1.1フットフォールカウント

さまざまな状況でさまざまなカウントアルゴリズムが使用されます。 FootfallCamで使用されるいくつかのアルゴリズムの種類と違いについては、次のセクションで説明します。

1.1.1標準の3Dアルゴリズム

通常の状況では、FootfallCam^TM 標準の3Dアルゴリズムを使用して、最適なレベルでカウントします。 FootfallCamに最適な高さ^TM 2.5mから4.5mです。

標準の3Dアルゴリズムは次の方法で機能します。

• 人間の頭と肩のポイントを区別し、動きを追跡する3Dブロブとトレイルラインを形成します。
• Uターンし、店舗に入店しなかった人は、スタートエンドゾーンを使用してカウントされません。
• 高さの検出を通じて子供、大人、無生物を区別し、深度マップを形成します。
• ブロブとヘッドポイントが明確になるため、トラフィックが多い場合にうまく機能します。
• スタッフのカウントを回避するためにスタッフが頻繁に使用する追跡ラインの特定の部分に除外ラインを適用する場合があります。

標準のライブビュー	Uターンはカウントされません
子供は数えられません	トロリーを持っている人はXNUMX人として数えられます

 

1.1.2エリアカウントアルゴリズム

エリアカウントアルゴリズムは、3Dブロブトラッキングテクノロジーを使用して機能し、エリア内のすべての個人を追跡して、複数の人がゾーンに入ったときに複数のカウントをサポートします。 また、個人の過大なカウントを防ぎます。 アルゴリズムは、人がゾーンに入る期間（調整可能）を自動的に追跡し、人が期間のしきい値を超えると、その人はInと見なされ、その人がゾーンを離れると、Outと見なされます。

一定期間滞在する	エリア内の複数のカウント
動きのランダムパターン	特定の入り口はありません

エリアカウントは主に

• 特定の入り口のない店舗。 これは、すべての訪問者がストアのどの方向からでも出入りできることを意味します。
• 訪問者が出入りするだけでなく、ランダムなパターンで歩く店舗。 これは通常、カウントエリアの近くにあるストックディスプレイが原因で、訪問者がディスプレイを操作する原因になります。
• 追跡エリアは非常に限られており、標準の3Dカウントアルゴリズムが正常に機能するのに十分な歩行距離がありません。

エリアカウントの制限

• 除外線はカウント線を使用しないため、適用されません。

 

1.1.3データ収集

標準の3Dアルゴリズムの場合、訪問者がデバイスの追跡ゾーンに出入りすると、その間にインラインをトリガーすると、カウントがトリガーされます。 エリアカウントに関しては、訪問者が設定されたしきい値より長くデバイスの追跡ゾーンにとどまると、カウントがトリガーされます。

その後、データは次の形式で保存されます。

デバイスシリアル	スタンプ	行ID
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

デバイスシリアルは、どのデバイスからのデータであるかを示し、タイムスタンプは、訪問者がカウントされていることを示し、回線IDは、対応する訪問者によってトリガーされた回線を示します。

1.1.4データアップロードプロセス

各デバイスによって収集されたデータは、15分間隔でサーバーにアップロードされ、7日後にクリアされます。 ただし、データのアップロードプロセスは、サイトのインターネット接続に大きく依存します。 速度が遅いと、データのアップロード速度も遅くなり、レポートのデータ表示にさらに影響します。

データがサーバーにアップロードされると、特定のエリアまたはサイトのレポートの要件に応じて、後でXNUMX時間ごとおよびXNUMX日ごとに集計されます。 集約されたデータは、デバイスがそのサイトから割り当て解除されるまで削除されません。

1.1.5売上高の変換

売上変換は、ある期間内に行われたトランザクションの数を、同じ期間にストアの訪問者で割るという単純な問題です。 この結果により、マネージャーは店舗のパフォーマンスに関するより深い洞察を見ることができます。 たとえば、フットフォールが高いということは、店舗が外部のトラフィックから多くの顧客を引き付けていることを意味しますが、コンバージョン率が低いということは、販売機会を最大化するのにうまく機能していないことを示します。

1.1.6メトリクスコード

入場者数のカウントに使用される主な指標は次のとおりです。

• PFC01-フットフォールカウントIN
• PFC02-フットフォールカウントアウト
• SFC03 - IN OUT の不一致
• PFC07 - 合計トランザクション数
• PFC08 - 総販売量
• SFC09 - 訪問者数と売上の換算

1.2Wi-Fi分析

追跡アルゴリズムによってトリガーされるカウントの他に、Wi-Fi信号によってトリガーされるカウントもあります。

1.2.1データカバレッジ

フットフォールカウンターのWi-Fiモジュールは、近くにある他のWi-Fi対応デバイスからWi-Fi信号を受信できるため、他のWi-Fi対応デバイスと同じように機能します。 Wi-Fiモジュールは、半径100m以内のWi-Fi対応デバイスから発信されるWi-Fi信号を収集できます。 ただし、店舗内壁の設置により、実際の作業範囲が狭くなる場合があります。

Wi-Fi機能がオフになっていないスマートフォンは、Wi-Fiアクセスポイントに接続されているか、接続するスマートフォンを検索しています。 そのために、Wi-Fiメッセージを送信します。接続されている場合はデータメッセージを送信し、検索している場合は、アクセスポイントに応答するように通知するメッセージをプローブします。 これらの信号の頻度は、スマートフォンのベンダーやデバイスのステータスによって異なりますが、一般的に、XNUMX分あたり平均XNUMX〜XNUMX個の信号です。

1.2.1.1 MAC ランダム化とその検出方法について

MAC ランダム化はネットワーク業界でしばらく前から行われており、デバイスがプローブ要求を送信するときにデバイスの MAC アドレスを変更する必要があります。 これにより、接続されていないデバイスの追跡を防ぐことができます。 ただし、これは、iOS 14/WatchOS 7、Android 10+、一部のバージョンの Windows 10 などの最新のオペレーティング システムのリリースによって変化しています。これらのシステムは、検出段階だけでなく、デバイスが検出されている間も MAC アドレスをランダム化するようになりました。ネットワークに接続されています。

MAC Randomization テクノロジーを搭載したスマートフォンの場合、Wi-Fi 分析によって生成されるデータのカウント精度には影響しません。 MAC アドレスのランダム化は、モバイル ネットワークに接続されていないモバイル デバイスにのみ影響します。 また、MAC アドレスがランダム化されると、本来の MAC アドレスとは異なる無意味な MAC アドレスになります。

ランダム化された MAC アドレスの認識は簡単です。 MAC アドレスの OUI セクションには、ランダム化されたアドレスまたはローカルに管理されたアドレスを示すビットが設定されています。 MAC アドレスの 2 番目の文字を確認するだけで、それが 6、92、A、または E であれば、ランダム化されたアドレスです。 たとえば、Wi-Fi アドレス 1:B8:B42:1:D85:2 は、XNUMX 番目の文字が XNUMX であるためランダム化されます。フットフォール カウンターは、Wi-Fi センサーによって検出された意味のない MAC アドレスを除外し、除外します。カウントデータから。

1.2.2統計的サンプリング

Wi-Fiカウントの主な機能は、訪問者のスマートフォンから発信されるWi-Fi信号を使用して、特定のエリア内の人々のトラフィックフローを概算することです。 ただし、すべての人がスマートフォンを持っているわけではなく、iPadなどの複数のWi-Fiデバイスを持っている人もいます。

当社のWi-Fiカウントアルゴリズムは、上記の制限を克服し、統計的サンプリングを使用して正確なトラフィックの概算を提供できます。 これにより、すべての訪問者がWi-Fiデータに貢献するわけではない場合でも、 すべての訪問者が携帯電話を携帯するわけではありません、これらのユーザーは訪問者の総数に占める割合が小さく、大きな許容誤差には寄与しません。

統計的サンプリングは、テレビ視聴率や選挙投票など、さまざまな業界で広く使用されています。 Nielsen Companyは、高度なサンプリング手法を使用して、世界中のテレビ業界の評価と視聴率を測定および報告しています。 たとえば米国では、同社は視聴習慣を監視する小型デバイスを設置する家を選択しています。

別の例が選挙投票で使用されました。 長年にわたる世論調査は、電気通信または人と人との接触を通じて維持されていました。 方法と手法はさまざまですが、ほとんどの分野で広く受け入れられています。 一部の世論調査機関、インターネット調査では、ボランティアの大規模なパネルからサンプルが抽出され、その結果は、関心のある人口の人口統計を反映するように重み付けされています。

1.2.3Wi-Fiデータの正規化

正規化は、統計データを実数に変換するためによく使用されます。 たとえば、正規化係数は、検出されたWi-Fiデバイスの数に適用され、エリア内の人数に変換されます。

ビデオカウントを使用してサイトに足を踏み入れた人の数と、ドアを通り抜けたことが検出されたWi-Fiデバイスの数を相関させることにより、カウンターは過去XNUMX週間のデータを使用して統計プロファイルを作成し、携帯している人の割合を概算します。スマートフォン。

この統計モデルはカウンターベースです。 つまり、各カウンターには、人々の人口統計とその周囲のWi-Fi特性に基づいて自動調整される独自の統計モデルがあります。

 

1.2.4データ収集

収集されたデータは、デバイスのシリアル、信号強度、Macアドレス、タイムスタンプなど、データベースに保存されます。

Wi-Fiデータのデータ収集方法は次のとおりです。

1. Wi-Fiデータは、デバイスがインストールされている場所の周りの群衆から収集されます。
2. デバイスに接続されているWi-Fiドングルは、スマートフォンやタブレットなどのWi-Fi対応デバイスから送信されたWi-Fi信号を常に取得するモジュールになります。
3. Mac IDは、次の表に示すように、信号強度とタイムスタンプを使用してデバイスで処理されます。

ハッシュ化されたWi-FiMacアドレス	検出された時間	シグナル強度
単4	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
CCC	12/2/2017 2:09pm	-100

これらのデバイスの生のMACアドレスはデータベースに保存され、レポートでさらに集計するために中央サーバーに常にアップロードされます（XNUMX時間ごと）。 FootfallCamはこのデータを収集し、処理と分析のためにXNUMX時間ごとにFootfallCamクラウドに安全に転送します。

使用されるMACアドレスのハッシュアルゴリズムはPBKDF2WithHmacSHA256であり、パスワードハッシュ用に設計されているため、低速のアルゴリズムです。 これは、攻撃者が辞書攻撃を作成するときにハッシュできるパスワードの数を64秒減らすため、パスワードハッシュに適しています。 パスワードにソルトを追加すると、攻撃に事前に計算されたハッシュを使用する機能が低下します。つまり、複数のパスワードを一度にすべてではなく、個別にテストする必要があります。 標準では、少なくとも128ビットのソルト長が推奨されています。 米国国立標準技術研究所は256ビットのソルト長を推奨しており、この場合FootfallCamはXNUMXビットを使用しています。

 

1.2.5データ処理と分類

データがXNUMX時間ごとにFootfallCamCloudにストリーミングされると、検出されたすべてのデバイスが時系列データベースに分類され、検出されたすべてのデバイスのプロファイルを作成するために堅牢なアルゴリズムが適用され、さらにデータがいくつかの値に分類されます。

1. 信号強度Wi-Fiプローブと信頼性によって、「ウォークバイ」と「入店」として収集されたMacIDを区別します。
2. 2つの異なるタイムスタンプで受信されたプローブから検出された最高の信号強度の条件で「最初に見た」と「最後に見た」を取得することにより、「訪問期間」をさらにマップします。

Wi-Fi信号は環境設定によって異なる傾向があるため、信号強度だけでは大まかな概算方法であり、不正確です。 さらに、信号強度は多くのリアルタイム環境条件に依存します。

プローブの数、タイムスタンプ、信頼水準、およびしきい値を追加すると、Wi-Fiデータの精度が向上します。 1つのWi-Fiしきい値があります。しきい値2は、カウンターから遠く離れた弱い信号をフィルタリングします。 しきい値1は、店舗のトラフィックにある強い信号強度をキャプチャします。 しきい値XNUMX未満のすべてのプローブ要求の詳細は、デバイスのrawMacデータベーステーブルに保存されます。 サーバー側は、MACアドレスリストを処理して、毎日のデータを分析に集約することにより、滞留時間と顧客価値を計算します。

 

1.2.5.1ストアにインストールされた複数のカウンター

XNUMXつの店舗に複数のカウンターが設置されている場合、カウンターからのカウントデータがデータベースにアップロードされ、XNUMX人の個人のオーバーカウントを防ぐためにさらに処理されます。 このプロセスにより、FootfallCamによって生成されたカウントデータが本物であり、ユーザーのビジネスインテリジェンスシステムによるさらなる分析処理の準備ができていることが保証されます。

計数データ

カウンター1+カウンター2+カウンター3

XNUMXつのストアに複数のカウンターがインストールされている場合、MACアドレスの重複エントリを除外するために、Wi-Fiカウントデータが中央データベースにアップロードされます。 複製されたMACアドレスは、データの集計には使用されません。 この方法は、単一のMACアドレスのオーバーカウントがXNUMX回カウントされるのを防ぎます。

Wi-Fiデータ

カウンター1+カウンター2+カウンター3

XNUMXつの広い入口に複数のカウンターが設置されている場合は、追跡ゾーンとカウントラインを控えめに描く必要があります。 あるカウンターに描かれたトラッキングゾーンとカウントラインは、別のカウンターに描かれたカウントゾーンとトラッキングラインと重なってはいけません。 これは、訪問者データの過大カウントを防ぐために必要ですが、訪問者数の不正確さや売上高の偽造率データにつながる可能性があります。

1.2.5.2スタッフのデバイスのMACアドレスの除外

スタッフがWiFiをオンにしたデバイスを携帯している場合、そのMACアドレスもフットフォールデバイスによってキャプチャされます。 サイトページでスタッフのデバイスのMACアドレスを手動で除外できます。 参照 第15.5部 ステップバイステップガイド用。

1.2.5.3 平均訪問時間

端末が設置されている入口から最も近い位置である Wi-Fi 信号強度の 2 つのピークを使用して、顧客の滞在時間を取得できます。 プロファイルに、定義された信号強度しきい値を超える XNUMX つのピークがある場合、それらは訪問者の IN 時間と OUT 時間として識別されます。

最大訪問時間-一部の訪問者は、同じ日に複数回サイトにアクセスする場合があります。 最大訪問時間は、訪問者が2回の訪問でサイトに滞在することを期待できる最大の合理的な訪問です。 デフォルト値はXNUMX時間です。

たとえば、

訪問者A：最初の訪問=>午後1時05分から午後1時30分4回目の訪問=>午後05時5分から午後43時XNUMX分

結果：2回の訪問。 最初の訪問は25分です。 98回目の訪問はXNUMX分です。

まず、訪問時間は、ユーザーのスマートフォンからの一意の識別子（MAC IDプローブ）に基づいて測定されます。

訪問時間	時間（入力）-時間（出力）

調子：

1. Wi-Fi追跡の境界を定義する
2. 除外されたスタッフリストとデバイスリスト

 訪問期間カテゴリの集計

FootfallCamは、訪問期間のデータ収集をさらに3つのカテゴリに分類しました。 デフォルトでは、15分未満、15分から30分以内、および30分以上があります。

複数のカウンターがあるサイトの訪問時間

サイト入口のすべてのデバイスの Wi-Fi 追跡情報を中央サーバーにアップロードすることにより、サーバーは分析を実行し、Wi-Fi デバイスの IN および OUT 時間を推定します。 システムは、サイト内のすべてのカウンターからの Wi-Fi 追跡情報を集約します。

1.2.6Wi-Fiメトリクスコード

Wi-Fi モジュールに使用される主な指標は次のとおりです。

• PWA01 - 外部トラフィック
• SWA02 - ターンイン率
• PWA03 - 平均訪問時間
• SWA04 - 過去 14 日間のリピート顧客率
• SWA05 - 過去 60 日間のリピート顧客率
• SWA06 - 過去 14 日間の新規顧客率
• SWA07 - 過去 60 日間の新規顧客率

1.3スペース占有率

スペース占有率は、特定の時間にサイトに滞在した人数です。 と同等です 累積INカウント 差し引く 累積OUTカウント.

占有率	（累積IN-累積OUT）

累積INカウント は、営業時間の開始から現在の時刻までのすべてのINカウントの合計です。 このデータは瞬時に更新されます。 同様に 累積OUTカウント.

1.3.1累積エラー

いいえ ピープルカウンター 100％正確です。 日が経つにつれて、それは累積的なエラーを持っているでしょう。

 

1.3.2占有モード

XNUMXつの占有モードがあります。 ナイーブな占有 & スマート占有.

比較	ナイーブな占有	スマート占有
式	IN-OUT	IN-OUT +エラー訂正
エラー修正	×	√
履歴データのサンプル収集が必要	×	√（自動）
リアルタイムダッシュボード	√	√
履歴データレポート	√	√
サイトレベルの指標	√	√
エリアレベルのメトリック	√	√
正確さ	ハイ	より高い
エリアレベルのデータとブランチレベルのデータの合計	√	×（ノートを参照してください）
モード	×	モード1とモード2
詳細	セクション15.3.1.4	セクション15.3.1.5 & セクション15.3.1.6

1.3.2.1推奨されるユースケース

一般的には、 スマート占有 トラフィック量の少ないサイトを除くほとんどすべての状況で推奨されるオプションです。

使用事例	ナイーブ	スマート
交通量の多いスーパーマーケットや食料品店	×	√
トイレの占有率	×	√
レストランや食堂	×	√
ダッシュボードまたは自動ゲートによる占有容量制御	×	√
交通量の少ない図書館や宝石店	√	×
展覧会	×	√
映画館	×	√

1.3.2.2ナイーブ占有

稼働率グラフは、一般的にベル型の曲線のように見え、稼働時間の間のどこかに占有率のピークがあります。 複数のピークがある場合があり、複数のピーク時間を示します。

累積エラーのため、NaiveOccupancyは営業時間の終わりに向かって重大なエラーが発生する可能性があります。

 

1.3.2.3（スマート占有）リアルタイムエラー訂正

占有率は瞬時に更新され、に表示されるため ライブ占有ダッシュボード, リアルタイムのエラー訂正 累積エラーを最小限に抑えるために、ナイーブ占有に適用されます。 これにより、次のことが保証されます。

• 占有率は実際のカウントに対してより正確です
• 占有率が0を超えて負の数に低下することはありません
• 稼働時間の終わりに占有率は0に近づきます

 

舞台裏では、システムは 高度なAIモデリング 過去14日以上の稼働傾向をカプセル化し、累積稼働誤差を正確に低減する予測モデルを生成します。

ライブ占有

ナイーブ占有+リアルタイムエラー訂正

2あり モード for スマート占有.

モード1	モード2
あなたが使用します 高度な統計モデリング サイト/エリアの占有パターンを一般化する。	構成された値を超えると、人の占有率が期限切れになります 有効期限.
ユーザー入力は必要ありません。	ユーザーは有効期限を設定する必要があります。
履歴データの収集が必要です（自動）。	履歴データの収集は必要ありません。
食料品店、スーパーマーケット、レストラン、展示会など、交通量の多いサイトに適しています。	訪問期間がわかっていて、非常に一定している状況に適しています。たとえば、トイレの占有率、映画館の占有率などです。

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

1.3.2.4（スマート占有）後処理エラー訂正

前日のデータの占有について スペース占有レポート, 後処理エラー訂正 全体的な毎日のインアウトの不一致に基づいて占有率に適用されます。 これは、後処理中であることを除いて、リアルタイム占有エラー訂正と同じ効果があります。

歴史的占有

ライブ占有+後処理エラー修正

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

1.3.3メトリクスコード

スペース占有率に使用される主な指標は次のとおりです。

• PSO01-ナイーブな占有
• SSO02 - 占有率と容量
• PSO05-スマート占有

1.4グループカウント

グループカウントは識別します 1つ以上 個人をXNUMXつの集合単位として、それらをまとめます。 NS 軌道の追跡 個人のは他の個人に関して分析されており、 高度なフィルタリングロジック 人から人への距離のしきい値、軌道速度、方向、および期間に基づいて、正確なグループカウントを保証するために適用されます。

グループカウントは、より良いデータとメトリックの可能性を開きます。

• 小売業では、1つの家族グループが1つの購入単位と見なされます。 グループカウントはより正確に提供します セールコンバージョン メトリック。
• キュー待機時間の計算では、1つのカップルペアが1つの待機ユニットと見なされます。 グループカウントは、より正確な待機時間メトリックを提供します。

認定要件：

• 最小v3.4.2からアップグレード可能なファームウェアv3.3.0以降に適用できます。
• グループカウントは現在、 標準的なフットフォールカウント それだけ。 スタッフの除外と互換性があります。 エリアカウント、キューカウント、ヒートマップカウントの可用性は次のとおりです。 まだ進行中です.

グループカウントは、アドオンの個別の処理として、他のカウントアルゴリズムと一緒に機能するように設計されています。

これは、カウンターが標準の入口カウント+グループカウント用に構成されている場合、2つの別々のデータセットが収集されることを意味します。

• 入口計数データ
• 追加の グループ計数データ

たとえば、入り口から1人の訪問者が入ってくる場合、カウンターは両方を収集します。

• 1人の訪問者IN
• 1グループIN

したがって、 お勧めできません データの重複が発生するため、標準のフットフォールカウントデータとグループカウントデータを組み合わせる。

1.4.1グループ化ロジック

グループカウントでは、クラスタリングアルゴリズムを採用して、追跡ゾーンに表示された人々の3D位置座標を処理し、互いに近くにいる人々のグループを生成します。 距離しきい値は、グループからの人の相対距離が距離しきい値内にある場合に人が既存のグループに割り当てられるように、グループ化ロジックを管理するために使用されます。 以下は、グループカウントが実行されているときにグループがどのように形成されるかを示すXNUMXつのシナリオ例です。

追跡ゾーンに3人以下のシナリオの場合、互いに一定の距離のしきい値内にとどまる人々はグループと見なされます。 図15.4.1に示すように、P1とP2は互いに十分に近く（つまり、それらの間の距離は距離しきい値以下）、2人のグループを形成しますが、P3は両方から固定距離しきい値よりも長い距離にあります。 P1とP2は、自分自身で1人のグループを形成します。 一般的に使用される距離のしきい値は、1mから1.5mの範囲です（設置場所の環境に基づいて調整できます）。 

追跡ゾーンに3人以上いるシナリオでは、より高度なクラスタリング手法を採用して、追跡ゾーン内のすべての人の位置分布に基づいて動的に決定される複数レベルの距離しきい値を使用して、階層的に人のグループを識別します。 。 たとえば、合計15.4.2人の図5に示すように、グループ化ロジックは、以下に説明する3つの一意のグループを識別します。

• P1とP2は互いに1.3m離れており、1人のグループG2を形成します。
• P3とP4は互いに0.7m離れており、2人のグループG2を形成します。
• P5はグループG2.5から1m、グループG2.0から2m離れているため、3人のグループG1を形成します。

互いに1m離れているグループG2とG2はグループを形成しません。 距離のしきい値は（3人以下のシナリオのように）固定値ではなく、追跡ゾーン内のすべての人の位置分布の変化に適応するように動的に決定されるため、密度レベルが変化するグループを形成できることに注意してください。

1.4.2フィルタリングロジック

フィルタリングロジックは、グループ化ロジックの出力に適用され、グループ化結果をさらに絞り込みます。 グループ化を実行するための入力として人の最新の位置座標のみを取得するグループ化ロジックとは異なり、フィルタリングロジックは、追跡ゾーン内の各人の追跡軌跡を取り込んで、移動方向と速度を分析し、きめ細かいグループ化を可能にし、誤ったグループ化を排除します。 実装されているフィルタリングメカニズムには、方向フィルタリングと速度フィルタリングのXNUMX種類があり、これらはグループ化結果に順次適用され、方向フィルタリングが速度フィルタリングに先行します。

A.方向フィルタリング
方向フィルタリングの目的は、グループ内の各人の間の角度の違いを比較することによって、XNUMXつの大きなグループの人々を複数の小さなグループに分割することです。 グループ内の他の人と比較した後、角度差が事前設定されたしきい値を超える人が少なくともXNUMX人いる場合、新しいサブグループが形成されます。

方向フィルタリングがグループカウントに役立つXNUMXつの基本的な例は、反対方向に移動する人々のグループを識別し、それらが互いに接近し、追跡内で一定期間比較的静的なままである場合に、それらがXNUMXつの大きなグループに割り当てられるのを防ぐことです。ゾーン。

B.スピードフィルタリング

方向フィルタリングの出力に適用される速度フィルタリングの主な機能は、グループ内の外れ値（移動速度がグループ内の他の人と大幅に異なる人）を識別し、グループから外れ値を除外することです。 外れ値がしばらく静的なままである既存のグループに一時的に近づく場合、速度フィルタリングは、外れ値がすぐにグループに参加するのを防ぐのに役立ちますが、代わりに外れ値を別のグループとして扱います。 

方向と速度のフィルタリングに加えて、グループカウントでは、新しいグループの形成速度と既存のグループの解散速度を制御するために調整できる期間しきい値も利用します。

1.4.3グループカウントトリガーロジック

グループカウントデータは、次の場合にトリガーされます。

• グループがカウントイベントをトリガーしました。 たとえば、グループがINカウントラインを超え、
• すべて グループのメンバーが追跡ゾーンを離れました。

Note：グループカウントは別個の実行プロセスであるため、このトリガーロジックは通常の個々のフットフォールカウントには影響しません。 個々のフットフォールカウントは、に概説されているようにトリガーされます このセクション.

グループ計数データは以下に保存されます イラスト付き* 形式でダウンロードすることができます。

デバイスシリアル	スタンプ	行ID	グループです
00000000xxxxxxxxx	12/2/2017 1:00pm	1	有り
00000000xxxxxxxxx	12/2/2017 1:03pm	1	有り
00000000xxxxxxxxx	12/2/2017 2:09pm	2	有り

Note：グループサイズ情報は保存されません。

グループカウントデータは、以下に概説されているようにサーバーにアップロードされます。 このセクション.

* 説明のみを目的としています。

1.4.4グループカウントメトリック 

入場者数のカウントに使用される主な指標は次のとおりです。

• PFC21 - フットフォールグループ IN
• PFC22 - フットフォールグループアウト

1.4.5Liveviewでのグループカウント結果の表示

図15.4.3は、グループカウントが有効になっている場合にカウンターライブビューに表示される一般的な情報を示しています。これには次のものが含まれます。

• 追跡ゾーン（ライブビューの左上隅）で検出されたグループの数
• グループの親（つまり、グループに最も長く参加していて、赤い丸でマークされている人）
• グループ内の各人の期間（秒単位）
• グループサイズ（グループの親の期間テキストの下にのみ表示されます）
• 同じグループのすべての人を結ぶ黄色い線

1.4.6一般データ保護規則（GDPR）

1. 生体認証や顔などのPII（個人識別情報）は、処理または分析の目的で収集されません。
2. グループに集まった人々が何らかの形の社会的または生物学的関係を持っているという保証または仮定はありません。
3. 分析は、純粋に軌道と時間に基づいています。
4. グループのカウント精度を向上させることを唯一の目的として、グループのXNUMX人がグループリーダーとしてタグ付けされます。 （たとえば）グループの長老だけがグループリーダーになることができるのとは対照的に、誰でもグループリーダーになることができます。

1.4.7制限事項 

• 同じグループの人々の関係は、人々の生体情報、性別、または顔の情報を収集しなかったため、現段階でのグループカウントでは推測できません。
• 追跡ゾーンが比較的小さいサイトでグループカウントを有効にすることはお勧めできません。グループカウントがグループ化結果を処理および生成するには、人々の追跡軌跡データが不十分になるためです。 十分なグループカウント精度を得るには、追跡ゾーンの推奨最小サイズは少なくとも3m x3mである必要があります。

1.5 ビデオ分析のカウント

Video Analytics は、AI アルゴリズムを使用して人間の検出と追跡を実行します。 それはで使用されます FootfallCam Centroid 歩数データを生成します。 以下は、デバイスがカメラから入力を取得する方法から、データを処理してサーバーにアップロードする方法まで、IP カメラを使用した典型的な Centroid セットアップの完全なフロー図です。

ビデオ分析のフロー図

1.5.1 AI アルゴリズム

AI アルゴリズムは、機械学習技術によってトレーニングされたディープ ニューラル ネットワークを使用して、人間を識別および検出します。 アルゴリズムからの信頼度が高い人間のみを追跡します。 高度な技術のおかげで、偽陰性率が低くなります。 トロリーやオブジェクトは視覚的に区別できるため、人間として誤って検出することはめったにありません。

人体検知

オプションで、検出された各人物に対して人口統計学的分析を実行して、年齢、性別、感情など、人物の顔に基づいてより多くの洞察を得ることができます。 これにより、個人の特徴を統計的に適切に分類することができ、プロモーション キャンペーンの効果の測定、顧客ベースの理解、表現力豊かなフィードバックの取得などに役立ちます。

制限事項：

• 絵画やヒューマノイドなど、人間に似た構造を誤って検出する可能性があります
• 子供を検出できない場合があります
• 群衆の中にいると、ブロックされた、または遮られた人間を検出できない場合があります
• 人間が遠すぎたりぼやけすぎたりすると検出できない場合があります
• 人口統計分析を有効にすると、通常の影響を受ける可能性があります 人数カウント 精度
• 人口統計分析は、マスクなしで人の正面の顔でのみ機能します

1.5.2 計数モード

1.5.2.1 インアウトカウント

トラッキング ゾーン (赤) と In-Out ライン

イン アウト カウントは次のように機能します。

• AIアルゴリズムで検知した一人一人を追跡
• 人間が追跡ゾーン内にいるかどうかを常に確認する
• 人間がインラインまたはアウトラインのいずれかを横切ると、カウント イベントが登録されます。
• ただし、人間が U ターンを行うと、イベントは無視されます。
• 人間が追跡ゾーンを離れると、イベントが収集されて送信されます。

1.5.3データ収集

訪問者がデバイスのトラッキング ゾーンに出入りすると、その間にインアウト ラインがトリガーされ、デバイスはカウント イベントをトリガーします。

データは次の形式で保存されます。

デバイスシリアル	スタンプ	メトリック ID	ロイID	オブジェクト タイプ ID の結合
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

定義：

• デバイスシリアル
  • デバイスのシリアル番号
• スタンプ
  • イベントが発生する時間
• メトリック ID
  • 1: 訪問者がインラインを横切ったとき
  • 2: 来場者がアウトラインを横切ったとき
• ロイID
  • イベントが発生した CCTV カメラの ID
• オブジェクト タイプ ID の結合
  • 人口統計分析など個人の詳細をコード化したIDの組み合わせ

データはデバイス データベースに最大 14 日間保存されます。

個人または顔の人物識別情報 (PII) の機密画像データはデバイスに保存されません。

1.5.4データアップロードプロセス

各デバイスが収集したデータは、websocket プロトコルを介して瞬時にサーバーにアップロードされます。 データはサーバー上でもリアルタイムで処理されるため、ポータルでデータのライブ ダッシュボードを表示できます。 一例は、 ライブ占有ダッシュボード.

データがサーバーに到達すると、すぐにサイトまたはエリア レベルの粒度に集約され、エンド ユーザーがクエリを実行するためにすぐに利用できるようになります。 カウントデータAPI. ユーザーは、1 分、15 分、30 分、時間単位、日単位、週単位、月単位、年単位など、複数の時間単位でデータを取得できます。

履歴レポート用のデータも利用できます。 見る 付録 B 指標の定義 データがサーバーに保存される期間。

個人または顔の人物識別情報 (PII) の機密画像データはサーバーに送信されません。

1.5.5 メトリック コード

メトリック コードはまったく同じです。 フットフォール カウント メトリック コード.