Sistema para medir tiempos de espera en colas de supermercado usando visión por computador y métodos estadísticos
Loading...
Files
Date
2011
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Las empresas con ventas al por menor, deben lidiar con diversas variables para mantener la satisfacción del cliente en niveles aceptables, ya que estas están directamente relacionada con la fidelidad del cliente. Esto toma especial interés en los supermercados o tiendas de auto servicio, ya que estas deben lidiar con los tiempos de espera, generados en largas filas formadas por los clientes al momento de pagar por los productos; lo cual afecta directamente la satisfacción del cliente. Es por esto que, proponemos un sistema para calcular tiempos de espera en colas de supermercados, a partir de técnicas de visión por computador, inteligencia de máquina y múltiples vistas.
Lo que en definitiva, nos permitirá proporcionar información necesaria para estimar la cantidad óptima de cajeras y cajas de atención abiertas, para un momento específico. Para esto proponemos un sistema de seguimiento aplicable a múltiples vistas, sustentado por un nuevo y simple modelo de apariencia propuesto en este trabajo, llamado Online Naive Bayes Nearest Neighbor; el cual es robusto a oclusiones parciales prolongadas, a cambios drásticos de apariencia y sólo necesita un parámetro de configuraci´on. El modelo propuesto está basada en el descriptor de covarianza (Tuzel, Porikli, & Meer, 2006) y en un clasificador Naive Bayes Nearest Neighbor (Boiman, Shechtman, & Irani, 2008).
Finalmente el sistema de seguimiento obtuvo resultados prometedores, logrando seguir correctamente un 61:1% de los clientes que ingresaron a la cola de espera y de éstos el error promedio fue de sólo un 2:9%. Además, el sistema es capaz de detectar automáticamente 100% de los casos cuando el sistema falla, lo que significa en términos prácticos, que podemos entregar mediciones con mayor precisión al momento de calcular los promedios. Con respecto al modelo de apariencia propuesto, éste obtuvo un rendimiento alentador, reduciendo el error promedio (en píxeles) un 33.1% comparado con otros métodos de seguimiento, basados en Online Boosting.
Lo que en definitiva, nos permitirá proporcionar información necesaria para estimar la cantidad óptima de cajeras y cajas de atención abiertas, para un momento específico. Para esto proponemos un sistema de seguimiento aplicable a múltiples vistas, sustentado por un nuevo y simple modelo de apariencia propuesto en este trabajo, llamado Online Naive Bayes Nearest Neighbor; el cual es robusto a oclusiones parciales prolongadas, a cambios drásticos de apariencia y sólo necesita un parámetro de configuraci´on. El modelo propuesto está basada en el descriptor de covarianza (Tuzel, Porikli, & Meer, 2006) y en un clasificador Naive Bayes Nearest Neighbor (Boiman, Shechtman, & Irani, 2008).
Finalmente el sistema de seguimiento obtuvo resultados prometedores, logrando seguir correctamente un 61:1% de los clientes que ingresaron a la cola de espera y de éstos el error promedio fue de sólo un 2:9%. Además, el sistema es capaz de detectar automáticamente 100% de los casos cuando el sistema falla, lo que significa en términos prácticos, que podemos entregar mediciones con mayor precisión al momento de calcular los promedios. Con respecto al modelo de apariencia propuesto, éste obtuvo un rendimiento alentador, reduciendo el error promedio (en píxeles) un 33.1% comparado con otros métodos de seguimiento, basados en Online Boosting.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2011