Entwicklung einer App zur Gesichtserkennung im Einzelhandel

Entwicklung einer App zur Gesichtserkennung im Einzelhandel

Branche
Informationstechnologie, Einzelhandel
Technologien
.NET, C/C++

Kunde

Der Kunde ist ein großes Unternehmen aus Australien, das sich auf eine breite Palette an Dienstleistungen für den Einzelhandel spezialisiert. Der Kunde bietet innovative Dienstleistungen und Lösungen für verschiedene Produktgruppen im Einzelhandel (Verbrauchswaren, Bekleidung, Haushaltsgeräte, Lebensmittel, Unterhaltungselektronik usw.). Seine weltweit verbreiteten Lösungen werden sowohl von einzelnen Ladeninhabern als auch von großen multinationalen Einzelhändlern genutzt.

Herausforderung

Der Kunde entschied sich für die Erstellung einer Lösung, die es ermöglicht, In-Store-Services zu personalisieren und Kunden-Metriken zu erfassen. Das Ziel des Projekts bestand darin, durch die Gesichtserkennung unterschiedliche Daten über Besucher in Laden / Einkaufszentren zu sammeln, in einer Datenbank zu speichern, zu analysieren und auszuwerten. Wenn dieselben Personen den Laden wieder betreten, werden ihre Gesichter anhand der gespeicherten Daten erkannt. Die Gesichtserkennung hilft damit, basierend auf den Ergebnissen der Datenanalyse den Service zu personalisieren und dadurch Kundenerlebnisse zu verbessern.

Lösung

ScienceSoft hat den Entwicklungsprozess in zwei Hauptphasen unterteilt, um das Folgende zu ermöglichen:

  • Aufnahme von Gesichtsbildern.
  • Gesichtserkennung.

Unsere Spezialisten verwendeten die OpenCV-Bibliothek als Fundament, um die Erfassung von Gesichtsbildern zu ermöglichen, und verbesserten die Funktionen zur Bilderfassung weiter.

Die zweite Phase bestand aus 3 Teilen:

  • Vorverarbeitung mittels gezielt bearbeiteter Eingabebilder, um die Gesichter der Kunden erkennbar zu machen.
  • Berechnung von Landmarks, einigen besonderen Merkmalen des Gesichts.
  • Gesichtserkennung basierend auf Landmarks und speziellen Kriterien.

Während des Projekts erforschte unser Team eine Reihe von Algorithmen und Methoden wie Ecken-Detektor von Harris, Affine Invariants von Flusser, Hu Invariants, Mahalanobis-Metrik, SIFT (skalierungsinvariante Merkmalstransformation) usw. Diese Kombination von Algorithmen half uns dabei, die Kundenanforderungen zu erfüllen und das System aufzubauen, das basierend auf einem hohen Prozentsatz korrekter Ergebnisse funktioniert.

Ergebnisse

Unser Team hat eine intelligente Lösung für den Einzelhandel dem Kunden zeit- und budgetgerecht bereitgestellt. Die erstellte Lösung zur Gesichtserkennung ermöglicht es, Ladenbesucher mithilfe von einer innovativen Technologie zu erkennen und durch die entsprechende Anpassung an Gewohnheiten sowie Vorlieben von Kunden bessere Einkaufserlebnisse zu gewährleisten.

Technologien und Tools

.Net 2.0/3., C++, IPP, OpenCV-Bibliothek.