1.1 발자국 계산

다른 상황에서 다른 계산 알고리즘이 사용됩니다. FootfallCam에서 사용하는 여러 알고리즘의 유형과 차이점은 다음 섹션에 설명되어 있습니다.

1.1.1 표준 3D 알고리즘

정상적인 상황에서 FootfallCam^TM 표준 3D 알고리즘을 사용하여 최적 수준에서 계산합니다. FootfallCam에 가장 적합한 높이^TM 2.5m에서 4.5m입니다.

표준 3D 알고리즘은 다음에 의해 작동합니다.

• 인간의 머리와 어깨 지점을 구별하여 움직임을 추적하는 3D 얼룩 및 트레일 라인을 형성합니다.
• U 턴을하고 매장에 들어오지 않은 사람은 시작-종료 구역을 사용하여 계산되지 않습니다.
• 높이 감지를 통해 어린이, 성인, 무생물을 구분하고 깊이지도를 형성합니다.
• Blob 및 헤드 포인트가 명확 해 지므로 트래픽이 많은 경우 잘 작동 할 수 있습니다.
• 직원 수를 피하기 위해 직원이 자주 사용하는 추적 선의 특정 부분에 제외 선을 적용 할 수 있습니다.

표준 라이브 뷰	U 턴은 계산되지 않습니다.
아이들은 계산되지 않습니다	트롤리가있는 사람은 하나로 간주됩니다.

 

1.1.2 영역 계산 알고리즘

영역 계산 알고리즘은 3D Blob 추적 기술을 사용하여 영역에있는 모든 개인을 추적하여 두 명 이상의 사람이 영역에 들어갈 때 다중 계산을 지원합니다. 또한 개인의 과잉 계산을 방지합니다. 알고리즘은 자동으로 사람이 영역에 들어가는 시간 (조정 가능)을 추적하고 사람이 지속 시간 임계 값을 초과하면 해당 사람은 In으로 간주되고 해당 사람이 영역을 벗어나면 Out으로 간주됩니다.

일정 기간 체류	영역에서 다중 계산
움직임의 무작위 패턴	특정 입구 없음

면적 계산은 대부분

• 특별한 입구가없는 상점. 이는 모든 방문자가 매장의 어느 방향 으로든 출입 할 수 있음을 의미합니다.
• 방문자가 들어오고 나가는 것이 아니라 임의의 패턴으로 걸어가는 상점. 이는 일반적으로 계산 영역 근처의 재고 디스플레이로 인해 방문자가 디스플레이와 상호 작용하도록 유발합니다.
• 추적 영역은 매우 제한적이며 표준 3D 계산 알고리즘이 제대로 작동하기에 충분한 도보 거리가 없습니다.

면적 계산의 제한

• 계수 선을 사용하지 않으므로 제외 선은 적용되지 않습니다.

 

1.1.3 데이터 수집

표준 3D 알고리즘의 경우 방문자가 장치의 추적 영역에 들어오고 나가면 그 사이의 인-아웃 라인을 트리거하면 계산이 트리거됩니다. 면적 계산의 경우 방문자가 설정된 임계 값보다 오래 장치의 추적 영역에 머물렀을 때 계산이 트리거됩니다.

그러면 데이터가 다음 형식으로 저장됩니다.

장치 일련 번호	시간 기록	라인 ID
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

장치 일련 번호는 어떤 장치에서 데이터를 가져 왔는지 나타내고 타임 스탬프는 방문자가 계산되는시기를 나타내며 라인 ID는 해당 방문자가 트리거 한 라인을 나타냅니다.

1.1.4 데이터 업로드 프로세스

각 장치에서 수집 한 데이터는 15 분 간격으로 서버에 업로드되며 7 일 후 삭제됩니다. 그러나 데이터 업로드 프로세스는 사이트의 인터넷 연결에 따라 크게 달라집니다. 속도가 느리면 데이터 업로드 속도도 느려져 보고서의 데이터 표시에 영향을줍니다.

데이터가 서버에 업로드되면 나중에 특정 지역 또는 사이트의 보고서 요구 사항에 따라 시간별 및 일별 단위로 집계됩니다. 집계 된 데이터는 장치가 사이트에서 할당 해제 될 때까지 삭제되지 않습니다.

1.1.5 판매 전환

판매 전환은 일정 기간 동안 상점 방문자가 일정 기간 내에 이루어진 거래 수를 나누는 간단한 문제입니다. 이 결과를 통해 관리자는 매장 실적에 대한 더 깊은 통찰력을 볼 수 있습니다. 예를 들어, 높은 발자취는 매장이 외부 트래픽을 통해 많은 고객을 유치하고 있음을 의미하지만 전환율이 낮 으면 판매 기회를 극대화하는 데 효과적이지 않음을 나타냅니다.

1.1.6 메트릭 코드

방문객 수 계산에 사용되는 주요 측정항목은 다음과 같습니다.

• PFC01 - 발자국 수 IN
• PFC02 - 발자국 카운트 아웃
• SFC03 - IN OUT 불일치
• PFC07 - 총 거래 수
• PFC08 - 총 판매량
• SFC09 - 방문자 수에서 판매로의 전환

1.2 Wi-Fi 분석

추적 알고리즘에 의해 트리거되는 카운팅 외에도 Wi-Fi 신호에 의해 트리거 될 수있는 카운팅도 있습니다.

1.2.1 데이터 범위

Footfall Counter의 Wi-Fi 모듈은 근처의 다른 Wi-Fi 지원 장치에서 Wi-Fi 신호를 수신 할 수 있기 때문에 다른 Wi-Fi 지원 장치처럼 작동합니다. Wi-Fi 모듈은 반경 100m 이내의 Wi-Fi 지원 장치에서 방출되는 Wi-Fi 신호를 수집 할 수 있습니다. 그러나 매장 내벽 설치로 인해 실제 작업 범위가 줄어들 수 있습니다.

Wi-Fi 기능이 꺼져 있지 않은 스마트 폰은 Wi-Fi 액세스 포인트에 연결되거나 연결할 항목을 검색합니다. 이를 위해 Wi-Fi 메시지를 내 보냅니다. 연결된 경우 데이터 메시지를 전송하고 검색하는 경우 응답 할 액세스 포인트에 신호를 보내는 메시지를 프로브합니다. 이러한 신호의 빈도는 스마트 폰 공급 업체 및 장치 상태에 따라 다르지만 일반적으로 분당 평균 XNUMX ~ XNUMX 개의 신호입니다.

1.2.1.1 MAC 무작위화 정보 및 감지 방법

MAC 무작위화는 한동안 네트워크 산업의 일부였으며 프로브 요청을 보낼 때 장치의 MAC 주소를 변경하는 것과 관련됩니다. 이것은 연결되지 않은 장치의 추적을 방지하는 데 도움이 됩니다. 그러나 이것은 iOS 14/WatchOS 7, Android 10+ 및 일부 Windows 10 버전과 같은 최신 운영 체제의 출시로 변경되고 있습니다. 이러한 시스템은 이제 검색 단계 동안뿐만 아니라 장치가 검색되는 동안에도 MAC 주소를 무작위로 지정합니다. 네트워크에 연결되어 있습니다.

MAC Randomization 기술이 탑재된 스마트폰의 경우 Wi-Fi 분석을 통해 생성된 데이터의 계산 정확도에 영향을 미치지 않습니다. MAC 주소의 무작위화는 모바일 네트워크에 연결되지 않은 모바일 장치에만 영향을 미칩니다. 또한 MAC Address를 Randomize 하게 되면 진짜 MAC Address와는 다른 무의미한 MAC Address로 변하게 됩니다.

무작위 MAC 주소를 인식하는 것은 간단합니다. MAC 주소의 OUI 섹션에는 무작위 또는 로컬 관리 주소를 나타내는 세트 비트가 있습니다. MAC 주소의 두 번째 문자를 확인하고 2, 6, A 또는 E이면 임의의 주소입니다. 예를 들어, Wi-Fi 주소 92:B1:B8:42:D1:85는 두 번째 문자가 2이기 때문에 무작위로 지정됩니다. 우리의 Footfall 카운터는 Wi-Fi 센서에 의해 선택되고 제외되는 의미 없는 MAC 주소를 필터링합니다. 집계 데이터에서 가져옵니다.

1.2.2 통계적 샘플링

Wi-Fi 카운팅의 주요 기능은 방문자의 스마트 폰에서 방출되는 Wi-Fi 신호를 사용하여 특정 지역 내 사람들의 트래픽 흐름을 추정하는 것입니다. 그러나 모든 사람이 스마트 폰을 휴대하는 것은 아니며 일부 사람들은 iPad와 같은 Wi-Fi 장치를 두 개 이상 휴대 할 수 있습니다.

Wi-Fi 계산 알고리즘은 통계적 샘플링을 사용하여 위의 한계를 극복하고 정확한 트래픽 근사치를 제공 할 수 있습니다. 이를 통해 모든 방문자가 Wi-Fi 데이터에 기여하지는 않더라도 모든 방문자가 휴대 전화를 휴대하는 것은 아닙니다., 이러한 사용자는 총 방문자 수에서 차지하는 비율이 적으며 큰 오차 범위에 기여하지 않습니다.

통계 샘플링은 텔레비전 등급 및 선거 투표와 같은 다양한 산업에서 널리 사용됩니다. Nielsen Company는 정교한 샘플링 기술을 사용하여 전 세계 텔레비전 업계의 시청률과 시청률을 측정하고보고합니다. 예를 들어 미국에서는 시청 습관을 모니터링하는 소형 기기를 설치할 집을 선택합니다.

또 다른 예는 선거 투표에서 사용되었습니다. 수년 동안의 여론 조사는 통신 또는 대인 접촉을 통해 유지되었습니다. 방법과 기술은 다양하지만 대부분의 영역에서 널리 사용됩니다. 일부 투표 기관, 인터넷 설문 조사, 여기에서는 대규모 자원 봉사자 패널에서 샘플을 추출하고 관심 인구의 인구 통계를 반영하도록 결과에 가중치를 부여합니다.

1.2.3 Wi-Fi 데이터 정규화

정규화는 통계 데이터를 실제 숫자로 변환하는 데 자주 사용됩니다. 예를 들어, 탐지 된 Wi-Fi 장치 수에 정규화 계수를 적용하여 해당 지역의 사람 수로 변환합니다.

카운터는 비디오 카운팅을 사용하여 사이트에 들어오는 사람 수와 문을 통과 한 것으로 감지 된 Wi-Fi 장치의 수를 상호 연결함으로써 지난 XNUMX주의 데이터를 사용하여 통계 프로필을 작성하고 휴대하는 사람의 비율을 대략적으로 계산합니다. 스마트 폰.

이 통계 모델은 카운터 기반입니다. 즉, 각 카운터에는 사람들의 인구 통계와 주변 Wi-Fi 특성에 따라 자동 조정되는 자체 통계 모델이 있습니다.

 

1.2.4 데이터 수집

수집 된 데이터는 장치 일련 번호, 신호 강도, Mac 주소 및 타임 스탬프를 포함하여 데이터베이스에 저장됩니다.

다음은 Wi-Fi 데이터의 데이터 수집 방법입니다.

1. Wi-Fi 데이터는 장치가 설치된 위치 주변의 군중에서 수집됩니다.
2. 장치에 연결된 Wi-Fi 동글은 스마트 폰, 태블릿 등과 같은 Wi-Fi 지원 장치에서 보내는 Wi-Fi 신호를 지속적으로 포착하는 모듈입니다.
3. Mac ID는 다음 표와 같이 신호 강도 및 타임 스탬프와 함께 장치에서 처리됩니다.

해시 된 Wi-Fi Mac 주소	감지 된 시간	신호 강도
AAA	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
CCC	12/2/2017 2:09pm	-100

이러한 장치의 원시 MAC 주소는 데이터베이스에 저장되고보고에서 추가 집계를 위해 중앙 서버에 지속적으로 업로드됩니다 (매시간). FootfallCam은이 데이터를 수집 한 다음 처리 및 분석을 위해 시간 단위로 FootfallCam 클라우드로 안전하게 전달합니다.

사용되는 MAC 주소에 대한 해싱 알고리즘은 PBKDF2WithHmacSHA256으로, 암호 해싱을 위해 설계되었으므로 느린 알고리즘입니다. 이는 사전 공격을 할 때 공격자가 해시 할 수있는 암호 수를 초 단위로 줄이므로 암호 해싱에 유용합니다. 암호에 솔트를 추가하면 공격에 대해 미리 계산 된 해시를 사용할 수있는 능력이 줄어들고 여러 암호를 한 번에 모두 테스트하는 것이 아니라 개별적으로 테스트해야합니다. 표준은 최소 64 비트의 솔트 길이를 권장합니다. 미국 국립 표준 기술 연구소 (National Institute of Standards and Technology)는 128 비트의 솔트 길이를 권장하며이 경우 FootfallCam은 256 비트를 사용합니다.

 

1.2.5 데이터 처리 및 분류

데이터가 매시간 FootfallCam Cloud로 스트리밍되면 감지 된 모든 장치는 시계열 데이터베이스로 분류되며, 감지 된 모든 장치를 프로파일 링하는 데 적용된 강력한 알고리즘과 몇 가지 값으로 데이터를 추가로 분류합니다.

1. 신호 강도 Wi-Fi 프로브 및 신뢰도에 따라 "walk by"및 "ented into store"로 수집 된 Mac ID를 구분합니다.
2. 2 개의 다른 타임 스탬프에서 수신 된 프로브에서 감지 된 가장 높은 신호 강도 조건으로 "처음 본"및 "마지막 본"을 가져 와서 "방문 기간"을 추가로 매핑합니다.

Wi-Fi 신호는 환경 설정에 따라 달라지는 경향이 있으므로 신호 강도만으로는 대략적인 근사 방법이며 정확하지 않습니다. 또한 신호 강도는 많은 실시간 환경 조건에 따라 달라집니다.

프로브 수, 타임 스탬프, 신뢰 수준 및 임계 값을 추가하면 Wi-Fi 데이터의 정확도가 높아집니다. Wi-Fi 임계 값에는 두 가지가 있습니다. 임계 값 1은 카운터에서 멀리 떨어진 약한 신호를 필터링합니다. 임계 값 2는 매장 트래픽에있는 강력한 신호 강도를 캡처합니다. 임계 값 1 미만의 모든 프로브 요청 세부 정보는 장치의 원시 mac 데이터베이스 테이블에 저장됩니다. 서버 측은 MAC 주소 목록을 처리하여 체류 시간을 계산하고 일일 데이터를 분석에 집계하여 고객 가치를 반환합니다.

 

1.2.5.1 상점에 설치된 여러 카운터

단일 상점에 여러 카운터가 설치된 경우 카운터의 계산 데이터는 추가 처리를 위해 데이터베이스에 업로드되어 단일 개인의 초과 계산을 방지합니다. 이 프로세스는 FootfallCam에서 생성 된 카운팅 데이터가 정품이되고 사용자의 비즈니스 인텔리전스 시스템에서 추가 분석 처리를 할 수 있도록합니다.

데이터 계산

카운터 1 + 카운터 2 + 카운터 3

단일 상점에 여러 카운터가 설치된 경우, MAC 주소의 중복 항목을 필터링하기 위해 Wi-Fi 계산 데이터가 중앙 데이터베이스에 업로드됩니다. 중복 된 MAC 주소는 데이터 집계에 사용되지 않습니다. 이 방법은 단일 MAC 주소의 초과 계산이 두 번 계산되는 것을 방지합니다.

Wi-Fi 데이터

카운터 1 + 카운터 2 + 카운터 3

하나의 넓은 입구에 여러 개의 카운터가 설치된 경우 추적 구역과 계수 선을 보수적으로 그려야합니다. 한 카운터에 그려진 추적 영역과 계산 선은 다른 카운터에 그려진 계산 영역과 추적 선과 겹치지 않아야합니다. 이는 방문자 데이터의 과잉 계산을 방지하기 위해 필요하며, 부정확 한 방문자 수와 위조 된 판매율 데이터로 이어질 수 있습니다.

1.2.5.2 직원의 장치 MAC 주소 제외

직원이 Wi-Fi가 켜진 장치를 운반하는 경우 발판 장치에서도 MAC 주소를 캡처합니다. 사이트 페이지에서 직원의 장치 MAC 주소를 수동으로 제외할 수 있습니다. 나타내 다 파트 15.5 단계별 가이드.

1.2.5.3 평균 방문 시간

Wi-Fi 신호 강도의 2개 피크는 기기가 설치된 입구에서 가장 가까운 위치이므로 고객 방문 시간을 얻을 수 있습니다. 프로필에 정의된 신호 강도 임계값을 초과하는 두 개의 피크가 있는 경우 방문자의 IN 시간과 OUT 시간으로 식별됩니다.

최대 방문 시간-일부 방문자는 같은 날 여러 번 사이트를 방문 할 수 있습니다. 최대 방문 기간은 방문자가 한 번의 방문 동안 사이트에 머무를 것으로 예상 할 수있는 최대 합리적인 방문입니다. 기본값은 2 시간입니다.

예를 들어,

방문자 A : 첫 번째 방문 => 1:05 pm ~ 1:30 pm 두 번째 방문 => 4:05 pm ~ 5:43 pm

결과 : 2 회 방문. 첫 방문은 25 분입니다. 두 번째 방문은 98 분입니다.

먼저 사용자 스마트 폰의 고유 식별자 (MAC ID 프로브)를 기반으로 방문 시간을 측정합니다.

방문 시간

시간 (In)-시간 (out)

조건:

1. Wi-Fi 추적의 경계 정의
2. 제외 된 직원 목록 및 장치 목록

 방문 기간 카테고리 집계

FootfallCam은 방문 기간 데이터 수집을 세 가지 범주로 더 분류했습니다. 기본적으로 3 분 미만, 15 분에서 15 분 이내, 30 분 이상이 있습니다.

카운터가 여러 개인 사이트의 방문 시간

사이트 입구의 모든 장치에 대한 Wi-Fi 추적 정보를 중앙 서버에 업로드하면 서버는 분석을 수행하고 Wi-Fi 장치의 IN 및 OUT 시간을 추정합니다. 시스템은 사이트 내의 모든 카운터에서 Wi-Fi 추적 정보를 집계합니다.

1.2.6 Wi-Fi 메트릭 코드

Wi-Fi 모듈에 사용되는 주요 측정항목은 다음과 같습니다.

• PWA01 - 외부 교통
• SWA02 - 접수율
• PWA03 - 평균 방문 시간
• SWA04 - 지난 14일 동안의 재방문 고객 비율
• SWA05 - 지난 60일 동안의 재방문 고객 비율
• SWA06 - 지난 14일 동안의 신규 고객 요율
• SWA07 - 지난 60일 동안의 신규 고객 요율

1.3 공간 점유

공간 점유는 주어진 시간에 사이트에 머물렀던 사람들의 수입니다. 다음과 같습니다. 누적 IN 수 빼다 누적 OUT 수.

점유	(누적 IN-누적 OUT)

누적 IN 수 작동 시간 시작부터 현재 시간까지 모든 IN 카운트의 합계입니다. 이 데이터는 즉시 업데이트됩니다. 마찬가지로 누적 OUT 수.

1.3.1 누적 오류

아니 인원 계수기 100 % 정확합니다. 하루가 지나면 누적 오류가 발생합니다.

 

1.3.2 점유 모드

두 가지 점유 모드가 있습니다. 순진한 점유 과 똑똑한 점유.

비교	순진한 점유	똑똑한 점유
공식	안으로-밖으로	IN-OUT + 오류 수정
오류 수정	×	√
히스토리 데이터 샘플 수집 필요	×	√ (자동)
실시간 대시 보드	√	√
과거 데이터 보고서	√	√
사이트 수준 메트릭	√	√
영역 수준 메트릭	√	√
정확성	높은	더 높은
지역 수준 데이터의 합이 분기 수준 데이터와 동일	√	×(참고 참조)
모드	×	모드 1 및 모드 2
세부 정보	제 15.3.1.4	제 15.3.1.5 & 제 15.3.1.6

1.3.2.1 권장 사용 사례

일반적으로, 똑똑한 점유 트래픽이 적은 사이트를 제외한 거의 모든 상황에서 선호되는 옵션입니다.

고객 사례	소박한	스마트 한
트래픽이 많은 슈퍼마켓 또는 식료품 점	×	√
화장실 점유	×	√
레스토랑 또는 식당	×	√
대시 보드 또는 자동 게이트를 통한 수용 인원 제어	×	√
교통량이 적은 도서관 또는 보석상	√	×
전시회	×	√
영화관	×	√

1.3.2.2 순진한 점유

점유 그래프는 일반적으로 종 모양 곡선처럼 보이며 점유 최고점은 영업 시간 사이에 있습니다. 일부는 여러 피크 시간을 나타내는 여러 피크를 가질 수 있습니다.

누적 오류로 인해 Naive Occupancy는 운영 시간이 끝날 무렵에 심각한 오류가 발생할 수 있습니다.

 

1.3.2.3 (Smart Occupancy) 실시간 오류 수정

점유가 즉시 업데이트되고 라이브 점유 대시 보드, 실시간 오류 수정 Naive Occupancy에 적용되어 누적 된 오류를 최소화합니다. 이는 다음을 보장합니다.

• 점유는 실제 카운트에 더 정확합니다.
• 점유는 0에서 음수로 떨어지지 않습니다.
• 영업 시간 종료시 점유가 0에 가까워짐

 

뒤에서 시스템은 고급 AI 모델링 지난 14 일 이상의 점유 추세를 캡슐화하고 누적 점유 오류를 정확하게 줄이는 예측 모델을 생성합니다.

라이브 점유

순진한 점유 + 실시간 오류 수정

2이 있습니다 모드 for 똑똑한 점유.

모드 1	모드 2
사용 고급 통계 모델링 사이트 / 지역의 점유 패턴을 일반화합니다.	구성을 초과하면 사람의 점유가 만료됩니다. 만료 기간.
사용자 입력이 필요하지 않습니다.	사용자는 만료 기간을 설정해야합니다.
기록 데이터 수집이 필요합니다 (자동).	기록 데이터 수집이 필요하지 않습니다.
교통량이 많은 사이트 (예 : 식료품 점, 슈퍼마켓, 레스토랑, 전시회)에 적합합니다.	방문 시간이 알려져 있고 매우 일정한 상황 (예 : 화장실 점유, 영화관 점유)에 적합합니다.

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

1.3.2.4 (Smart Occupancy) 사후 처리 오류 수정

전날 데이터 점유 공간 점유 보고서, 사후 처리 오류 수정 전반적인 일일 In Out 불일치를 기반으로 Occupancy에 적용됩니다. 이것은 현재 사후 처리에 있다는 점을 제외하고 실시간 점유 오류 수정과 동일한 효과를 갖습니다.

역사적 점유

실시간 점유 + 사후 처리 오류 수정

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

1.3.3 메트릭 코드

공간 점유율에 사용되는 주요 지표는 다음과 같습니다.

• PSO01 - 순진한 점유
• SSO02 - 점유 대 용량
• PSO05 - 스마트 점유

1.4 그룹 카운팅

그룹 계산 식별 하나 이상 개인을 하나의 집합체로 만들고 함께 묶습니다. NS 추적 궤적 개인이 다른 개인과 관련하여 분석되고 있으며, 고급 필터링 로직 정확한 그룹 카운팅을 위해 개인 간 거리 임계값, 궤적 속도, 방향 및 지속 시간을 기반으로 합니다.

그룹 카운팅은 더 나은 데이터와 메트릭을 위한 가능성을 열어줍니다.

• 소매점에서는 1개의 가족 그룹이 1개의 구매 단위로 간주됩니다. 그룹 카운팅은 더 정확한 제공 판매 전환 미터법.
• 대기열 대기 시간 계산을 위해 1커플 페어는 1대기 단위로 간주됩니다. 그룹 카운팅은 보다 정확한 대기 시간 측정을 제공합니다.

요구 사항:

• 카운터 펌웨어 v3.4.2 이상에 적용되며 최소 v3.3.0에서 업그레이드 가능합니다.
• 현재 그룹 카운팅을 사용할 수 있습니다. 표준 발자국 계산 오직. 직원 제외와 호환됩니다. 면적 계산, 대기열 계산 및 히트맵 계산에 대한 가용성은 다음과 같습니다. 아직 진행중인 작업.

그룹 카운팅은 별도의 추가 처리로 다른 카운팅 알고리즘과 함께 작동하도록 설계되었습니다.

즉, 카운터가 표준 입장 계산 + 그룹 계산으로 구성된 경우 2개의 개별 데이터 세트가 수집됩니다.

• 입장 집계 데이터
• 추가 그룹 카운팅 데이터

예를 들어, 입구를 통해 들어오는 방문자가 1명인 경우 카운터는 다음 두 가지를 모두 수집합니다.

• 방문자 1명
• 1 그룹 IN

따라서 권장하지 않음 데이터 중복을 일으킬 수 있으므로 표준 발자국 계산 데이터와 그룹 계산 데이터를 결합합니다.

1.4.1 논리 그룹화

그룹 카운팅에서 클러스터링 알고리즘은 추적 영역에 나타난 사람들의 3D 위치 좌표를 처리하고 서로 가까이 있는 사람들의 그룹을 생성하기 위해 채택됩니다. 거리 임계값은 그룹에서 사람의 상대 거리가 거리 임계값 내에 있는 경우 기존 그룹에 사람이 할당되도록 그룹화 논리를 제어하는 ​​데 사용됩니다. 다음은 그룹 계산이 실행 중일 때 그룹이 형성되는 방식을 보여주는 두 가지 예시 시나리오입니다.

추적 영역에 3명 이하가 있는 시나리오의 경우 서로 고정된 거리 임계값 내에 머무르는 사람들이 그룹으로 간주됩니다. 그림 15.4.1과 같이 P1과 P2는 서로 충분히 가깝고(즉, 그들 사이의 거리는 ≤ 거리 임계값) 두 사람의 그룹을 형성하는 반면 P2은 고정된 거리 임계값보다 큰 거리에 위치합니다. P3과 P1는 스스로 2인의 그룹을 형성합니다. 일반적으로 사용되는 거리 임계값은 1m ~ 1m입니다(설치 현장 환경에 따라 조정 가능). 

추적 영역에 3명 이상의 사람이 있는 시나리오의 경우 추적 영역에 있는 모든 사람의 위치 분포를 기반으로 동적으로 결정되는 여러 수준의 거리 임계값을 사용하여 계층적 방식으로 사람들 그룹을 식별하기 위해 고급 클러스터링 기술이 채택됩니다. . 예를 들어, 그림 15.4.2와 같이 총 5명의 사람이 있는 경우 그룹화 논리는 아래에 설명된 3개의 고유한 그룹을 식별합니다.

• P1과 P2는 서로 1.3m 떨어져 있으며 1명의 G2 그룹을 형성하고,
• P3과 P4는 서로 0.7m 떨어져 있으며 2명의 G2 그룹을 형성하고,
• P5는 그룹 G2.5에서 1m, 그룹 G2.0에서 2m 떨어져 있으므로 3인 그룹 G1를 구성합니다.

1m 떨어진 그룹 G2 & G2는 그룹을 형성하지 않습니다. 거리 임계값은 더 이상 고정된 값이 아니라(≤ 3명의 시나리오에서와 같이) 추적 영역에 있는 모든 사람의 변화하는 위치 분포에 적응하도록 동적으로 결정되므로 다양한 밀도 수준으로 그룹을 형성할 수 있습니다.

1.4.2 필터링 로직

필터링 논리는 그룹화 결과를 더욱 세분화하기 위해 그룹화 논리의 출력에 적용됩니다. 사람들의 최신 위치 좌표만을 입력으로 그룹핑을 수행하는 그룹핑 로직과 달리, 필터링 로직은 추적 영역에 있는 각 개인의 추적 궤적을 가져와서 이동 방향과 속도를 분석하여 세분화된 그룹화를 허용하고 잘못된 그룹화를 제거합니다. 구현되는 필터링 메커니즘에는 방향 필터링과 속도 필터링의 두 가지 유형이 있으며, 그룹화 결과에 순차적으로 적용되며 방향 필터링이 속도 필터링보다 우선합니다.

A. 방향 필터링
방향 필터링의 목적은 그룹의 각 사람 사이의 각도 차이를 비교하여 하나의 큰 그룹의 사람들을 여러 개의 작은 그룹으로 나누는 것입니다. 그룹의 다른 사람들과 비교한 후 각도 차이가 미리 설정된 임계값을 초과하는 사람이 한 명 이상 있으면 새 하위 그룹이 형성됩니다.

방향 필터링이 그룹 계산에 도움이 되는 한 가지 기본적인 예는 반대 방향으로 여행하는 사람들의 그룹을 식별하고 그들이 서로 가까이 올 때 하나의 큰 그룹에 할당되는 것을 방지하고 추적 내에서 특정 기간 동안 상대적으로 정적 상태를 유지한다는 것입니다. 존.

B. 속도 필터링

방향 필터링의 출력에 적용되는 속도 필터링의 주요 기능은 그룹에서 이상치(그룹 내 다른 사람과 이동 속도가 크게 다른 사람)를 식별하고 이상치를 그룹에서 제외하는 것입니다. 일정 시간 동안 정적 상태를 유지했던 기존 그룹에 이상치가 일시적으로 가까워지는 경우 속도 필터링을 사용하면 이상치가 즉시 그룹에 합류하는 것을 방지하는 대신 이상치를 다른 그룹으로 취급할 수 있습니다. 

방향 및 속도 필터링 외에도 그룹 카운팅은 새 그룹이 얼마나 빨리 형성되고 기존 그룹이 해체될 수 있는지를 제어하기 위해 조정할 수 있는 기간 임계값을 사용합니다.

1.4.3 그룹 카운트 트리거 로직

그룹 카운팅 데이터는 다음과 같은 경우에 트리거됩니다.

• 그룹이 집계 이벤트를 트리거했습니다. 예를 들어, 그룹이 IN 카운팅 라인을 넘었고,
• All 그룹의 구성원이 추적 영역을 벗어났습니다.

주의 사항: 이 트리거 로직은 그룹 카운팅이 별도의 실행 프로세스이기 때문에 일반적인 개별 발자국 카운팅에 영향을 미치지 않습니다. 개별 발자국 계산은 에 요약된 대로 트리거됩니다. 이 섹션.

그룹 카운팅 데이터는 다음 위치에 저장됩니다. 삽화가 든* 형식입니다.

장치 일련 번호	시간 기록	라인 ID	그룹
00000000xxxxxxxxx	12/2/2017 1:00pm	1	가능
00000000xxxxxxxxx	12/2/2017 1:03pm	1	가능
00000000xxxxxxxxx	12/2/2017 2:09pm	2	가능

주의 사항: 그룹 크기 정보가 저장되지 않습니다.

그룹 카운팅 데이터는 다음에 설명된 대로 서버에 업로드됩니다. 이 섹션.

* 설명 목적으로만 사용하십시오.

1.4.4 그룹 카운팅 지표 

방문객 수 계산에 사용되는 주요 측정항목은 다음과 같습니다.

• PFC21 - Footfall 그룹 IN
• PFC22 - Footfall 그룹 OUT

1.4.5 라이브뷰에서 그룹 카운팅 결과 표시

그림 15.4.3은 다음을 포함하여 그룹 카운팅이 활성화되었을 때 카운터 라이브뷰에 표시될 몇 가지 일반 정보를 보여줍니다.

• 추적 영역에서 감지된 그룹 수(실시간 보기의 왼쪽 상단)
• 그룹 부모(즉, 가장 오랜 기간 동안 그룹에 있었던 사람, 빨간색 원으로 표시된 사람)
• 그룹 내 각 개인의 지속 시간(초)
• 그룹 크기(그룹 상위의 기간 텍스트 아래에만 표시됨)
• 같은 그룹의 모든 사람을 연결하는 노란색 선

1.4.6 일반 데이터 보호 규정(GDPR)

1. 생체 인식 또는 얼굴과 같은 개인 식별 정보(PII)는 처리 또는 분석 목적으로 수집되지 않습니다.
2. 그룹에 모여 있는 사람들이 어떤 형태의 사회적 또는 생물학적 관계도 가지고 있다는 보장이나 가정이 없습니다.
3. 분석은 순전히 궤도와 시간을 기반으로 합니다.
4. 그룹의 한 사람은 그룹 계산 정확도를 높이기 위한 목적으로만 그룹 리더로 태그가 지정됩니다. (예를 들어) 그룹의 장로만이 그룹 리더가 될 수 있는 것과 달리 누구나 그룹 리더가 될 수 있습니다.

1.4.7 제한 

• 사람의 생체 정보, 성별, 얼굴 정보를 수집하지 않았기 때문에 현 단계에서는 같은 그룹에 속한 사람들의 관계를 그룹 카운팅으로 유추할 수 없습니다.
• 그룹 카운팅을 처리하고 그룹화 결과를 생성하기 위한 그룹 카운팅에 대한 사람의 추적 궤적 데이터가 충분하지 않기 때문에 상대적으로 추적 영역이 작은 사이트에서 그룹 카운팅을 활성화하지 않는 것이 좋습니다. 추적 영역의 권장 최소 크기는 만족스러운 그룹 계수 정확도를 위해 3m x 3m 이상이어야 합니다.

1.5 비디오 분석 카운팅

Video Analytics는 AI 알고리즘을 사용하여 사람을 감지하고 추적합니다. 그것은에서 사용됩니다 FootfallCam Centroid 발자국 데이터를 생성합니다. 아래는 장치가 카메라에서 입력을 받는 방법부터 데이터를 처리하고 서버에 업로드하는 방법까지 IP 카메라를 사용한 일반적인 Centroid 설정의 전체 흐름도입니다.

비디오 분석의 흐름도

1.5.1 AI 알고리즘

AI 알고리즘은 기계 학습 기술로 훈련된 심층 신경망을 사용하여 사람을 식별하고 감지합니다. 알고리즘에서 신뢰도가 높은 사람만 추적합니다. 첨단 기술 덕분에 위음성 비율이 낮습니다. 시각적으로 구별되기 때문에 트롤리 또는 물체를 사람으로 잘못 감지하는 경우는 거의 없습니다.

인간 감지

선택적으로 연령, 성별 및 감정과 같은 사람의 얼굴을 기반으로 더 많은 통찰력을 얻기 위해 감지된 각 사람에 대해 인구 통계학적 분석을 수행할 수 있습니다. 이것은 사람 특성에 대한 좋은 통계적 세분화를 제공할 수 있으며 판촉 캠페인 효과 측정, 고객 기반 이해, 표현적인 피드백 얻기 등에 유용합니다.

제한 사항 :

• 그림이나 휴머노이드와 같은 인간과 유사한 구조를 잘못 감지할 수 있음
• 어린이를 감지하지 못할 수 있음
• 군중 속에 있을 때 막히거나 가려진 사람을 감지하지 못할 수 있음
• 사람이 너무 멀리 있거나 너무 흐릿한 경우 감지하지 못할 수 있습니다.
• 인구통계학적 분석을 활성화하면 정상 피플카운팅
• 인구통계학적 분석은 마스크를 착용하지 않은 사람의 앞면에만 작동합니다.

1.5.2 카운팅 모드

1.5.2.1 인 아웃 카운팅

트래킹존(빨간색) 및 인-아웃 라인

인 아웃 카운팅은 다음과 같이 작동합니다.

• AI 알고리즘에 의해 감지된 각 인간 추적
• 사람이 추적 영역 내에 있는지 지속적으로 확인
• 사람이 In-line 또는 Out-line을 넘으면 카운팅 이벤트가 등록됩니다.
• 단, 인간이 유턴하면 이벤트는 무시된다.
• 사람이 추적 영역을 벗어나면 이벤트가 수집되어 전송됩니다.

1.5.3 데이터 수집

방문자가 장치의 추적 영역에 들어가고 나가는 동안 그 사이에 인-아웃 라인을 트리거하면 장치가 카운팅 이벤트를 트리거합니다.

데이터는 다음 형식으로 저장됩니다.

장치 일련 번호	시간 기록	측정항목 ID	로이 아이디	개체 유형 ID 결합
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

정의 :

• 장치 일련 번호
  • 장치의 일련 번호
• 시간 기록
  • 이벤트가 발생하는 시간
• 측정항목 ID
  • 1: 방문자가 인라인을 통과할 때
  • 2: 방문자가 아웃라인을 넘을 때
• 로이 아이디
  • 이벤트가 발생한 CCTV 카메라의 ID
• 개체 유형 ID 결합
  • 인구통계학적 분석과 같은 개인의 세부사항을 인코딩하는 ID의 조합

데이터는 최대 14일 동안 장치 데이터베이스에 저장됩니다.

사람이나 얼굴의 개인 식별 정보(PII) 민감한 이미지 데이터는 장치에 저장되지 않습니다.

1.5.4 데이터 업로드 프로세스

각 장치에서 수집한 데이터는 websocket 프로토콜을 통해 즉시 서버에 업로드됩니다. 데이터도 서버에서 실시간으로 처리되므로 포털에서 데이터의 라이브 대시보드를 볼 수 있습니다. 한 가지 예는 실시간 점유 대시보드.

데이터가 서버에 도달하면 즉시 사이트 또는 영역 수준 단위로 집계되고 최종 사용자가 다음을 통해 쿼리할 수 있습니다. 카운팅 데이터 API. 사용자는 1분, 15분, 30분, 매시간, 매일, 매주, 매월 또는 매년과 같은 여러 시간 단위로 데이터를 검색할 수 있습니다.

이력 보고를 위한 데이터도 사용할 수 있습니다. 보다 부록 B 지표 정의 데이터가 서버에 저장되는 기간입니다.

사람이나 얼굴의 개인 식별 정보(PII) 민감한 이미지 데이터는 서버로 전송되지 않습니다.

1.5.5 메트릭 코드

메트릭 코드는 다음과 정확히 동일합니다. 발자국 계산 지표 코드.