1.1腳步計數

在不同情況下使用不同的計數算法。 以下各節將說明FootfallCam使用的幾種算法的類型和差異。

1.1.1 標準 3D 算法

在正常情況下，FootfallCam^TM 使用標準的3D算法以達到最佳水平。 FootfallCam的最佳高度^TM 是2.5m至4.5m。

標準3D算法的工作原理是：

• 區分人的頭和肩點，形成跟踪他們運動的3D斑點和尾跡線。
• 它將不會使用掉頭區域將掉頭且未進入商店的人員計算在內。
• 它將通過高度檢測來區分孩子，成年人和無生命的物體，並形成深度圖。
• 在交通繁忙的情況下，它可以很好地工作，因為斑點和起點很清楚。
• 它可以在跟踪線的特定部分應用排除線，這是工作人員經常使用的以避免計算工作人員人數的方法。

標準實時取景	不計掉頭
不算孩子	帶小車的人計為一

 

1.1.2面積計數算法

區域計數算法通過使用3D斑點跟踪技術來跟踪區域中的每個人，從而在有多個人進入區域時支持多次計數。 這也防止了個人的過度計數。 該算法自動跟踪人員進入區域的持續時間（可調），並且一旦該人員超過持續時間閾值，該人員將被視為進入，如果人員離開該區域，則將被視為離開。

停留一定時間	區域中的多次計數
運動中的隨機模式	沒有特定入口

區域計數最適合

• 沒有特定入口的商店。 這意味著任何訪客都可以進入和離開商店的任何方向。
• 存儲訪客將以隨機模式行走的位置，而不僅僅是進入和離開。 這通常是由於計數區附近的庫存陳列引起的，從而導致訪客與陳列進行交互。
• 跟踪區域非常有限，並且步行距離不足以使標準3D計數算法正常工作。

區域計數限制

• 排除行不適用，因為它不使用計數行。

 

1.1.3數據收集

對於標準3D算法，一旦訪客在觸發之間的進出線時進入和退出設備的跟踪區域，就會觸發計數。 至於區域計數，一旦訪客停留在設備的跟踪區域中的時間超過設置的閾值，就會觸發計數。

然後，數據將以以下格式保存：

設備序列號	時間戳	LINE ID
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

設備序列號指示數據來自哪個設備，時間戳記指示對訪客進行計數的時間，線路ID指示相應的訪客觸發了哪條線路。

1.1.4數據上傳過程

然後，每台設備收集的數據將以15分鐘的間隔上載到服務器，該間隔將在7天后清除。 但是，數據上傳過程非常依賴於站點的互聯網連接。 如果速度太慢，數據上傳速度也會降低，這將進一步影響報表中的數據顯示。

數據上傳到服務器後，以後將根據特定區域或站點的報告要求將其匯總為每小時和每天。 直到將設備從其站點釋放後，聚合的數據才會被刪除。

1.1.5銷售轉換

銷售轉換是一個簡單的問題，將訪客在同一時間段內在同一時間段內商店的交易次數相除。 該結果使經理可以更深入地了解商店的績效。 例如，高客流量將意味著這家商店從外部客流量吸引了許多顧客，但轉換率低則表明它在最大化銷售機會方面做得不好。

1.1.6 度量代碼

用於客流量統計的關鍵指標是：

• PFC01 - 人流量統計
• PFC02 - 客流量統計
• SFC03 - 輸入輸出差異
• PFC07 - 總交易計數
• PFC08 - 總銷量
• SFC09 - 訪客數到銷售額的轉換

1.2 Wi-Fi分析

除了由跟踪算法觸發的計數外，還有可以由Wi-Fi信號觸發的計數。

1.2.1 數據覆蓋率

Footfall Counter中的Wi-Fi模塊的工作方式與任何其他啟用Wi-Fi的設備一樣，因為它可以從附近的其他啟用Wi-Fi的設備中獲取Wi-Fi信號。 Wi-Fi模塊可以收集100m半徑內啟用Wi-Fi的設備發出的Wi-Fi信號。 但是，由於商店內壁的設置，實際的工作範圍可能會減小。

沒有關閉Wi-Fi功能的智能手機要么連接到Wi-Fi接入點，要么正在尋找要連接的智能手機。 為此，它們發出Wi-Fi消息-如果已連接，則發送數據消息，如果進行搜索，則發出探測信號，通知接入點作出響應。 這些信號的頻率會有所不同，具體取決於智能手機供應商和設備狀態，但通常，它們平均每分鐘會出現XNUMX到XNUMX個信號。

1.2.1.1 關於 MAC 隨機化及其檢測方式

MAC 隨機化成為網絡行業的一部分已有一段時間，涉及在設備發出探測請求時更改設備的 MAC 地址。 這有助於防止跟踪未連接的設備。 然而，隨著最新操作系統（例如 iOS 14/WatchOS 7、Android 10+ 和某些版本的 Windows 10）的發布，這種情況正在發生變化。這些系統現在不僅在發現階段而且在設備運行期間隨機化 MAC 地址已連接到網絡。

對於配備MAC Randomization技術的智能手機，它不會影響通過Wi-Fi分析產生的數據的統計準確性。 MAC 地址的隨機化只會影響未連接到移動網絡的移動設備。 另外，當MAC Address被隨機化時，它變成了一個與真正的MAC Address不同的無意義的MAC Address。

識別隨機 MAC 地址很簡單。 MAC 地址的 OUI 部分有一個設置位來指示隨機地址或本地管理地址。 只需檢查 MAC 地址中的第二個字符，如果它是 2、6、A 或 E，則它是一個隨機地址。 例如，Wi-Fi 地址 92:B1:B8:42:D1:85 是隨機的，因為它的第二個字符是 2。我們的流量計數器將過濾掉 Wi-Fi 傳感器拾取的無意義的 MAC 地址，並排除它來自計數數據。

1.2.2統計抽樣

Wi-Fi計數的主要功能是使用訪客智能手機發出的Wi-Fi信號來估算給定區域內人員的交通流量。 但是，並非每個人都攜帶智能手機，有些人可能攜帶多個iPad等Wi-Fi設備。

我們的Wi-Fi計數算法可以克服上述限制，並通過使用統計採樣提供準確的流量近似值。 這樣可以確保即使不是每個訪客都會貢獻Wi-Fi數據，因為 並非每個訪客都會攜帶手機，這些用戶只佔訪問者總數的一小部分，並且不會帶來很大的誤差。

統計採樣廣泛用於許多不同的行業，例如電視收視率和選舉輪詢。 尼爾森公司（Nielsen Company）使用先進的採樣技術來衡量和報告全球電視行業的收視率和收視率。 例如，在美國，公司會選擇在其中安裝監視觀看習慣的小型設備的房屋。

選舉民意測驗中使用了另一個示例。 多年來，民意調查都是通過電信或人與人之間的聯繫進行的。 儘管在大多數領域中它們被廣泛接受，但是方法和技術各不相同。 一些民意測驗組織，互聯網調查，是從一大批志願者那裡抽取樣本，並對結果進行加權以反映感興趣人口的統計數據。

1.2.3 Wi-Fi 數據規範化

歸一化通常用於將統計數據轉換為現實生活中的數字。 例如，將標準化係數應用於檢測到的Wi-Fi設備的數量，以將其轉換為該地區的人數。

通過使用“視頻計數”將進入網站的人數與檢測到已經走進門口的Wi-Fi設備的數量相關聯，該計數器使用最近兩週的數據來建立統計資料，並估算攜帶該信息的人數百分比智能手機。

這個統計模型是基於計數器的； 也就是說，每個計數器都有自己的統計模型，該模型會根據人們的人口統計特點及其周圍的Wi-Fi特性自動進行調整。

 

1.2.4 數據收集

然後，已收集的數據將保存到我們的數據庫中，包括設備序列號，信號強度，Mac地址和時間戳。

以下是Wi-Fi數據的數據收集方法：

1. Wi-Fi數據將從設備安裝位置周圍的人群中收集。
2. 設備中插入的Wi-Fi加密狗將是不斷獲取由具有Wi-Fi功能的設備（如智能手機，平板電腦等）發送的Wi-Fi信號的模塊。
3. Mac ID在設備中以信號強度和時間戳進行處理，如下表所示：

散列的Wi-Fi Mac地址	檢測時間	信號強度
AAA	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
CCC	12/2/2017 2:09pm	-100

這些設備的原始MAC地址將存儲在數據庫中，並不斷地（每小時）上傳到中央服務器，以在報告中進行進一步匯總。 FootfallCam會收集此數據，然後每小時將其安全地轉發到FootfallCam Cloud進行處理和分析。

用於MAC地址的哈希算法是PBKDF2WithHmacSHA256，它是為密碼哈希設計的，因此它是一種慢速算法。 這對於密碼哈希非常有用，因為它可以減少攻擊者在進行字典攻擊時可以哈希的密碼數量。 在密碼中添加鹽會降低使用預先計算的哈希值進行攻擊的能力，這意味著必須單獨測試多個密碼，而不是一次測試所有密碼。 標準建議鹽長度至少為64位。 美國國家標準技術研究院建議鹽長度為128位，而FootfallCam在這種情況下使用的是256位。

 

1.2.5 數據處理與分類

每小時將數據流傳輸到FootfallCam Cloud中時，所有檢測到的設備都將在時間序列數據庫中分類，並且採用了強大的算法來對所有檢測到的設備進行概要分析，並進一步將數據分類為幾個值：

1. 通過信號強度Wi-Fi探頭和置信度來區分Mac ID收集為“通過”和“進入存儲區”。
2. 進一步映射“訪問持續時間”，以獲取“首次看到”和“最後看到”，其中條件是從在2個不同時間戳接收的探針檢測到的最高信號強度。

單獨的信號強度是一種粗略的近似方法，並且不准確，因為Wi-Fi信號在不同的環境設置中會發生變化。 此外，信號強度取決於許多實時環境條件。

加上探測次數，時間戳，置信度和閾值，將提高Wi-Fi數據的準確性。 Wi-Fi閾值有兩個：閾值1過濾器弱信號，其遠離計數器。 閾值2捕獲了存儲流量中的強信號強度。 低於閾值1的所有探測請求詳細信息將存儲在設備中的原始mac數據庫表中。 服務器端將通過將每日數據匯總到分析中來處理mac地址列表，以計算停留時間並返回客戶價值。

 

1.2.5.1商店中安裝了多個計數器

當單個商店中安裝了多個計數器時，來自計數器的計數數據將被上載到數據庫中，以進行進一步處理，以防止單個人計數過多。 此過程將確保FootfallCam生成的計數數據是真實的，並準備由用戶的商務智能係統進行進一步的分析處理。

計數數據	櫃檯1 +櫃檯2 +櫃檯3

當單個商店中安裝了多個計數器時，Wi-Fi計數數據將上傳到中央數據庫，以過濾掉重複的MAC地址條目。 重複的MAC地址將不會用於數據聚合。 此方法可防止單個MAC地址的超計數被計數兩次。

Wi-Fi數據

櫃檯1 +櫃檯2 +櫃檯3

如果在一個寬闊的入口中安裝了多個計數器，則需要保守地繪製跟踪區域和計數線。 一個計數器上繪製的跟踪區域和計數線不得與另一計數器上繪製的計數區域和跟踪線重疊。 這是必要的，以防止過多地統計訪客數據，同時可能導致不正確的訪客數和偽造的銷售費率數據。

1.2.5.2 員工設備MAC地址排除

如果工作人員攜帶打開 WiFi 的設備，其 MAC 地址也會被人流量設備捕獲。 您可以在站點頁面手動排除員工的設備MAC地址。 參考 部分15.5 一步一步的指導。

1.2.5.3 平均訪問時長

我們可以透過 Wi-Fi 訊號強度的 2 個峰值來獲得客戶訪問時長，因為它們是距離安裝設備的入口最近的位置。 如果設定檔有兩個高於定義的訊號強度閾值的峰值，則將它們識別為訪客的 IN 時間和 OUT 時間。

最長訪問時間-有些訪問者可能在同一天多次訪問該網站。 最長訪問持續時間是指訪問者可以一次停留在網站上的最大合理訪問次數。 默認值為2小時。

例如，

訪客A：第一次訪問=> 1:05 pm至1:30 pm第二次訪問=> 4:05 pm至5:43 pm

結果：2次訪問。 第一次訪問是25分鐘。 第二次訪問是98分鐘。

首先，訪問持續時間是根據來自用戶智能手機的唯一標識符（MAC ID探針）來衡量的。

訪問時間	時間（入）-時間（出）

條件：

1. 定義Wi-Fi跟踪的邊界
2. 排除人員列表和設備列表

 訪問持續時間類別的聚合

FootfallCam還將訪問持續時間數據收集進一步分為3類。 默認情況下，在15分鐘以下，15分鐘到30分鐘之間以及30分鐘以上。

具有多個計數器的站點的訪問持續時間

透過將站點入口所有設備的Wi-Fi追蹤資訊上傳到中央伺服器，伺服器進行分析並估算Wi-Fi設備的IN和OUT時間。 該系統將聚合站點內所有櫃檯的 Wi-Fi 追蹤資訊。

1.2.6 Wi-Fi 指標代碼

Wi-Fi 模組使用的關鍵指標包括：

• PWA01 - 外部流量
• SWA02 - 上交率
• PWA03 - 平均訪問時長
• SWA04 - 過去 14 天內的回頭客率
• SWA05 - 過去 60 天內的回頭客率
• SWA06 - 過去 14 天內的新客戶率
• SWA07 - 過去 60 天內的新客戶率

1.3空間佔用

空間佔用率是在給定時間停留在站點中的人數。 相當於 累計IN數 扣除 累計OUT計數.

佔用	（累積IN-累積OUT）

累計IN數 是從工作時間開始到當前時間的所有IN計數的總和。 該數據被即時更新。 同樣的 累計OUT計數.

1.3.1累積誤差

沒有 人流量統計器 是100％準確。 隨著時間的流逝，它將累積誤差。

 

1.3.2佔用模式

有兩種入住模式： 天真佔用 和 智能入住.

比較	天真佔用	智能入住
公式	進出	IN-OUT +糾錯
糾錯	×	√
需要歷史數據樣本收集	×	√（自動）
實時儀表板	√	√
歷史數據報告	√	√
網站級別指標	√	√
區域級別指標	√	√
準確性	高	更高
區域級別數據總和等於分支級別數據	√	×（見說明）
模式	×	模式1和模式2
更多資訊	第15.3.1.4	第15.3.1.5 & 第15.3.1.6

1.3.2.1推薦用例

一般來說， 智能入住 對於幾乎所有情況（流量較低的網站除外）都是首選。

用例	幼稚的	智能
客流量大的超市或雜貨店	×	√
廁所佔用	×	√
餐廳或食堂	×	√
通過儀表板或自動登機口控制佔用能力	×	√
客流量低的圖書館或珠寶店	√	×
展覽	×	√
電影院	×	√

1.3.2.2天真佔用

佔用圖通常看起來像鐘形曲線，佔用峰值在工作時間之間的某個地方。 有些可能有多個高峰，表示多個高峰時間。

由於累積錯誤，天真佔用率可能會在營業時間結束時出現嚴重錯誤。

 

1.3.2.3（智能佔用）實時錯誤糾正

由於入住人數會即時更新並顯示在 實時佔用儀錶盤, 實時糾錯 應用於天真佔用，以最大程度地減少累積錯誤。 這樣可以確保：

• 實際入住人數更準確
• 佔用率從不超過0到負數
• 營業時間結束時，入住率接近0

 

在後台，系統使用 先進的AI建模 封裝過去14天或更長時間內的佔用趨勢，並生成可準確減少累積佔用誤差的預測模型。

居住人數	天真佔用+實時錯誤校正

有2 模式 對於 智能入住.

模式1	模式2
用途 高級統計建模 概括站點/區域的佔用模式。	如果超過配置的人數，將使一個人的居住期到期 有效期.
不需要用戶輸入。	用戶必須設置有效期限。
需要收集歷史數據（自動）。	不需要收集歷史數據。
適用於高流量站點，例如：雜貨店，超市，飯店，展覽館。	適用於訪問持續時間已知且相當恆定的情況，例如：廁所佔用，電影院佔用。

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

1.3.2.4（智能佔用）後處理錯誤糾正

有關前一天數據的佔用情況 太空佔用報告, 後處理錯誤糾正 會根據每日進出差額的整體差異應用到“佔用率”。 這與實時佔用錯誤校正具有相同的效果，只不過它現在處於後期處理中。

歷史佔有率

實時佔用+後期處理錯誤糾正

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

1.3.3 度量代碼

用於空間佔用的關鍵指標是：

• PSO01 - 天真佔用
• SSO02 - 入住率與容量
• PSO05 - 智能佔用

1.4 分組計數

分組計數標識 一個或多個 個體作為一個集體單位並將它們聚集在一起。 這 跟踪軌跡 正在分析與其他個體相關的個體，並且 高級過濾邏輯 基於人與人的距離閾值，應用軌跡速度、方向和持續時間，以確保准確的群體計數。

分組計數為更好的數據和指標開闢了可能性：

• 在零售中，1 個家庭組被視為 1 個購買單位。 分組計數提供更準確 銷售轉換 指標。
• 對於隊列等待時間計算，1 對夫婦被視為 1 個等待單元。 組計數提供了更準確的等待時間指標。

要求：

• 適用於計數器固件v3.4.2及以上版本，最低可從v3.3.0升級。
• 組計數目前可用於 標準客流量計數 只要。 它與員工排除兼容。 區域計數、隊列計數和熱圖計數的可用性是 仍在進行中.

組計數旨在與其他計數算法一起作為附加的單獨處理工作。

這意味著，如果計數器配置為標准入口計數 + 組計數，將收集 2 組單獨的數據：

• 入口計數數據
• 額外 分組計數數據

例如，如果有 1 位訪客從入口進入，櫃檯將同時收集：

• 1 位訪客
• 1組輸入

因此它是 不可取 合併標準客流量統計數據和分組統計數據，因為這會導致數據重複。

1.4.1 分組邏輯

在群體計數中，採用聚類算法處理出現在跟踪區域中的人的 3D 位置坐標，並生成彼此靠近的人群。 距離閾值用於控制分組邏輯，以便如果該人與該組的相對距離在該距離閾值內，則該人將被分配到現有組。 下面是兩個示例場景，說明在運行組計數時如何形成組。

對於跟踪區域內≤ 3 人的場景，將彼此保持在固定距離閾值內的人視為一個組。 如圖 15.4.1 所示，P1 和 P2 彼此足夠接近（即它們之間的距離≤ 距離閾值）並形成一個 2 人組，而 P3 位於兩者之間的距離大於固定距離閾值P1 和 P2 自己組成一組 1 人。 常用距離閾值範圍為1m～1.5m（可根據安裝現場環境調整）。 

對於跟踪區域內超過3人的場景，採用更先進的聚類技術，根據跟踪區域內所有人員的位置分佈動態確定多級距離閾值，以分層方式識別人群. 例如，如圖 15.4.2 所示，總共有 5 個人，我們的分組邏輯將識別出以下描述的 3 個獨特的組：

• P1 & P2 相距 1.3m，形成 1 人的 G2 組，
• P3 & P4 相距 0.7m，形成 2 人的 G2 組，
• P5距G2.5組1m，距G2.0組2m，形成3人的G1組。

相距 1m 的 G2 和 G2 組不要組成一個組。 請注意，距離閾值不再是固定值（如≤ 3 人的場景），而是動態確定以適應跟踪區域內所有人員的位置分佈變化，從而能夠形成不同密度級別的組。

1.4.2 過濾邏輯

對分組邏輯的輸出應用過濾邏輯以進一步細化分組結果。 與分組邏輯僅以人的最新位置坐標作為輸入進行分組不同，過濾邏輯通過獲取跟踪區域內每個人的跟踪軌跡來分析其運動方向和速度，從而進行細粒度分組並去除錯誤分組。 有兩種過濾機制正在實現，即方向過濾和速度過濾，它們以順序方式應用於分組結果，方向過濾先於速度過濾。

A. 方向過濾
方向過濾的目的是通過比較組內每個人之間的角度差，將一大群人分成多個較小的組。 與組內其他人進行比較後，如果至少有一個人的角度差超過預設閾值，則形成新的子組。

方向過濾有助於群體計數的一個基本示例是，它將識別以相反方向行駛的人群，並防止他們在彼此靠近並在跟踪期間保持相對靜止時被分配到一個大群體區。

B. 速度過濾

速度濾波應用於方向濾波的輸出，其主要功能是識別組中的離群點（移動速度與組內其他人有顯著差異的人），並將離群點從組中排除。 在異常值暫時靠近已保持靜態一段時間的現有組的情況下，速度過濾將有助於防止異常值立即加入該組，而是將異常值視為另一個組。 

除了方向和速度過濾之外，組計數還利用可以調整的持續時間閾值來控制新組的形成速度和現有組的解散速度。

1.4.3 組計數觸發邏輯

在以下情況下將觸發分組計數數據：

• 組已觸發計數事件。 例如，小組已經越過了 IN 計數線，並且
• 全部 該小組的成員已離開跟踪區。

備註：此觸發邏輯不會影響正常的個人客流量計數，因為分組計數是一個單獨的運行過程。 個人客流量計數將按照 本節.

分組計數數據將保存在以下位置 插圖* 格式。

設備序列號	時間戳	LINE ID	組
00000000xxxxxxxxx	12/2/2017 1:00pm	1	是
00000000xxxxxxxxx	12/2/2017 1:03pm	1	是
00000000xxxxxxxxx	12/2/2017 2:09pm	2	是

備註：不存儲組大小信息。

組計數數據然後將按照中所述上傳到服務器 本節.

* 僅用於說明目的。

1.4.4 組計數指標 

用於客流量統計的關鍵指標是：

• PFC21 - 客流量組 IN
• PFC22 - 客流量組輸出

1.4.5 Liveview中分組計數結果的顯示

圖 15.4.3 描述了在啟用分組計數時將在計數器實時視圖上顯示的一些一般信息，其中包括：

• 在跟踪區域中檢測到的組數（在實時視圖的左上角）
• 組父（即入組時間最長的人，用紅圈標出）
• 一組中每個人的持續時間（以秒為單位）
• 組大小（僅顯示在組父的持續時間文本下）
• 連接同一組內所有人員的黃線

1.4.6 一般數據保護條例 (GDPR)

1. 不會出於處理或分析目的收集 PII（個人身份信息），例如生物識別或面部。
2. 不能保證或假設聚集在一個群體中的人們具有任何形式的社會或生物學關係。
3. 分析完全基於軌跡和時間。
4. 一個組中的一個人將被標記為組長，其唯一目的是提高組計數的準確性。 任何人都可以成為組長，而不是（例如）只有組中的長者才能成為組長。

1.4.7限制 

• 由於我們沒有收集人的生物特徵、性別或面部信息，因此在現階段無法通過群體計數來推斷同一群體中的人的關係。
• 不建議在跟踪區域相對較小的站點啟用分組計數，因為沒有足夠的人員跟踪軌跡數據供分組計數處理和生成分組結果。 建議的追踪區最小尺寸應至少為 3m x 3m，以獲得令人滿意的群體計數準確性。

1.5 視頻分析計數

Video Analytics 使用 AI 算法執行人體檢測和跟踪。 它用於 FootfallCam Centroid 生成客流量數據。 下面是帶有 IP 攝像頭的典型 Centroid 設置的完整流程圖，從設備如何從攝像頭獲取輸入，到處理數據並上傳到服務器。

視頻分析流程圖

1.5.1 人工智能算法

AI算法使用機器學習技術訓練的深度神經網絡來識別和檢測人類。 它只跟踪對算法有高度信心的人。 由於技術先進，誤報率低。 它很少會錯誤地將手推車或物體檢測為人類，因為它們在視覺上是截然不同的。

人體檢測

可選地，可以對檢測到的每個人進行人口統計分析，以根據人的面部（例如年齡、性別和情緒）獲得更多見解。 這可以對個人特徵進行良好的統計細分，並有助於衡量促銷活動的有效性、了解客戶群、獲得富有表現力的反饋等。

限制：

• 可能會錯誤地檢測出類人結構，例如繪畫或類人生物
• 可能無法檢測到兒童
• 在人群中可能無法檢測到被阻擋或被遮擋的人
• 可能無法檢測人類是否太遠或太模糊
• 啟用人口統計分析可能會影響正常 人流量統計 準確性
• 人口統計分析僅適用於沒有任何面具的人的正面

1.5.2 計數模式

1.5.2.1 進出計數

跟踪區（紅色）和進出線

In Out Counting 作品：

• 跟踪 AI 算法檢測到的每個人
• 不斷檢查人是否在跟踪區域內
• 如果人越過內線或外線，則記錄計數事件。
• 但是，如果人類掉頭，該事件將被忽略。
• 當人離開跟踪區域時，事件被收集並發送。

1.5.3數據收集

一旦訪客進入和退出設備的跟踪區域，同時觸發其間的進出線，設備就會觸發計數事件。

數據將以以下格式保存：

設備序列號	時間戳	指標 ID	投資回報率	組合對像類型 ID
142xxxxxxxxxx	12/2/2022 1:00pm	1	1	23311
142xxxxxxxxxx	12/2/2022 1:03pm	1	2	14511
142xxxxxxxxxx	12/2/2022 2:09pm	2	1	12311

定義：

• 設備序列號
  • 設備的序列號
• 時間戳
  • 事件發生的時間
• 指標 ID
  • 1：當訪客穿過 In-line
  • 2：當訪客越過大綱時
• 投資回報率
  • 事件發生的閉路電視攝像機的 ID
• 組合對像類型 ID
  • 編碼個人詳細信息的 ID 組合，例如人口統計分析

數據在設備數據庫中最多存儲 14 天。

設備中不存儲人或人臉的個人身份信息 (PII) 敏感圖像數據。

1.5.4數據上傳過程

每台設備採集的數據通過websocket協議即時上傳到服務器。 數據也將在服務器上實時處理，因此可以在門戶上查看實時數據儀表板。 一個例子是 實時佔用儀表板.

一旦數據到達服務器，它會立即聚合到站點或區域級別的粒度，並可供最終用戶通過以下方式查詢 計數數據API. 用戶可以檢索多個時間粒度的數據，例如 1 分鐘、15 分鐘、30 分鐘、每小時、每天、每週、每月或每年。

數據也可用於歷史報告。 看 附錄 B 度量定義 數據在服務器上存儲多長時間。

不會將人或人臉的個人身份信息 (PII) 敏感圖像數據發送到服務器。

1.5.5 公制代碼

公制代碼與 客流量統計公制代碼.