用于确定人口统计信息的系统和方法与流程

本发明涉及一种用于对经过限定空间的行人数目进行计数的系统和方法。具体地，但不排他地，本发明涉及一种用于确定与经过门口进入和离开零售商店的行人有关的人口统计信息的系统。

背景技术：

为了改善顾客体验并能够制定有逻辑且合理的业务决策，零售商收集有关使用其商店的顾客的数据。该数据可以包括与各个商店和/或整个零售业务的销售、收入、成本、员工数、客流量和人口统计相关的数据。对于“客流量”，我们是指进入和/或离开零售商店的人数。对于“人口统计”，我们是指在客流量数目中所计的人的属性——通常包括(但不限于)性别和年龄。

有几种已知的收集零售商店客流量数据的方法，但是生成与进入商店的顾客相关的人口统计数据要更加困难。零售商多年来一直在商店的入口处使用客流量计数器。通过将客流量计数器安置在商店的门口(即，入口/出口)，零售商可以记录关于商店一天中安静或忙碌的时间的数据。此数据可以帮助管理人员了解商店的表现。管理层需要了解，例如，与几周/几月/几年前相比，商店吸引到了更多还是更少的客户。商店所有者可能有兴趣确定一天中最繁忙和/或最安静的时间，以规划员工配备要求，或比较不同位置的商店的转换率(即销售量相对于客流量水平的比率)。

收集与使用每个商店的与顾客相关的人口统计数据有助于了解访问和使用商店的人的“类型”。这样，可以确定趋势和模式，并用于做出管理决策。例如，可以看出，男性成年人在他们的午餐时间为了正装而进行购物，而成年女性在晚上购买休闲服。管理者能够使用这些信息来衡量绩效，例如确定新的广告活动是否吸引到预期的人群，或者了解在不同地点购物的不同类型的顾客。商店所有者还可以使用该数据来几乎实时地提供定向广告或产品促销；例如，如果商店目前80％是穿正装的男性，则可以对该顾客人群采用适当的促销或广告策略。

简单的客流量计数器是广泛可用的，并且已经用于零售分析多年。简单形式的客流量计数器使用位于门口的门槛的任一侧的红外光束(或两个平行光束)和红外传感器。当一个人穿过光束，阻断光束，传感器检测到阻断，并且该装置使其计数器增加计数。使用两个光束允许装置按照光束被阻断的顺序检测人是进入还是离开商店。其他客流量计数装置包括位于门口上方向下指向的热敏检测器或摄像机，使得该装置对在检测器或摄像机下经过的人体(即走入和离开商店)的数目进行计数。

收集人口统计数据比计算客流量更难，因为必须从图像或检测到的读数中提取附加数据，以建立对象的类型或分类。例如，不仅仅是对走进商店的人进行计数，系统还必须识别那些人的属性——无论他们是年轻人还是老人，男性还是女性等等。

大型零售商已经成功地使用会员卡方案来收集关于他们的顾客的行为和人口统计的更详细的信息。然而，如果所收集的数据要代表购物者真实的潜在的行为，则这样的系统要求所有顾客加入该方案。面部检测和识别系统也可以提供人口统计数据，但是这些开发起来比较昂贵。此外，由于基于可能侵犯客户隐私方面的反对，需要分析顾客的面部图像的系统在商业上的应用很缓慢。

技术实现要素：

本发明涉及一种系统，其中扩展了客流量计数系统，以使用成像技术和测量方法来通过分析鞋类来从进入和/或离开零售位置的顾客提取人口统计数据。在实施例中，还分析了顾客的小腿的一部分。

根据本发明的一个方面，我们提供一种用于监测行人的系统，所述系统包括：

数据获取系统，其包括数据获取装置；

计算机系统，其通信连接到所述数据获取系统并且被配置为从所述数据获取系统接收代表行人的一部分的数据，所述一部分包括与所述行人的至少一只脚或鞋类物品有关的数据；

其中，所述计算机系统能够操作为识别行人的存在并且对一定时间间隔内观察到的行人的数目进行计数。

根据本发明的另一方面，我们一种监测行人的方法，所述方法包括以下步骤：

使用数据获取装置获取代表行人的一部分的数据；

将代表行人的所述部分的数据传送到计算机系统，所述部分包括所述行人的至少一只脚或鞋类物品；

使用所述计算机确定行人的存在以及在一段时间间隔内观察到的行人的数目。

在所附权利要求中描述了本发明的上述方面的其它特征。

附图说明

下面仅作为示例并参考附图描述本发明的实施例，其中：

图1是示出了关于目标区域而设置的图像获取装置的示意图；

图2是示出了步行穿过目标区域的行人的示意图；

图3是表示根据本发明的实施例的方法的流程图；

图4是示出了在步行周期的一部分期间行人的脚的相对阶段位移的示意图；

图5是在关于目标区域的地面上平放的行人的脚的示意图，用于说明对脚和图像获取装置之间的距离的估计；

图6是图5的行人的脚的示意图，用于说明脚的尺寸；

图7是示出了本发明的实施例的硬件元件交互的示意图；

以及图8是表示根据本发明的实施例的方法的流程图。

具体实施方式

参考附图，示出了用于监测行人的系统10。图1示出了数据获取装置14，其关于行人经过的“目标区域”12而设置。通常，目标区域被选为到达零售商店的入口或离开零售商店的出口。当然，本发明的系统适合于在行人经过的任何环境中使用，其中获得与那些行人有关的客流量或人口统计数据是令人感兴趣的。为了简化下面的描述，我们将解释与零售商店门口相关的系统的示例的使用。对于“门口”，我们简单地指来自建筑物或商店单元的入口点和/或出口点，并不是必需存在一个或多个门。例如，门口可以简单地是拱门，或者来自室内购物中心的开放入口。对于术语“客流量”信息，我们指的是与一段时间内在目标区域内观察到的行人数目有关的信息。

一般来说，系统10包括数据获取系统，所述数据获取系统包括数据获取装置14、计算机系统32，所述计算机系统通信连接到数据获取系统并且被配置为从数据获取系统14接收代表行人的一部分的数据，所述一部分至少包括行人的脚或鞋类物品。计算机系统32可操作为识别行人的存在并且对一定时间间隔内观察到的行人数目进行计数(即，获得“客流量”信息)。计算机系统32优选地可操作为，基于代表行人的脚或鞋类物品的数据来确定该行人或每个行人的人口统计属性。

在优选的实施例中，数据获取系统是图像获取系统，并且数据获取装置14是图像获取装置14(并且术语数据获取装置和图像获取系统/装置将在本文中可互换地使用)。数据获取系统可以包括单个数据获取装置14，或者可以包括多个数据获取装置。在优选的实施例中，数据获取装置14是能够记录静止图像和/或视频图像的摄像机。摄像机可以以预定义的间隔(例如每0.05秒、每0.1秒、每0.2秒1个图像，等等)记录图像。在其他实施例中，数据获取装置14可以是二维或三维激光扫描装置。在其他实施例中，数据获取装置14可以是能够检测压力的地下传感器阵列，或者可以使用光折射来检测地面上的脚步。

术语数据获取装置14用于指代所有这些以及任何其他用于获取与行人有关的数据(包括那些行人的脚或鞋类物品的外观)的合适的装置和相关的方法。然而，为了简单起见，术语图像获取系统和图像获取装置14将分别用于指代数据获取系统和装置。

目标区域12通常在任一侧由商店的壁界定，图像获取装置放置在墙壁附近、墙壁上或在墙壁内，或放置在商店的入口/出口处或它们附近的某一其它位置处。例如，可以放置摄像机以获取进入和/或离开商店的行人的脚的图像。除了行人的鞋和脚之外，图像可以包括行人的腿的一部分，包括小腿上的衣服的外观。在实施例中，图像获取装置14被放置在地板平面上方300mm至1000mm之间，并且优选地在地板平面上方400mm至700mm之间，并且跨过门口的门槛而进行指向。

可以执行校准步骤来对数据获取系统或计算机系统32进行校准，以考虑图像获取装置14的位置及其方向。该校准步骤可以包括：获取图像，在该图像中，预定义的投影或形状出现在门口的已知位置，使得获取到的图像中的形状或投影的相对位置可以用于提供关于未来图像中获取的对象的形状、方向和/或位置的相关信息。例如，通过向计算机系统32(或图像获取系统)提供数据(所述数据将图像场中的位置与跨过门口的门槛的位置相关联)，可以计算在未来图像中获取的对象的诸如大小和形状的信息。

应当注意，在所描述的图像处理步骤、校准步骤、识别步骤和分析步骤(或任何其他的计算)中，那些计算可以使用图像获取系统或使用计算机系统32在本地执行，或者使用计算机系统32的远程部件或附加的远程计算装置(例如远程服务器)执行。这里，为了简单起见，我们针对使得计算机系统32负责执行处理和/或其他计算步骤的方面来描述该系统。

仅作为示例，可以使用设置为跨过门口的静态基准来执行校准。这些可以用于确定与摄像机的向下角度相关的信息(参见图5和图6)。标记由跨过门口的、在横向和/或纵向上间隔开的标志线组成(分别参见图5和图6)。可以使用黑色或白色涂料，使用投影仪或使用反光材料和UV、红外或其他合适的摄像机将所述标志线物理地标记在目标区域中的地面上，以检测所述标志线。由于摄像机向下倾斜跨过门口，更远的对象出现在图像获取装置14的视场中的较高位置处。所述标志线为摄像机提供基准，以在横向标志线(图5)的情况下检测给定对象的距离，或使用纵向标志线(图6)提供直接针对对象大小的基准。因此，它可以估计对象的大小。

当然，一旦图像获取装置已经完成了设置和校准，基准门口标志线可以是可移除的。

在实施例中，系统10可以通过投影与图像获取装置14相关的标志线并使用那些投影标志线来自动执行校准，以执行如上所述的校准。

计算机系统32可以是具有处理器和存储器装置的任何已知的合适类型的计算系统。计算机系统32可操作为接收由图像获取装置14获取的所述图像或每个图像。计算机系统32包括存储装置36，其配置用来存储与观察到的行人数目(例如，在特定时间段内)有关的信息。另外，存储装置36可以配置用来存储与由图像获取装置14获取的行人相关的确定的人口统计属性。该数据可以存储在计算机系统32上并且通常经由计算机系统32访问，或者可替换地可以存储在远离计算机系统32本身的位置，并且经由本地网络或经由远程通信方式(例如经由WIFI或经由因特网)访问。

在实施例中，系统10还包括适于将所确定的行人的人口统计属性传送给用户的报告系统。用户可以经由例如远程手持装置40或者通过例如因特网或网络连接而经由个人计算机38访问所传送的数据。

广义地说，如图3所示，系统10操作如下。系统10获取目标门口的图像20，从中估计22图像中的对象(即鞋)的属性。例如，系统10可以估计图像中观察到的鞋的尺寸或鞋的颜色。然后通过与先前观察的数据或提供给系统10的数据集(例如分类器数据集26)或由系统10存储的一个或多个规则进行比较来对对象进行分类。新观察的对象和关于该对象的数据可以存储到观察结果数据库28中，并且该数据可以由分析软件和/或报告模块30使用以向用户提供数据。

更详细地，并参考附图中的图8，阐述了根据本发明的实施例的操作方法。在图像获取步骤102中获取数据(即，图像)。然后评定数据，以确定在门口的区域内是否发生了任何运动。为了进行这种评定，要获得“默认”背景视图的知识。换句话说，当没有行人经过门口时，图像获取装置提供连续相同的图像数据，因此有利于系统10知道该背景图像。以这种方式，当图像改变时，可以评定图像的哪个部分涉及行人跨过视场移动，以及图像的哪些部分仅涉及静止背景。

在实施例中，系统10确定连续的图像是否指示背景已经改变(步骤104)。例如，如果行人在门口处放置了包，那个包可能出现在由图像获取装置14获得的许多连续图像中。如果由图像获取装置14获得的图像序列在序列的预定长度上是相同的，则由系统10存储的背景信息将更新以反映该改变(步骤106)。

为了收集关于图像获取装置14的视野中的“背景”图像的数据以更新背景数据(步骤106)，选择了多个图像作为一样本。所述样本可以包含针对预定的样本大小(例如，二十个图像)在预定义时间段内获取的每十个图像。从图像的样本中分析图像的像素，并且为画面的每个像素计算中值。所得到的中值平均图像提供了对背景视图的估计。例如，如果行人在采集样本期间走过门口，则行人的鞋和腿将仅在一段时间内获取的图像中的有限部分是明显的。由于采用每个像素的中值，因此可以安全地假定最常见的像素值是背景值，并且行人仅出现在样本内的少数图像的特定像素中。因此，通过取中值，从背景图像中去除了经过视场的前景对象，并且仅存储与背景有关的数据。

然后，系统10通过将新获取的图像与先前获取的图像(或在一些实施例中，与存储的背景图像)进行比较来确定是否已经发生运动(步骤108)。如果图像不同，则发生了运动。如果发生了运动，则系统10可以分析其中已经感测到运动的图像或图像序列，以确定图像中存在的一个或多个对象(即鞋)的细节。如果没有感测到运动，则系统10可以处理最近分析的数据以从已经识别的对象提取信息，使得该信息可以被存储和/或报告给用户。

在感测到运动的情况下，首先，使用标准图像处理技术(步骤112)，系统10使用一个或多个图像操纵技术(例如缩放、移位、居中、降噪、颜色校正、归一化和校正透镜畸变等)处理图像112。如图8所示，该图像预处理步骤可以在进行任何运动评定之前进行，或者可以仅在已经检测到运动的情况下应用。

系统10可以识别所收集到的图像数据的一部分，例如代表行人的脚或鞋类物品。为了进行该识别，必须构建图像的前景(步骤114)，以将图像的相关部分与背景隔离。为了获得与图像的前景有关的数据，可以从新获取的数据中减去所存储的背景信息，留下所有非背景数据(即前景数据)用于分析。

因此，在实施例中，对于图像中的每个像素，跨一组图像计算中间像素值，以获得背景图像。然后从未来观察到的图像中减去该图像，以识别那些图像的有效部分。

为了可靠地检测鞋类对象(并且获得其尺寸和其他特性的准确估计)，优选的是在物体在视野内相对静止时评估该对象，以便获得对象的清晰的描绘。此外，无论鞋子在图像中是否设置为“平放”，这都可能发生。当行人步行穿过目标区域时，如图4所示，脚或鞋将以角向运动进行移动。当脚以平放位置放在地上(即系列中的图像3)时测量脚的尺寸最简单。计算机系统32可以通过比较一系列连续图像来考虑脚预计的旋转，以确定图像显示出对象跨过视场时处于其“最平坦”的状态。

在实施例中，为了实现这一点，使用画面平均技术。画面平均涉及取得前景数据的平均值(即，叠加图像数据)。以这种方式，在图像之间保持恒定的像素将使得像素的平均值朝该恒定值偏移。例如，当行人跨过视场，推动购物车/手推车时，购物车在整个图像序列中的移动是相当规则的。相反，如上所述，行人的鞋的运动是不规则的。存在其中鞋平放在地面上的位置，并且在该位置，鞋将在行人将鞋抬离地面之前保持(基本上)静止一段时间。通过在图像序列上对图像数据求平均值(即，获取序列中每个像素的平均值)，大部分前景图像将被模糊，但是鞋保持静止的部分将通过对(遍及序列中的多个图像是重复的那些)像素进行强化而变得显著。实际上，图像的重复部分被叠加。以这种方式，可以获得鞋的相对清晰的图像，并且前景中的其他对象可以被忽略或丢弃。

因此，在实施例中，对于每个像素，跨一组(通常是连续的)图像上的那个像素的值被平均。所得到的平均图像中的一部分有着增强的清晰度，对于该部分，像素值在集合中的多个图像间是恒定的(或相对恒定的)。

在这个阶段，系统10对在前景中观察到的一个或多个对象的身份进行检测。特定图像或图像序列可以包含零只、一只或多只鞋。已经识别了与一个或多个对象相关的数据的一部分(每个对象可以是鞋)之后，系统10现在识别这一个或多个对象(步骤116)。

在实施例中，计算机系统32可操作为识别图像的多个部分，每个部分包括相应的不同行人的脚或鞋类物品的至少一部分。以这种方式，系统10可以确定给定图像或图像序列中多个行人的存在，并且可以使用该数据来获得行人的准确计数。此外，其允许单独分析图像的各部分以确定与每个相应行人相关的人口统计信息。

可选地，如前所述，可以使用诸如缩放、移位、居中、降噪等图像操纵技术来处理图像的已识别的部分，以增强图像的清晰度。

在优选的实施例中，计算机系统32可以访问分类器数据集34。分类器数据集34可以存储在存储装置36上，或者可以存储在单独的存储装置(例如，其可以设置在远程位置，但是可通信地经由计算机系统32访问)上。一般来说，分类器数据集34提供信息，该信息将脚或鞋的属性，或者脚或鞋的观察结果，或者与脚或鞋有关的数据与所述脚或鞋的主人的人口统计信息(与所述脚或鞋的主人相关)的“最佳估计”进行关联。换句话说，基于对鞋(或类似于鞋的数据)的观察，分类器数据集用于确定鞋的穿着者的性别和年龄的最佳估计。分类器数据集34可以包含先前收集/生成的数据，利用该数据可以比较新的数据项。

在实施例中，分类器数据集34是样本数据集，其包括先前由机器学习算法和/或人类用户收集(或以其它方式生成)和分类的数据。例如，样本数据集可以包括一万幅脚和/或鞋的图像。对于每个图像，可以记录诸如尺寸、颜色、风格、形状、性别和年龄的属性，详细描述鞋的穿着者的属性。例如，一项数据记录可以包括穿着粉红色训练鞋的脚的图像，相关记录识别的属性为鞋的尺寸为4(英国尺码)、鞋是休闲鞋以及该鞋的颜色是粉红色。还与数据记录相关的是人口统计属性的分类，例如穿着者的性别是女性的记录，或穿着者的年龄是13的记录。

系统10通常通过使用已训练的分类器算法来操作，以检测前景图像中的鞋的存在。对分类器进行训练(使用已知的机器学习方法)以将特定数据与特定的特点或特征(例如上述类型)相关联。例如，可以训练分类器以检测一般的鞋，或者具有不同形状的鞋的特定子集的存在。

对于已训练的分类器有两个独立的元素——分类器所基于的特点类型(即，对象在分类器中是如何“描述”的)和分类方法(即，基于它检测到的特点，系统是如何决定什么是鞋，什么不是鞋)。可以使用的特点类型的示例是方向梯度直方图(其计算图像的一部分中的梯度方向的出现情况)或局部二进制模式(将图像划分成单元格，并且将每个像素与其相邻的像素进行比较以产生二进制代码，然后检查结果数据中各种代码的出现情况)，以及两者的变形。还可以使用小波分析(使用Haar小波或其类似)或者当前在已知的对象检测系统中使用的任何其它的特点检测机制。

可以使用级联分类器技术(即，依次应用一系列分类器，直到做出分类)或者使用概率分类器(例如支持向量机器或神经网络)来训练分类器。

在实施例中，数据通常被分成两个不同的集合，涉及左转的鞋和右转的鞋。例如，数据集可以被镜像，包含关于水平中点反映的相同图像数据。以这种方式，通过将图像分类为属于一个或另一个数据集而对鞋进行的识别提供了关于行人的行进方向(即，行人是进入还是离开商店)的信息。

一旦系统10将图像分类为与具有某些属性(使用分类器识别)的鞋相关，则执行主错误检查步骤(118)。错误检查使用基本的常识检查来确定分类器是否将图像错误分类为鞋(事实上它不是)。例如，给定画面中的相对位置，检查检测到的鞋子的尺寸。如果非常大的图像被分类为鞋(当它位于来自摄像机的图像的最远部分时)，则该鞋的尺寸将太大。如果在摄像机附近检测到相同大小的图像，则考虑到透视的差异，该大小可能是真实的。大于某一尺寸的鞋视可因被错误地分类而被丢弃。

作为第二错误检查阶段(步骤120)，附加检查包括对跨越连续图像发生的错误进行的检查。相比于作为孤立错误发生，分类错误不太可能在连续图像之间持续，因此在这种情况下可以降低不正确的分类的概率。另一检查是检测的局部性——图像的一小部分中的多个鞋类分类可以指示正在识别相同的鞋，因此分类的结果可以比较和/或组合。此时可以执行进一步的图像处理，以帮助识别错误。

具有对示例性数据的数据集和相关的人口统计信息的访问(所述示例性的数据集的每一个具有已记录的属性值(诸如尺寸，风格和颜色，鞋带和/或踝关节周围的衣服的风格))使得计算机系统能够通过适当地对所观察的图像进行分类来估计所观察图像的属性，和/或能够使用图像本身来估计关于穿着者的人口统计信息。

因此，换言之，计算机系统32包括图像分类模块，其可操作为通过使用如上所述的分类器来确定行人的图像的脚或鞋类物品的属性的值。以这种方式，从分类的图像中识别特点(步骤122)。

为了更好地评定对象是什么性别，以及对象是否是儿童(这对于确定是否存在家庭单元很重要)，脚的尺寸是重要的指标。平均来说，女性的脚尺寸比男性的小，因此，估计对象的脚的尺寸是准确评估该人的性别的重要信息。

然后确定鞋/鞋类(“对象”)的一个或多个属性。可以通过从鞋图像中扣除背景图像数据(即，被处理的前景数据，限于被识别为鞋的特定实例)来测量鞋的尺寸和方向。识别沿着X轴和Y轴的梯度中的尖峰，表示在鞋的后部、基部或前部观察到的颜色的变化。在实施例中，Sobel算子被实现为强调边缘过渡，以判断沿着轴的梯度。可以根据以像素为单位测量的鞋的长度来估计尺寸，其可以在了解了关于跨越视场(通过校准步骤确定的)的观察深度的情况下转换为长度测量。

因此，在一个示例中，观察到具有非常大的脚/鞋尺寸的图像可能属于男性。通过将观察到的图像的尺寸与样本数据集中的鞋的尺寸进行比较，可以看出，大部分类似尺寸的鞋与已知为男性的行人相关。基于此，系统32确定所观察到的图像是男性穿着的鞋具有相应高的可能性。

作为另一示例，数据集可以示出与颜色属性“粉红色”相关的图像的65％与穿着者是女性的人口统计属性相关。数据集还可以显示具有特定的大鞋尺寸的男性与女性的比例为80％。在获取的图像被确定为包括该大尺寸的粉红色鞋的情况下，计算机系统32必须使用其可用的信息来估计穿着者可能的性别。在这种情况下，基于样本数据集的证据，它确定大粉红色的鞋属于男性而不是女性的可能性更高。因此，在此基础上，由收集的图像识别的行人被确定为男性。

在另一种方法中，计算机系统32可以将观察到的图像与存储在样本数据集中的图像数据进行比较。可以使用已知的图像比较方法来确定观察到的图像与数据集中的每个样本图像的接近度(例如，基于其像素数据将每个图像视为高维向量数组，并且比较向量的接近度)。例如，诸如K-最近邻算法的分类算法可以用于识别最可能的人口统计分类，利用该分类算法来标记与获取的图像相关的行人。当然，用于计算图像相似性的许多合适的算法和方法是已知的，并且设想在本发明的环境下可以使用任何合适的方法。

当然，分类器数据集34可以包含与已训练的分类器相关的信息，而不是之前或现在训练分类器的数据。因此，例如，分类器数据集34包含与诸如分类边界的值相关的数据，其定义了共享相同分类的数据样本彼此相似的程度。

在这样的实施例中，分类器数据集34包含分类器规则，其将应用到新观察数据的属性的值上。例如，已经分析了样本观察结果的大数据集，可以确定具有大于特定值的长度的鞋非常可能属于男性，并且在该值以下鞋非常可能属于女性。这个规则允许将来的观察结果被快速和容易地分类。更复杂的分类器规则可以提供函数，所述函数映射鞋的形状以估计例如穿着者年龄。

一旦根据感兴趣的人口统计类别对对象进行了分类，则记录观察结果(步骤124)，并且可以将其存储在观察结果数据库28中。然后可以由分析软件30和报告系统访问所述观察结果数据库中存储的数据，用于将整理的结果报告给用户。

在系统10已经记录了经检测的鞋的情况下，系统10可操作为对行人客流量进行计数。当获得了对经过目标区域的行人的观察结果，并且观察结果被分类到人口统计类别中时，系统存储器中的计数器或者存储在存储器或存储装备中的数据可以增加，以跟踪相关类别中的行人数目。

模型用于将各个鞋的分类的数据添加到经过图像获取装置14的行人的计数中。该模型用于识别鞋的多个观察结果是否属于同一行人。该模型的结果基于包括但不限于以下的因素中的至少一个：鞋类的方向、脚步的位置、检测到的时间、鞋类的形状、代表鞋和/或腿的颜色或质地的数据(例如颜色梯度)、在鞋类上观察到的图案或标志。例如，标志可以是品牌标志。梯度匹配可以涉及在不同像素处的鞋的采样颜色并且在比较图像时使用颜色差异作为特点。该方法考虑了在摄像机的视场内的不同位置处的不同照明条件(例如由阴影引起的)。例如，蓝色袜子和白色鞋子之间的颜色差异的梯度在明亮的阳光下和在阴影下投射时可以保持大致相等，而实际观察到的颜色可能很不一样。

计数模型可以包括概率模型，该概率模型指定成双(或者，例如三件套)鞋属于同一行人的可能性。该概率模型可以跨(鞋观察结果的)数据库应用，以预测行人的总数，并且可以包括误差范围和图形的预测精度。

无监督的机器学习模型可用于基于鞋的多个观察结果(即，由分类器收集的数据)的输入来预测已观察到多少行人。使用聚类技术，模型可以学习分类数据组之间的模式，以评定在图像序列中观察到多少行人——不论鞋的多个图像是否涉及相同的鞋、相同的行人(但也许他们的其他鞋)、紧邻的多个行人，或由于分类数据中的其他不规则性所致。另外地或者附加地，线性二次估计(即卡尔曼滤波器)可递归地用于估计有关观察到的行人数目的数据。

另外应当注意，其他计算机视觉技术(例如“点跟踪”、将对象与画面中的鞋的其他观察结果(包括运动的方向，运动的模式，以及鞋和小腿的角度)相比较，以及将鞋或其特征本地缓存到存储器)可以用于改善对象的检测并阻止双重计数(即，为一个人的两只鞋增加计数器两次)。

一旦系统10已经对在图像或图像序列中识别的行人数目进行了计数，将提取进一步的人口统计信息，并且通过对每个鞋类观察结果中的特征和它们的结合的评估来从分类的信息中更新(步骤128)先前的人口统计估计值。新信息可以包括步幅长度、行走速度和行人行走的方向。可以推断进一步的信息(例如行人如何分组)——例如他们是作为夫妇、家庭还是作为单身人士而聚集。

分析模块可以形成计算机系统32本身的一部分，或者可以远离计算机系统32而被提供。对于所观察的每个行人，分析模块可以配置用来将所确定的人口统计分类传送给系统的用户。在优选实施例中，模块周期性地与用户通信，以提供在给定时间段内已观察和分类的已整理数据。例如，系统可以每小时一次、每天一次或每周一次向用户报告。传送给用户的数据可以包括人口统计分类数据(包括所观察的行人的估计性别和年龄)以及任何其他相关数据(所提供的特定数据可以由用户指定)。可以经由网站、经由网络门户或经由数字消息(例如电子邮件、SMS等)来提供数据。在其他实施例中，系统可以整理数据并将整理的数据存储在存储装置36上。

在实施例中，报告系统和/或分析软件是基于网络的，并且位于“云”中。数据以规律的时间间隔经由互联网上传到云存储提供商处。整理数据并计算相关的性能指标。当用户想要“消费”(即访问)与顾客人口统计和流量有关的数据时，使用本地网络应用，所述本地网络应用从云下载数据并将其呈现给用户以供考虑。数据还可以通过API来获得，以实现与现有的管理信息系统的兼容性。

应当理解，除非另有说明，否则本文所述的实施例的特征能够以其任何组合而被使用。

当在本说明书和权利要求中使用时，术语“包括”(“comprises”和“comprising”)及其变形意味着包括指定的特征、步骤或整体。这些术语不应被解释为排除其它特征、步骤或组件的存在。

在前述说明书或所附权利要求书或附图中公开的特征，以其具体形式或根据用于执行所公开的功能的手段或用于实现所公开的结果的方法或过程而适当地表达，这些特征可以单独地或以这些特征的任何组合被用于以各种形式实现本发明。