1.1 Comptage des pas

Différents algorithmes de comptage sont utilisés selon les circonstances. Les types et les différences des différents algorithmes utilisés par FootfallCam sont énoncées dans les sections suivantes.

1.1.1 Algorithme 3D standard

Dans des circonstances normales, FootfallCam^TM utilise un algorithme 3D standard pour compter à son niveau optimal. La hauteur optimale pour FootfallCam^TM est de 2.5 m à 4.5 m.

L'algorithme 3D standard fonctionne par:

• Différenciation entre la tête humaine et le point d'épaule, formant une goutte 3D et une ligne de piste qui suit leur mouvement.

• Cela exclura une personne qui fait demi-tour et qui n'est pas entrée dans le magasin du comptage en utilisant une zone de début-fin.

• Il différenciera les enfants, les adultes et les objets inanimés grâce à la détection de la hauteur et formera une carte de profondeur.

• Cela peut bien fonctionner dans les cas de trafic élevé car le blob et le point de tête seront clairs.

• Il peut appliquer une ligne d'exclusion à une partie spécifique de la ligne de suivi qui est fréquemment utilisée par le personnel pour éviter le comptage des membres du personnel.

Affichage en direct standard	Le demi-tour n'est pas compté
Les enfants ne sont pas comptés	Les personnes avec chariot comptent pour un

1.1.2 Algorithme de comptage de zone

L'algorithme de comptage de zone fonctionne en utilisant la technologie de suivi des objets blob 3D pour suivre chaque personne dans une zone afin de prendre en charge le comptage multiple lorsque plusieurs personnes pénètrent dans la zone. Cela évite également le sur-comptage d'un individu. L'algorithme suit automatiquement la durée (réglable) d'une personne entre dans la zone et une fois que la personne dépasse le seuil de durée, la personne sera considérée comme In, si la personne quitte la zone, elle sera considérée comme Out.

Rester pendant une certaine durée	Comptage multiple dans une zone
Motif aléatoire en mouvement	Pas d'entrée spécifique

Le comptage de surface convient principalement pour

• Magasins sans entrées spécifiques. Cela signifie que tout visiteur peut entrer et sortir de n'importe quelle direction du magasin.
• Magasins où le visiteur marcherait selon un schéma aléatoire plutôt que simplement In and Out. Ceci est généralement causé par les présentoirs de stock près de la zone de comptage, ce qui amène les visiteurs à interagir avec les présentoirs.
• La zone de suivi est très limitée et ne dispose pas d'une distance de marche suffisante pour que l'algorithme de comptage 3D standard fonctionne correctement.

Limitation du comptage de surface

• La ligne d'exclusion n'est pas applicable car elle n'utilise pas de ligne de comptage.

1.1.3 Collecte de données

Pour l'algorithme 3D standard, une fois qu'un visiteur est entré et est sorti de la zone de suivi d'un appareil tout en déclenchant la ligne d'entrée-sortie entre les deux déclenchera le comptage. En ce qui concerne le comptage de zone, une fois qu'un visiteur est resté dans la zone de suivi d'un appareil plus longtemps que le seuil défini, cela déclenchera le comptage.

Les données seront ensuite enregistrées sous la forme suivante:

Série de l'appareil	Horodatage	Id de ligne
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

Le numéro de série de l'appareil indique de quel appareil proviennent les données, l'horodatage indique quand un visiteur est compté et l'ID de ligne indique quelle ligne a été déclenchée par le visiteur correspondant.

1.1.4 Processus de téléchargement des données

Les données collectées par chaque appareil sont ensuite téléchargées sur le serveur à un intervalle de 15 minutes qui seront effacées après 7 jours. Cependant, le processus de téléchargement des données est très dépendant de la connexion Internet du site. Si la vitesse est lente, la vitesse de téléchargement des données sera également ralentie, ce qui affectera davantage l'affichage des données dans les rapports.

Une fois que les données ont été téléchargées sur le serveur, elles seront ensuite agrégées sur une base horaire et quotidienne en fonction de l'exigence du rapport d'une zone ou d'un site spécifique. Les données agrégées ne seront pas supprimées tant que l'appareil ne sera pas désalloué de son site.

Traitement des données, données personnelles et personnes concernées

1. Traitement par le contractant

1.1 Objet du traitement :
Le traitement porte sur les données d'analyse vidéo générées par FootfallCam Les appareils sont installés dans les locaux du client. Toutes les opérations de traitement vidéo sont effectuées intégralement sur le terminal. Les données traitées sont des données statistiques agrégées (par exemple, comptage des passages, répartition des temps de visite, indicateurs de navigation) et ne contiennent aucune information personnelle ou permettant d'identifier une personne.

1.2 Nature du traitement :
Le traitement fait appel à des algorithmes de vision par ordinateur en temps réel, tels que la détection, le suivi et le comptage d'objets. Ces opérations sont temporaires et résidentes en mémoire uniquement ; les images vidéo brutes ne sont ni stockées, ni transmises, ni utilisées pour l'apprentissage externe. Les seules données produites par l'appareil sont des agrégats numériques et des horodatages représentant des métriques comportementales anonymisées.

1.3 Finalité du traitement :
Le traitement a pour but de générer des indicateurs de performance anonymisés pour l'analyse du taux d'occupation, la gestion des files d'attente et l'optimisation de l'utilisation de l'espace. Aucune reconnaissance faciale, aucun profilage biométrique ni aucune réidentification ne sont effectués ni pris en charge. Toutes les analyses sont conformes aux principes du RGPD relatifs à la minimisation des données et à la limitation des finalités.

1.4 Durée du traitement :
Les données vidéo sont traitées en temps réel puis immédiatement supprimées après traitement. Les résultats statistiques agrégés sont conservés uniquement pendant la durée nécessaire à la réalisation des objectifs d'analyse contractuels, après quoi ils sont supprimés de manière sécurisée ou anonymisés.

2. Types de données personnelles

Aucune donnée personnelle n'est collectée, traitée ni stockée. Toutes les données sont anonymisées et agrégées sous forme de statistiques, telles que le nombre d'occurrences, la durée des événements et l'horodatage des activités. Même en cas de compromission de l'appareil, aucune image, vidéo ou donnée permettant d'identifier une personne ne peut être récupérée.

3. Catégories de personnes concernées

Aucun. La conception du système garantit l'anonymat de tous les individus. Les analyses sont exclusivement basées sur des métadonnées agrégées relatives aux mouvements et aux objets, et non sur des données personnelles identifiables.

Conformité au RGPD et sécurité intégrée dès la conception :

• Tout le traitement s'effectue sur l'appareil (informatique de périphérie). Aucun flux vidéo en direct ni aucune donnée permettant d'identifier une personne ne sont transmis à des serveurs externes.

• Seuls les administrateurs système, soumis à un contrôle d'accès strict basé sur les rôles, peuvent autoriser la diffusion temporaire en amont de clips vidéo masqués à des fins de diagnostic ou de vérification. Ces opérations sont consignées, auditables et réservées au personnel de maintenance autorisé.

• L'architecture du système met en œuvre le chiffrement en transit (TLS 1.3) et au repos (AES-256) pour tous les canaux de contrôle et de télémétrie.

• FootfallCam Les données client ne sont pas utilisées pour l'entraînement de modèles ni à aucune autre fin secondaire. Le client demeure le seul propriétaire de ses données.

• Les données agrégées sont hébergées dans des centres de données sécurisés qui respectent les cadres de conformité ISO 27001, SOC 2 et RGPD.

Cette structure garantit une parfaite conformité aux principes de protection des données dès la conception et de sécurité par défaut, offrant ainsi une garantie technique aux architectes informatiques chargés d'examiner la conformité du système. 
Traitement, données personnelles et personnes concernées

1.1.5 Conversion des ventes

La conversion des ventes consiste simplement à diviser le nombre de transactions effectuées au cours d'une période donnée par le visiteur du magasin au cours de cette même période. Ce résultat permet au gestionnaire de voir un aperçu plus approfondi des performances du magasin. Par exemple, une fréquentation élevée signifiera que le magasin attirera beaucoup de clients provenant du trafic extérieur, mais un faible taux de conversion indiquera qu'il ne fait pas un bon travail pour maximiser les opportunités de vente.

1.1.6 Codes de mesures

Les indicateurs clés utilisés pour le comptage de la fréquentation seront :

• PFC01 - Nombre de pas IN

• PFC02 - Compteur de pas OUT

• SFC03 - Ecart IN OUT

• PFC07 - Nombre total de transactions

• PFC08 - Volume total des ventes

• SFC09 – Nombre de visiteurs en conversion des ventes

1.2 Analyse Wi-Fi

Outre le comptage, qui est déclenché par l'algorithme de suivi, il existe également un comptage qui peut être déclenché par des signaux Wi-Fi.

1.2.1 Couverture des données

Le module Wi-Fi de Footfall Counter fonctionne comme tout autre appareil compatible Wi-Fi car il peut capter le signal Wi-Fi d'un autre appareil compatible Wi-Fi à proximité. Le module Wi-Fi peut collecter les signaux Wi-Fi émis par les appareils compatibles Wi-Fi dans un rayon de 100 m. Cependant, la plage de travail réelle peut être réduite en raison de la configuration des murs intérieurs dans les magasins.

Les smartphones dont les capacités Wi-Fi ne sont pas désactivées sont soit connectés à un point d'accès Wi-Fi, soit en recherchent un auquel se connecter. Pour ce faire, ils émettent des messages Wi-Fi - s'ils sont connectés, transmettent des messages de données et, s'ils recherchent, sondent les messages qui signalent à un point d'accès de répondre. La fréquence de ces signaux varie en fonction du fournisseur de smartphone et de l'état de l'appareil, mais en général, ils font en moyenne de deux à neuf signaux par minute.

1.2.1.1 À propos de la randomisation MAC et comment ils sont détectés

La randomisation MAC fait partie de l'industrie des réseaux depuis un certain temps et implique de changer l'adresse MAC d'un appareil lorsqu'il envoie des demandes de sonde. Cela permet d'éviter le suivi d'appareils non connectés. Cependant, cela change avec la sortie des derniers systèmes d'exploitation tels que iOS 14/WatchOS 7, Android 10+ et certaines versions de Windows 10. Ces systèmes randomisent désormais les adresses MAC non seulement pendant la phase de découverte, mais aussi pendant que l'appareil est connecté au réseau.

Pour les smartphones équipés de la technologie de randomisation MAC, cela n'affectera pas la précision du comptage des données générées par le biais de l'analyse Wi-Fi. La randomisation de l'adresse MAC n'affectera que les appareils mobiles qui ne sont pas connectés à un réseau mobile. De plus, lorsque l'adresse MAC est randomisée, elle est transformée en une adresse MAC sans signification qui est différente de l'adresse MAC authentique.

Reconnaître les adresses MAC aléatoires est simple. La section OUI d'une adresse MAC comporte un bit défini pour indiquer une adresse aléatoire ou administrée localement. Vérifiez simplement le deuxième caractère d'une adresse MAC et s'il s'agit de 2, 6, A ou E, il s'agit d'une adresse aléatoire. Par exemple, l'adresse Wi-Fi 92 : B1 : B8 : 42 : D1 : 85 est aléatoire car son deuxième caractère est 2. Notre compteur de pas filtrera les adresses MAC sans signification qui sont captées par le capteur Wi-Fi et les exclura des données de comptage.

1.2.2 Échantillonnage statistique

La fonction principale du comptage Wi-Fi est d'utiliser les signaux Wi-Fi émis par les smartphones des visiteurs pour estimer le flux de trafic des personnes dans une zone donnée. Cependant, tout le monde ne possède pas de smartphone, et certaines personnes peuvent transporter plus d'un appareil Wi-Fi comme des iPad.

Notre algorithme de comptage Wi-Fi peut surmonter les limitations ci-dessus et fournir une approximation précise du trafic en utilisant l'échantillonnage statistique. Cela garantit que même si tous les visiteurs ne contribueront pas aux données Wi-Fi depuis tous les visiteurs ne porteront pas leur téléphone portable, ces utilisateurs ne représentent qu'une petite proportion du nombre total de visiteurs et ne contribuent pas à une grande marge d'erreur.

L'échantillonnage statistique est largement utilisé dans de nombreuses industries différentes telles que l'évaluation de la télévision et le sondage électoral. The Nielsen Company utilise des techniques d'échantillonnage sophistiquées pour mesurer et rendre compte des cotes d'écoute et de l'audience dans l'industrie de la télévision dans le monde. Aux États-Unis, par exemple, l'entreprise sélectionne des maisons dans lesquelles installer de petits appareils qui surveillent les habitudes de visionnage.

Un autre exemple a été utilisé dans les sondages électoraux. Les sondages d'opinion ont été menés pendant de nombreuses années par le biais des télécommunications ou de contacts de personne à personne. Les méthodes et techniques varient, bien qu'elles soient largement acceptées dans la plupart des domaines. Certains organismes de sondage, enquête sur Internet, où un échantillon est tiré d'un large panel de bénévoles et les résultats sont pondérés pour refléter la démographie de la population d'intérêt.

1.2.3 Normalisation des données Wi-Fi

La normalisation est souvent utilisée pour convertir les données statistiques en chiffres réels ; par exemple, un facteur de normalisation est appliqué au nombre d'appareils Wi-Fi détectés pour le convertir en nombre de personnes dans la zone.

En corrélant le nombre de personnes entrant sur le site à l'aide du comptage vidéo et le nombre d'appareils Wi-Fi détectés comme ayant franchi la porte, le compteur utilise les données des deux dernières semaines pour créer un profil statistique et évaluer le pourcentage de personnes portant des smartphones.

Ce modèle statistique est basé sur un compteur; c'est-à-dire que chaque compteur a son propre modèle statistique qui est automatiquement réglé en fonction des données démographiques de la population et des caractéristiques Wi-Fi environnantes.

1.2.4 Collecte de données

Les données collectées seront ensuite enregistrées dans notre base de données, y compris le numéro de série de l'appareil, la force du signal, l'adresse Mac et l'horodatage.

Vous trouverez ci-dessous la méthode de collecte des données Wi-Fi:

1. Les données Wi-Fi seront collectées auprès de la foule autour de l'emplacement où l'appareil est installé.

2. Le dongle Wi-Fi branché sur l'appareil sera le module qui saisit constamment le signal Wi-Fi envoyé par les appareils compatibles Wi-Fi tels que les smartphones, les tablettes, etc.

3. L'ID Mac est traité dans l'appareil avec la force du signal et l'horodatage, comme indiqué dans le tableau:

Adresse Mac Wi-Fi hachée	Heure détectée	Force du signal
aaa	12/2/2017 1:00pm	- 65
bbb	12/2/2017 1:03pm	- 66
ccc	12/2/2017 2:09pm	- 100

L'adresse MAC brute de ces appareils sera stockée dans la base de données et téléchargée en continu sur le serveur central (toutes les heures) pour un regroupement ultérieur dans le rapport. FootfallCam recueille ces données, puis les transmet de manière sécurisée au FootfallCam Le cloud est utilisé à l'heure pour le traitement et l'analyse.

L'algorithme de hachage utilisé pour l'adresse MAC est PBKDF2WithHmacSHA256, conçu pour le hachage de mots de passe et donc relativement lent. Ceci est avantageux pour le hachage de mots de passe car cela réduit considérablement le nombre de mots de passe qu'un attaquant pourrait hacher par seconde lors d'une attaque par dictionnaire. L'ajout d'un sel au mot de passe limite la possibilité d'utiliser des hachages précalculés pour les attaques et implique que chaque mot de passe doit être testé individuellement, et non simultanément. La norme recommande une longueur de sel d'au moins 64 bits. Le National Institute of Standards and Technology (NIST) américain recommande une longueur de sel de 128 bits. FootfallCam utilise 256 bits dans ce cas précis.

1.2.5 Traitement et classification des données

À mesure que les données affluent dans le FootfallCam Toutes les heures, dans le cloud, tous les appareils détectés sont classés dans une base de données de séries temporelles, grâce à des algorithmes robustes appliqués pour profiler tous les appareils détectés et classer ensuite les données en quelques valeurs :

1. Différenciez l'ID Mac collecté en tant que «à pied» et «entré en magasin» par la force du signal des sondes Wi-Fi et la confiance.

2. Mappez en outre la «durée de la visite» en obtenant la «première vue» et la «dernière vue» avec la condition d'intensité de signal la plus élevée détectée à partir de sondes reçues à 2 horodatages différents.

La force du signal seule est une méthode approximative approximative et est inexacte, car les signaux Wi-Fi ont tendance à varier selon les paramètres environnementaux. De plus, la force du signal dépend de nombreuses conditions environnementales en temps réel.

L'ajout du nombre de sondes, de l'horodatage, du niveau de confiance et du seuil augmentera la précision des données Wi-Fi. Il existe deux seuils Wi-Fi: le seuil 1 filtre le signal faible qui s'éloigne du compteur. Le seuil 2 capture la force du signal fort qui est dans le trafic du magasin. Tous les détails de la demande de sonde inférieurs au seuil 1 seront stockés dans une table de base de données mac brute dans l'appareil. Le côté serveur traitera la liste d'adresses mac pour calculer le temps de séjour et renvoyer les valeurs client en agrégeant les données quotidiennes à l'analyse.

1.2.5.1 Plusieurs compteurs installés dans un magasin

Lorsqu'un magasin est équipé de plusieurs compteurs, les données de comptage sont chargées dans la base de données pour un traitement ultérieur, afin d'éviter le surcomptage d'une même personne. Ce processus garantit l'exactitude des données de comptage générées par les compteurs. FootfallCam seront authentiques et prêtes pour un traitement analytique plus poussé par le système d'informatique décisionnelle de l'utilisateur.

Comptage des données

Compteur 1 + Compteur 2 + Compteur 3

Lorsqu'il y a plusieurs compteurs installés dans un même magasin, les données de comptage Wi-Fi seront téléchargées dans la base de données centrale afin de filtrer les entrées dupliquées d'adresses MAC. Les adresses MAC dupliquées ne seront pas utilisées dans l'agrégation des données. Cette méthode empêche le comptage excessif d'une seule adresse MAC d'être compté deux fois.

Données Wi-Fi

Compteur 1 + Compteur 2 + Compteur 3

Lorsque plusieurs compteurs sont installés dans une entrée large, la zone de suivi et les lignes de comptage doivent être tracées de manière prudente. La zone de suivi et les lignes de comptage tracées sur un compteur ne doivent pas chevaucher la zone de comptage et les lignes de suivi tracées sur un autre compteur. Cela est nécessaire pour éviter le comptage excessif des données des visiteurs, ce qui peut conduire à un décompte inexact des visiteurs et à une falsification des données sur le taux de rotation des ventes.

1.2.5.2 Exclusion de l'adresse MAC de l'appareil du personnel

Si le personnel transporte des appareils avec le WiFi activé, son adresse MAC sera également capturée par les appareils de fréquentation. Vous pouvez exclure manuellement l'adresse MAC des appareils du personnel sur la page du site. Référer Partie 15.5 pour un guide étape par étape.

1.2.5.3 Durée moyenne des visites

Nous pouvons obtenir la durée de la visite du client en utilisant les 2 pics de la puissance du signal Wi-Fi, car ils correspondent à l'emplacement le plus proche de l'entrée avec l'appareil installé. Si le profil présente deux pics supérieurs à un seuil de puissance du signal défini, ils sont identifiés comme le temps d'ENTRÉE et le temps de SORTIE du visiteur.

Durée maximale de la visite - Certains visiteurs peuvent visiter le site plusieurs fois dans la même journée. La durée maximale de la visite est la visite raisonnable maximale qu'un visiteur peut s'attendre à rester sur le site pour une seule visite. La valeur par défaut est de 2 heures.

Par exemple,

Visiteur A: première visite => 1 h 05 à 1 h 30 deuxième visite => 4 h 05 à 5 h 43

Résultat: 2 visites. La première visite dure 25 minutes. La deuxième visite dure 98 minutes.

Tout d'abord, la durée de la visite est mesurée en fonction de l'identifiant unique (sondes MAC ID) du smartphone de l'utilisateur.

Durée de la visite

Heure (entrée) - Heure (sortie)

Etat:

1. Définir les limites du suivi Wi-Fi

2. Liste du personnel et liste des appareils exclus

 Agrégation des catégories de durée de visite

FootfallCam La durée des visites a ensuite été classée en trois catégories : moins de 15 minutes, entre 15 et 30 minutes, et plus de 30 minutes.

Durée de visite pour les sites avec plusieurs compteurs

En téléchargeant les informations de suivi Wi-Fi de tous les appareils de Site Entry sur un serveur central, le serveur effectuerait l'analyse et estimerait les heures d'entrée et de sortie des appareils Wi-Fi. Le système regrouperait les informations de suivi Wi-Fi de tous les compteurs du site.

1.2.6 Codes de mesures Wi-Fi

Les mesures clés utilisées pour le module Wi-Fi seront :

• A05 - Circulation extérieure

• B01 - Taux de retour

• A04 - Durée moyenne de la visite

• B02 - Taux de retour

1.3 Occupation de l'espace

L'occupation de l'espace est le nombre de personnes séjournant sur un site à un moment donné. C'est équivalent à Compte IN accumulé déduire Compte OUT cumulé.

Occupation

(Entrée cumulée - Sortie cumulative)

Compte IN accumulé est la somme de tous les comptages IN depuis le début de l'heure de fonctionnement jusqu'à l'heure actuelle. Ces données sont mises à jour instantanément. De même pour Compte OUT cumulé.

1.3.1 Erreur cumulative

Aucun compteur de personnes n'est précis à 100 %. Il comporterait des erreurs cumulatives au fil de la journée.

 

1.3.2 Modes d'occupation

Il existe deux modes d'occupation: Occupation naïve et Occupation intelligente.

Comparaisons	Occupation naïve	Occupation intelligente
Laits en poudre	ENTRÉE - SORTIE	IN - OUT + correction d'erreur
correction d'erreur	×	√
Nécessite une collecte d'échantillons de données d'historique	×	√ (automatique)
Tableau de bord en temps réel	√	√
Rapport de données historiques	√	√
Métrique au niveau du site	√	√
Métrique au niveau de la zone	√	√
Exactitude	Haute	Meilleure performance du béton
Somme des données au niveau de la zone égale aux données au niveau de la branche	√	× (voir note)
Modes	×	Mode 1 et Mode 2
DÉTAILS	Section 15.3.1.4	Section 15.3.1.5 et Section 15.3.1.6

1.3.2.1 Cas d'utilisation recommandés

En règle générale, Occupation intelligente est l'option préférée pour presque toutes les situations, à l'exception des sites à faible trafic.

Cas d'usage	Naïve	Smart
Supermarchés ou épiceries à fort trafic	×	√
Occupation des toilettes	×	√
Restaurants ou cantines	×	√
Contrôle de la capacité d'occupation via tableau de bord ou portail automatique	×	√
Bibliothèques ou bijouteries à faible trafic	√	×
Expositions	×	√
Cinémas	×	√

1.3.2.2 Occupation naïve

Le graphique d'occupation ressemble généralement à une courbe en forme de cloche, avec un pic d'occupation quelque part entre les heures de fonctionnement. Certains peuvent avoir plusieurs pics, indiquant plusieurs heures de pointe.

En raison d'une erreur cumulative, Naive Occupancy peut avoir une erreur significative vers la fin des heures de fonctionnement.

 

1.3.2.3 (Smart Occupancy) Correction d'erreur en temps réel

Étant donné que l'occupation est mise à jour instantanément et affichée sur Tableau de bord d'occupation en direct, correction d'erreurs en temps réel est appliqué à l'occupation naïve pour minimiser l'erreur accumulée. Cela garantit que:

• L'occupation est plus précise par rapport au décompte réel

• L'occupation ne tombe jamais au-delà de 0 à des nombres négatifs

• L'occupation approche près de 0 à la fin des heures de service

 

Dans les coulisses, le système utilise Modélisation avancée de l'IA pour encapsuler la tendance d’occupation des 14 derniers jours ou plus et générer un modèle prédictif qui réduit avec précision l’erreur d’occupation cumulée.

Occupation en direct

Occupation naïve + correction des erreurs en temps réel

Il ya 2 modes pour Occupation intelligente.

Mode 1	Mode 2
Utilisations Modélisation statistique avancée pour généraliser les modèles d'occupation d'un site / d'une zone.	Expire l'occupation d'une personne si dépasse le période d'expiration.
Ne nécessite pas d'entrée de l'utilisateur.	L'utilisateur doit définir une période d'expiration.
Nécessite la collecte de données historiques (automatique).	Ne nécessite pas la collecte de données historiques.
Convient aux sites à fort trafic, par exemple: épiceries, supermarchés, restaurants, expositions.	Convient aux situations où la durée de la visite est connue et assez constante, par exemple: occupation des toilettes, occupation du cinéma

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

1.3.2.4 Correction d'erreur de post-traitement (Smart Occupancy)

Pour l'occupation des données de la veille dans Rapport d'occupation de l'espace, correction d'erreur de post-traitement est appliqué à l'occupation en fonction de l'écart quotidien global entre les entrées et les sorties. Cela a les mêmes effets que la correction d'erreur d'occupation en temps réel, sauf qu'elle est maintenant en post-traitement.

Occupation historique

Occupation en direct + correction des erreurs de post-traitement

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

1.3.3 Codes de mesures

Les indicateurs clés utilisés pour l’occupation de l’espace seront :

• PSO01 - Occupation naïve

• SSO02 - Occupation par rapport à la capacité

• PSO05 - Occupation intelligente

1.4 Comptage de groupe

Le comptage de groupe identifie un ou plus les individus comme une unité collective et les regroupe. Les suivi de trajectoire de l'individu est analysé par rapport à un autre individu, et logique de filtrage avancée en fonction du seuil de distance de personne à personne, de la vitesse de la trajectoire, de la direction et de la durée, sont appliqués pour assurer un comptage de groupe précis.

Le comptage de groupe ouvre des possibilités pour de meilleures données et métriques :

• Dans le commerce de détail, 1 groupe familial est considéré comme 1 unité d'achat. Le comptage de groupe fournit plus de précision conversion de vente métrique.

• Pour le calcul des temps d'attente en file d'attente, 1 couple de couples est considéré comme 1 unité d'attente. Le comptage de groupe fournit une mesure du temps d'attente plus précise.

Exigences :

• Applicable au micrologiciel de compteur v3.4.2 et supérieur, qui peut être mis à niveau à partir de v3.3.0 minimum.

• Le comptage de groupe est actuellement disponible pour comptage de pas standard seul. Elle est compatible avec l'exclusion du personnel. La disponibilité pour le comptage de zone, le comptage de file d'attente et le comptage de carte thermique sont travail encore en cours.

Le comptage de groupe est conçu pour fonctionner avec d'autres algorithmes de comptage en tant que traitement séparé complémentaire.

Cela signifie que si le compteur est configuré pour un comptage d'entrée standard + un comptage de groupe, il y aura 2 ensembles de données distincts collectés :

• données de comptage d'entrée

• supplémentaire données de comptage de groupe

Par exemple, s'il y a 1 visiteur entrant par l'entrée, le compteur collectera les deux :

• 1 visiteur EN

• 1 groupe EN

Il est donc pas conseillé combiner les données de comptage de fréquentation standard et les données de comptage de groupe car cela entraînerait une duplication des données.

1.4.1 Logique de regroupement

Dans le comptage de groupe, des algorithmes de clustering sont adoptés pour traiter les coordonnées de localisation 3D des personnes apparues dans la zone de suivi et générer des groupes de personnes qui restent proches les unes des autres. Un seuil de distance est utilisé pour régir la logique de regroupement de telle sorte qu'une personne soit affectée à un groupe existant si la distance relative de la personne par rapport au groupe est dans le seuil de distance. Vous trouverez ci-dessous deux exemples de scénarios illustrant la manière dont les groupes sont formés lorsque le comptage de groupes est en cours.

Pour le scénario avec ≤ 3 personnes dans la zone de suivi, les personnes qui restent dans un seuil de distance fixe les unes des autres seront considérées comme un groupe. Comme le montre la figure 15.4.1, P1 et P2 sont suffisamment proches l'un de l'autre (c'est-à-dire que la distance entre eux est ≤ seuil de distance) et forment un groupe de 2 personnes alors que P3 qui est situé à une distance supérieure au seuil de distance fixe des deux P1 et P2 forment lui-même un groupe de 1 personne. La valeur seuil de distance couramment utilisée est comprise entre 1 m et 1.5 m (peut être ajustée en fonction de l'environnement du site d'installation). 

Pour le scénario avec plus de 3 personnes dans la zone de suivi, une technique de regroupement plus avancée est adoptée pour identifier des groupes de personnes de manière hiérarchique en utilisant plusieurs niveaux de seuil de distance qui sont déterminés dynamiquement en fonction de la répartition de l'emplacement de toutes les personnes dans la zone de suivi . Par exemple, comme le montre la figure 15.4.2 avec un total de 5 personnes, notre logique de regroupement identifiera 3 groupes uniques décrits ci-dessous :

• P1 & P2 sont à 1.3m l'un de l'autre et forment le groupe G1 de 2 personnes,

• P3 & P4 sont à 0.7m l'un de l'autre et forment le groupe G2 de 2 personnes,

• P5 est à 2.5 m du groupe G1 et à 2.0 m du groupe G2, forme ainsi le groupe G3 de 1 personne.

Les groupes G1 et G2 qui sont distants de 2 m l'un de l'autre NE forment PAS un groupe. Notez que le seuil de distance n'est plus une valeur fixe (comme dans le scénario de ≤ 3 personnes) mais est déterminé dynamiquement pour s'adapter à la distribution changeante de l'emplacement de toutes les personnes dans la zone de suivi, capable ainsi de former un groupe avec un niveau de densité variable.

1.4.2 Logique de filtrage

Une logique de filtrage est appliquée à la sortie de la logique de regroupement pour affiner davantage les résultats de regroupement. Contrairement à la logique de regroupement qui ne prend en entrée que les dernières coordonnées de localisation des personnes pour effectuer le regroupement, la logique de filtrage prend en compte la trajectoire de suivi de chaque personne dans la zone de suivi pour analyser la direction et la vitesse de leur mouvement afin de permettre un regroupement précis et de supprimer les faux regroupements. Deux types de mécanismes de filtrage sont mis en oeuvre, à savoir le filtrage directionnel et le filtrage rapide, qui sont appliqués aux résultats de regroupement de manière séquentielle, le filtrage directionnel précédant le filtrage rapide.

A. Filtrage de direction

Le but du filtrage de direction est de diviser un grand groupe de personnes en plusieurs groupes plus petits en comparant la différence d'angle entre chaque personne du groupe. Un nouveau sous-groupe se formera s'il y a au moins une personne dont la différence d'angle dépasse une valeur seuil prédéfinie après comparaison avec d'autres personnes du groupe.

Un exemple de base où le filtrage de direction aide dans le comptage de groupe est qu'il identifiera des groupes de personnes voyageant dans la direction opposée et les empêchera d'être assignés à un grand groupe lorsqu'ils se rapprochent les uns des autres et restent relativement statiques pendant une certaine période dans le suivi. zone.

B. Filtrage de vitesse

Pour le filtrage de vitesse, qui est appliqué à la sortie du filtrage de direction, sa fonction principale est d'identifier les valeurs aberrantes (une personne dont la vitesse de déplacement est significativement différente d'une autre personne du groupe) dans un groupe et d'exclure la valeur aberrante du groupe. Dans le cas où une valeur aberrante se rapproche temporairement d'un groupe existant qui est resté statique pendant un certain temps, le filtrage de vitesse aidera à empêcher la valeur aberrante de rejoindre immédiatement le groupe, mais traitera plutôt la valeur aberrante comme un autre groupe. 

En plus du filtrage de direction et de vitesse, le comptage de groupe utilise également un seuil de durée qui peut être ajusté pour contrôler la vitesse à laquelle un nouveau groupe peut être formé et à quelle vitesse un groupe existant peut être dissous.

1.4.3 Logique de déclenchement de comptage de groupe

Les données de comptage de groupe seront déclenchées lorsque :

• Le groupe a déclenché un événement de comptage. Par exemple, le groupe a franchi la ligne de comptage IN et

• Tous les membres du groupe ont quitté la zone de suivi.

Note: Cette logique de déclenchement n'affecte pas le comptage de pas individuel normal car le comptage de groupe est un processus en cours distinct. Le comptage de pas individuel sera déclenché comme indiqué dans cette section.

Les données de comptage de groupe seront enregistrées dans les illustré* le format.

Série de l'appareil	Horodatage	Id de ligne	EstGroupe
00000000xxxxxxxxx	12/2/2017 1:00pm	1	Oui
00000000xxxxxxxxx	12/2/2017 1:03pm	1	Oui
00000000xxxxxxxxx	12/2/2017 2:09pm	2	Oui

Note: Les informations sur la taille du groupe ne sont pas stockées.

Les données de comptage de groupe seront ensuite téléchargées sur le serveur comme indiqué dans cette section.

* À titre d'illustration uniquement.

1.4.4 Mesures de comptage de groupe 

Les indicateurs clés utilisés pour le comptage de la fréquentation seront :

• PFC21 - Groupe de fréquentation IN

• PFC22 - Groupe de fréquentation OUT

1.4.5 Indication des résultats du comptage de groupe dans LiveView

La figure 15.4.3 illustre certaines informations générales qui seront affichées sur la vue en direct du compteur lorsque le comptage de groupe est activé, notamment :

• Nombre de groupes détectés dans la zone de suivi (dans le coin supérieur gauche de la vue en direct)

• Parent du groupe (c'est-à-dire la personne qui a été dans le groupe pendant la plus longue période de temps, marquée d'un cercle rouge)

• Durée de chaque personne dans un groupe (en secondes)

• Taille du groupe (seulement affiché sous le texte de durée du parent du groupe)

• Ligne jaune reliant toutes les personnes d'un même groupe

1.4.6 Règlement général sur la protection des données (RGPD)

1. Aucune PII (Person Identifiable Information), telle que biométrique ou faciale, n'est collectée à des fins de traitement ou d'analyse.

2. Aucune garantie ou hypothèse que les personnes regroupées dans un groupe ont une quelconque forme de relation sociale ou biologique.

3. L'analyse est purement basée sur la trajectoire et le temps.

4. Une personne d'un groupe sera identifiée comme chef de groupe, dans le seul but d'améliorer la précision du comptage de groupe. N'importe qui peut être chef de groupe, contrairement à (par exemple) seul l'aîné du groupe peut être chef de groupe.

Limitations 1.4.7 

• La relation entre les personnes du même groupe ne peut pas être déduite avec le comptage de groupe au stade actuel, car nous n'avons pas collecté d'informations biométriques, de genre ou faciales sur les personnes.

• Il n'est pas conseillé d'activer le comptage de groupe sur un site avec une zone de suivi relativement petite car les données de trajectoire de suivi des personnes seront insuffisantes pour que le comptage de groupe puisse traiter et générer des résultats de regroupement. La taille minimale recommandée de la zone de suivi doit être d'au moins 3 mx 3 m pour une précision de comptage de groupe satisfaisante.

1.5 Comptage d'analyse vidéo

Video Analytics utilise un algorithme d'intelligence artificielle pour effectuer une détection et un suivi humains. Il est utilisé dans FootfallCam Centroid pour produire des données de fréquentation. Vous trouverez ci-dessous un organigramme complet d'une configuration Centroid typique avec des caméras IP, de la façon dont l'appareil reçoit les entrées des caméras, au traitement des données et au téléchargement sur le serveur.

Diagramme de flux de l'analyse vidéo

1.5.1 Algorithme IA

L'algorithme d'IA utilise un réseau de neurones profond formé par des techniques d'apprentissage automatique pour identifier et détecter les humains. Il ne suit que l'humain qui a une grande confiance dans l'algorithme. Grâce à la technologie de pointe, il a un faible taux de faux négatifs. Il détecte rarement à tort des chariots ou des objets comme humains car ils sont visuellement distincts.

Détection humaine

En option, une analyse démographique peut être effectuée sur chaque humain détecté pour obtenir plus d'informations basées sur le visage de la personne, telles que l'âge, le sexe et l'émotion. Cela peut donner une bonne segmentation statistique des caractéristiques de la personne et est utile pour mesurer l'efficacité des campagnes promotionnelles, comprendre la clientèle, obtenir des commentaires expressifs, etc.

Limitations:

• Peut détecter à tort des structures de type humain, telles que des peintures ou des humanoïdes

• Peut ne pas détecter les enfants

• Peut ne pas détecter les humains bloqués ou occlus, lorsqu'ils sont dans une foule

• Peut ne pas détecter si l'humain est trop loin ou trop flou

• L'activation de l'analyse démographique peut avoir un impact sur la précision du comptage normal des personnes

• L'analyse démographique ne fonctionne que sur les faces avant des personnes sans aucun masque

1.5.2 Modes de comptage

1.5.2.1 Comptage des entrées/sorties (centre de gravité)

Zone de suivi (rouge) et ligne In-Out

In Out Counting fonctionne par:

• Suivi de chaque humain détecté par l'algorithme d'IA

• Vérifier constamment si l'humain se trouve dans la zone de suivi

• Si l'humain croise l'In-line ou l'Out-line, un événement de comptage est enregistré.

• Cependant, l'événement est ignoré si l'humain fait demi-tour.

• Lorsque l'humain quitte la zone de suivi, l'événement est collecté et envoyé.

1.5.2.2 Comptage des entrées (Pro2)

Définitions des couleurs

(Dernière mise à jour le 23 août 2024)

Ligne / Zone de comptage	Description
Zone de suivi	Une zone désignée pour détecter et surveiller la présence et les mouvements d'individus à l'intérieur de ses limites.
En ligne	Une limite qui détecte le nombre IN lorsque les personnes la franchissent lorsqu'elles entrent dans une zone spécifique.
Contour	Une limite qui détecte OUT compte lorsque les gens la traversent lorsqu'ils sortent d'une zone spécifique.
Patch rose	Revêtement spécial utilisé pour bloquer ou masquer les objets fixes d'une certaine hauteur qui pourraient être comptés par erreur par le capteur, évitant ainsi tout bruit inutile ou tout comptage incorrect.
Zone de filtrage	Une zone spéciale qui permet de garantir que seuls les bons objets sont comptés. Par exemple, dans un magasin ou avec une porte battante, il peut filtrer tous les mouvements supplémentaires qui ne doivent pas être comptabilisés comme des entrées ou des sorties de personnes. Il fonctionne en comptant uniquement les personnes dont le chemin commence ou se termine à l'intérieur de la zone de filtrage. Si le début et la fin du parcours se situent à l'intérieur ou à l'extérieur de la zone filtrée, la personne ne sera pas comptée.

1.5.3 Collecte de données

Une fois qu'un visiteur entre et sort de la zone de suivi d'un appareil tout en déclenchant la ligne d'entrée-sortie entre les deux, l'appareil déclenche un événement de comptage.

Les données seront enregistrées au format suivant :

Série de l'appareil	Horodatage	ID de métrique	ID roi	ID de type d'objet combiné
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

Définitions:

• Série de l'appareil

  • le numéro de série de l'appareil

• Horodatage

  • l'heure à laquelle l'événement se produit

• ID de métrique

  • 1 : lorsqu'un visiteur franchit le In-line

  • 2 : lorsqu'un visiteur franchit l'Out-line

• ID roi

  • l'ID de la caméra CCTV où l'événement se produit

• ID de type d'objet combiné

  • une combinaison d'ID qui encode les détails de la personne tels que l'analyse démographique

Les données sont stockées dans la base de données de l'appareil jusqu'à 14 jours.

Aucune donnée d'image sensible d'informations d'identification de personne (PII) de la personne ou du visage n'est stockée dans l'appareil.

1.5.4 Processus de téléchargement des données

Les données collectées par chaque appareil sont téléchargées instantanément sur le serveur via le protocole websocket. Les données seront également traitées en temps réel sur le serveur, il est donc possible de visualiser le tableau de bord en direct des données sur le portail. Un exemple est le tableau de bord d'occupation en direct.

Une fois que les données atteignent le serveur, elles sont immédiatement agrégées au niveau de la granularité du site ou de la zone, et facilement disponibles pour que les utilisateurs finaux puissent les interroger via API de données de comptage. Les utilisateurs peuvent récupérer les données selon plusieurs granularités temporelles, telles que 1 minute, 15 minutes, 30 minutes, toutes les heures, tous les jours, toutes les semaines, tous les mois ou tous les ans.

Les données sont également disponibles pour les rapports historiques. Voir Annexe B Définition des métriques pendant combien de temps les données sont stockées sur le serveur.

Aucune donnée d'image sensible d'information d'identification de personne (IPI) de personne ou de visage n'est envoyée au serveur.

1.5.5 Codes métriques

Les codes métriques sont exactement les mêmes que Codes métriques de comptage de fréquentation.

1.6 Temps d'attente à l'aéroport 

1.6.1 Méthodologie de calcul du temps d'attente moyen en fonction des données de dénombrement et d'occupation

La méthodologie employée pour calculer le temps d'attente moyen est appliquée uniformément dans les deux zones. Vous trouverez ci-dessous un aperçu général du processus de calcul :

1. Collecte de données et identification de session
   • Des données de niveau minute et des données d’occupation sont collectées pour chaque zone.
   • Pour chaque zone, une période est considérée comme en cours si un nombre de sorties est enregistré au cours des 20 dernières minutes. Seules les zones et les périodes identifiées comme étant en cours sont utilisées dans le calcul du temps d'attente moyen.
2. Filtrage des données et moyenne pondérée :
   • Le calcul porte sur les 30 minutes de données les plus récentes pour chaque zone. Les zones qui ne sont pas en session pendant cette période sont exclues et les décomptes manquants sont complétés par des zéros.
   • Une moyenne pondérée est calculée en fonction de la proximité des données par rapport à l'heure actuelle, les données les plus récentes ayant un impact plus important sur la moyenne que les données plus anciennes. La formule actuelle pour calculer la moyenne pour chaque zone est la suivante :
     
     où Δt is la proximité des données par rapport à la dernière heure, c = - 0.8, out_t est le nombre de sorties à la minute t, ainsi insessionn_t est soit 1 soit 0 selon qu'il est en session ou non.
3. Agrégation et calcul :
   • Les moyennes pondérées de toutes les zones sont agrégées. Le taux d'occupation est ensuite divisé par ce nombre moyen pondéré agrégé de sorties pour obtenir le temps d'attente moyen en minutes. Dans les scénarios où au moins une zone est en session, le nombre moyen pondéré de sorties ne sera pas nul.
4. Gestion des cas limites :
   
   • Occupation initiale sans zones de session:Lorsqu'une occupation est enregistrée mais qu'aucune zone n'est en session (généralement en début de journée avant que les compteurs ne soient opérationnels), un seuil de 30 secondes par occupation est appliqué, et le temps d'attente est calculé en multipliant l'occupation par 30 secondes.
   • Données de sortie sans occupation:Si nos données sont disponibles mais qu'aucune occupation n'est enregistrée (ce qui indique une occupation mal calculée), le temps d'attente moyen est fixé à zéro, car l'occupation réelle ne peut pas être déterminée.
   • Ouverture du premier comptoir avec occupation existante:Lorsque le premier compteur ouvre avec une occupation existante, il y a un décalage significatif entre les décomptes de sorties avant et après l'ouverture. Pour résoudre ce problème, le nombre moyen de sorties pour les 5 premières minutes est ajusté pour s'aligner plus étroitement sur le seuil et ensuite sur les points de données réels. Voici la formule utilisée :
     

     où wait_défaut = 0.5, Δt c'est le temps à partir duquel il commence à fonctionner, et out_avg est le nombre moyen de sorties résultant.

   • Moyenne pondérée tendant vers zéro:Si le nombre moyen pondéré agrégé de sorties sur toutes les zones s'approche de zéro alors que l'occupation reste la même, cela peut indiquer que l'appareil compte mal certaines entrées ou sorties. Dans de tels cas, le nombre moyen pondéré agrégé de sorties est ajusté pour se rapprocher de la valeur seuil mentionnée ci-dessus plutôt que de zéro. Nous mappons actuellement la moyenne de [0, 3] à [2, 3] (ce qui correspond au seuil de 30 secondes comme dans la puce 1) en utilisant la formule suivante :
     

 

Cette méthodologie garantit un calcul précis et fiable des temps d’attente moyens, en tenant compte de divers cas limites et anomalies.

 

1.6.2 Impact des changements dans les données de dénombrement et d'occupation sur le temps d'attente moyen

Nous avons effectué une comparaison entre les données stockées dans la base de données et les données réellement observées, ce qui a donné lieu au pourcentage d'erreur calculé comme indiqué ci-dessus. Dans cette section, nous démontrerons que cette erreur correspond à un écart de 1.05 minute par rapport au temps d'attente moyen réel en utilisant les exemples présentés ci-dessus.

1.7 Comptage de voitures

Le comptage de véhicules utilise l'analyse vidéo basée sur l'IA pour détecter et suivre les véhicules traversant une zone définie. Il est généralement utilisé pour la surveillance du trafic, la gestion du stationnement et l'analyse des parkings commerciaux. L'algorithme d'IA est entraîné par des réseaux de neurones profonds pour reconnaître les véhicules en fonction de leur forme, de leurs mouvements et de leurs caractéristiques distinctives. Seuls les véhicules présentant un score de confiance de détection élevé sont comptabilisés, ce qui minimise les faux positifs provenant d'objets non pertinents tels que les piétons, les vélos ou les structures en bord de route.

Détection de voiture

1.7.1 Scénarios idéaux