本发明涉及客户分组方法，在商业场景中，对进店客户进行客户群组划分，进行精准判断和计数的方法，具体为一种对进店客户进行分组的判断方法。
背景技术：
1、在实际商业或公共场景中，客户往往以家庭为单位，或有伴随顾问的方式多人同行，进行一此消费活动，形成一个购买力。而传统的客流计数方案，只考虑个体计数，而忽视客户分组消费的情形，使用传统计数方式将一个客户组的购买力放大到每个进店客户中，使购买力数据失真。
2、目前，在对客户的客流及客流分组的技术，主要采用视频监控对人群计数主要使用深度学习神经网络进行特征识别+撞线检测的方法。
3、撞线检测的主要优点有：通过计算识别框点是否接触检测线，以及穿过的次数，可快速判断目标穿过检测线的方向，计算速度快，应用面广。检测基于实时视频流，可实时进行人数计数。根据行人进入的同步性，计算客流分组。
4、其中不足主要是：客户群组的计算方式，会产生很大的偏差，现实意义不大，图像中检测目标的大小变化会影响识别框的大小，若检测目标的图像大小变化剧烈，会导致目标多次撞线进而导致计算错误。因此对于摄像头的安装角度和点位有较高要求。
5、总体来说，视频监控的方式，对实现客流分析相对比较成熟，但对客群分析会存在较大的缺陷。
技术实现思路
1、本发明的目的在于提供一种对进店客户进行分组的判断方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种对进店客户进行分组的判断方法，包括以下步骤：
3、s1：人像识别提取，基于深度学习技术，对原始视频中人像进行识别和提取；
4、s2：人像去重编号id，使用reid行人重识别技术对提取的人像进行去重，给每一行人进行编号赋予单独的id；
5、s3：场景位置坐标定位，在场景中根据无行人的初始图像对场景内各位置进行坐标定位；
6、s4：人像id定位，对原始视频进行逐帧提取，对每一人像id的定位点于每帧进行坐标定位；
7、s5：id轨迹绘制，将各人像id的定位点进行集合勾画成线形成轨迹；
8、s6：轨迹对比，将各人像id的轨迹与在相同时间段进出场景人像id，进行轨迹相似度对比；
9、s7：客户分组，按照对比后的轨迹相似度进行客户分组，轨迹相似度达到设定阈值的分为一组。
10、优选的，s1中，采用基于卷积神经网络的行人目标检测算法，采用yolov8nano作为目标检测的模型基础，在coco检测数据集和实际应用场景数据集中进行训练，以获得更好的可用性。使用训练后的模型，对视频逐帧进行检测，将检测到的行人框点位数据，检测框内的图片进行提取和保存为行人检测数据集。
11、优选的，s1中，卷积神经网络包括特征提取层和特征映射层。
12、优选的，特征提取层中，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。
13、优选的，特征映射层中，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的激活函数，使得特征映射具有位移不变性。
14、优选的，卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层。
15、优选的，s2中，采用基于卷积神经网络的行人重识别算法，在不使用人脸信息的情况下，使用reid神经网络模型对所有人像特征进行特征值提取，对行人的衣物颜色、样式等特征进行提取，对两帧行人图片是否属于同一行人的二分类问题进行判别，计算人像特征值之间的余弦相似度，对前后帧的检测人像进行去重，并对相同客户个体赋予单独id。
16、优选的，采用fastreid作为行人重识别的模型基础，在market-1501数据集和实际应用场景数据集中进行训练，以更好的匹配实际应用场景，使用训练后的模型，对目标检测后的行人数据集进行重识别检测，将所有判别为同一行人赋予独立id，记录并保存该行人的id、检测框坐标、持续帧、重识别置信度。
17、优选的，s6中，采用基于动态时间规整的轨迹序列相似度算法，包括以下步骤：
18、步骤一：基于起点的一致性，启动相似度计算模型；
19、步骤二：对每个id进行两两比对，计算分段之间的相似度以及不相似度，其中所述分段为两个id之间的分段；通过定义分段时间、相似分段、相似路线，计算轨迹之间的相似度以及不相似度，从而得到轨迹相似度；
20、步骤三：基于终点一致性的判断，补充两两比对模型可能遗漏的样本；
21、步骤四：相似度一致性判断，根据经验阈值，在识别过程中，不断迭代学习。
22、优选的，s6中，采用自学习算法，采用人工标注的方式，对判断结果进行标注，反馈给学习算法，算法根据人工标注结果，修正判断阈值。
23、与现有技术相比，本发明的有益效果是：
24、本发明能够运用摄像头等设备，在不提取进店客户生物特征的前提下，使用reid神经网络模型对所有人像特征进行特征值提取，将各人像id的轨迹与在相同时间段进出场景人像id，进行轨迹相似度对比，对进店客户进行群组精准的划分。而且模型具有自学习功能，随着模型的不断使用，客户群组判断精度会不断提升。
1.一种对进店客户进行分组的判断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种对进店客户进行分组的判断方法，其特征在于：s1中，采用基于卷积神经网络的行人目标检测算法，采用yolov8nano作为目标检测的模型基础，在coco检测数据集和实际应用场景数据集中进行训练，以获得更好的可用性。使用训练后的模型，对视频逐帧进行检测，将检测到的行人框点位数据，检测框内的图片进行提取和保存为行人检测数据集。
3.根据权利要求2所述的一种对进店客户进行分组的判断方法，其特征在于：s1中，卷积神经网络包括特征提取层和特征映射层。
4.根据权利要求3所述的一种对进店客户进行分组的判断方法，其特征在于：特征提取层中，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。
5.根据权利要求3所述的一种对进店客户进行分组的判断方法，其特征在于：特征映射层中，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的激活函数，使得特征映射具有位移不变性。
6.根据权利要求3所述的一种对进店客户进行分组的判断方法，其特征在于：卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层。
7.根据权利要求1所述的一种对进店客户进行分组的判断方法，其特征在于：s2中，采用基于卷积神经网络的行人重识别算法，在不使用人脸信息的情况下，使用reid神经网络模型对所有人像特征进行特征值提取，对行人的衣物颜色、样式等特征进行提取，对两帧行人图片是否属于同一行人的二分类问题进行判别，计算人像特征值之间的余弦相似度，对前后帧的检测人像进行去重，并对相同客户个体赋予单独id。
8.根据权利要求7所述的一种对进店客户进行分组的判断方法，其特征在于：采用fastreid作为行人重识别的模型基础，在market-1501数据集和实际应用场景数据集中进行训练，以更好的匹配实际应用场景，使用训练后的模型，对目标检测后的行人数据集进行重识别检测，将所有判别为同一行人赋予独立id，记录并保存该行人的id、检测框坐标、持续帧、重识别置信度。
9.根据权利要求1所述的一种对进店客户进行分组的判断方法，其特征在于：s6中，采用基于动态时间规整的轨迹序列相似度算法，包括以下步骤：
10.根据权利要求9所述的一种对进店客户进行分组的判断方法，其特征在于：s6中，采用自学习算法，采用人工标注的方式，对判断结果进行标注，反馈给学习算法，算法根据人工标注结果，修正判断阈值。
