Moduli di conteggio

1.1 Conteggio dei passi

Diversi algoritmi di conteggio vengono utilizzati in circostanze diverse. I tipi e le differenze dei diversi algoritmi utilizzati da FootfallCam sono indicati nelle sezioni seguenti.

1.1.1 Algoritmo 3D standard

In circostanze normali, FootfallCamTM utilizza un algoritmo 3D standard per contare al suo livello ottimale. L'altezza ottimale per FootfallCamTM è da 2.5 ma 4.5 m.

L'algoritmo 3D standard funziona con:

  • Differenziando tra la testa umana e il punto della spalla, formando un blob 3D e una linea del sentiero che traccia il loro movimento
  • Escluderà una persona che effettua un'inversione a U e non è entrata nel negozio dal conteggio utilizzando una zona di inizio-fine.
  • Distinguerà tra bambini, adulti, oggetti inanimati attraverso il rilevamento dell'altezza e formerà una mappa di profondità.
  • Può funzionare bene in caso di traffico elevato poiché il blob e il punto di intestazione saranno chiari.
  • Può applicare una linea di esclusione in una parte specifica della linea di tracciamento che è frequentemente utilizzata dal personale per evitare il conteggio del personale.
Visualizzazione live standard L'inversione di marcia non viene conteggiata
I bambini non vengono contati Le persone con il carrello sono contate come una

 

1.1.2 Algoritmo di conteggio delle aree

L'algoritmo di conteggio dell'area funziona utilizzando la tecnologia 3D Blob Tracking per tracciare ogni singola persona in un'area per supportare il conteggio multiplo quando più di una persona entra nella zona. Inoltre impedisce il conteggio eccessivo di un individuo. L'algoritmo traccia automaticamente la durata (regolabile) in cui una persona entra nella zona e una volta che la persona supera la soglia di durata, la persona sarà considerata come In, se la persona esce dalla zona, sarà considerata come Out.

Soggiornare per una certa durata Conteggio multiplo in un'area
Schema casuale in movimento Nessun ingresso specifico

Il conteggio area è adatto principalmente per

  • Negozi senza ingressi specifici. Ciò significa che qualsiasi visitatore può entrare e uscire da qualsiasi direzione del negozio.
  • Negozi in cui il visitatore camminerebbe in modo casuale anziché solo dentro e fuori. Questo di solito è causato dai display delle scorte vicino all'area di conteggio, che inducono i visitatori a interagire con i display.
  • L'area di tracciamento è molto limitata e non ha una distanza percorribile sufficiente per far funzionare correttamente l'algoritmo di conteggio 3D standard.

Limitazione del conteggio dell'area

  • La linea di esclusione non è applicabile in quanto non utilizza la linea di conteggio.

 

Raccolta dati 1.1.3

Per l'algoritmo 3D standard, una volta che un visitatore è entrato ed è uscito dalla zona di tracciamento di un dispositivo mentre si attiva la linea in-out in mezzo, il conteggio verrà attivato. Per quanto riguarda il conteggio dell'area, una volta che un visitatore è rimasto nella zona di tracciamento di un dispositivo più a lungo della soglia impostata, verrà attivato il conteggio.

I dati verranno quindi salvati nella seguente forma:

Seriale del dispositivo Timestamp ID linea
00000000xxxxxxxxx 12/2/2017 1:00pm 1
00000000xxxxxxxxx 12/2/2017 1:03pm 1
00000000xxxxxxxxx 12/2/2017 2:09pm 2

Il numero di serie del dispositivo indica da quale dispositivo provengono i dati, il timestamp indica quando viene conteggiato un visitatore e l'ID della linea indica quale linea è stata attivata dal visitatore corrispondente.

1.1.4 Processo di caricamento dei dati

I dati raccolti da ciascun dispositivo vengono quindi caricati sul server con un intervallo di 15 minuti che verrà cancellato dopo 7 giorni. Tuttavia, il processo di caricamento dei dati dipende molto dalla connessione Internet del sito. Se la velocità è lenta, verrà rallentata anche la velocità di caricamento dei dati, il che influirà ulteriormente sulla visualizzazione dei dati nei rapporti.

Una volta che i dati sono stati caricati sul server, verranno successivamente aggregati in base oraria e giornaliera a seconda delle esigenze del report di una specifica area o sito. I dati aggregati non verranno eliminati fino a quando il dispositivo non verrà deallocato dal suo sito.

1.1.5 Conversione delle vendite

La conversione delle vendite consiste semplicemente nel dividere il numero di transazioni effettuate in un periodo di tempo dal visitatore per il negozio nello stesso periodo di tempo. Questo risultato consente al manager di vedere una visione più approfondita delle prestazioni del negozio. Ad esempio, un numero elevato di visitatori significherà che il negozio attira molti clienti dal traffico esterno, ma un basso tasso di conversione indicherà che non sta facendo un buon lavoro nel massimizzare le opportunità di vendita.

Note:

Per ottenere il report e i dati sulla conversione delle vendite, il rivenditore dovrebbe importare o integrare i dati sulle vendite dal proprio sistema EPoS al server.

1.1.6 Codici delle metriche

Le metriche chiave utilizzate per il conteggio dei passi saranno:

  • PFC01 - Conteggio dei passi IN
  • PFC02 - Conteggio dei passi FUORI
  • SFC03 - IN OUT Discrepanza
  • PFC07 - Conteggio totale delle transazioni
  • PFC08 - Volume totale delle vendite
  • SFC09 - Conteggio visitatori per conversione delle vendite
Note:

 Per ulteriori informazioni sul codice delle metriche, fare riferimento Appendice B - Documentazione sulle metriche.

1.2 Analisi Wi-Fi

Oltre al conteggio attivato dall'algoritmo di tracciamento, esiste anche un conteggio che può essere attivato dai segnali Wi-Fi.

1.2.1 Copertura dei dati

Il modulo Wi-Fi in Footfall Counter funziona come qualsiasi altro dispositivo abilitato Wi-Fi in quanto può rilevare il segnale Wi-Fi da altri dispositivi Wi-Fi nelle vicinanze. Il modulo Wi-Fi può raccogliere i segnali Wi-Fi emessi dai dispositivi abilitati Wi-Fi entro un raggio di 100m. Tuttavia, l'effettivo raggio di azione potrebbe essere ridotto a causa della configurazione delle pareti interne nei negozi.

Note:

Gli utenti che desiderano regolare la soglia del conteggio Wi-Fi possono richiedere al personale di FootfallCam di regolarla direttamente.

Gli smartphone per i quali le funzionalità Wi-Fi non sono disattivate vengono collegati a un punto di accesso Wi-Fi o ne cercano uno a cui connettersi. Per fare ciò, emettono messaggi Wi-Fi: se connessi, trasmettono messaggi di dati e, se effettuano la ricerca, sondano i messaggi che segnalano a un punto di accesso di rispondere. La frequenza di questi segnali varia a seconda del produttore dello smartphone e dello stato del dispositivo, ma in generale hanno una media di XNUMX-XNUMX segnali al minuto.

1.2.1.1 Informazioni sulla randomizzazione MAC e su come vengono rilevati

La randomizzazione MAC fa parte del settore delle reti da un po' di tempo e comporta la modifica dell'indirizzo MAC di un dispositivo quando invia richieste di sonda. Questo aiuta a prevenire il tracciamento di dispositivi non connessi. Tuttavia, questo sta cambiando con il rilascio degli ultimi sistemi operativi come iOS 14/WatchOS 7, Android 10+ e alcune versioni di Windows 10. Questi sistemi ora randomizzano gli indirizzi MAC non solo durante la fase di rilevamento, ma anche mentre il dispositivo è connesso alla rete.

Per gli smartphone dotati della tecnologia MAC Randomization, non influirà sull'accuratezza del conteggio dei dati generati tramite l'analisi Wi-Fi. La randomizzazione dell'indirizzo MAC interesserà solo i dispositivi mobili che non sono connessi a una rete mobile. Inoltre, quando l'indirizzo MAC viene randomizzato, viene trasformato in un indirizzo MAC privo di significato diverso dall'indirizzo MAC autentico.

Riconoscere gli indirizzi MAC randomizzati è semplice. La sezione OUI di un indirizzo MAC ha un bit impostato per indicare un indirizzo randomizzato o amministrato localmente. Controlla semplicemente il secondo carattere in un indirizzo MAC e se è 2, 6, A o E, è un indirizzo casuale. Ad esempio, l'indirizzo Wi-Fi 92:B1:B8:42:D1:85 è casuale perché il suo secondo carattere è 2. Il nostro contatore di passi filtrerà gli indirizzi MAC privi di significato rilevati dal sensore Wi-Fi ed escluderà dai dati di conteggio.

1.2.2 Campionamento statistico

La funzione principale del conteggio Wi-Fi è quella di utilizzare i segnali Wi-Fi emessi dagli smartphone dei visitatori per approssimare il flusso di traffico delle persone all'interno di una determinata area. Tuttavia, non tutte le persone portano uno smartphone e alcune persone possono portare più di un dispositivo Wi-Fi come gli iPad.

Il nostro algoritmo di conteggio Wi-Fi può superare le limitazioni di cui sopra e fornire un'approssimazione accurata del traffico utilizzando il campionamento statistico. Ciò garantisce che anche se non tutti i visitatori contribuiranno ai dati Wi-Fi da allora non tutti i visitatori porteranno un telefono cellulare, questi utenti rappresentano una piccola percentuale del numero totale di visitatori e non contribuiscono a un ampio margine di errore.

Il campionamento statistico è ampiamente utilizzato in molti settori diversi come il rating televisivo e il sondaggio elettorale. The Nielsen Company utilizza sofisticate tecniche di campionamento per misurare e riferire su valutazioni e spettatori nel settore televisivo in tutto il mondo. Negli Stati Uniti, ad esempio, l'azienda seleziona case in cui installare piccoli dispositivi che monitorano le abitudini di visualizzazione.

Un altro esempio è stato utilizzato nel sondaggio elettorale. I sondaggi d'opinione sono stati tenuti per molti anni attraverso le telecomunicazioni o il contatto da persona a persona. I metodi e le tecniche variano, sebbene siano ampiamente accettati nella maggior parte delle aree. Alcune organizzazioni di sondaggi, sondaggi su Internet, in cui viene estratto un campione da un ampio gruppo di volontari ei risultati sono ponderati per riflettere i dati demografici della popolazione di interesse.

1.2.3 Normalizzazione dei dati Wi-Fi

La normalizzazione viene spesso utilizzata per convertire i dati statistici in numeri reali; ad esempio, il fattore di normalizzazione viene applicato al numero di dispositivi Wi-Fi rilevati per convertirlo nel numero di persone nell'area.

Correlando il numero di persone che accedono al sito utilizzando il conteggio video e il numero di dispositivi Wi-Fi rilevati che hanno attraversato la porta, il contatore utilizza i dati delle ultime due settimane per costruire un profilo statistico e approssimare la percentuale di persone che trasportano smartphone.

Questo modello statistico è basato su un contatore; ovvero ogni contatore ha il proprio modello statistico che viene ottimizzato automaticamente in base ai dati demografici delle persone e alle caratteristiche Wi-Fi circostanti.

 

1.2.4 Raccolta dei dati

I dati raccolti verranno quindi salvati nel nostro database, inclusi il numero di serie del dispositivo, la potenza del segnale, l'indirizzo Mac e il timestamp.

Di seguito è riportato il metodo di raccolta dei dati dei dati Wi-Fi:

  1. I dati Wi-Fi verranno raccolti dalla folla intorno alla posizione in cui è installato il dispositivo.
  2. Il dongle Wi-Fi collegato al dispositivo sarà il modulo che acquisisce costantemente il segnale Wi-Fi inviato dai dispositivi abilitati Wi-Fi come smartphone, tablet ecc.
  3. L'ID Mac viene elaborato nel dispositivo con la potenza del segnale e il timestamp come mostrato nella tabella:

Indirizzo Mac Wi-Fi con hash

Tempo rilevato

La potenza del segnale

aaa

12/2/2017 1:00pm

all'65 ottobre

bbb

12/2/2017 1:03pm

all'66 ottobre

ccc

12/2/2017 2:09pm

all'100 ottobre

L'indirizzo MAC grezzo di questi dispositivi verrà archiviato nel database e caricato costantemente sul server centrale (ogni ora) per un'ulteriore aggregazione nella reportistica. FootfallCam raccoglie questi dati, quindi li inoltra in modo sicuro a FootfallCam Cloud su base oraria per l'elaborazione e l'analisi.

L'algoritmo di hashing per l'indirizzo MAC utilizzato è PBKDF2WithHmacSHA256, progettato per l'hashing delle password, quindi è un algoritmo lento. Questo è utile per l'hashing delle password in quanto riduce il numero di password di secondo che un utente malintenzionato potrebbe eseguire l'hashing durante la creazione di un attacco con dizionario. L'aggiunta di un salt alla password riduce la possibilità di utilizzare hash precalcolati per gli attacchi e significa che più password devono essere testate singolarmente, non tutte in una volta. Lo standard raccomanda una lunghezza del sale di almeno 64 bit. L'istituto nazionale statunitense di standard e tecnologia consiglia una lunghezza di 128 bit e FootfallCam utilizza 256 bit in questo caso.

 

1.2.5 Elaborazione e classificazione dei dati

Man mano che i dati fluiscono nel FootfallCam Cloud ogni ora, tutti i dispositivi rilevati vengono classificati in un database di serie temporali, con algoritmi robusti applicati per profilare tutti i dispositivi rilevati e ulteriormente classificati i dati in alcuni valori:

  1. Differenzia l'ID Mac raccolto come "walk by" e "entrato in negozio" in base alla potenza del segnale e alle sonde Wi-Fi.
  2. Ulteriore mappa "durata visita" per ottenere il "primo visto" e l '"ultimo visto" con la condizione più alta potenza del segnale rilevata dalle sonde ricevute a 2 diversi timestamp.

L'intensità del segnale da sola è un metodo approssimativo grezzo ed è impreciso, poiché i segnali Wi-Fi tendono a variare in diverse impostazioni ambientali. Inoltre, la potenza del segnale dipende da molte condizioni ambientali in tempo reale.

L'aggiunta di numero di sonde, timestamp, livello di confidenza e soglia aumenterà la precisione dei dati Wi-Fi. Ci sono due soglie Wi-Fi: soglia 1 filtro segnale debole che si allontana dal contatore. La soglia 2 cattura la forza del segnale forte che è nel traffico del negozio. Tutti i dettagli della richiesta sonda al di sotto della soglia 1 verranno archiviati in una tabella di database mac non elaborata nel dispositivo. Il lato server elaborerà l'elenco degli indirizzi mac per calcolare il tempo di permanenza e restituire i valori dei clienti aggregando i dati giornalieri all'analisi.

 

1.2.5.1 Contatori multipli installati in un negozio

Quando ci sono più contatori installati in un unico negozio, i dati di conteggio dai contatori verranno caricati nel database per un'ulteriore elaborazione per evitare il conteggio eccessivo di un singolo individuo. Questo processo garantirà che i dati di conteggio generati da FootfallCam siano autentici e pronti per un'ulteriore elaborazione analitica da parte del sistema di business intelligence dell'utente.

Conteggio dei dati Contatore 1 + Contatore 2 + Contatore 3

Quando ci sono più contatori installati in un unico negozio, i dati di conteggio Wi-Fi verranno caricati nel database centrale per filtrare le voci duplicate degli indirizzi MAC. Gli indirizzi MAC duplicati non verranno utilizzati nell'aggregazione dei dati. Questo metodo impedisce che il conteggio eccessivo di un singolo indirizzo MAC venga conteggiato due volte.

Dati Wi-Fi Contatore 1 + Contatore 2 + Contatore 3

Quando ci sono più contatori installati in un ampio ingresso, la zona di tracciamento e le linee di conteggio dovranno essere tracciate in modo conservativo. La zona di conteggio e le linee di conteggio tracciate su un contatore non devono sovrapporsi alla zona di conteggio e le linee di conteggio tracciate su un altro contatore. Ciò è necessario per evitare il conteggio eccessivo dei dati dei visitatori, mentre può portare a un conteggio impreciso dei visitatori e a una variazione delle vendite falsata nei dati sulle tariffe.

1.2.5.2 Esclusione dell'indirizzo MAC del dispositivo del personale

Se il personale trasporta dispositivi con Wi-Fi attivato, anche l'indirizzo MAC verrà acquisito dai dispositivi a calpestio. È possibile escludere manualmente l'indirizzo MAC dei dispositivi del personale nella pagina del sito. Fare riferimento Parte 15.5 per la guida passo passo.

1.2.5.3 Durata media della visita

Possiamo ottenere la durata della visita del cliente utilizzando i 2 picchi della potenza del segnale Wi-Fi, poiché sono il luogo più vicino all'ingresso con il dispositivo installato. Se il profilo presenta due picchi che sono al di sopra di una soglia di intensità del segnale definita, vengono identificati come tempo IN e tempo OUT del visitatore.

Durata massima della visita: alcuni visitatori possono visitare il sito più volte nello stesso giorno. La durata massima della visita è la visita ragionevole massima che un visitatore può aspettarsi di rimanere sul sito per una singola visita. Il valore predefinito è 2 ore.

Note:

Gli utenti possono configurare la soglia di durata della visita

Per esempio,

Visitatore A: prima visita => dalle 1:05 alle 1:30 seconda visita => dalle 4:05 alle 5:43

Risultato: 2 visite. La prima visita è di 25 minuti. La seconda visita è di 98 minuti.

Innanzitutto, la durata della visita viene misurata in base all'identificatore univoco (sonde ID MAC) dallo smartphone dell'utente.

Durata della visita

Time (In) - Time (out)

Condizione:

  1. Definizione del confine del tracciamento Wi-Fi
  2. Elenco personale escluso e Elenco dispositivi
Note:

Tempo (in): Il profilo del segnale Wi-Fi di tutti gli smartphone circostanti al momento (prima visualizzazione) il visitatore viene conteggiato dal conteggio video

Tempo scaduto): Il profilo del segnale Wi-Fi di tutti gli smartphone circostanti al momento (ultimo visto) il visitatore viene conteggiato dal conteggio video

 Aggregazione delle categorie di durata della visita

FootfallCam ha ulteriormente classificato la raccolta dei dati sulla durata della visita in 3 categorie. Per impostazione predefinita, ci sono 15 minuti sotto, da 15 minuti a 30 minuti e oltre 30 minuti.

Note:

Le categorie possono essere facilmente sintonizzate dal rivenditore nella pagina di impostazione del portale del server in base alle proprie esigenze aziendali e all'obiettivo aziendale. (Pagina del sito> Impostazioni avanzate> Durata della visita)

Durata della visita per i siti con più contatori

Caricando le informazioni di tracciamento Wi-Fi di tutti i dispositivi di Ingresso del Sito su un server centrale, il server effettuerà l'analisi e stimerà i tempi di IN e OUT dei dispositivi Wi-Fi. Il sistema aggregherebbe le informazioni di tracciamento Wi-Fi da tutti i contatori all'interno del sito.

Note:

Sebbene non tutte le persone portino un dispositivo Wi-Fi come uno smartphone, la normalizzazione non è necessaria perché il sistema calcola la durata media della visita su un ampio campione di dati. Si prega di consultare la sezione Campionamento statistico sotto Copertura dei dati per ulteriori dettagli.

1.2.6 Codici delle metriche Wi-Fi

Le metriche chiave utilizzate per il modulo Wi-Fi saranno:

  • PWA01 - Traffico esterno
  • SWA02 - Tasso di consegna
  • PWA03 - Durata media della visita
  • SWA04 - Tariffa clienti ricorrenti negli ultimi 14 giorni
  • SWA05 - Tariffa clienti ricorrenti negli ultimi 60 giorni
  • SWA06 - Tariffa nuovi clienti negli ultimi 14 giorni
  • SWA07 - Tariffa nuovi clienti negli ultimi 60 giorni
Note:

 Per ulteriori informazioni sul codice delle metriche, fare riferimento Appendice B - Documentazione sulle metriche.

1.3 Occupazione dello spazio

L'occupazione dello spazio è il numero di persone che hanno soggiornato in un sito in un dato momento. È equivalente a Conteggio IN cumulativo dedurre Conteggio OUT cumulativo.

occupazione

(Accumulativo IN - Accumulativo OUT)

Conteggio IN cumulativo è la somma di tutti i conteggi IN dall'inizio dell'ora di funzionamento all'ora corrente. Questi dati vengono aggiornati istantaneamente. Allo stesso modo per Conteggio OUT cumulativo.

1.3.1 Errore cumulativo

Non contatore persone è accurato al 100%. Avrebbe errori cumulativi nel corso della giornata.

Esempio

Precisione al 99% contatore persone potrebbe sbagliare il conteggio di 10 persone su 1000 passi, in media. Diciamo che nella prima ora mancano 10 persone su 1000, nella decima ora sarebbero mancate 10 persone in totale. Se il sito ha un limite massimo di occupazione di 100 capacità, l'errore accumulato è già il 200% dell'occupazione.

Conteggi aggregati per ogni ora. Le linee verticali grigie indicano una piccola imprecisione del contatore.

 

1.3.2 Modalità di occupazione

Sono disponibili due modalità di occupazione: Occupazione ingenua ed Occupazione intelligente.

Confronti
Occupazione ingenua Occupazione intelligente
Formula DENTRO FUORI IN - OUT + correzione errori
Correzione degli errori ×
Richiede la raccolta di campioni di dati cronologici × √ (automatico)
Dashboard in tempo reale
Rapporto sui dati storici
Metrica a livello di sito
Metrica a livello di area
Precisione Alta Maggiore
La somma dei dati a livello di area equivale ai dati a livello di ramo ×(Vedi nota)
Modalità × Modalità 1 e Modalità 2
Dettagli Unità 15.3.1.4 Unità 15.3.1.5 &
Unità 15.3.1.6
Note:

La correzione degli errori applicata ai dati di occupazione a livello di area si basa sulla sua modellazione AI e può essere diversa da quella dei dati di occupazione a livello di filiale. Pertanto, non è garantito che la somma di smart occupazione dell'area uguale smart occupazione delle filiali.

1.3.2.1 Casi d'uso consigliati

Generalmente, Occupazione intelligente è l'opzione preferita per quasi tutte le situazioni ad eccezione dei siti a basso volume di traffico.

Casi d'uso Ingenuo SEMPLICE
Supermercati o negozi di alimentari con volumi di traffico elevati ×
Occupazione dei servizi igienici ×
Ristoranti o mense ×
Controllo della capacità di occupazione tramite cruscotto o cancello automatico ×
Biblioteca o gioiellerie con volumi di traffico ridotti ×
Esposizioni ×
Cinemas ×

1.3.2.2 Occupazione ingenua

Il grafico di occupazione generalmente si presenta come una curva a forma di campana, con il picco di occupazione da qualche parte tra le ore di funzionamento. Alcuni possono avere più picchi, indicando più ore di punta.

A causa di un errore cumulativo, Naive Occupancy può presentare un errore significativo verso la fine delle ore di funzionamento.


Occupazione ingenua = IN - OUT. L'errore accumulato cresce con il passare del giorno.

 

1.3.2.3 (Smart Occupancy) Correzione degli errori in tempo reale

Poiché l'occupazione viene aggiornata istantaneamente e visualizzata Dashboard occupazione in tempo reale, correzione degli errori in tempo reale viene applicato a Naive Occupancy per ridurre al minimo l'errore accumulato. Ciò garantisce che:

  • L'occupazione è più precisa rispetto al conteggio effettivo
  • L'occupazione non scende mai oltre 0 a numeri negativi
  • L'occupazione si avvicina allo 0 alla fine delle ore di funzionamento
 
Logicamente parlando, la correzione dell'errore è proporzionale all'errore cumulativo. Maggiore è l'errore, maggiore è la correzione.

 

Dietro le quinte, il sistema utilizza Modellazione AI avanzata to incapsula la tendenza di occupazione degli ultimi 14 giorni o più e genera un modello predittivo che riduce accuratamente l'errore cumulativo di occupazione.

Occupazione dal vivo

Occupazione ingenua + correzione degli errori in tempo reale

Ci sono 2 modalità di per Occupazione intelligente.

Modalità 1 Modalità 2
si utilizza Modellazione statistica avanzata per generalizzare i modelli di occupazione di un sito / area. Scade l'occupazione di una persona se supera quella configurata periodo di scadenza.
Non richiede l'input dell'utente. L'utente deve impostare il periodo di scadenza.
Richiede la raccolta di dati storici (automatica). Non richiede la raccolta di dati storici.
Adatto per siti ad alto volume di traffico, ad esempio: negozi di alimentari, supermercati, ristoranti, mostre. Adatto a situazioni in cui la durata della visita è nota e abbastanza costante, ad esempio: occupazione dei bagni, occupazione del cinema.
Note:

1. Ogni sito ha un modello di tendenza dell'occupazione univoco, quindi il modello AI è personalizzato per ogni sito.

2. La modalità 1 non supporta il negozio che ha ore di funzionamento per 24 ore.

Note:

I dati Smart Occupancy sono disponibili solo dopo è configurato. I dati raccolti prima della configurazione non avranno la funzione Smart Occupancy.

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

1.3.2.4 (Smart Occupancy) Correzione degli errori di post-elaborazione

Per l'occupazione dei dati del giorno precedente in Rapporto sull'occupazione dello spazio, correzione degli errori di post-elaborazione viene applicato all'occupazione in base alla discrepanza complessiva giornaliera In Out. Ha gli stessi effetti della correzione degli errori di occupazione in tempo reale, tranne per il fatto che ora è in fase di post-elaborazione.

Occupazione storica

Occupazione in tempo reale + correzione degli errori di post-elaborazione

Note:

Dopo shavasana, sedersi in silenzio; saluti; correzione degli errori di post-elaborazione viene applicato, Live Occupancy potrebbe essere diverso da Historical Occupancy.

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

1.3.3 Codici delle metriche

Le metriche chiave utilizzate per l'occupazione dello spazio saranno:

  • PSO01 - Occupazione ingenua
  • SSO02 - Occupazione vs Capacità
  • PSO05 - Occupazione intelligente
Note:

 Per ulteriori informazioni sul codice delle metriche, fare riferimento Appendice B - Documentazione sulle metriche.

1.4 Conteggio gruppi

Il conteggio dei gruppi identifica uno o più individui come un'unità collettiva e li raggruppa insieme. Il tracciare la traiettoria dell'individuo viene analizzato rispetto all'altro individuo, e logica di filtraggio avanzata in base alla soglia di distanza da persona a persona, alla velocità della traiettoria, alla direzione e alla durata, vengono applicati per garantire un conteggio accurato del gruppo.

Il conteggio dei gruppi apre possibilità per dati e metriche migliori:

  • Nella vendita al dettaglio, 1 gruppo familiare è considerato come 1 unità di acquisto. Il conteggio dei gruppi fornisce una maggiore precisione conversione di vendita metrico.
  • Per il calcolo dei tempi di attesa in coda, 1 coppia è considerata come 1 unità di attesa. Il conteggio dei gruppi fornisce una metrica del tempo di attesa più accurata.

Requisiti:

  • Applicabile al firmware del contatore v3.4.2 e versioni successive, aggiornabile dalla v3.3.0 minima.
  • Il conteggio dei gruppi è attualmente disponibile per conteggio dei passi standard soltanto. È compatibile con l'esclusione del personale. Disponibilità al conteggio delle aree, conteggio delle code e conteggio delle mappe di calore sono ancora lavori in corso.

Il conteggio di gruppo è progettato per funzionare insieme ad altri algoritmi di conteggio come elaborazione separata aggiuntiva.

Ciò significa che, se il contatore è configurato per il conteggio degli ingressi standard + il conteggio dei gruppi, verranno raccolti 2 set di dati separati:

  • dati conteggio ingressi
  • aggiuntivo dati di conteggio di gruppo

Ad esempio, se c'è 1 visitatore che entra dall'ingresso, lo sportello raccoglierà entrambi:

  • 1 visitatore IN
  • 1 gruppo IN

Quindi lo è non consigliabile per combinare i dati di conteggio dei passi standard e i dati di conteggio dei gruppi poiché causerà la duplicazione dei dati.

1.4.1 Logica di raggruppamento

Nel conteggio dei gruppi, vengono adottati algoritmi di clustering per elaborare le coordinate di posizione 3D delle persone apparse nella zona di tracciamento e generare gruppi di persone che stanno vicine l'una all'altra. Una soglia di distanza viene utilizzata per governare la logica di raggruppamento in modo tale che una persona venga assegnata a un gruppo esistente se la distanza relativa della persona dal gruppo rientra nella soglia di distanza. Di seguito sono riportati due scenari di esempio che illustrano come vengono formati i gruppi durante l'esecuzione del conteggio dei gruppi.

Figure 15.4.1


Per lo scenario con ≤ 3 persone nella zona di tracciamento, le persone che si trovano entro una soglia di distanza fissa l'una dall'altra verranno considerate come un gruppo. Come mostrato in figura 15.4.1, P1 e P2 sono sufficientemente vicini tra loro (cioè la distanza tra loro è ≤ soglia di distanza) e formano un gruppo di 2 persone mentre P3 che si trova a una distanza maggiore della soglia di distanza fissa da entrambi P1 e P2 formano un gruppo di 1 persona stessa. Il valore di soglia della distanza comunemente utilizzato varia da 1 m a 1.5 m (può essere regolato in base all'ambiente del sito di installazione). 

Figure 15.4.2


Per lo scenario con più di 3 persone nella zona di tracciamento, viene adottata una tecnica di clustering più avanzata per identificare gruppi di persone in modo gerarchico utilizzando più livelli di soglia di distanza che sono determinati dinamicamente in base alla distribuzione della posizione di tutte le persone nella zona di tracciamento . Ad esempio, come mostrato nella Figura 15.4.2 con un totale di 5 persone, la nostra logica di raggruppamento identificherà 3 gruppi univoci descritti di seguito:

  • P1 e P2 distano 1.3 m l'uno dall'altro e formano il gruppo G1 di 2 persone,
  • P3 e P4 distano 0.7 m l'uno dall'altro e formano il gruppo G2 di 2 persone,
  • P5 dista 2.5 m dal gruppo G1 e 2.0 m dal gruppo G2, quindi forma il gruppo G3 di 1 persona.

I gruppi G1 e G2 distanti 2 m l'uno dall'altro NON formano un gruppo. Si noti che la soglia di distanza non è più un valore fisso (come nello scenario di ≤ 3 persone) ma è determinata dinamicamente per adattarsi alla distribuzione della posizione mutevole di tutte le persone nella zona di tracciamento, quindi in grado di formare gruppi con un livello di densità variabile.

1.4.2 Logica di filtraggio

La logica di filtraggio viene applicata all'output della logica di raggruppamento per perfezionare ulteriormente i risultati del raggruppamento. A differenza della logica di raggruppamento che prende solo le ultime coordinate di posizione delle persone come input per eseguire il raggruppamento, la logica di filtraggio prende nella traiettoria di tracciamento di ogni persona nella zona di tracciamento per analizzare la loro direzione e velocità di movimento per consentire il raggruppamento a grana fine e rimuovere il raggruppamento falso. Esistono due tipi di meccanismi di filtraggio implementati, vale a dire il filtraggio di direzione e il filtraggio di velocità, che vengono applicati ai risultati del raggruppamento in modo sequenziale, con il filtraggio di direzione precede il filtraggio di velocità.

A. Filtraggio della direzione
Lo scopo del filtraggio della direzione è suddividere un grande gruppo di persone in più gruppi più piccoli confrontando la differenza di angolo tra ciascuna persona del gruppo. Si formerà un nuovo sottogruppo se c'è almeno una persona con la sua differenza di angolo che supera un valore di soglia preimpostato dopo il confronto con altre persone del gruppo.

Un esempio di base in cui il filtro della direzione aiuta nel conteggio dei gruppi è che identificherà gruppi di persone che viaggiano in direzione opposta e impedirà loro di essere assegnati a un grande gruppo quando si avvicinano l'uno all'altro e rimangono relativamente statici per un certo periodo di tempo all'interno del monitoraggio zona.

B. Filtraggio della velocità

Per il filtraggio della velocità che viene applicato all'uscita del filtraggio della direzione, la sua funzione principale è identificare il valore anomalo (una persona la cui velocità di movimento è significativamente diversa dall'altra persona nel gruppo) in un gruppo ed escludere il valore anomalo dal gruppo. Nel caso in cui un valore anomalo si avvicini temporaneamente a un gruppo esistente che è rimasto statico per un po' di tempo, il filtro della velocità aiuterà a impedire che il valore anomalo si unisca immediatamente al gruppo, ma tratterà invece il valore anomalo come un altro gruppo. 

Oltre al filtraggio della direzione e della velocità, il conteggio dei gruppi utilizza anche una soglia di durata che può essere regolata per controllare la velocità con cui può essere formato un nuovo gruppo e la velocità con cui un gruppo esistente può essere sciolto.

1.4.3 Logica di attivazione del conteggio di gruppo

I dati di conteggio del gruppo verranno attivati ​​quando:

  • Il gruppo ha attivato un evento di conteggio. Ad esempio, il gruppo ha attraversato la linea di conteggio IN e
  • Tutti i membri del gruppo hanno lasciato la zona di tracciamento.

Note:Nota: questa logica di attivazione non influisce sul normale conteggio dei passi individuali poiché il conteggio dei gruppi è un processo in esecuzione separato. Il conteggio dei passi individuali verrà attivato come indicato in questa sezione.

I dati di conteggio del gruppo verranno salvati nel seguente illustrato* formato.

Seriale del dispositivo Timestamp ID linea ÈGruppo
00000000xxxxxxxxx 12/2/2017 1:00pm 1
00000000xxxxxxxxx 12/2/2017 1:03pm 1
00000000xxxxxxxxx 12/2/2017 2:09pm 2

Note:: Le informazioni sulla dimensione del gruppo non vengono memorizzate.

I dati di conteggio del gruppo verranno quindi caricati sul server come indicato in questa sezione.

* solo a scopo illustrativo.

1.4.4 Metriche di conteggio di gruppo 

Le metriche chiave utilizzate per il conteggio dei passi saranno:

  • PFC21 - Gruppo di calpestio IN
  • PFC22 - Gruppo Calpestio OUT
Note:

 Per ulteriori informazioni sul codice delle metriche, fare riferimento Appendice B - Documentazione sulle metriche.

1.4.5 Indicazione dei risultati del conteggio di gruppo in Liveview

Figure 15.4.3


La Figura 15.4.3 mostra alcune informazioni generali che verranno visualizzate sulla visualizzazione live del contatore quando è abilitato il conteggio di gruppo, che include:

  • Numero di gruppi rilevati nella zona di tracciamento (nell'angolo in alto a sinistra della visualizzazione live)
  • Genitore del gruppo (cioè la persona che è stata nel gruppo per il periodo di tempo più lungo, contrassegnata da un cerchio rosso)
  • Durata di ogni persona in un gruppo (in secondi)
  • Dimensione del gruppo (mostrata solo sotto il testo della durata del genitore del gruppo)
  • Linea gialla che collega tutte le persone dello stesso gruppo

1.4.6 Regolamento generale sulla protezione dei dati (GDPR)

  1. Nessuna PII (Informazioni di identificazione personale), come dati biometrici o volti, viene raccolta a scopo di elaborazione o analisi.
  2. Nessuna garanzia o presupposto che le persone raggruppate in un gruppo abbiano alcuna forma di relazione sociale o biologica.
  3. L'analisi si basa esclusivamente sulla traiettoria e sul tempo.
  4. Una persona di un gruppo verrà etichettata come capogruppo, al solo scopo di una migliore precisione di conteggio del gruppo. Chiunque può essere leader del gruppo, al contrario (ad esempio) solo il più anziano del gruppo può essere leader del gruppo.

1.4.7 Limitazioni 

  • La relazione delle persone nello stesso gruppo non può essere dedotta con il conteggio del gruppo nella fase attuale poiché non abbiamo raccolto informazioni biometriche, di genere o facciali delle persone.
  • Non è consigliabile abilitare il conteggio di gruppo in un sito con un'area di tracciamento relativamente piccola perché non ci saranno dati sufficienti sulla traiettoria di tracciamento delle persone per il conteggio di gruppo per elaborare e generare risultati di raggruppamento. La dimensione minima consigliata della zona di tracciamento dovrebbe essere di almeno 3 m x 3 m per una precisione di conteggio dei gruppi soddisfacente.

1.5 Conteggio di analisi video

Video Analytics utilizza l'algoritmo AI per eseguire il rilevamento e il monitoraggio umani. È usato in FootfallCam Centroid per produrre dati di calpestio. Di seguito è riportato un diagramma di flusso completo di una tipica configurazione Centroid con telecamere IP, da come il dispositivo riceve l'input dalle telecamere, all'elaborazione dei dati e al caricamento sul server.

Diagramma di flusso dell'analisi video

1.5.1 Algoritmo AI

L'algoritmo di intelligenza artificiale utilizza la rete neurale profonda addestrata dalle tecniche di apprendimento automatico per identificare e rilevare l'essere umano. Tiene traccia solo dell'essere umano che ha un'elevata sicurezza dall'algoritmo. Grazie alla tecnologia avanzata, ha un basso tasso di falsi negativi. Raramente rileva erroneamente carrelli o oggetti come umani perché sono visivamente distinti.

Rilevazione umana

Facoltativamente, l'analisi demografica può essere eseguita su ogni essere umano rilevato per ottenere maggiori informazioni in base al viso della persona, come età, sesso ed emozione. Questo può fornire una buona segmentazione statistica delle caratteristiche della persona ed è utile per misurare l'efficacia della campagna promozionale, comprendere la base dei clienti, ottenere feedback espressivi, ecc.

limitazioni:

  • Può rilevare erroneamente strutture simili a quelle umane, come dipinti o umanoidi
  • Potrebbe non rilevare i bambini
  • Potrebbe non rilevare un essere umano bloccato o occluso, quando si è in mezzo alla folla
  • Potrebbe non rilevare se l'essere umano è troppo lontano o troppo sfocato
  • L'abilitazione dell'analisi demografica può influire sulla normalità contapersone precisione
  • L'analisi demografica funziona solo sui volti delle persone senza alcuna maschera

1.5.2 Modalità di conteggio

1.5.2.1 Conteggio in entrata

Zona di tracciamento (rossa) e linea In-Out

In Out Counting opera da:

  • Tracciamento di ogni essere umano rilevato dall'algoritmo AI
  • Controlla costantemente se l'essere umano si trova all'interno della zona di rilevamento
  • Se l'essere umano attraversa In-line o Out-line, viene registrato un evento di conteggio.
  • Tuttavia, l'evento viene ignorato se l'umano effettua un'inversione a U.
  • Quando l'essere umano lascia la zona di rilevamento, l'evento viene raccolto e inviato.

Raccolta dati 1.5.3

Una volta che un visitatore entra ed esce dalla zona di tracciamento di un dispositivo mentre attiva la linea in-out nel mezzo, il dispositivo attiva un evento di conteggio.

I dati verranno salvati nel seguente formato:

Seriale del dispositivo Timestamp ID metrica ID Roi Combina ID tipo di oggetto
142xxxxxxxxxxxx 12/2/2022 1:00pm 1 1 23311
142xxxxxxxxxxxx 12/2/2022 1:03pm 1 2 14511
142xxxxxxxxxxxx 12/2/2022 2:09pm 2 1 12311

Definizioni:

  • Seriale del dispositivo
    • il numero di serie del dispositivo
  • Timestamp
    • il momento in cui si verifica l'evento
  • ID metrica
    • 1: quando un visitatore attraversa l'In-line
    • 2: quando un visitatore attraversa la Outline
  • ID Roi
    • l'ID della telecamera CCTV in cui si verifica l'evento
  • Combina ID tipo di oggetto
    • una combinazione di ID che codifica i dettagli della persona come l'analisi demografica

I dati vengono archiviati nel database del dispositivo per un massimo di 14 giorni.

Nessuna informazione di identificazione personale (PII) di immagini sensibili di persona o viso è memorizzata nel dispositivo.

1.5.4 Processo di caricamento dei dati

I dati raccolti da ciascun dispositivo vengono caricati istantaneamente sul server tramite il protocollo websocket. I dati saranno inoltre trattati in tempo reale sul server, pertanto è possibile visualizzare in tempo reale dashboard dei dati sul Portale. Un esempio è il dashboard di occupazione in tempo reale.

Una volta che i dati raggiungono il server, vengono immediatamente aggregati in base alla granularità a livello di sito o area e sono prontamente disponibili per gli utenti finali che possono eseguire query tramite Conteggio dell'API dei dati. Gli utenti possono recuperare i dati in più granularità temporali, ad esempio 1 minuto, 15 minuti, 30 minuti, orario, giornaliero, settimanale, mensile o annuale.

I dati sono disponibili anche per il reporting storico. Vedere Appendice B Definizione delle metriche per quanto tempo i dati sono conservati sul server.

Nessun dato di immagine sensibile di persona o volto (PII) viene inviato al server.

1.5.5 Codici metrici

I codici metrici sono esattamente gli stessi di Codici metrici per il conteggio dei passi.

Aggiornato a novembre 14, 2023