CN112347909A - 一种零售门店出入口客流统计方法 - Google Patents

一种零售门店出入口客流统计方法 Download PDF

Info

Publication number
CN112347909A
CN112347909A CN202011220064.4A CN202011220064A CN112347909A CN 112347909 A CN112347909 A CN 112347909A CN 202011220064 A CN202011220064 A CN 202011220064A CN 112347909 A CN112347909 A CN 112347909A
Authority
CN
China
Prior art keywords
store
data
computing platform
passenger flow
pedestrians
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011220064.4A
Other languages
English (en)
Other versions
CN112347909B (zh
Inventor
常谦
李徐洲
杨小敏
焦源
刘云辉
王宾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Bee Sparrow Network Technology Co ltd
Original Assignee
Shanghai Bee Sparrow Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Bee Sparrow Network Technology Co ltd filed Critical Shanghai Bee Sparrow Network Technology Co ltd
Priority to CN202011220064.4A priority Critical patent/CN112347909B/zh
Publication of CN112347909A publication Critical patent/CN112347909A/zh
Application granted granted Critical
Publication of CN112347909B publication Critical patent/CN112347909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种零售门店出入口客流统计方法，包括：边缘计算平台、云端计算平台，所述边缘计算平台通讯连接于云端计算平台，所述云端计算平台包括云端AI分析引擎、业务后端引擎、视频流媒体服务引擎，投资人智能运营APP、总部数据看板、智能运营平台通讯连接于边缘计算平台、云端计算平台，本发明有效去除频繁进出、短期进店等无效客流，可达到更准确的客流统计结果；可以获得个体客流在店内的驻留时长数据，对于后续精细化运营，提高客流驻留时长有非常大的参考价值；可以获得个体客流在店内的轨迹数据，对精细化运营提供数据参考依据。

Description

一种零售门店出入口客流统计方法
技术领域
本发明涉及客流统计方法技术领域，具体为一种零售门店出入口客流统计方法。
背景技术
日常生活中，人们用到人数统计的一个典型情形是用客流统计帮助大型商场、购物中心、连锁店、超市等商业改善经营管理。合理准确的客流数据，可以帮助商家实现合理调整业态及店铺布局、提高商场人气、改善店铺KPI、改善消费者体验等目的。事实上零售业有一个经典公式：门店销售额＝客流量×成交率×客单价。这一公式堪称零售业内第一定律，与电商的对应公式“销售额＝流量×转化率×客单价”本质上是同一事情。门店的“客流量”对应的就是电商的“流量”，流量对电商有多重要，客流量对线下的商业就有多重要。
因此，门店投资方和品牌方，都需要店面的一手客流数据。准确的统计客流数据，是所有精细化运营的开始。作为资方，借助客流情况和成交转换情况，可以把控自身的经营情况。作为品牌方，借助客流数据，可以评估门店的选址，决策区域的市场投放和活动举办等。通过数据分析，将有限的市场经费进行高效的投放。
通过对全国门店网络的大数据分析，可以监控整个销售体系的状况；找到客流异常的门店，针对性的指导和帮助提高门店的运营效率。客流分析数据采集环节所用的技术经历了“人工技术-红外感应装置-无线wifi探测-视频采集”的阶段性发展。
早期的客流分析主要采用了人工计数的方法，对某一时点的客流量进行抽查，这种方法不能做到实时监测，同时准确率也较低。后来的部分商家引入了基于红外线计数以及重力感应方式的客流统计系统，红外线方式有红外对射、红外反射两种。其主要的原理是检测从红外感应区域经过的人体遮挡红外线使其产生的电阻变化、或是通过检测人体发出的特定波长红外线来判断人体数量。与其他技术不同，WIFI技术检测的不是人体自身，而是靠通过检测人们携带的移动设备mac地址来间接进行人数统计.视频采集技术采用顶部垂直拍摄或倾斜拍摄的方式。
垂直拍摄的方式能够通过商场顶端的摄像头采集经过的顾客头部和肩部图像，有效避免了人与人之间的遮挡问题，同时获取数据为群体数据，受法律允许。对人头，肩等特征部位进行识别，以此区别任何其他物品。并能根据运动轨迹判定人的出入关系。其核心是运动目标检测和运动目标跟踪倾斜拍摄的方式。核心技术是通过进行运动区域检测算法来实现，其基本原理是固定摄像头中提取运动区域，根据这些运动区域进行统计。当运动区域的人的大小相似时，可以认为是有一个人通过当有多个人距离较近的时候，才用人体大小的先验知识把一个运动区域分割成多个人，从而对客流进行估算。当然，视频流是连续实时的运动区域的检测和分割，需要在每一帧不停地计算，此外还要对每一帧间的运动区域进行跟踪，把不同时间的运动区域联系起来。从而给出正确的客流和行人运动方向。
红外式的客流技术有以下问题：控制中心不能看到实时的视频，有些设备也不能区别经过的是人还是物体；当进出人数较多，或有多人同进出时，精度非常低；也无法判断人流的方向；
WIFI探针技术，由于这是一种间接检测方式，顾客可能存在不携带手机(比如老人、小孩)、手机关闭无线信号(这种情况随着4G无限流量业务的普及，会越来越普遍)、一人携带多个手机等复杂情况。这决定了它检测到的数据一定是部分数据，覆盖不了完整人群；它的结果更可能是一种有偏差的抽样结果，也许需要很多经验参数去辅助判断。如果在特定区域，这些经验参数不够稳定的话，很可能对检测结果带来非常大的影响。
目前主流的客流计数，已经过渡到了视频为核心的计数方式。当前基于视觉的客流分析系统主要有三个方面的不足：无法有效地剔除无效客流。即使结合了人脸识别系统，但因为客户在进店的时候，人脸未必朝着正前方，另外还有很多客户低头进入。所以，某一个客流频繁的进出、外卖和快递员的短期进入、销售顾问的进出,这些通称为无效的客流都无法做到有效剔除。个体数据不明确。因为当前的视频采集技术识别的是通用人的特征，而不是个体的特征，所以没有统计到个体的进店和个体的出店这些详细的数据。因此个体在店内的驻留时长数据缺失。无法做到个体进出闭环。另外，当前也缺少个体在店内的轨迹和驻留数据。即使当前有店内的热力摄像头去通过检测头肩的方式分析人在店内的区域热度。但得到的依然是群体数据，依然无法区分到个体的数据。深层次的用户分析和用户运营，依赖着多维度的个体数据采集和挖掘能力。因此，上述问题是客流分析系统发展过程中的关键问题之一。
发明内容
本发明所解决的技术问题在于提供一种零售门店出入口客流统计方法，以解决上述背景技术中提出的问题。
本发明所解决的技术问题采用以下技术方案来实现：一种零售门店出入口客流统计方法，包括以下步骤：
步骤(1).边缘计算平台接入RTSP视频流，通过硬件解码获得YUV图像信息；
步骤(2).将尺寸为1920x1080的图像经过vpss图像处理通道，缩小到416x416。缩小后的图像通过NPU进行行人目标检测，获取行人在416x416图像中的位置，该位置可经过等比换算后得到行人在1920x1080原图中的位置；
步骤(3).得到过线的行人，将yuv图像进行图像处理后发送给VENC进行硬件编码，得到编码后的尺寸为1920x1080的jpeg图像，把图形数据和其他辅助信息加密，得到加密后的密文数据，密文数据通过https的post方法，发送给AI引擎；
步骤(4).AI引擎通过http server的一个post接口，获得客户端提交的一份数据。数据经过解密后，由AI引擎进行分析计算；
步骤(5).首先通过数据中关于行人位置roiRects的描述，标记行人之间是否有较大程度的位置重叠；然后判断该数据是由门店出入口的客流监控采集的，还是由店内监控采集的，出入口采集的数据这里命名为KeyFrame，用于做客流统计和入店去重；店内监控采集的命名为refFrame，用于做店内轨迹参考；
步骤(6).如果当前是一个keyFrame，且行人位置重叠度大于规定的阈值，则只记录进店客流，不进行后续行人reid分析；如果当前是一个keyFrame，且行人位置重叠度小于规定的阈值，则通过预训练好的网络检测行人是否是销售顾问；如果是销售顾问则剔除；
步骤(7).如果当前是一个refFrame,且行人重叠度小于规定的阈值，则计算行人对应的reid特征向量，并将向量在refvec参考库中进行检索；如果有命中的特征向量重心，则记录更新这个特征代表的客流当前出现的大致区域和时间。这个数据用于店内个体客流分析；如果没有命中，通过预训练的网络预测这个行人是否是一个销售顾问。如果是一个销售顾问，则记录销售顾问当前出现的大致区域和时间，这个数据用于后期做销售顾问服务效率和接待时长的数据挖掘；
步骤(8).某个特征向量u对应的N个特征向量序列，T(xi)代表其入库的时间,所以实时的驻留时长为T(xN-1)-T(x0)这个数据可用于计算个体客流的停留时长,同时也可用于剔除短期入店的客流。
所述步骤(6)中如果非销售顾问，则通过reid引擎计算得到行人对应的一个512维的特征向量xnew；将此特征向量和参考库refvec中的每一个特征向量重心u进行比对。比对的方法是计算两个512维特征向量的欧式距离D，并和预设定的阈值进行比对；其中
Figure BDA0002761683130000051
如果refvec参考库为空，或者到refvec参考库中的所有特征向量重心的距离都大于阈值。则把该特征向量xnew加入refvec参考库中；加入参考库的算法为，每一个特征向量重心u由最近的N个距离相近的特征向量的均值求得；如果库为空，则指定x[0:N-1]＝xnew设定表征该特征向量的重心
Figure BDA0002761683130000052
如果小于阈值，则表明该行人的特征已经存在于库中,这就意味着一个人当日重复进店，这个客流就不会被记录；小于阈值的特征向量入库的方法是，将小于阈值的重心向量对应的N个特征向量x[1:N-1]进行一次左移操作，舍弃序列的第一个数据x1,并将xN-1设为xnew，xN-1＝xnew；更新重心向量u，
Figure BDA0002761683130000061
一种零售门店出入口客流统计系统，包括：边缘计算平台、云端计算平台，所述边缘计算平台通讯连接于云端计算平台，所述云端计算平台包括云端AI分析引擎、业务后端引擎、视频流媒体服务引擎，投资人智能运营APP、总部数据看板、智能运营平台通讯连接于边缘计算平台、云端计算平台，边缘计算平台部署在门店内，边缘计算平台的输入是门店出入口和店内的摄像头和NVR设备；输出数据流通过网络和云端的API对接，边缘计算平台对门店的视频进行初步的预处理和结构化，提取需要的数据源分发给云端计算平台。
所述边缘计算平台包括目标检测模块、目标跟踪模块、iGuard模块、OTA模块，所述目标检测对门店出入口和店内的行人和销售顾问进行目标检测，提取目标在图像中的位置；iGuard模块实现对视频平台网关，负责监控设备的搜索、管理；OTA模块热更新组件，实现动态系统更新。
所述目标跟踪模块对特征信息的跟踪，包括位置信息、特征点、头肩信息；系统跟踪阶段也采取了和特征相关的技术，有颜色特征、形状特征和位置特征；通过计算来比较前后两帧图像中所有人的特征，判定特征最相近的两人为同一人；通过比较所有的图像，得到一个人完整的轨迹；通过计算轨迹的条数，检测区域的客流；通过计算轨迹的方向，判断人是走入还是走出检测区域。
所述云端AI分析引擎通过人体特征和人脸特征计算处理平台计算处理后，行人reid和人脸信息，输出到业务后台，用spark去计算统计各种业务数据。
与现有技术相比，本发明的有益效果是：本发明有效去除频繁进出、短期进店等无效客流，可达到更准确的客流统计结果；可以获得个体客流在店内的驻留时长数据，对于后续精细化运营，提高客流驻留时长有非常大的参考价值；可以获得个体客流在店内的轨迹数据，对精细化运营提供数据参考依据。
附图说明
图1为本发明的架构原理示意图。
图2为本发明的方法流程示意图。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明，在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以两个元件内部的连通。
如图1、图2所示，一种零售门店出入口客流统计方法，包括以下步骤：
步骤(1).边缘计算平台接入RTSP视频流，通过硬件解码获得YUV图像信息；
步骤(2).将尺寸为1920x1080的图像经过vpss图像处理通道，缩小到416x416。缩小后的图像通过NPU进行行人目标检测，获取行人在416x416图像中的位置，该位置可经过等比换算后得到行人在1920x1080原图中的位置；
步骤(3).别到过线的行人，将yuv图像进行图像处理后发送给VENC进行硬件编码，得到编码后的尺寸为1920x1080的jpeg图像，把图形数据和其他辅助信息加密，得到加密后的密文数据，密文数据通过https的post方法，发送给AI引擎；
步骤(4).AI引擎通过http server的一个post接口，获得客户端提交的一份数据。数据经过解密后，由AI引擎进行分析计算；
步骤(5).首先通过数据中关于行人位置roiRects的描述，标记行人之间是否有高度位置重叠；然后判断该数据是由门店出入口的客流监控采集的，还是由店内监控采集的，出入口采集的数据这里命名为KeyFrame，用于做客流统计和入店去重；店内监控采集的命名为refFrame，用于做店内轨迹参考；
步骤(6).如果当前是一个keyFrame，且行人位置重叠度大于规定的阈值，则只记录进店客流，不进行后续行人reid分析；如果当前是一个keyFrame，且行人位置重叠度小于规定的阈值，则通过预训练好的网络检测行人是否是销售顾问；如果是销售顾问则剔除；
如果非销售顾问，则通过reid引擎计算得到行人对应的一个512维的特征向量xnew；将此特征向量和参考库refvec中的每一个特征向量重心u进行比对。比对的方法是计算两个512维特征向量的欧式距离D，并和预设定的阈值进行比对；其中
Figure BDA0002761683130000081
如果refvec参考库为空，或者到refvec参考库中的所有特征向量重心的距离都大于阈值。则把该特征向量xnew加入refvec参考库中；加入参考库的算法为，每一个特征向量重心u由最近的N个距离相近的特征向量的均值求得；如果库为空，则指定x[0:N-1]＝xnew设定表征该特征向量的重心
Figure BDA0002761683130000082
如果小于阈值，则表明该行人的特征已经存在于库中,这就意味着一个人当日重复进店，这个客流就不会被记录；小于阈值的特征向量入库的方法是，将小于阈值的重心向量对应的N个特征向量x[1:N-1]进行一次左移操作，舍弃序列的第一个数据x1,并将xN-1设为xnew，xN-1＝xnew；更新重心向量u，
Figure BDA0002761683130000091
步骤(7).如果当前是一个refFrame,且行人重叠度小于规定的阈值，则计算行人对应的reid特征向量，并将向量在refvec参考库中进行检索；如果有命中的特征向量重心，则记录更新这个特征代表的客流当前出现的大致区域和时间。这个数据用于店内个体客流分析；如果没有命中，通过预训练的网络预测这个行人是否是一个销售顾问。如果是一个销售顾问，则记录销售顾问当前出现的大致区域和时间，这个数据用于后期做销售顾问服务效率和接待时长的数据挖掘；
步骤(8).某个特征向量u对应的N个特征向量序列，T(xi)代表其入库的时间,所以实时的驻留时长为T(xN-1)-T(x0)这个数据可用于计算个体客流的停留时长,同时也可用于剔除短期入店的客流。
一种零售门店出入口客流统计系统，包括：边缘计算平台、云端计算平台，所述边缘计算平台通讯连接于云端计算平台，所述云端计算平台包括云端AI分析引擎、业务后端引擎、视频流媒体服务引擎，投资人智能运营APP、总部数据看板、智能运营平台通讯连接于边缘计算平台、云端计算平台，边缘计算平台部署在门店内，边缘计算平台的输入是门店出入口和店内的摄像头和NVR设备；输出数据流通过网络和云端的API对接，边缘计算平台对门店的视频进行初步的预处理和结构化，提取需要的数据源分发给云端计算平台。
所述边缘计算平台包括目标检测模块、目标跟踪模块、iGuard模块、OTA模块，所述目标检测对门店出入口和店内的行人和销售顾问进行目标检测，提取目标在图像中的位置；iGuard模块实现对视频平台网关，负责监控设备的搜索、管理；OTA模块热更新组件，实现动态系统更新。所述目标跟踪模块对特征信息的跟踪，包括位置信息、特征点、头肩信息；系统跟踪阶段也采取了和特征相关的技术，有颜色特征、形状特征和位置特征；通过计算来比较前后两帧图像中所有人的特征，判定特征最相近的两人为同一人；通过比较所有的图像，得到一个人完整的轨迹；通过计算轨迹的条数，检测区域的客流；通过计算轨迹的方向，判断人是走入还是走出检测区域。所述云端AI分析引擎通过人体特征和人脸特征计算处理平台计算处理后，行人reid和人脸信息，输出到业务后台，用spark去计算统计各种业务数据。
其中reid：行人重识别(Person Re-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种零售门店出入口客流统计方法，其特征在于：包括以下步骤：
步骤(1).边缘计算平台接入RTSP视频流，通过硬件解码获得YUV图像信息；
步骤(2).将尺寸为1920x1080的图像经过vpss图像处理通道，缩小到416x416；缩小后的图像通过NPU进行行人目标检测，获取行人在416x416图像中的位置，该位置可经过等比换算后得到行人在1920x1080原图中的位置；
步骤(3).得到过线的行人，将yuv图像进行图像处理后发送给VENC进行硬件编码，得到编码后的尺寸为1920x1080的jpeg图像，把图形数据和其他辅助信息加密，得到加密后的密文数据，密文数据通过https的post方法，发送给AI引擎；
步骤(4).AI引擎通过http server的一个post接口，获得客户端提交的一份数据；数据经过解密后，由AI引擎进行分析计算；
步骤(5).首先通过数据中关于行人位置roiRects的描述，标记行人之间是否有较大程度的位置重叠；然后判断该数据是由门店出入口的客流监控采集的，还是由店内监控采集的，出入口采集的数据这里命名为KeyFrame，用于做客流统计和入店去重；店内监控采集的命名为refFrame，用于做店内轨迹参考；
步骤(6).如果当前是一个keyFrame，且行人位置重叠度大于规定的阈值，则只记录进店客流，不进行后续行人reid分析；如果当前是一个keyFrame，且行人位置重叠度小于规定的阈值，则通过预训练好的网络检测行人是否是销售顾问；如果是销售顾问则剔除；
步骤(7).如果当前是一个refFrame,且行人重叠度小于规定的阈值，则计算行人对应的reid特征向量，并将向量在refvec参考库中进行检索；如果有命中的特征向量重心，则记录更新这个特征代表的客流当前出现的大致区域和时间；这个数据用于店内个体客流分析；如果没有命中，通过预训练的网络预测这个行人是否是一个销售顾问；如果是一个销售顾问，则记录销售顾问当前出现的大致区域和时间，这个数据用于后期做销售顾问服务效率和接待时长的数据挖掘；
步骤(8).某个特征向量u对应的N个特征向量序列，T(xi)代表其入库的时间,所以实时的驻留时长为T(xN-1)-T(x0)这个数据可用于计算个体客流的停留时长,同时也可用于剔除短期入店的客流。
2.根据权利要求1所述的一种零售门店出入口客流统计方法，其特征在于：所述步骤(6)中如果非销售顾问，则通过reid引擎计算得到行人对应的一个512维的特征向量xnew；将此特征向量和参考库refvec中的每一个特征向量重心u进行比对；比对的方法是计算两个512维特征向量的欧式距离D，并和预设定的阈值进行比对；其中
Figure FDA0002761683120000021
如果refvec参考库为空，或者到refvec参考库中的所有特征向量重心的距离都大于阈值；则把该特征向量xnew加入refvec参考库中；加入参考库的算法为，每一个特征向量重心u由最近的N个距离相近的特征向量的均值求得；如果库为空，则指定x[0:N-1]＝xnew设定表征该特征向量的重心
Figure FDA0002761683120000022
如果小于阈值，则表明该行人的特征已经存在于库中,这就意味着一个人当日重复进店，这个客流就不会被记录；小于阈值的特征向量入库的方法是，将小于阈值的重心向量对应的N个特征向量x[1:N-1]进行一次左移操作，舍弃序列的第一个数据x1,并将xN-1设为xnew，xN-1＝xnew；更新重心向量u，
Figure FDA0002761683120000031
3.一种零售门店出入口客流统计系统，包括：边缘计算平台、云端计算平台，所述边缘计算平台通讯连接于云端计算平台，所述云端计算平台包括云端AI分析引擎、业务后端引擎、视频流媒体服务引擎，投资人智能运营APP、总部数据看板、智能运营平台通讯连接于边缘计算平台、云端计算平台，边缘计算平台部署在门店内，边缘计算平台的输入是门店出入口和店内的摄像头和NVR设备；输出数据流通过网络和云端的API对接，边缘计算平台对门店的视频进行初步的预处理和结构化，提取需要的数据源分发给云端计算平台。
4.根据权利要求3所述的一种零售门店出入口客流统计系统，其特征在于：所述边缘计算平台包括目标检测模块、目标跟踪模块、iGuard模块、OTA模块，所述目标检测对门店出入口和店内的行人和销售顾问进行目标检测，提取目标在图像中的位置；iGuard模块实现对视频平台网关，负责监控设备的搜索、管理；OTA模块热更新组件，实现动态系统更新。
5.根据权利要求3所述的一种零售门店出入口客流统计系统，其特征在于：所述目标跟踪模块对特征信息的跟踪，包括位置信息、特征点、头肩信息；系统跟踪阶段也采取了和特征相关的技术，有颜色特征、形状特征和位置特征；通过计算来比较前后两帧图像中所有人的特征，判定特征最相近的两人为同一人；通过比较所有的图像，得到一个人完整的轨迹；通过计算轨迹的条数，检测区域的客流；通过计算轨迹的方向，判断人是走入还是走出检测区域。
6.根据权利要求3所述的一种零售门店出入口客流统计系统，其特征在于：所述云端AI分析引擎通过人体特征和人脸特征计算处理平台计算处理后，行人reid和人脸信息，输出到业务后台，用spark去计算统计各种业务数据。
CN202011220064.4A 2020-11-05 2020-11-05 一种零售门店出入口客流统计方法 Active CN112347909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011220064.4A CN112347909B (zh) 2020-11-05 2020-11-05 一种零售门店出入口客流统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011220064.4A CN112347909B (zh) 2020-11-05 2020-11-05 一种零售门店出入口客流统计方法

Publications (2)

Publication Number Publication Date
CN112347909A true CN112347909A (zh) 2021-02-09
CN112347909B CN112347909B (zh) 2022-07-26

Family

ID=74429694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011220064.4A Active CN112347909B (zh) 2020-11-05 2020-11-05 一种零售门店出入口客流统计方法

Country Status (1)

Country Link
CN (1) CN112347909B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669353A (zh) * 2021-03-16 2021-04-16 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机设备和存储介质
CN113012322A (zh) * 2021-02-20 2021-06-22 江苏云巅电子科技有限公司 一种基于蓝牙aoa的人流量远程统计系统
CN113095209A (zh) * 2021-04-07 2021-07-09 深圳海智创科技有限公司 一种客流的人群识别方法、系统及电子设备
CN113222637A (zh) * 2021-02-26 2021-08-06 深圳前海微众银行股份有限公司 门店访客信息的架构方法、装置、设备、介质及程序产品
CN115223442A (zh) * 2021-07-22 2022-10-21 上海数川数据科技有限公司 一种室内行人地图的自动生成方法
CN113095209B (zh) * 2021-04-07 2024-05-31 深圳海智创科技有限公司 一种客流的人群识别方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110044502A1 (en) * 2009-04-28 2011-02-24 Hisense State Key Laboratory Of Digital Multi-Media Technology Co., Ltd. Motion detection method, apparatus and system
CN104933710A (zh) * 2015-06-10 2015-09-23 华南理工大学 基于监控视频下的商店人流轨迹智能分析方法
CN105608419A (zh) * 2015-12-15 2016-05-25 上海微桥电子科技有限公司 一种客流视频侦测分析系统
CN108470157A (zh) * 2018-03-06 2018-08-31 杜潇 一种客户信息获取方法及系统
CN108985865A (zh) * 2018-08-27 2018-12-11 广州联欣自动识别技术有限公司 智能门店的顾客数据分析方法和系统
CN111476183A (zh) * 2020-04-13 2020-07-31 腾讯科技（深圳）有限公司 客流信息处理方法及装置
CN111881785A (zh) * 2020-07-13 2020-11-03 北京市商汤科技开发有限公司 客流分析方法及装置、存储介质和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110044502A1 (en) * 2009-04-28 2011-02-24 Hisense State Key Laboratory Of Digital Multi-Media Technology Co., Ltd. Motion detection method, apparatus and system
CN104933710A (zh) * 2015-06-10 2015-09-23 华南理工大学 基于监控视频下的商店人流轨迹智能分析方法
CN105608419A (zh) * 2015-12-15 2016-05-25 上海微桥电子科技有限公司 一种客流视频侦测分析系统
CN108470157A (zh) * 2018-03-06 2018-08-31 杜潇 一种客户信息获取方法及系统
CN108985865A (zh) * 2018-08-27 2018-12-11 广州联欣自动识别技术有限公司 智能门店的顾客数据分析方法和系统
CN111476183A (zh) * 2020-04-13 2020-07-31 腾讯科技（深圳）有限公司 客流信息处理方法及装置
CN111881785A (zh) * 2020-07-13 2020-11-03 北京市商汤科技开发有限公司 客流分析方法及装置、存储介质和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAO QIAN等: "The passenger flow counting research of subway video based on image processing", 《IEEE》 *
金剑锋等: "人脸识别技术在智能客流分析领域的实践应用", 《电信科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012322A (zh) * 2021-02-20 2021-06-22 江苏云巅电子科技有限公司 一种基于蓝牙aoa的人流量远程统计系统
CN113012322B (zh) * 2021-02-20 2023-09-29 江苏云巅电子科技有限公司 一种基于蓝牙aoa的人流量远程统计系统
CN113222637A (zh) * 2021-02-26 2021-08-06 深圳前海微众银行股份有限公司 门店访客信息的架构方法、装置、设备、介质及程序产品
CN112669353A (zh) * 2021-03-16 2021-04-16 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机设备和存储介质
CN113095209A (zh) * 2021-04-07 2021-07-09 深圳海智创科技有限公司 一种客流的人群识别方法、系统及电子设备
CN113095209B (zh) * 2021-04-07 2024-05-31 深圳海智创科技有限公司 一种客流的人群识别方法、系统及电子设备
CN115223442A (zh) * 2021-07-22 2022-10-21 上海数川数据科技有限公司 一种室内行人地图的自动生成方法
CN115223442B (zh) * 2021-07-22 2024-04-09 上海数川数据科技有限公司 一种室内行人地图的自动生成方法

Also Published As

Publication number Publication date
CN112347909B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN112347909B (zh) 一种零售门店出入口客流统计方法
CN109784162B (zh) 一种行人行为识别及轨迹跟踪方法
US11288495B2 (en) Object tracking and best shot detection system
US11631253B2 (en) People counting and tracking systems and methods
CN105844234B (zh) 一种基于头肩检测的人数统计的方法及设备
CN109272347A (zh) 一种门店客流量的统计分析方法及系统
WO2018180588A1 (ja) 顔画像照合システムおよび顔画像検索システム
CN110399835B (zh) 一种人员停留时间的分析方法、装置及系统
CN105574506A (zh) 基于深度学习和大规模集群的智能人脸追逃系统及方法
Hakeem et al. Video analytics for business intelligence
KR20120053949A (ko) 객체 카운터 및 객체들을 카운트하는 방법
CN106570449B (zh) 一种基于区域定义的人流量与人气指数检测方法及检测系统
US20210081676A1 (en) Method for generating video synopsis through scene understanding and system therefor
Xiang et al. Autonomous Visual Events Detection and Classification without Explicit Object-Centred Segmentation and Tracking.
US20230154192A1 (en) Person flow analysis method and system, electronic device, and readable storage medium
CN115909223A (zh) 一种wim系统信息与监控视频数据匹配的方法和系统
Yang et al. A method of pedestrians counting based on deep learning
US20220366575A1 (en) Method and system for gathering information of an object moving in an area of interest
CN112347907A (zh) 一种基于Reid和人脸识别技术的4S门店潜客行为分析系统
Patel et al. Vehicle tracking and monitoring in surveillance video
CN114882429A (zh) 一种基于多种信息特征融合的队列计数方法及系统
CN111898434B (zh) 一种视频侦测分析系统
Gagvani Challenges in video analytics
Datchanamoorthy et al. Anomaly and activity recognition in a video surveillance using Masked Autoencoder
Lee et al. Fast people counting using sampled motion statistics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant