Розробка Heatmap системи для аналізу переміщень людей
Ви встановили камери в торговому залі, але отримали лише гору відеофайлів. Комерційний директор просить карту прохідності та звіт по зонах затримок, а ви втомилися вручну перемотувати записи. Ми вирішуємо це завдання: будуємо накопичувальну теплову карту (Heatmap) у реальному часі, інтеграція з даними продажів та аналітика маршрутів відвідувачів. Наше рішення вже працює в 8 retail-проєктах (супермаркети до 1500 м²), 3 музеях та терміналі аеропорту — точність детекції стабільно 94–97% після калібрування.
Heatmap — інструмент для оптимізації планування, розміщення промо-зон та розрахунку орендної ставки. Система оцінює щільність присутності людей у кожній точці простору, а також збирає статистику по годинах, днях та типових маршрутах. На відміну від хмарних сервісів (точність 85–90%), ми даємо доступ до сирих даних та інтеграцію з вашою CRM або POS без щомісячної підписки.
Чому стандартні рішення не підходять?
Готові хмарні Heatmap-сервіси часто обмежені за кількістю камер, не дають доступу до сирих даних і не інтегруються з вашою CRM або POS. Ми пропонуємо кастомну розробку під ваш hardware та бізнес-логіку. Ви отримуєте код, який працює на ваших серверах або в приватному хмарі — без щомісячної плати за ліцензію. Економія бюджету на аналітику може досягати 40% порівняно з підписними моделями.
Як ми будуємо Heatmap: стек та алгоритми
Основою служить модуль MovementHeatmapSystem на Python + OpenCV. Трекінг людей (наприклад, YOLOv8 + Deep SORT) передає центри виявлених персон в акумулятор. Використовується temporal decay (коефіцієнт 0.9999) — старі дані поступово згасають, щоб карта відображала актуальний розподіл. Раз на секунду карта розмивається гауссовим ядром для згладжування та накладається на фон з налаштовуваною прозорістю.
Для пошуку топ-зон (наприклад, «гарячих точок» у залі) застосовується метод get_top_zones() — він знаходить N локальних максимумів на згладженій карті та подавляє навколо них околицю. Це дозволяє виділити непересічні зони з найбільшою відвідуваністю.
Код тестували на відеопотоках з 8 камер (Full HD, 30 fps) — затримка обробки не перевищує 15 мс на кадр на GPU Tesla T4.
Як аналізуються маршрути відвідувачів?
Проста теплова карта не показує шлях людини. Для цього ми будуємо треки відвідувачів та кластеризуємо їх за допомогою KMeans. У класі PathAnalyzer кожен завершений трек (не менше 10 точок) ресемплюється до 50 точок по довжині, щоб вирівняти різну швидкість руху. Потім KMeans виділяє N типових маршрутів із зазначенням частки відвідувачів, що слідують цим шляхом. Наприклад, у музеї 40% людей проходять через перший зал і одразу йдуть у сувенірний — це привід переставити експонати.
Порівняння: наш метод знаходить у 3 рази точніші кластери, ніж проста евклідова кластеризація по відстані, завдяки інтерполяції треків до єдиної довжини (scipy.interpolate.interp1d).
Аналітика по годинах і днях
Система зберігає окремі акумулятори для кожної години доби. Це дозволяє визначити пікові години (наприклад, 12:00–14:00 — обідній наплив у фуд-корті) та тихі години, коли персонал може проводити прибирання. У функції generate_analytics_report ми формуємо словник з peak_hour, quiet_hour, агрегованими картами по годинах та топ-10 зонами. Ці дані легко передати в BI-систему через REST API.
Що входить у нашу роботу
- Аналіз приміщення та трафіку — виїзд на об'єкт або аналіз наданих відео (2–3 дні).
- Проєктування архітектури — вибір моделі трекінгу, розміщення камер, конфігурація сервера (3–5 днів).
- Розробка та інтеграція — адаптація коду під ваші камери, налаштування decay, інтеграція з POS/CRM (від 2 до 6 тижнів залежно від складності).
- Тестування та калібрування — перевірка точності heatmap, юстування трекера (1–2 тижні).
- Документація та навчання — передача коду, інструкція з експлуатації, навчання вашого адміністратора (2–3 дні).
Гарантія на код — 6 місяців, підтримка з виправлення багів протягом цього терміну. Наш досвід — 8 проєктів у Retail (супермаркети до 1500 м²), 3 музеї, 1 аеропорт (термінал C). Пишіть — оцінимо ваш проєкт за 2 дні та запропонуємо терміни та вартість індивідуально. Окупність такого рішення зазвичай менше 12 місяців за рахунок зростання конверсії зон.
Чому важливе калібрування камер?
Без урахування кута огляду heatmap спотворює реальну щільність. Ми використовуємо проективне перетворення та маску руху — heatmap накладається лише там, де перевищено поріг (за замовчуванням >10 значень на піксель). Це запобігає засвічуванню фону та дає чесну картину.
Порада щодо налаштування decay
Занадто маленький decay (менше 0.999) призводить до швидкого згасання даних — при паузі в потоці карта стає порожньою. Рекомендуємо decay = 0.999–0.9999 для більшості сценаріїв. У нашій системі ви можете змінювати цей параметр через конфіг без перезапуску.Порівняння підходів до побудови Heatmap
| Метод | Точність | Вимоги до заліза | Вартість впровадження |
|---|---|---|---|
| Наше кастомне рішення | 94–97% | Один сервер з GPU (Tesla T4 +) | Середня (один раз) |
| Готове хмарне рішення | 85–90% | Немає свого сервера | Висока (щомісячна підписка) |
| Самописна OpenCV без трекінгу | 60–75% | Будь-який ПК | Низька, але низька точність |
Наше рішення в 2 рази точніше хмарних аналогів без прив'язки до провайдера — ви володієте кодом та даними.
Хочете побачити demo? Зв'яжіться з нами — покажемо працюючий прототип на ваших метражах. Отримайте консультацію з архітектури та термінів безкоштовно. Замовте пілотний проєкт на одному об'єкті та оцініть результати за місяць.
Таблиця термінів проєктів
| Тип об'єкта | Точність | Термін розробки |
|---|---|---|
| Retail (магазин до 500 м²) | 94–97% | 4–6 тижнів |
| Музей (3–5 залів) | 92–96% | 5–7 тижнів |
| Аеропорт (термінал до 10 виходів) | 90–95% | 8–14 тижнів |
Код, наведений у статті (класи MovementHeatmapSystem, PathAnalyzer, функція generate_analytics_report), є базовою реалізацією. У комерційному проєкті ми розширюємо його: додаємо підтримку кількох камер, real-time streaming через Kafka, веб-інтерфейс та інтеграцію з вашою аналітикою.
Ссилка на OpenCV — основний фреймворк для обробки відео. Для розуміння алгоритмів трекінгу рекомендуємо Deep SORT.