1.1 Подсчет шагов

В разных обстоятельствах используются разные алгоритмы подсчета. Типы и различия нескольких алгоритмов, используемых FootfallCam, указаны в следующих разделах.

1.1.1 Стандартный 3D-алгоритм

При нормальных обстоятельствах FootfallCam^TM использует стандартный 3D-алгоритм для расчета на оптимальном уровне. Самая оптимальная высота для FootfallCam^TM составляет от 2.5 м до 4.5 м.

Стандартный 3D-алгоритм работает:

• Различение головы человека и точки плеча, формирование трехмерной капли и линии следа, отслеживающей их движение.
• Это исключит человека, который делает разворот и не вошел в магазин, из подсчета с использованием зоны начала-конца.
• Он будет различать детей, взрослых и неодушевленные предметы с помощью определения высоты и формировать карту глубины.
• Это может хорошо работать в случаях высокого трафика, поскольку точка капли и заголовок будут чистыми.
• Он может применять линию исключения в определенной части линии отслеживания, которая часто используется сотрудниками, чтобы избежать подсчета сотрудников.

Стандартный просмотр в реальном времени	Разворот не засчитывается
Дети не в счет	Люди с тележкой считаются как один

 

1.1.2 Алгоритм подсчета площадей

Алгоритм подсчета площадей работает с использованием технологии трехмерного отслеживания блобов для отслеживания каждого отдельного человека в зоне для поддержки множественного подсчета, когда в зону входит более одного человека. Это также предотвращает переучет индивидуума. Алгоритм автоматически отслеживает продолжительность (регулируемую), в течение которой человек входит в зону, и как только человек превышает порог продолжительности, человек будет считаться входящим, если человек покидает зону, он будет считаться выходом.

Пребывание на определенное время	Многократный подсчет на участке
Случайный образец в движении	Нет конкретного входа

Подсчет площади в основном подходит для

• Магазины без определенных входов. Это означает, что любой посетитель может входить и выходить из магазина с любого направления.
• Магазины, в которых посетитель будет ходить случайным образом, а не просто входить и выходить. Обычно это вызвано наличием дисплеев рядом с зоной подсчета, заставляющих посетителей взаимодействовать с дисплеями.
• Область отслеживания очень ограничена и не имеет достаточного расстояния пешком для нормальной работы стандартного алгоритма трехмерного подсчета.

Ограничение подсчета площади

• Строка исключения не применяется, так как она не использует линию подсчета.

 

1.1.3 Сбор данных

Для стандартного 3D-алгоритма, как только посетитель входит в зону отслеживания устройства и выходит из нее, запускается промежуточная линия входа и выхода, запускается подсчет. Что касается подсчета площади, когда посетитель находится в зоне отслеживания устройства дольше установленного порога, запускается подсчет.

После этого данные будут сохранены в следующем виде:

Последовательный порт устройства	Timestamp	Идентификатор линии
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

Серийный номер устройства указывает, с какого устройства получены данные, метка времени указывает, когда подсчитывается посетитель, а идентификатор линии указывает, какая линия была запущена соответствующим посетителем.

1.1.4 Процесс загрузки данных

Данные, собранные каждым устройством, затем загружаются на сервер с 15-минутным интервалом, который будет очищен через 7 дней. Однако процесс загрузки данных очень зависит от интернет-соединения сайта. Если скорость низкая, скорость загрузки данных также будет снижена, что еще больше повлияет на отображение данных в отчетах.

После того, как данные были загружены на сервер, они позже будут агрегированы на ежечасной и ежедневной основе в зависимости от требований отчета для конкретной области или участка. Агрегированные данные не будут удалены, пока устройство не будет удалено со своего сайта.

1.1.5 Конверсия продаж

Конверсия продаж - это простой вопрос деления количества транзакций, совершенных посетителем магазина за тот же период времени в течение определенного периода времени. Этот результат позволяет менеджеру получить более полное представление о работе магазина. Например, высокая посещаемость будет означать, что магазин привлекает много клиентов со стороны внешнего трафика, но низкая конверсия будет указывать на то, что он не выполняет хорошую работу по максимизации возможностей продаж.

1.1.6 Коды показателей

Ключевыми показателями, используемыми для подсчета посещаемости, будут:

• PFC01 — Счетчик шагов IN
• PFC02 – Счет шагов OUT
• SFC03 - Несоответствие ВХОДА ВЫХОДА
• PFC07 — общее количество транзакций
• PFC08 — Общий объем продаж
• SFC09 — преобразование количества посетителей в продажи

1.2 Аналитика Wi-Fi

Помимо подсчета, который запускается алгоритмом отслеживания, есть также подсчет, который может запускаться сигналами Wi-Fi.

1.2.1 Покрытие данных

Модуль Wi-Fi в Footfall Counter работает как любое другое устройство с поддержкой Wi-Fi, поскольку он может принимать сигнал Wi-Fi от другого устройства с поддержкой Wi-Fi поблизости. Модуль Wi-Fi может собирать сигналы Wi-Fi, излучаемые устройствами с поддержкой Wi-Fi в радиусе 100 м. Однако реальный рабочий диапазон может сократиться из-за установки внутренних стен в магазинах.

Смартфоны, у которых не отключены возможности Wi-Fi, либо подключены к точке доступа Wi-Fi, либо ищут точку для подключения. Для этого они отправляют сообщения Wi-Fi - если они подключены, передают сообщения с данными, а при поиске - зондирующие сообщения, которые сигнализируют точке доступа об ответе. Частота этих сигналов варьируется в зависимости от производителя смартфона и состояния устройства, но в целом они в среднем составляют от двух до девяти сигналов в минуту.

1.2.1.1 О рандомизации MAC-адресов и способах их обнаружения

Рандомизация MAC-адресов уже некоторое время является частью сетевой индустрии и включает изменение MAC-адреса устройства при отправке тестовых запросов. Это помогает предотвратить отслеживание неподключенных устройств. Однако ситуация меняется с выпуском новейших операционных систем, таких как iOS 14/WatchOS 7, Android 10+ и некоторых версий Windows 10. Теперь эти системы рандомизируют MAC-адреса не только на этапе обнаружения, но и во время работы устройства. подключен к сети.

Для смартфонов, оснащенных технологией рандомизации MAC-адресов, это не повлияет на точность подсчета данных, генерируемых средствами Wi-Fi-аналитики. Рандомизация MAC-адреса повлияет только на мобильные устройства, не подключенные к мобильной сети. Кроме того, когда MAC-адрес рандомизируется, он превращается в бессмысленный MAC-адрес, который отличается от подлинного MAC-адреса.

Распознать рандомизированные MAC-адреса просто. Раздел OUI MAC-адреса имеет установленный бит, указывающий рандомизированный или локально управляемый адрес. Просто проверьте второй символ в MAC-адресе, и если это 2, 6, A или E, это случайный адрес. Например, адрес Wi-Fi 92:B1:B8:42:D1:85 выбран случайным образом, поскольку его второй символ равен 2. Наш счетчик посещаемости отфильтрует бессмысленные MAC-адреса, полученные датчиком Wi-Fi, и исключит это по данным подсчета.

1.2.2 Статистическая выборка

Основная функция подсчета Wi-Fi заключается в использовании сигналов Wi-Fi, исходящих от смартфонов посетителей, для приблизительного определения транспортного потока людей в заданной области. Однако не у каждого человека есть смартфон, а некоторые люди могут иметь при себе несколько устройств Wi-Fi, например iPad.

Наш алгоритм подсчета Wi-Fi может преодолеть указанные выше ограничения и обеспечить точное приближение трафика с помощью статистической выборки. Это гарантирует, что даже если не каждый посетитель будет вносить свой вклад в данные Wi-Fi, поскольку не у каждого посетителя будет мобильный телефон, эти пользователи составляют небольшую часть от общего числа посетителей и не вносят большой погрешности.

Статистическая выборка широко используется во многих различных отраслях, таких как рейтинг телевидения и голосование на выборах. Компания Nielsen использует сложные методы выборки для измерения и составления отчетов о рейтингах и зрительской аудитории в телевизионной индустрии по всему миру. Например, в США компания выбирает дома, в которых можно установить небольшие устройства, отслеживающие привычки просмотра.

Другой пример был использован в предвыборном опросе. Опросы общественного мнения на протяжении многих лет проводились посредством телекоммуникаций или личного контакта. Методы и техники различаются, хотя они широко применяются в большинстве областей. Некоторые организации, проводящие опросы, интернет-опрос, в котором выборка проводится из большой группы добровольцев, а результаты взвешиваются, чтобы отразить демографические характеристики интересующего населения.

1.2.3 Нормализация данных Wi-Fi

Нормализация часто используется для преобразования статистических данных в реальные числа; например, коэффициент нормализации применяется к количеству обнаруженных устройств Wi-Fi, чтобы преобразовать его в количество людей в районе.

Сопоставляя количество людей, пришедших на сайт с помощью функции подсчета видео, и количество устройств Wi-Fi, которые, как было обнаружено, прошли через дверь, счетчик использует данные за последние две недели для построения статистического профиля и примерного процента людей с смартфоны.

Эта статистическая модель основана на счетчиках; то есть каждый счетчик имеет свою собственную статистическую модель, которая автоматически настраивается на основе демографических данных людей и окружающих их характеристик Wi-Fi.

 

1.2.4 Сбор данных

Собранные данные будут сохранены в нашей базе данных, включая серийный номер устройства, мощность сигнала, Mac-адрес и временную метку.

Ниже приведен метод сбора данных Wi-Fi:

1. Данные Wi-Fi будут собираться из толпы вокруг места, где установлено устройство.
2. Ключ Wi-Fi, подключенный к устройству, будет модулем, который постоянно захватывает сигнал Wi-Fi, отправляемый устройствами с поддержкой Wi-Fi, такими как смартфоны, планшеты и т. Д.
3. Mac ID обрабатывается в устройстве с мощностью сигнала и меткой времени, как показано в таблице:

Хешированный Mac-адрес Wi-Fi	Обнаруженное время	Сила сигнала
ааа	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
CCC	12/2/2017 2:09pm	-100

Необработанный MAC-адрес этих устройств будет храниться в базе данных и постоянно загружаться на центральный сервер (каждый час) для дальнейшего агрегирования в отчетах. FootfallCam собирает эти данные, а затем безопасно отправляет их в FootfallCam Cloud ежечасно для обработки и анализа.

Используемый алгоритм хеширования для MAC-адреса - PBKDF2WithHmacSHA256, который предназначен для хеширования паролей, следовательно, это медленный алгоритм. Это хорошо для хеширования паролей, так как сокращает количество паролей на секунду, которые злоумышленник может хешировать при создании атаки по словарю. Добавление соли к паролю снижает возможность использования предварительно вычисленных хэшей для атак и означает, что несколько паролей нужно проверять индивидуально, а не все сразу. Стандарт рекомендует длину соли не менее 64 бит. Национальный институт стандартов и технологий США рекомендует использовать длину 128 бит, а FootfallCam в этом случае использует 256 бит.

 

1.2.5 Обработка и классификация данных

Поскольку данные поступают в FootfallCam Cloud ежечасно, все обнаруженные устройства классифицируются в базе данных временных рядов с применением надежных алгоритмов для профилирования всех обнаруженных устройств и дальнейшей классификации данных по нескольким значениям:

1. Различайте Mac ID, полученный как «проходящий мимо» и «введенный в магазин», по мощности сигнала Wi-Fi-зондов и уверенности.
2. Дальнейшее сопоставление «продолжительности посещения» путем получения «первого замеченного» и «последнего наблюдаемого» с условием наивысшего уровня сигнала, обнаруженного от зондов, полученных в 2 разных временных метках.

Сама по себе мощность сигнала является грубым методом аппроксимации и является неточным, поскольку сигналы Wi-Fi имеют тенденцию различаться в различных условиях окружающей среды. Кроме того, мощность сигнала зависит от многих условий окружающей среды в реальном времени.

Добавление количества зондов, метки времени, уровня достоверности и порога увеличит точность данных Wi-Fi. Есть два порога Wi-Fi: порог 1 фильтрует слабый сигнал, который находится далеко от счетчика. Порог 2 фиксирует сильный сигнал, который присутствует в магазине. Все детали запроса зондирования ниже порога 1 будут храниться в таблице необработанной базы данных Mac на устройстве. На стороне сервера будет обрабатываться список MAC-адресов для расчета времени ожидания и возврата клиентских значений путем агрегирования ежедневных данных для аналитики.

 

1.2.5.1 Установка нескольких счетчиков в магазине

Если в одном магазине установлено несколько счетчиков, счетные данные со счетчиков будут загружены в базу данных для дальнейшей обработки, чтобы предотвратить переучет одного человека. Этот процесс гарантирует, что данные подсчета, созданные FootfallCam, будут подлинными и будут готовы для дальнейшей аналитической обработки системой бизнес-аналитики пользователя.

Данные подсчета

Счетчик 1 + Счетчик 2 + Счетчик 3

Когда в одном магазине установлено несколько счетчиков, данные подсчета Wi-Fi будут загружены в центральную базу данных, чтобы отфильтровать повторяющиеся записи MAC-адресов. Дублированные MAC-адреса не будут использоваться при агрегировании данных. Этот метод предотвращает повторный подсчет перерасчета одного MAC-адреса.

Данные Wi-Fi

Счетчик 1 + Счетчик 2 + Счетчик 3

Если в одном широком входе установлено несколько счетчиков, зону слежения и линии подсчета необходимо проводить консервативно. Зона слежения и линии счета, нарисованные на одном счетчике, не должны перекрывать зону счета и линии слежения, проведенные на другом счетчике. Это необходимо для предотвращения чрезмерного подсчета данных о посетителях, а также может привести к неточному подсчету посетителей и фальсификации данных о скорости продаж.

1.2.5.2 Исключение MAC-адреса устройства персонала

Если у персонала есть устройства с включенным Wi-Fi, его MAC-адрес также будет захвачен устройствами пешеходов. Вы можете вручную исключить MAC-адрес устройств персонала на странице сайта. Ссылаться Часть 15.5 для пошагового руководства.

1.2.5.3 Средняя продолжительность посещения

Мы можем получить продолжительность посещения клиента, используя два пика уровня сигнала Wi-Fi, поскольку они являются ближайшим местом от входа, где установлено устройство. Если профиль имеет два пика, которые превышают определенный порог мощности сигнала, они идентифицируются как время входа и время выхода посетителя.

Максимальная продолжительность посещения - некоторые посетители могут посещать сайт несколько раз в один и тот же день. Максимальная продолжительность посещения - это максимально разумное посещение, которое посетитель может рассчитывать остаться на сайте за один раз. Значение по умолчанию - 2 часа.

Например,

Посетитель A: первое посещение => 1:05 до 1:30, второе посещение => 4:05 до 5:43

Результат: 2 посещения. Первое посещение - 25 минут. Второй визит - 98 минут.

Во-первых, продолжительность посещения измеряется на основе уникального идентификатора (зонды MAC ID) со смартфона пользователя.

Длительность посещения

Time (In) - Время (out)

Состояние:

1. Определение границ отслеживания Wi-Fi
2. Список исключенных сотрудников и список устройств

 Агрегация категорий продолжительности посещения

FootfallCam дополнительно разделил сбор данных о продолжительности посещения на 3 категории. По умолчанию ниже 15 минут, от 15 до 30 минут и больше 30 минут.

Продолжительность посещения для сайтов с несколькими счетчиками

Загружая информацию отслеживания Wi-Fi всех устройств входа на сайт на центральный сервер, сервер выполняет анализ и оценивает время входа и выхода устройств Wi-Fi. Система будет собирать информацию об отслеживании Wi-Fi со всех счетчиков на сайте.

1.2.6 Коды метрик Wi-Fi

Ключевыми показателями, используемыми для модуля Wi-Fi, будут:

• PWA01 — Внешний трафик
• SWA02 — Коэффициент сдачи
• PWA03 – Средняя продолжительность посещения
• SWA04 – Коэффициент возврата клиентов за последние 14 дней
• SWA05 – Коэффициент возврата клиентов за последние 60 дней
• SWA06 – Доля новых клиентов за последние 14 дней
• SWA07 – Доля новых клиентов за последние 60 дней

1.3 Занятость помещения

Занятость пространства - это количество людей, оставшихся на сайте в определенный момент времени. Это эквивалентно Накопительный подсчет IN вычесть Накопительное количество ВЫХОДОВ.

Заполняемость

(Накопительный IN - Накопительный ВЫХОД)

Накопительный подсчет IN представляет собой сумму всех подсчетов IN с начала рабочего часа до текущего времени. Эти данные обновляются мгновенно. Аналогично для Накопительное количество ВЫХОДОВ.

1.3.1 Накопительная ошибка

Нет счетчик людей 100% точность. В течение дня в нем будет накопление ошибок.

 

1.3.2 Режимы присутствия

Есть два режима присутствия: Наивная оккупация и Умное размещение.

Сравнения	Наивная оккупация	Умное размещение
Формула	ВХОД - ВЫХОД	IN - OUT + исправление ошибок
Исправление ошибок	×	√
Требуется сбор образца данных истории	×	√ (автомат)
Панель управления в реальном времени	√	√
Отчет с историческими данными	√	√
Показатель на уровне сайта	√	√
Показатель на уровне площади	√	√
точность	High	Высший
Сумма данных уровня области равна данным уровня отрасли	√	×(смотрите примечание)
Режимы	×	Режим 1 и Режим 2
Подробнее	Раздел 15.3.1.4	Раздел 15.3.1.5 & Раздел 15.3.1.6

1.3.2.1 Рекомендуемые варианты использования

В общем, Умное размещение является предпочтительным вариантом почти для всех ситуаций, кроме сайтов с низким объемом трафика.

Случаи использования	наивный	Smart
Супермаркеты или продуктовые магазины с большой посещаемостью	×	√
Заполнение туалета	×	√
Рестораны или столовые	×	√
Контроль вместимости через приборную панель или автоматические ворота	×	√
Библиотека или ювелирные магазины с небольшой посещаемостью	√	×
Выставки	×	√
Кинотеатры	×	√

1.3.2.2 Наивная занятость

График занятости обычно выглядит как кривая в форме колокола с пиком занятости где-то между часами работы. Некоторые могут иметь несколько пиков, что указывает на несколько часов пик.

Из-за накопительной ошибки Naive Occupancy может иметь значительную ошибку ближе к концу рабочего времени.

 

1.3.2.3 (Smart Occupancy) Коррекция ошибок в реальном времени

Поскольку заполняемость обновляется мгновенно и отображается на Панель мониторинга занятости, исправление ошибок в реальном времени применяется к Naive Occupancy, чтобы минимизировать накопленную ошибку. Это гарантирует, что:

• Занятость более точна по отношению к фактическому подсчету
• Заполняемость никогда не опускается ниже 0 до отрицательных чисел
• Загруженность приближается к нулю в конце рабочего времени

 

За кулисами система использует Продвинутое моделирование ИИ to инкапсулирует тенденцию занятости за последние 14 дней или более и генерирует прогнозную модель, которая точно уменьшает совокупную ошибку занятости.

Живая занятость

Наивная занятость + исправление ошибок в реальном времени

Есть две разные Режимы для Умное размещение.

Режим 1	Режим 2
Пользы Расширенное статистическое моделирование для обобщения моделей занятости участка / территории.	Срок действия человека истекает при превышении настроенного срок действия.
Не требует ввода данных пользователем.	Пользователь должен установить срок действия.
Требуется сбор исторических данных (автоматический).	Не требует сбора исторических данных.
Подходит для сайтов с высокой посещаемостью, например: продуктовых магазинов, супермаркетов, ресторанов, выставок.	Подходит для ситуаций, когда продолжительность посещения известна и довольно постоянна, например: заполненность туалета, кинотеатр.

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

1.3.2.4 (Smart Occupancy) Коррекция ошибок постобработки

Для использования данных предыдущего дня в Отчет о занятости помещений, исправление ошибок постобработки применяется к занятости на основе общей суточной несоответствия In Out. Это имеет тот же эффект, что и «Коррекция ошибок занятости в реальном времени», за исключением того, что сейчас выполняется постобработка.

Историческая занятость

Живое присутствие + исправление ошибок постобработки

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

1.3.3 Коды показателей

Ключевыми показателями, используемыми для занятости помещений, будут:

• PSO01 — Наивная занятость
• SSO02 — Занятость и вместимость
• PSO05 – Интеллектуальная занятость

1.4 Подсчет групп

Подсчет групп идентифицирует один или больше люди как одна коллективная единица и объединяет их вместе. В траектория слежения человека анализируется по отношению к другому человеку, и расширенная логика фильтрации на основе порогового значения расстояния между людьми, скорости траектории, направления и продолжительности, применяются для обеспечения точного группового подсчета.

Подсчет групп открывает возможности для улучшения данных и показателей:

• В розничной торговле 1 семейная группа считается 1 покупательной единицей. Подсчет групп обеспечивает более точный конверсия продажи Метрика.
• При расчете времени ожидания в очереди 1 пара пары рассматривается как 1 единица ожидания. Подсчет групп обеспечивает более точную метрику времени ожидания.

Требования:

• Применимо к прошивке счетчика v3.4.2 и выше, которая может быть обновлена ​​с минимальной версии v3.3.0.
• Подсчет групп в настоящее время доступен для стандартный подсчет шагов Только. Это совместимо с исключением персонала. Доступность для подсчета площади, подсчета очереди и подсчета тепловой карты все еще в стадии разработки.

Групповой подсчет предназначен для работы вместе с другими алгоритмами подсчета в качестве дополнительной отдельной обработки.

Это означает, что если счетчик настроен для стандартного подсчета входов + подсчета групп, будет собираться 2 отдельных набора данных:

• данные подсчета входов
• дополнительный данные группового подсчета

Например, если через вход проходит 1 посетитель, счетчик соберет оба:

• 1 посетитель IN
• 1 группа IN

Следовательно, это не рекомендуется объединить стандартные данные подсчета шагов и данные группового подсчета, так как это вызовет дублирование данных.

1.4.1 Логика группировки

При групповом подсчете используются алгоритмы кластеризации для обработки трехмерных координат местоположения людей, появившихся в зоне слежения, и создания групп людей, которые остаются рядом друг с другом. Пороговое значение расстояния используется для управления логикой группировки, так что человек будет отнесен к существующей группе, если относительное расстояние человека от группы находится в пределах порогового значения расстояния. Ниже приведены два примера сценария, которые иллюстрируют, как формируются группы при подсчете групп.

Для сценария с ≤ 3 человека в зоне слежения, люди, которые остаются в пределах фиксированного порогового расстояния друг от друга, будут рассматриваться как группа. Как показано на рисунке 15.4.1, P1 и P2 находятся достаточно близко друг к другу (т. Е. Расстояние между ними ≤ порогового значения расстояния) и образуют группу из 2 человек, тогда как P3, который находится на расстоянии, превышающем фиксированный порог расстояния от обоих P1 и P2 сам образуют группу из 1 человека. Обычно используемое пороговое значение расстояния находится в диапазоне от 1 м до 1.5 м (может регулироваться в зависимости от среды места установки). 

Для сценария с более чем 3 людьми в зоне слежения применяется более продвинутая методика кластеризации для иерархической идентификации групп людей с использованием нескольких уровней порогового расстояния, которые определяются динамически на основе распределения местоположения всех людей в зоне слежения. . Например, как показано на рис. 15.4.2, в котором всего 5 человек, наша логика группирования идентифицирует 3 уникальные группы, описанные ниже:

• P1 и P2 находятся на расстоянии 1.3 м друг от друга и образуют группу G1 из 2 человек,
• P3 и P4 находятся на расстоянии 0.7 м друг от друга и образуют группу G2 из 2 человек,
• P5 находится на расстоянии 2.5 м от группы G1 и 2.0 м от группы G2, таким образом формируя группу G3 из 1 человека.

Группы G1 и G2, которые находятся на расстоянии 2 м друг от друга, НЕ образуют группу. Обратите внимание, что порог расстояния больше не является фиксированным значением (как в сценарии ≤ 3 человек), а определяется динамически, чтобы адаптироваться к изменяющемуся распределению местоположения всех людей в зоне слежения, что позволяет формировать группы с различным уровнем плотности.

1.4.2 Логика фильтрации

Логика фильтрации применяется к выходу логики группировки для дальнейшего уточнения результатов группировки. В отличие от логики группировки, которая принимает только последние координаты местоположения людей в качестве входных данных для выполнения группировки, логика фильтрации учитывает траекторию отслеживания каждого человека в зоне отслеживания, чтобы проанализировать направление и скорость их движения, чтобы обеспечить точную группировку и удалить ложную группировку. Реализованы два типа механизма фильтрации, а именно фильтрация по направлению и фильтрация по скорости, которые применяются к результатам группирования последовательно, причем фильтрация по направлению предшествует фильтрации по скорости.

A. Направление фильтрации
Цель фильтрации по направлению - разделить одну большую группу людей на несколько меньших групп путем сравнения разницы углов между каждым человеком в группе. Новая подгруппа будет сформирована, если есть хотя бы один человек, у которого разница углов превышает заданное пороговое значение после сравнения с другими людьми в группе.

Один из основных примеров, когда фильтрация направления помогает в групповом подсчете, заключается в том, что она идентифицирует группы людей, путешествующих в противоположном направлении, и предотвращает их отнесение к одной большой группе, когда они приближаются друг к другу и остаются относительно статичными в течение определенного периода времени в рамках отслеживания. зона.

Б. Фильтрация скорости

Для фильтрации по скорости, которая применяется к выходным данным фильтрации по направлению, ее основная функция состоит в том, чтобы идентифицировать выброс (человека, скорость движения которого значительно отличается от другого человека в группе) в группе и исключить выброс из группы. В случае, когда выброс временно приближается к существующей группе, которая оставалась статичной в течение некоторого времени, фильтрация скорости поможет предотвратить немедленное присоединение выброса к группе, но вместо этого будет рассматривать выброс как другую группу. 

Помимо фильтрации по направлению и скорости, подсчет групп также использует порог продолжительности, который можно регулировать, чтобы контролировать, насколько быстро может быть сформирована новая группа и насколько быстро может быть расформирована существующая группа.

1.4.3 Логика запуска подсчета групп

Данные группового подсчета будут активированы, когда:

• Группа инициировала счетное событие. Например, группа пересекла линию подсчета IN, и
• Все члены группы покинули зону слежения.

Внимание: Эта логика запуска не влияет на нормальный индивидуальный подсчет шагов, поскольку групповой подсчет - это отдельный процесс. Будет запущен индивидуальный подсчет шагов, как указано в эта секция.

Данные группового подсчета будут сохранены в следующих иллюстрированный * формат.

Последовательный порт устройства	Timestamp	Идентификатор линии	ИсГрупп
00000000xxxxxxxxx	12/2/2017 1:00pm	1	Да
00000000xxxxxxxxx	12/2/2017 1:03pm	1	Да
00000000xxxxxxxxx	12/2/2017 2:09pm	2	Да

Внимание: Информация о размере группы не сохраняется.

Затем данные группового подсчета будут загружены на сервер, как описано в эта секция.

* только для иллюстрации.

1.4.4 Метрики подсчета групп 

Ключевыми показателями, используемыми для подсчета посещаемости, будут:

• PFC21 – группа помех IN
• PFC22 — Выход группы шагов

1.4.5 Отображение результатов группового подсчета в режиме реального времени

На рисунке 15.4.3 показана общая информация, которая будет отображаться в режиме реального времени счетчика, когда включен подсчет групп, в том числе:

• Количество групп, обнаруженных в зоне отслеживания (в верхнем левом углу просмотра в реальном времени)
• Родитель группы (то есть человек, который был в группе дольше всех, отмечен красным кружком)
• Продолжительность каждого человека в группе (в секундах)
• Размер группы (отображается только под текстом продолжительности родительской группы)
• Желтая линия, соединяющая всех людей в одной группе

1.4.6 Общие правила защиты данных (GDPR)

1. Никакая PII (личная информация), такая как биометрические данные или лица, не собирается для обработки или анализа.
2. Нет никаких гарантий или предположений, что люди, объединенные в группу, имеют какие-либо социальные или биологические отношения.
3. Анализ основан исключительно на траектории и времени.
4. Один человек в группе будет помечен как лидер группы с единственной целью повышения точности подсчета групп. Любой может быть лидером группы, в отличие от (например) только старший из группы может быть лидером группы.

1.4.7 Ограничения 

• Отношения людей в одной группе не могут быть выведены с помощью группового подсчета на данном этапе, поскольку мы не собирали биометрическую, гендерную или лицевую информацию о людях.
• Не рекомендуется включать групповой подсчет на площадке с относительно небольшой зоной слежения, поскольку данных о траектории слежения людей будет недостаточно для группового подсчета для обработки и получения результатов группирования. Рекомендуемый минимальный размер зоны слежения должен быть не менее 3 х 3 м для удовлетворительной точности группового подсчета.

1.5 Подсчет видеоаналитики

Видеоаналитика использует алгоритм ИИ для обнаружения и отслеживания людей. Он используется в FootfallCam Centroid для получения данных о посещаемости. Ниже представлена ​​полная блок-схема типичной установки Centroid с IP-камерами, от того, как устройство получает данные от камер, до обработки данных и их загрузки на сервер.

Блок-схема видеоаналитики

1.5.1 Алгоритм ИИ

Алгоритм ИИ использует глубокую нейронную сеть, обученную методами машинного обучения, для идентификации и обнаружения человека. Он отслеживает только человека, который имеет высокую степень уверенности в алгоритме. Благодаря передовой технологии он имеет низкий уровень ложноотрицательных результатов. Он редко ошибочно распознает тележки или объекты как людей, потому что они визуально различимы.

Обнаружение человека

При желании можно выполнить демографический анализ каждого обнаруженного человека, чтобы получить больше информации на основе лица человека, такого как возраст, пол и эмоции. Это может дать хорошую статистическую сегментацию характеристик человека и полезно для измерения эффективности рекламных кампаний, понимания клиентской базы, получения выразительной обратной связи и т. д.

Ограничения:

• Может ошибочно обнаруживать человекоподобные структуры, такие как картины или гуманоиды.
• Не может обнаружить детей
• Может не обнаруживать заблокированного или закрытого человека в толпе
• Может не определять, находится ли человек слишком далеко или слишком размыто
• Включение демографического анализа может повлиять на нормальный Подсчет людей точность
• Демографический анализ работает только с лицом человека без маски.

1.5.2 Режимы счета

1.5.2.1 Подсчет входов-выходов

Зона слежения (красная) и линия In-Out

In Out Counting работает по:

• Отслеживание каждого человека, обнаруженного алгоритмом ИИ
• Постоянная проверка, находится ли человек в зоне слежения
• Если человек пересекает In-line или Out-line, регистрируется событие подсчета.
• Однако событие игнорируется, если человек совершает разворот.
• Когда человек покидает зону слежения, событие собирается и отправляется.

1.5.3 Сбор данных

Как только посетитель входит в зону отслеживания устройства и выходит из нее, одновременно активируя линию входа и выхода между ними, устройство запускает событие подсчета.

Данные будут сохранены в следующем формате:

Последовательный порт устройства	Timestamp	Идентификатор показателя	Идентификатор Рои	Комбинированный идентификатор типа объекта
142ххххххххх	12/2/2022 1:00pm	1	1	23311
142ххххххххх	12/2/2022 1:03pm	1	2	14511
142ххххххххх	12/2/2022 2:09pm	2	1	12311

Определения:

• Последовательный порт устройства
  • серийный номер устройства
• Timestamp
  • время, когда происходит событие
• Идентификатор показателя
  • 1: когда посетитель пересекает In-line
  • 2: когда посетитель пересекает Out-line
• Идентификатор Рои
  • ID камеры видеонаблюдения, где происходит событие
• Комбинированный идентификатор типа объекта
  • комбинация идентификаторов, которая кодирует данные о человеке, такие как демографический анализ

Данные хранятся в базе данных устройства до 14 дней.

На устройстве не хранятся конфиденциальные данные изображения человека или лица, позволяющие установить личность (PII).

1.5.4 Процесс загрузки данных

Данные, собранные каждым устройством, мгновенно загружаются на сервер по протоколу websocket. Данные также будут обрабатываться в режиме реального времени на сервере, поэтому на портале можно просматривать панель данных в реальном времени. Одним из примеров является приборная панель в режиме реального времени.

Как только данные поступают на сервер, они немедленно агрегируются на уровне сайта или области и легко доступны конечным пользователям для запроса через API подсчета данных. Пользователи могут извлекать данные с разной степенью детализации, например, за 1 минуту, 15 минут, 30 минут, ежечасно, ежедневно, еженедельно, ежемесячно или ежегодно.

Данные также доступны для исторической отчетности. Видеть Приложение B. Определение показателей как долго данные хранятся на сервере.

На сервер не отправляется конфиденциальная информация, позволяющая установить личность (PII).

1.5.5 Метрические коды

Метрические коды точно такие же, как Метрические коды подсчета шагов.