendable para combinar los datos de recuento de pisadas estándar y los datos de recuento de grupos, ya que provocará la duplicación de datos.

1.4.1 Lógica de agrupación

En el conteo de grupos, se adoptan algoritmos de agrupamiento para procesar las coordenadas de ubicación 3D de las personas que aparecieron en la zona de seguimiento y generar grupos de personas que permanecen cerca unas de otras. Se utiliza un umbral de distancia para gobernar la lógica de agrupación de modo que una persona sea asignada a un grupo existente si la distancia relativa de la persona del grupo está dentro del umbral de distancia. A continuación se muestran dos escenarios de ejemplo que ilustran cómo se forman los grupos cuando se está ejecutando el conteo de grupos.

Para el escenario con ≤ 3 personas en la zona de seguimiento, las personas que permanezcan dentro de un umbral de distancia fijo entre sí se considerarán un grupo. Como se muestra en la figura 15.4.1, P1 y P2 están lo suficientemente cerca entre sí (es decir, la distancia entre ellos es ≤ umbral de distancia) y forman un grupo de 2 personas, mientras que P3, que se encuentra a una distancia mayor que el umbral de distancia fijo de ambos P1 y P2 forman un grupo de 1 persona él mismo. El valor del umbral de distancia comúnmente utilizado varía de 1 ma 1.5 m (se puede ajustar según el entorno del lugar de instalación). 

Para escenarios con más de 3 personas en la zona de seguimiento, se adopta una técnica de agrupamiento más avanzada para identificar grupos de personas de manera jerárquica utilizando múltiples niveles de umbral de distancia que se determinan dinámicamente en función de la distribución de ubicación de todas las personas en la zona de seguimiento. . Por ejemplo, como se muestra en la Figura 15.4.2 con un total de 5 personas, nuestra lógica de agrupación identificará 3 grupos únicos que se describen a continuación:

• P1 y P2 están a 1.3 m entre sí y forman el grupo G1 de 2 personas,
• P3 y P4 están a 0.7 m entre sí y forman el grupo G2 de 2 personas,
• P5 está a 2.5 m del grupo G1 y a 2.0 m del grupo G2, por lo que forma el grupo G3 de 1 persona.

Los grupos G1 y G2 que están a 2 m de distancia entre sí NO forman un grupo. Tenga en cuenta que el umbral de distancia ya no es un valor fijo (como en el escenario de ≤ 3 personas) sino que se determina dinámicamente para adaptarse a la distribución de ubicación cambiante de todas las personas en la zona de seguimiento, por lo que es capaz de formar un grupo con un nivel de densidad variable.

1.4.2 Lógica de filtrado

La lógica de filtrado se aplica a la salida de la lógica de agrupación para refinar aún más los resultados de agrupación. A diferencia de la lógica de agrupación, que solo toma las últimas coordenadas de ubicación de las personas como entrada para realizar la agrupación, la lógica de filtrado toma la trayectoria de seguimiento de cada persona en la zona de rastreo para analizar la dirección y velocidad de su movimiento para permitir la agrupación detallada y eliminar la agrupación falsa. Se están implementando dos tipos de mecanismos de filtrado, a saber, el filtrado de dirección y el filtrado de velocidad, que se aplican a los resultados de agrupación de manera secuencial, con el filtrado de dirección antes del filtrado de velocidad.

A. Filtrado de dirección
El propósito del filtrado de dirección es dividir un grupo grande de personas en varios grupos más pequeños comparando la diferencia de ángulo entre cada persona del grupo. Se formará un nuevo subgrupo si hay al menos una persona con su diferencia de ángulo que excede un valor de umbral preestablecido después de comparar con otras personas en el grupo.

Un ejemplo básico en el que el filtrado de dirección ayuda en el conteo de grupos es que identificará grupos de personas que viajan en la dirección opuesta y evitará que sean asignados a un grupo grande cuando se acerquen unos a otros y permanezcan relativamente estáticos durante cierto período de tiempo dentro del seguimiento. zona.

B. Filtrado de velocidad

Para el filtrado de velocidad que se aplica a la salida del filtrado de dirección, su función principal es identificar el valor atípico (una persona cuya velocidad de movimiento es significativamente diferente de otra persona del grupo) en un grupo y excluir el valor atípico del grupo. En el caso de que un valor atípico se acerque temporalmente a un grupo existente que ha permanecido estático durante algún tiempo, el filtrado de velocidad ayudará a evitar que el valor atípico se una al grupo de inmediato, pero en su lugar tratará el valor atípico como otro grupo. 

Además del filtrado de dirección y velocidad, el conteo de grupos también hace uso de un umbral de duración que se puede ajustar para controlar qué tan rápido se puede formar un nuevo grupo y qué tan rápido se puede disolver un grupo existente.

1.4.3 Lógica de activación del recuento de grupos

Los datos de recuento de grupos se activarán cuando:

• El grupo ha desencadenado un evento de conteo. Por ejemplo, el grupo ha cruzado la línea de conteo IN, y
• Todos miembros del grupo han abandonado la zona de seguimiento.

Note: Esta lógica de activación no afecta el recuento normal de pisadas individuales, ya que el recuento de grupos es un proceso de ejecución independiente. El recuento de pisadas individuales se activará según se describe en esta sección.

Los datos de recuento de grupos se guardarán en la siguiente ilustrado* formato.

Serie del dispositivo	Timestamp	Identificación de línea	esGrupo
00000000xxxxxxxx	12/2/2017 1:00pm	1	Sí
00000000xxxxxxxx	12/2/2017 1:03pm	1	Sí
00000000xxxxxxxx	12/2/2017 2:09pm	2	Sí

Note: La información sobre el tamaño del grupo no se almacena.

Los datos de recuento de grupos se cargarán al servidor según se describe en esta sección.

* sólo con fines ilustrativos.

1.4.4 Métricas de conteo de grupos 

Las métricas clave utilizadas para el recuento de pisadas serán:

• PFC21 - Grupo de pisada IN
• PFC22 - Grupo de pisadas FUERA

1.4.5 Indicación de los resultados del recuento de grupos en Liveview

La figura 15.4.3 muestra información general que se mostrará en la vista en vivo del contador cuando el conteo de grupos esté habilitado, que incluye:

• Número de grupos detectados en la zona de seguimiento (en la esquina superior izquierda de la vista en vivo)
• Padre del grupo (es decir, la persona que ha estado en el grupo durante más tiempo, marcada con un círculo rojo)
• Duración de cada persona en un grupo (en segundos)
• Tamaño del grupo (solo se muestra debajo del texto de duración del padre del grupo)
• Línea amarilla que conecta a todas las personas del mismo grupo

1.4.6 Reglamento general de protección de datos (GDPR)

1. No se recopila PII (información de identificación personal), como datos biométricos o rostros, para fines de procesamiento o análisis.
2. No hay garantía o suposición de que las personas agrupadas en un grupo tengan alguna forma de relación social o biológica.
3. El análisis se basa puramente en la trayectoria y el tiempo.
4. Una persona de un grupo será etiquetada como líder del grupo, con el único propósito de mejorar la precisión del conteo del grupo. Cualquiera puede ser líder de grupo, a diferencia de (por ejemplo) que solo el mayor del grupo puede ser líder de grupo.

Limitaciones 1.4.7 

• La relación de las personas en el mismo grupo no se puede inferir con el recuento grupal en la etapa actual, ya que no recopilamos información biométrica, de género o facial de las personas.
• No es aconsejable habilitar el recuento de grupos en un sitio con una zona de seguimiento relativamente pequeña porque no habrá datos de trayectoria de seguimiento de personas insuficientes para que el recuento de grupos procese y genere resultados de agrupación. El tamaño mínimo recomendado de la zona de seguimiento debe ser de al menos 3 mx 3 m para una precisión de conteo de grupos satisfactoria.

1.5 Recuento de análisis de video

Video Analytics utiliza un algoritmo de inteligencia artificial para realizar la detección y el seguimiento de personas. se usa en FootfallCam Centroid para producir datos de pisadas. A continuación se muestra un diagrama de flujo completo de una configuración típica de Centroid con cámaras IP, desde cómo el dispositivo recibe la entrada de las cámaras hasta el procesamiento de los datos y la carga en el servidor.

Diagrama de flujo de Video Analytics

1.5.1 Algoritmo de IA

El algoritmo de IA utiliza redes neuronales profundas entrenadas con técnicas de aprendizaje automático para identificar y detectar humanos. Solo rastrea humanos que tienen una alta confianza del algoritmo. Gracias a la tecnología avanzada, tiene una baja tasa de falsos negativos. Rara vez detecta erróneamente carros u objetos como humanos porque son visualmente distintos.

Detección Humana

Opcionalmente, se puede realizar un análisis demográfico de cada ser humano detectado para obtener más información basada en el rostro de la persona, como la edad, el género y la emoción. Esto puede brindar una buena segmentación estadística de las características de la persona y es útil para medir la efectividad de la campaña promocional, comprender la base de clientes, obtener comentarios expresivos, etc.

Limitaciones:

• Puede detectar erróneamente estructuras similares a las humanas, como pinturas o humanoides.
• Puede que no detecte niños
• Es posible que no detecte humanos bloqueados u ocluidos, cuando está en una multitud
• Es posible que no detecte si el humano está demasiado lejos o demasiado borroso
• Habilitar el análisis demográfico puede afectar la normalidad people counting la exactitud
• El análisis demográfico solo funciona en las caras frontales de las personas sin máscara

1.5.2 Modos de conteo

1.5.2.1 Conteo de entradas y salidas

Zona de seguimiento (roja) y línea In-Out

In Out Counting funciona por:

• Seguimiento de cada ser humano detectado por el algoritmo de IA
• Comprobando constantemente si el humano está dentro de la zona de seguimiento.
• Si el ser humano cruza la línea En línea o Fuera de línea, se registra un evento de conteo.
• Sin embargo, el evento se ignora si el humano hace un cambio de sentido.
• Cuando el ser humano abandona la zona de seguimiento, el evento se recopila y se envía.

Recopilación de datos 1.5.3

Una vez que un visitante ingresa y sale de la zona de seguimiento de un dispositivo mientras activa la línea de entrada y salida en el medio, el dispositivo activa un evento de conteo.

Los datos se guardarán en el siguiente formato:

Serie del dispositivo	Timestamp	ID de métrica	ID de ROI	Combinar ID de tipo de objeto
142xxxxxxxxx	12/2/2022 1:00pm	1	1	23311
142xxxxxxxxx	12/2/2022 1:03pm	1	2	14511
142xxxxxxxxx	12/2/2022 2:09pm	2	1	12311

Definiciones:

• Serie del dispositivo
  • el número de serie del dispositivo
• Timestamp
  • el momento en que sucede el evento
• ID de métrica
  • 1: cuando un visitante cruza el In-line
  • 2: cuando un visitante cruza el Out-line
• ID de ROI
  • la identificación de la cámara de circuito cerrado de televisión donde ocurre el evento
• Combinar ID de tipo de objeto
  • una combinación de identificación que codifica los detalles de la persona, como el análisis demográfico

Los datos se almacenan en la base de datos del dispositivo hasta por 14 días.

No se almacena en el dispositivo ningún dato de imagen confidencial de información de identificación de persona (PII) de persona o rostro.

1.5.4 Proceso de carga de datos

Los datos recopilados por cada dispositivo se cargan en el servidor de forma instantánea a través del protocolo websocket. Los datos también se procesarán en tiempo real en el servidor, por lo tanto, es posible ver el panel de datos en vivo en el Portal. Un ejemplo es el tablero de ocupación en vivo.

Una vez que los datos llegan al servidor, se agregan inmediatamente a la granularidad de nivel de sitio o área, y están disponibles para que los usuarios finales los consulten a través de API de datos de conteo. Los usuarios pueden recuperar los datos en múltiples granularidades de tiempo, como 1 minuto, 15 minutos, 30 minutos, por hora, diario, semanal, mensual o anual.

Los datos también están disponibles para informes históricos. Ver Apéndice B Definición de métricas durante cuánto tiempo se almacenan los datos en el servidor.

No se envía al servidor ningún dato de imagen confidencial de información identificable de persona (PII) de persona o rostro.

1.5.5 Códigos métricos

Los códigos métricos son exactamente los mismos que Códigos métricos de conteo de pasos.