Детальная информация

Исследование изучает применение методов компьютерного зрения в секторе розничной торговли с особым акцентом на методологиях отслеживания клиентов. Точное, правильное и эффективное обнаружение клиентов в супермаркете имеет важное значение для стратегического планирования розничной торговли. Понимание того, как клиенты перемещаются по магазину и взаимодействуют с товарами, имеет решающее значение в розничной торговле. Несмотря на то, что розничная торговля имеет много преимуществ, которые помогают компьютерному зрению, например, адекватное освещение, разнообразие и количество предлагаемых продуктов, а также возможность неоднозначности в движениях клиентов, затрудняют точное измерение поведения клиентов. Чтобы изучить способности клиентов на основе камер RGB-D без окклюзии в конфигурации вида сверху, в последние годы были созданы технологии машинного обучения и основанные на признаках для подсчета людей, анализа взаимодействий и повторной идентификации. Тем не менее, методы машинного обучения развились в методы глубокого обучения, когда мы вступили в эпоху больших мультимедийных данных. Эти методы более эффективны и эффективны при обработке тонкостей человеческого поведения. Используя набор данных, снятый камерой, расположенной в офисной среде, участники имитируют разнообразное поведение покупателей, обычно наблюдаемое в супермаркетах. Предоставляется практическая демонстрация, иллюстрирующая реализацию этого набора данных для отслеживания участников, с особым акцентом на интеграцию модели отслеживания головы для решения проблем, связанных с окклюзией. Кроме того, представлена ​​новая модель, которая направлена ​​на различение сотрудников и потребителей на основе их уникальных походок. Для оценки этой модели используется реальный набор данных, собранный в течение 24-часового периода в оживленном супермаркете. Наши результаты показывают 98% точности обучения и 93% точности оценки, что подчеркивает эффективность предлагаемого метода в приложениях для мониторинга розничных потребителей.

The study investigates the application of computer vision techniques within the retail sector, with a specific focus on customer tracking methodologies. The accurate, precise, and efficient detection of customers in a supermarket is essential and important for strategic retail planning. Recognizing how customers travel around a shop and engage with merchandise is crucial in retail settings. Even though the retail setting has many advantageous features that aid computer vision, such as adequate lighting, the variety and quantity of products offered, along with the possibility of ambiguity in the movements of customers, make it difficult to precisely measure customer behavior. In order to learn customers abilities based on occlusion-free RGB-D cameras in a top-view configuration, machine-learning and feature-based technologies for people counting, interactions analysis, and re-identification have been created during the last years. Nevertheless, machine learning techniques developed into deep learning techniques as we entered the multimedia big data age. These techniques are more potent and effective at handling the intricacies of human behavior. Utilizing a dataset captured by a camera situated in an office environment, participants enact diverse customer behaviors commonly observed in supermarket settings. A practical demonstration is provided, illustrating the implementation of this dataset to track participants, with particular emphasis on the integration of a head tracking model to address occlusion-related challenges. In addition, a new model is presented that aims to distinguish between employees and consumers based on their unique gaits.    A real-world dataset gathered over the course of a 24-hour period at a busy supermarket is used to evaluate this model. Our results show 98% training accuracy and 93% assessment accuracy, highlighting the effectiveness of the suggested method in retail consumer monitoring applications.