一种基于视频目标识别的线下门店客流转化效率测算方法与流程
本发明涉及视频目标识别与商业信息分析领域,具体涉及一种基于视频目标识别的线下门店客流转化效率测算方法。
背景技术:
1、线下实体零售门店普遍借助视频目标识别技术采集门店内外行人客流数据,通过统计路人进店、店内浏览、收银成交的客流变化量化门店经营效果,是零售行业精细化运营分析的主流技术手段。在客流转化效率量化过程中,顾客店内驻留时长、不同品类商品陈列区域对最终成交的贡献度各不相同,行业普遍引入权重参数对原始客流样本加权修正,以此还原真实商业转化水平。
2、现有常规客流转化测算模型全部采用人工预设固定权重,权重数值在模型运行全程保持不变,不具备自适应更新能力。实际门店运营存在两类动态变化规律:第一,长期到店顾客的停留时长、行走轨迹形成门店专属客流行为特征,统一固定权重无法匹配单店客群行为差异;第二,商品受季节更替、新品上架、销售周期影响存在热度衰减,不同陈列区域的商业价值实时变动,固定权重无法跟随商品销售数据同步调整。
3、静态权重与门店动态经营场景不匹配会直接造成分层转化指标计算偏差:无法客观区分门店外部引流能力、店内商品陈列的浏览转化效果,转化评估数据失真严重,数据分析结果参考性大幅下降,难以支撑门店高精度陈列优化、客流引流策略调整的精细化运营需求。因此,亟需一种可结合门店客流行为、商品销售状态自适应调整权重的客流转化测算方案。
技术实现思路
1、本发明的目的在于提供一种基于视频目标识别的线下门店客流转化效率测算方法用于解决现有客流转化测算模型权重参数固化,无法适配门店动态经营特征,导致转化测算精度差的问题。
2、为实现上述目的,本发明采用以下技术方案:
3、一种基于视频目标识别的线下门店客流转化效率测算方法,包括以下步骤:
4、s1、同步采集线下门店外部区域与内部区域的两路原始视频流,并进行图像预处理,得到标准化图像帧;
5、s2、对标准化图像帧进行行人目标检测,提取行人特征向量并进行跨摄像头行人匹配,为每位行人分配唯一全局行人标识;
6、s3、基于唯一全局行人标识串联各标准化图像帧内的行人坐标,构建行人完整时空轨迹,并划分多种不同类型的店内客流样本;
7、s4、结合标准化图像帧内行人遮挡状态,对各类店内客流样本的统计数量进行校正处理;
8、s5、以校正后的各类客流数量作为输入参数构建分层客流测算模型,计算多层级客流转化指标;
9、s6、将行人完整时空轨迹数据与多层级客流转化指标进行本地持久留存,并输出客流转化效率可视化分析结果。
10、优选地,步骤s1具体为:
11、s11、采用多路摄像设备同步采集线下门店外部区域、内部区域两路原始视频流,并统一两路原始视频流的采集时序;
12、s12、对原始视频流的图像帧进行多尺度自适应伽马校正处理,消除线下门店光照与反射类综合画面干扰:
13、;
14、其中,为输入图像坐标位置处原始像素灰度数值,为校正处理后图像坐标位置处像素灰度数值,255为8位灰度图像像素取值上限,为画面基础亮度校正系数,为镜面反射干扰惩罚系数;
15、s13、对校正完成的图像帧进行自适应形态学滤波处理,去除画面残留反射干扰,输出标准化图像帧。
16、优选地,步骤s2具体为:
17、s21、将标准化图像帧输入轻量化yolo行人检测网络,检出画面内部全部行人目标区域;
18、s22、裁剪行人头肩局部目标区域,提取行人头肩局部特征向量;
19、s23、基于行人头肩局部特征向量进行跨摄像头行人匹配,为每位独立行人分配唯一全局行人标识。
20、优选地,步骤s23的匹配过程中设置动态特征距离判定阈值,通过带时空约束的欧氏距离计算两组特征向量的匹配距离,当匹配距离小于动态特征距离判定阈值时,判定两组特征向量对应同一行人,同时通过滑动特征缓存池存储近期行人头肩局部特征向量,所述带时空约束的欧氏距离计算公式为:
21、;
22、其中,为第一条行人头肩局部特征向量,为第二条行人头肩局部特征向量,为单条特征向量维度总数,为特征向量维度索引序号,为时空耦合匹配距离,为时空耦合衰减系数,为两组特征的采集时间差值;若小于动态阈值则判定为同一行人。
23、优选地,步骤s3中所述店内客流样本判断规则为:
24、若所述行人完整时空轨迹仅分布于门店外部区域、未跨越门店入口检测分界线,则判定为路过未进店客流样本;
25、若所述行人完整时空轨迹跨越门店入口检测分界线进入门店内部区域,且未匹配收银区域交易记录,则判定为进店未消费客流样本;
26、若所述行人完整时空轨迹经过门店收银区域,且轨迹时段匹配收银系统交易时间戳,则判定为进店成交客流样本。
27、优选地,步骤s4具体为:
28、s41、将标准化图像帧均匀划分为网格单元,结合行人动态遮挡与线下门店内部固定陈设静态遮挡计算网格综合遮挡系数:
29、;
30、其中,为第个网格综合遮挡系数,为网格单元编号,为第个网格内行人动态遮挡像素面积,为单网格总像素面积,为第个网格内固定陈设遮挡像素面积占比,为固定陈设遮挡补偿系数;
31、s42、根据网格单元综合遮挡系数划分多级遮挡等级,为每一级遮挡等级配置对应的客流计数修正权重;
32、s43、结合网格遮挡修正权重与线下门店区域属性,加权校正单帧标准化图像帧行人统计数量:
33、;
34、其中,为单帧图像划分的网格总数量,为第个网格原始检出行人数量,为以遮挡系数为输入的遮挡修正权重函数,为线下门店区域全局修正系数,为单帧校正后行人总数量;
35、s44、对连续多帧校正客流数据进行带波动抑制的时序平滑处理,输出校正后的各类客流样本的统计数量:
36、;
37、其中,为当前标准化图像帧序号,为本帧单帧校正客流数值,为本帧平滑后客流数值,为前一帧平滑客流数值,为基础时序平滑权重,为客流突变波动抑制系数。
38、优选地,步骤s42具体为:基于网格单元综合遮挡系数划分多级遮挡等级并配置对应客流计数修正权重,并根据分时段客流密度动态调整遮挡等级划分阈值,客流密度计算公式为:
39、;
40、其中,为标准化图像帧实时有效客流密度,为单帧图像原始检出行人总数量,为标准化图像帧有效观测画面总像素面积,为分时段密度自适应调节系数。
41、优选地,步骤s5具体为:将校正后的外部路过客流、进店客流、进店成交客流输入分层客流测算模型,调取行人驻留时长权重因子、商品陈列区域驻留行为权重因子,并引入多维度质量修正系数分层计算进店引流转化率、商品浏览转化率及整体成交转化率:
42、;
43、;
44、;
45、其中,为外部路过总客流人数,为进店客流人数,为轨迹经过商品陈列区的进店行人数量,为成交客流人数,为行人驻留时长权重因子,为商品陈列区域驻留行为权重因子,、、依次为外部客流、商品陈列区、收银交易对应的修正系数,为进店引流转化率,为商品浏览转化率,为整体成交转化率。
46、优选地,所述行人驻留时长权重因子基于门店历史行人驻留时长统计数据提前标定,并作为模型固定基础参数:
47、;
48、其中,为驻留时长基础权重,为驻留时长波动修正系数,,为历史统计周期内所有进店顾客的平均驻留时长,为判定顾客产生有效浏览行为的最小驻留时长阈值,为历史客流统计样本总数量,为第个历史顾客样本的实际店内驻留时长;
49、所述商品陈列区域驻留行为权重因子根据各商品品类周期销售热度分品类计算,并将计算结果回传至分层客流测算模型进行参数更新:
50、;
51、其中,为商品品类编号,为第类商品对应的实时驻留行为权重因子,为商品陈列区域基础权重,为单品类周期销量,为全品类周期平均销量,为自然常数,为统计周期剩余时长,为商品热度衰减系数。
52、优选地,步骤s6具体为:
53、s61、将行人完整时空轨迹数据、多层级客流转化指标写入边缘计算终端内置数据库,进行本地持久留存;
54、s62、按照自定义统计时段聚合留存的客流数据与转化指标,生成门店客流转化效率可视化分析报表;
55、s63、本地调取、导出不同统计时段对应的门店客流转化效率可视化分析报表;
56、s64、对本地持久留存的客流数据设置分级加密存储机制,普通客流数据、门店成交敏感交易数据配置差异化加密密钥。
57、采用上述技术方案后,本发明与背景技术相比,具有为优点:
58、1、本发明提供一种基于视频目标识别的线下门店客流转化效率测算方法,构建双维度可自适应更新的模型权重体系。一方面依托门店历史客流驻留数据标定固定适配型行人驻留时长权重,匹配门店独有的顾客停留行为特征;另一方面基于商品周期销量与热度衰减规律实时迭代商品陈列区域动态权重,跟随门店商品经营状态自动更新参数。相较于传统单一静态权重方案,彻底解决固定权重与门店动态运营规律脱节的缺陷,大幅提升转化测算模型的个性化适配能力与指标量化精准度。
59、2、本发明提供一种基于视频目标识别的线下门店客流转化效率测算方法,采用分层加权测算架构,分阶段计算进店引流转化率、商品浏览转化率、整体成交转化率三类层级指标。通过外部区域、陈列区、收银区配套修正系数搭配双权重完成差异化加权运算,完整覆盖路人到进店、进店到浏览、浏览到成交全链路转化过程,能够精准拆解各经营环节转化短板,克服传统单维度测算无法区分环节差异、评估结果失真的弊端,有效提高客流经营数据分析对门店陈列调整、营销活动策划的指导价值。
60、3、本发明提供一种基于视频目标识别的线下门店客流转化效率测算方法,配套完整的图像预处理、跨镜行人匹配、网格多级遮挡校正与时序平滑降噪链路。针对门店反光逆光、货架静态遮挡、行人密集互遮挡、瞬时客流抖动等复杂场景逐层校正原始客流统计数据,消除环境与场景带来的检测误差,为双权重自适应迭代、分层转化指标计算提供稳定可靠的底层客流基数,提升整套测算方法的场景鲁棒性与边缘终端落地实用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com