在本文的第一部分中 ，我讨论了一种用于使用摄像头统计和分析人流量的新工具。 市场上有很多产品可以用来统计人数，但实际上没有产品可以通过分析人脸来做到这一点。 识别人脸时，您可以获得以下信息：性别，年龄，情感背景，实际上，最重要的是，人脸的唯一标识符。 后者是必要的，以便了解我们之前已经看到过这张脸：然后，如此多次，如此周期性等等。
这些视频分析可完美地用于零售，服务，咖啡馆和餐馆。 现在，您可以更具体，准确地分析客户：他们的流量，唯一性，可重复性，性别和年龄，当然还有情感。 在人员柜台中，您最终可以将员工与访客分开，考虑服务的持续时间并开展营销活动以提高客户忠诚度。
让我提醒您，例如，有一个要点-莫斯科的一家咖啡馆（在饭厅的基础上），结帐时安装了相机。
深入分析公认的面孔
我在本文的第一部分中列出的使用Track Expert可以获得的结果在表面上非常明显：购买者，雇员的数量，按性别和年龄划分的类别，情感。 但是，为了做出严肃的战略决策，您同样需要严肃的分析。
我想谈谈忠诚的话题。 忠诚度是指客户和客户重复访问。 因此，他们越多，忠诚度就越高。
我们已经决定了术语。 现在怎么算？ 如何理解忠诚在增加，减少或什么都没有发生？
最简单的选择是简单地查看新客户和回头客的比例以及回头率。
平均而言，此处的回报系数在70％左右波动。 即 每天约有30％的新访客来咖啡馆。 很好
现在，让我们看看那些不是第一次走路，而是有条件地不断走路的人 。 问题：访客多久或多久回到一次这里？
我的问题的目的很简单：如何确保已经去过咖啡馆的人（商店，沙龙，健身俱乐部等）走得更频繁。
传统方法是打折卡。 分发给每个人，然后“我们将看到”。 这是一个正常的选择，但是：
- 人们并不总是随身携带打折卡。
- 并非总是可以在结帐时通过电话号码或电子邮件标识自己的身份。 是的，为了避免不必要的垃圾邮件，许多人留下了关于自己的虚假数据。
- 卡可以互相转移（这就是J所做的）；
- 原则上，并非每个企业都有折扣卡。
也许其他事情已经忘记了。 但这不再重要。
因此，人脸正成为识别买家和与他进行个人工作的好选择。
首先，我们建议将所有访客分为5个组：新访客，非常稀有，很少，经常，非常频繁。
仅仅通过点击手指就无法获得客户忠诚度。 当然，可以希望每三个月去一次餐厅/咖啡馆/商店的客户突然开始一周去几次，但这很可能是一种特殊情况。 客户需要赢得，然后才能失去！ 因此，最好将其从一组逐渐转移到另一组-从“新”到“非常”。
对于每个业务，“经常”或“非常经常”的概念将有所不同。 因此，为了不让人们对您回来的频率有错觉，可以使用“拜访率”指标来了解客户的平均回访频率。
可以看出，大多数游客是每周去咖啡馆的人（从每周1次到最多7次）。 例如，如果一个人每两周一次在咖啡馆里散步，那么他已经属于“月”类别。 也有很多。 因此，忠诚度分析主要针对两组客户进行，他们的访问持续时间为“周”和“月”。
将有两个目标。 第一种是尝试找到将最大访问者数量从月组转移到周组的杠杆作用。 第二-在每个组中影响“非常罕见”到“非常频繁”访问的频率。 通常，这是一个良好的市场咨询问题。
以“周”小组为例，我将展示如何理解问题，如何将访客按忠诚度分为几组，以及下一步如何对所有这些人进行处理。 我们设置（可以更改）的“每周”组的频率值如下：“很少”-每周1次，“很少”-每周2 ... 3次，“经常”-每周4次，“非常频繁”-每周5 ... 7次。
很明显，在两个月中，这些类别的访问者人数比例几乎没有变化。 “很少”相对于其他频率至少占50％，因此增加出席人数的余地非常大。 为此，您需要找出这些彩色列中的谁。
尽管这很有趣，但我不会在本文中做进一步的分析。 我只能说，至少可以并且应该做到以下几点：
- 查看每个频率组的年龄和性别分布。 找到相似的行为特征，并分别针对每个行为特征制定营销计划。
- 在每个营销步骤之后，您都需要仔细评估更改。
应当记住，对于每次访问（每周/每月/每季度/每年），应该以适当的频率准确地预期营销的效果。
其他零售用途
我再次提醒您，所有这些数据都是从一台摄像机接收到的。 现在，让我们想象一下是否有几个摄像头（在对象内部，在不同对象上）。
案例1.入口处有一台相机，结帐处或出口处有一台相机。
一次将两个或更多相机放置在商店中，我们可以获得另一套度量标准，可用于衡量：
-访客在商店中花费的平均时间。
-从入口到售票处的平均旅行时间。
-游客在出口和结帐时的情绪。
很多时候，客户希望获得有关客户在商店消费时间的信息。 使用传统的访客计数器，您将无法获得此类信息。 我们只能谈论一段时间内的某个平均值。 例如，在1小时内有14人进入，有9人退出，反之亦然-有8人进入，有12人退出，现在的问题是。 如果结帐时有5张支票被打断，则访客平均在商店停留的时间是多少？
如果我们使用人脸识别技术，那么这项任务将立即变得可行且可解决。 还有另一个选项-跟踪每个访客。 但是为此，商店需要覆盖一排摄像头，以便类似于蜂窝通信系统，将访客从一个单元（摄像头区域）转移到相邻的一个单元中，因此要在出口之前。 就成本而言，价格不是很合理的解决方案将会问世，而且框架中的轨道中断（访客丢失）的可能性甚至不会很小。
有了人脸识别功能，就足以在入口和出口处，入口处或结帐处撤离人员。 现在，您可以获得有关访客在商店中停留时间的准确统计信息。
案例2.与客户的预测工作
想象一下，访客来您商店的时间不止一次，他们从您那里购买了东西，但是最近进出商店却没有购物。 首先，如何理解这种情况在原则上正在发生，其次，其原因是什么？
第一个问题将通过案例1的信息，忠诚度数据以及离职人员的情绪信息得到回答。 关于第二个问题，可能有上百万个原因。 例如，您已经更改了衣服，鞋子和其他物品的种类，并且某个人正在寻找他去年购买的商品。 买方进来一次，两次，第三次您输了。 熟悉的情况？ 积极主动地预测这种行为，或者在忠实的访客购买东西之前抓住他们，是否会很有趣？ 这个问题是修辞。 但是重要的是要知道已经有可能解决该问题。
建筑及其运作方式
在上一篇文章中，我已经说过CVizi解决方案的体系结构是轻量级的。 没有庞大的服务器，注册商。 无需维护设备队伍，也不需要将所有设备配对。
此外，该架构以其最纯净的形式并非阴天。 她是杂种。 考虑到家用摄像机发展的现状，这种方法是完全合理的。
现在我将尝试解释。 从物联网的角度来看，可以将摄像机视为某些传感器，它们为进一步的自动处理，分析和决策提供内容。 您可以将流量驱动到某个云服务器并在那里进行处理，但是存在一些陷阱（尽管它们不是陷阱）。
- 将传输到云的Internet流量。 如果一个对象有很多相机和/或您有很多对象，那么流量将是巨大的，并且需要专用的Internet通道。 这远非总是可能的。
- 注册和处理流的服务器的要求：计算能力，冗余，负载管理。
- 整个系统的容错能力。 整个系统的运行状况强烈依赖于一台服务器的运行状况。
使用简单的摄像机而不是智能摄像机来执行视频分析任务会很酷。 其主要任务应该是对视频流“进行中”进行初步分析，从中分配所需的事件，以准备用于分析的数据。 不幸的是，市场上找不到价格合理的通用智能相机。 因此，我们自己“制造”了它。
让我们简要介绍一下架构元素。
S-Box计算设备
这是设备的修改之一：
它的主要目的是对来自IP或USB摄像机的流进行主要处理。 在每帧上，人脸检测功能都会找到人脸，将其捕获并形成人脸属性列表（坐标，角度，帧上的图像质量，到相机的距离）。 此外，此信息通过加密的通道发送到在Azure平台上运行的云门户CVizi。 请注意，视频流本身不会传输到云。
该代码用C ++和Python编写，使您可以使用整套工具来处理图像和照相机。
顺便说一句，以类似的方式，S-Box还用于视频分析的其他任务：生产过程，人员，车辆和其他事物的检测。
摄影机
相机可能大不相同。 而且，没有非常严格的标准会限制他们的选择。 最主要的是，这些是简单的家用非工业IP摄像机（通常是IP），带有民主的价格标签。 应当指出，相机是市场上正在现代化的设备，可能是我们使用的最快的设备。 在Track Expert安装包中选择特定摄像机的主要标准是价格/质量。 为了使安装包的成本保持在同一水平，同时又在不断提高服务质量的同时，我们不断与所有新产品保持同步。 在我们的测试实验室中，始终有针对特定业务任务的相机样本候选。
例如，在撰写人脸识别文字时，我们正在使用这两种尺寸为5MP的相机。
CVizi门户
门户实际上是整个系统的心脏，它仅具有数不清的功能。 列出最基本的。
首先是数据存储。 这是SQL Azure帮助我们的地方。 首先，我们使用了部署在虚拟机上的传统SQL Server。 这是一个不错的选择，因为我们有足够的能力来管理和优化SQL Server性能。 但是随着客户数量的增长，我们意识到管理大量的小型DB并不十分困难。 SQL Azure通过具有计算机培训和自适应技术的集成分析系统轻松解决了我们的任务，从而实时地连续优化数据库性能。
动态管理数据库性能也很方便，这使您可以处理数量惊人的统计信息。
其次 ，Microsoft Blob Storage允许您存储所有数量的所有照片和视频，通过超链接接收它们，并在Power BI等工具中使用它们。
第三 ，Microsoft Face API认知服务。 借助它，我们可以识别面孔，将相似的人分组并计算出哪张面孔以及何时将其记录下来。
为了使用Microsoft Face API，我们使用Python。 我不想重复我自己，在上一篇文章中 ，有几个用于访问Microsoft Face API的脚本示例。
第四 ，用于监视和控制客户安装的所有设备的运行状况的系统。 实际上，所有S-Box共同代表相同的物联网。 我们为网络中的每个设备构建了单独的监视系统，并不断监视设备的运行状况。 看来这是如此特别吗？ 但是，例如，考虑所有者拥有多少可以平稳运行的设备。 如果冰箱或收银机发生故障并且可以立即看到故障，则是一回事，而如果有人希望获得最终报告，则故障可以在一个月或更长时间内打开，这是某种形式的人员柜台。 为什么不控制？ 为什么不报告？ 谁该怪？ 如何还原统计信息？ 本季度商店中是否有任何营销研究research花一现？
就我们而言，这是不可能的。 所有感兴趣的各方将在几分钟到几小时内收到有关设备故障的通知，我们的支持团队将帮助您解决问题。 而且，远程！ 供参考。 通常，80％-90％的事件与客户的Internet频道减少有关。
为了与时俱进，Track Expert管理系统具有远程更新软件的能力。 出现了一种成功的新算法-只需触摸“一个按钮”，它将针对需要和使用它的那些客户进行更新。
建筑的好处
如您所知，CVizi架构是混合的。 在地面上-S-Boxes，在云中-Azure服务等等。
前提： S- Box 分布式网络
使用许多小型计算设备总是比一个大型大型服务器/服务器集群好，来自不同来源的所有视频流都被封闭。 不管它有多强大和多么酷，都将成为系统瓶颈，而整个系统的运行将取决于它的性能。 在计算设备的分布式系统的情况下，每个S-Box都执行自己的小型任务池，并且整个系统的性能不取决于一个特定S-Box的性能。
另外，例如，在一些相当大的设施中，S-Box的总计算能力很容易超过顶级服务器的计算能力，并且设备的价格将降低几倍。 最重要的是学习如何正确管理这些分布式计算J。我们可以做到。
前提条件升级基础架构。 对于许多客户来说，这是一个非常敏感的问题，因为 总是非常昂贵，并伴随着整个系统运行中的故障和停机，因为 无缝过渡（从铁到铁或从平台到平台）几乎不会发生。 在设备的分布式网络的情况下，一切变得简单。 过渡非常顺利，并且一次购买大量设备的成本并不高。 并且在升级过程中，将确保整个系统的连续运行。
云端： Azure
应当注意，Azure在基础结构的扩展和性能管理方面提供了非常非常方便的工具。 客户的资源消耗量各不相同。 每天在房子附近的一家商店中识别100-300人是一回事，而情况却完全不同，一个大型购物中心有多个入口或连锁商店，每天有数千名独立访客。
使用On Premise体系结构的传统方法，可能会出现以下情况：服务器容量可能处于闲置状态，第二个时间可能会丢失，特别是在流量高峰的日子。 而且，Azure中对已用计算能力的灵活，几乎即时的管理只是给我们的礼物。
总结
最后我想说的是...
技术的发展势不可挡，每天都在为我们提供新的工具和技术。 当然，您可以谈论所有事情如何变得糟透：您的脸无处不在。 最好不要现在就离开家，因为 大哥在看着你 我没有允许我进行拍摄和分析等工作。 等 但是已经是。 您可以从公共场所的任何摄像机中收集面部并躺在视频档案中。 他们聚集了很长时间。 无论您喜欢与否。
刚才，技术进步又迈出了一步，不再需要人工而是自动地处理这些数据。 卷积神经网络出现了。 有便宜的，甚至便宜的摄录机，微型计算机。 可用的云资源。 这些技术和其他技术的协同作用使您可以为简单的外行创建有趣的产品。 应用程序仅受您的想象力限制。 零售，HoReCa，事件行业，教育-这就是我们马上想到的。 但是，任何涉及一个人对框架中某些事件进行分析的过程都可以一定程度地确定：
- 从操作员转移到机器（计算机视觉）
- 积累所需事件的统计信息（而不是保持连续记录）
- 自动化事件处理
- 连接预测事件分析
这是以前根本不存在的数据层。 但是就目前而言，企业自行获取这些数据并正确处理，解释和使用这些数据的意愿仍然很低。
CVizi团队朝着提供此类分析工具又迈出了一步，使幻想和梦想更加紧密和真实。
关于作者
Alexey Osipov -
CVizi的开发总监。 联系人：“ aosipov @ cvizi.com”。 在
FB的页面上，我们发布了有关新开发和技术的发布和使用的新闻。