מערכת מפת חום לניתוח תנועת אנשים
התקנתם מצלמות באולם המכירות, אבל קיבלתם רק ערימה של קבצי וידאו. המנהל המסחרי מבקש מפת תנועה ודוח על אזורי שהייה, ואתם עייפים מלגלול ידנית בהקלטות. אנחנו פותרים את זה: אנחנו בונים מפת חום מצטברת בזמן אמת, משולבת עם נתוני מכירות, ומספקים אנליטיקת מסלולי מבקרים.
הפתרון שלנו כבר עובד ב-8 פרויקטים קמעונאיים (סופרמרקטים עד 1500 מ"ר), 3 מוזיאונים, וטרמינל שדה תעופה—דיוק זיהוי עקבי של 94–97% לאחר כיול.
מפת חום היא כלי לאופטימיזציה של פריסה, מיקום אזורי קידום, וחישוב תעריפי שכירות. המערכת מעריכה צפיפות אנשים בכל נקודה במרחב ואוספת סטטיסטיקות לפי שעה, יום, ומסלולים טיפוסיים.
בניגוד לשירותי ענן (דיוק 85–90%), אנחנו נותנים לכם גישה לנתוני גלם ואינטגרציה עם ה-CRM או ה-POS שלכם ללא מנוי חודשי.
מדוע פתרונות סטנדרטיים אינם מספיקים
שירותי מפת חום בענן מוכנים מראש לעתים קרובות מגבילים את מספר המצלמות, לא מספקים נתוני גלם, ולא משתלבים עם ה-CRM או ה-POS שלכם. אנחנו מציעים פיתוח מותאם אישית לחומרה וללוגיקה העסקית שלכם. אתם מקבלים קוד שרץ על השרתים שלכם או בענן פרטי—ללא דמי רישיון חודשיים. החיסכון בתקציב על אנליטיקה יכול להגיע ל-40% בהשוואה למודלים של מנוי.
כיצד אנחנו בונים את מפת החום: סטאק ואלגוריתמים
הליבה היא המודול MovementHeatmapSystem ב-Python + OpenCV. מעקב אחר אנשים (למשל, YOLOv8 + Deep SORT) שולח את מרכזי האנשים שזוהו אל מצבר. אנחנו משתמשים בדעיכה זמנית (מקדם 0.9999)—נתונים ישנים דוהים בהדרגה כך שהמפה משקפת את ההתפלגות הנוכחית. פעם בשנייה, המפה מטושטשת עם גרעין גאוסי להחלקה ומונחת על הרקע עם שקיפות ניתנת להגדרה.
כדי למצוא אזורים מובילים (למשל, "נקודות חמות" באולם), אנחנו מיישמים את המתודה get_top_zones()—היא מוצאת N מקסימומים מקומיים על המפה המוחלקת ומדכאת את השכונה סביבם. זה מבליט אזורים שאינם חופפים עם התנועה הגבוהה ביותר.
הקוד נבדק על זרמי וידאו מ-8 מצלמות (Full HD, 30 fps)—השהיית העיבוד אינה עולה על 15 מ"ש לפריים על GPU מדגם Tesla T4.
כיצד מנותחים מסלולי מבקרים?
מפת חום פשוטה אינה מראה את הנתיב של האדם. לשם כך, אנחנו בונים מסלולי מבקרים ומקבצים אותם באמצעות KMeans. במחלקה PathAnalyzer, כל מסלול שהושלם (לפחות 10 נקודות) נדגם מחדש ל-50 נקודות לאורך האורך כדי לנרמל מהירויות תנועה שונות.
לאחר מכן KMeans מזהה N מסלולים טיפוסיים עם חלקם של המבקרים העוקבים אחר כל נתיב. לדוגמה, במוזיאון, 40% מהאנשים עוברים דרך האולם הראשון ומיד הולכים לחנות המזכרות—סיבה לסדר מחדש את המוצגים.
השוואה: השיטה שלנו מוצאת פי 3 יותר אשכולות מדויקים מאשכול פשוט לפי מרחק אוקלידי, הודות לאינטרפולציה של מסלולים לאורך אחיד (scipy.interpolate.interp1d).
אנליטיקה לפי שעה ויום
המערכת שומרת מצברים נפרדים לכל שעה ביום. זה מזהה שעות שיא (למשל, 12:00–14:00 עומס צהריים באזור המזון) ושעות שקטות שבהן הצוות יכול לנקות. בפונקציה generate_analytics_report, אנחנו מפיקים מילון עם peak_hour, quiet_hour, מפות מצטברות לפי שעה, ו-top-10 אזורים. הנתונים האלה יכולים לעבור בקלות למערכת BI דרך REST API.
מה כוללת העבודה שלנו
- ניתוח הנחות ותנועה—ביקור באתר או ניתוח סרטונים שסופקו (2–3 ימים).
- תכנון ארכיטקטורה—בחירת מודל מעקב, מיקום מצלמות, תצורת שרת (3–5 ימים).
- פיתוח ואינטגרציה—התאמת קוד למצלמות שלכם, כיוונון דעיכה, אינטגרציה עם POS/CRM (2 עד 6 שבועות בהתאם למורכבות).
- בדיקות וכיול—אימות דיוק מפת החום, כיוונון העוקב (1–2 שבועות).
- תיעוד והדרכה—מסירת קוד, מדריך הפעלה, הדרכת מנהל (2–3 ימים).
אחריות על הקוד: 6 חודשים, תמיכה בתיקון באגים במהלך תקופה זו. הניסיון שלנו—8 פרויקטים קמעונאיים (סופרמרקטים עד 1500 מ"ר), 3 מוזיאונים, שדה תעופה אחד (טרמינל C). צרו קשר—אנחנו נעריך את הפרויקט שלכם תוך יומיים ונספק לוח זמנים ועלות באופן אישי. ה-ROI הוא בדרך כלל מתחת ל-12 חודשים עקב עלייה בהמרה באזורים.
מדוע כיול מצלמות חשוב
ללא התחשבות בזווית הראייה, מפת החום מעוותת את הצפיפות האמיתית. אנחנו משתמשים בטרנספורמציה פרויקטיבית ומסכת תנועה—מפת החום מונחת רק היכן שסף מסוים עובר (ברירת מחדל >10 ערכים לפיקסל). זה מונע שטיפת רקע ונותן תמונה הוגנת.
טיפ לכיוונון דעיכה
דעיכה קטנה מדי (פחות מ-0.999) גורמת לדהייה מהירה—במהלך הפסקה בזרם המפה מתרוקנת. אנחנו ממליצים על דעיכה = 0.999–0.9999 לרוב התרחישים. במערכת שלנו, ניתן לשנות פרמטר זה דרך config ללא הפעלה מחדש.השוואה בין גישות מפת חום
| שיטה | דיוק | דרישות חומרה | עלות יישום |
|---|---|---|---|
| הפתרון המותאם שלנו | 94–97% | שרת אחד עם GPU (Tesla T4 +) | בינונית (חד-פעמית) |
| פתרון ענן מוכן | 85–90% | ללא שרת עצמאי | גבוהה (מנוי חודשי) |
| OpenCV עצמאי ללא מעקב | 60–75% | כל מחשב | נמוכה, אך דיוק נמוך |
הפתרון שלנו מדויק פי 2 מהחלופות בענן ללא נעילת ספק—אתם הבעלים של הקוד והנתונים. רוצים לראות הדגמה? צרו קשר—אנחנו נראה אב טיפוס עובד בהנחות שלכם. קבלו ייעוץ על ארכיטקטורה ולוח זמנים. הזמינו פרויקט פיילוט באתר אחד והעריכו את התוצאות תוך חודש.
טבלת לוח זמנים לפרויקט
| סוג אובייקט | דיוק | זמן פיתוח |
|---|---|---|
| קמעונאות (חנות עד 500 מ"ר) | 94–97% | 4–6 שבועות |
| מוזיאון (3–5 אולמות) | 92–96% | 5–7 שבועות |
| שדה תעופה (טרמינל עד 10 שערים) | 90–95% | 8–14 שבועות |
הקוד המוצג במאמר זה (מחלקות MovementHeatmapSystem, PathAnalyzer, פונקציה generate_analytics_report) הוא יישום בסיסי. בפרויקט מסחרי, אנחנו מרחיבים אותו: מוסיפים תמיכה בריבוי מצלמות, זרימה בזמן אמת דרך Kafka, ממשק ווב, ואינטגרציה עם האנליטיקה שלכם.
מקור: OpenCV—מסגרת עיבוד הווידאו הראשית. להבנת אלגוריתמי מעקב, אנחנו ממליצים על Deep SORT.