基于RFID的銷售管理與消費信息采集系統(tǒng)設計

戴閩魯++崔豐驛+雷國平+何紅亮+劉志遠+楊志軍

摘 要： 基于射頻識別技術（RFID）設計了一種在商場中能夠識別與追蹤消費者購物時對商品傾向度的系統(tǒng)，該系統(tǒng)通過RFID定位商品在商店中被消費者的移動情況，利用WiFi實現(xiàn)消費者在店內的定位，同時利用攝像機視頻圖像對消費者進行會員識別和人體動作行為識別，實現(xiàn)對消費者信息的采集與追蹤，從而為商店管理層提供科學的市場分析。通過服務器與消費者手機應用程序（APP）通信，可為消費者提供當前所處位置的商品相關信息，提供無人導購、自助購物的服務體驗。

關鍵詞： 射頻識別； WiFi； 模式識別； 系統(tǒng)設計

中圖分類號： TN92?34 文獻標識碼： A 文章編號： 1004?373X（2017）09?0159?04

Abstract： A system based on radio frequency identification （RFID） which can identify and track the tendency degree of consumer′s interest in commodities in the stores was designed. This system locates the commodities moved by the consumer in the store through RFID. The wireless fidelity （WiFi） is used to locate the consumer in the store. The video image collected by camera is adopted to identify the VIP and human movement behavior of the consumer to collect and track the consumer information， which provides a scientific market analysis for the store manager. The communication between the consumer′s mobilephone application （APP） and server can provide the commodity related information of the current location for the consumer， so the consumer can enjoy the shopping without guidance and self?shopping.

Keywords： RFID； WiFi； pattern recognition； system design

0 引 言

隨著電子商務的高速發(fā)展，以百貨商場為代表的傳統(tǒng)實體購物商店的生存空間日益被壓縮，百貨商場不斷向智能化和網絡化發(fā)展。目前國內沒有將射頻識別技術（Radio Frequency Identification，RFID）應用于百貨商場的成功案例。因而本文提出一種基于RFID的新型應用場景，可以在現(xiàn)實中為消費者搭建一個有效需求和有效供給的匹配平臺[1]。

本文以消費者在大型商場服裝品牌店的購物模式為主要研究對象，設計了一套消費者和商店管理層的雙向交互系統(tǒng)。

對商店管理層可提供如下信息：

（1） 在某一時間段消費者光顧某商品的人次數。

（2） 消費者在某一商品前的滯留時間。

（3） 消費者對某一商品的瀏覽、試用、購買率等。

對消費者可提供如下信息：

（1） 向消費者手機APP中發(fā)送該消費者面前商品的產地、材料、工藝、設計理念等商品相關信息。

（2） 消費者可用手機直接下單，避免了去收銀臺排隊等候。

（3） 通過APP瀏覽促銷信息并了解自己所需商品的具體擺放位置。

（4） 對商店管理者提供的信息也可根據商店管理層決策對消費者開放。

1 系統(tǒng)總體設計

本系統(tǒng)由客戶端和服務器兩個部分組成，客戶端包括用戶手機APP和商店管理層數據分析客戶端，APP用來給用戶提供購物時的數據服務，管理層客戶端用來給商店管理者提供數據分析。系統(tǒng)架構圖如圖1所示。系統(tǒng)硬件包括含WiFi收發(fā)方式的RFID讀寫器、被動式電子標簽、攝像機群等部分。服務器主要有兩大功能：一方面是提供定位服務；另一方面是采集消費者消費模式的相關信息?？傮w來說，創(chuàng)建數據庫客戶端和服務器對定位用戶來說都是透明的，定位用戶即直接定位的就是用戶APP[2?4]。

本文均以大型商場的服裝品牌店為例，當消費者進入店中時，消費者手機連接到服務器所在的網絡，使得服務器、店內各個節(jié)點的RFID讀寫器和消費者手機APP處于同一局域網內，這樣便可實現(xiàn)消費者的定位，從而服務器給消費者手機APP提供消費者面前衣服的相關信息。通過RFID讀寫器采集衣服被顧客移動情況的數據，發(fā)送到服務器進行數據分析。系統(tǒng)工作流程圖如圖2所示。

2 具體實現(xiàn)

系統(tǒng)設計的具體實現(xiàn)分別介紹了商品及消費者的定位、信息采集與模式識別的詳細流程，其中涉及了兩項關鍵技術，即模式識別與室內定位技術。

2.1 商品定位的實現(xiàn)

本系統(tǒng)采用RFID讀寫器和被動式RFID電子標簽實現(xiàn)商品在店內的定位。RFID讀寫器通過射頻識別信號自動識別目標對象并獲取相關數據，無須人工干預，可識別高速運動物體并可同時識別多個RFID標簽，其基本原理是利用射頻信號和空間耦合（電感或電磁耦合）傳輸特性實現(xiàn)對被識別物體的自動識別。在店內的各個節(jié)點如衣柜、收銀臺、試衣間、休息區(qū)等安放RFID讀寫器，在待售服裝上貼上電子標簽，通過天線與RFID電子標簽進行無線通信，可實現(xiàn)對標簽識別碼和內存數據的讀出或寫入操作。當顧客發(fā)現(xiàn)感興趣的衣服時，當顧客對衣服進行翻轉觀看、把衣服從衣架上取下、帶到試衣間試穿等活動時，RFID讀寫器可通過識別衣服上的電子標簽讀取其信號強度，把獲取的相關信息發(fā)送到數據庫進行分析處理，從而讀取衣服的相關位置信息，并統(tǒng)計衣服的款式、型號和被試用時間等。

2.2 人員定位的實現(xiàn)

本系統(tǒng)采用帶WiFi模塊的RFID讀寫器實現(xiàn)消費者在室內的定位。電磁波在空氣中的傳播速度是已知的，信號發(fā)送端與接收終端之間的距離可以由信號傳輸時間和速度相乘得到。接收方利用信號的到達時間計算信號在介質中的傳送時間，從而計算傳播距離。這樣，接收端的位置就限制在以發(fā)送端為圓心的圓周上。若電磁波從RFID讀寫器到被測目標的傳播時間為電磁波傳輸速度為則被測目標位于以RFID讀寫器位置為圓心，以為半徑的圓上。如果同時有三個以上的RFID讀寫器收到被測目標的無線信號，則被測目標的二維位置的坐標可由以RFID讀寫器為圓心的三個圓的交點確定，此為三角定位法，如圖3所示。在檢測到消費者具體位置的同時，服務器根據當前具體位置信息向手機APP發(fā)送顧客所在位置的相關衣服的信息，這樣消費者便可以全面詳細地了解此時面前的衣服，并可選擇試用、在線支付等。

2.3 人體行為識別和人臉識別

2.3.1 運動目標檢測

人體動作識別首先需要在初始數據中獲得包含動作信息的感興趣區(qū)域，這一預處理過程在人體動作識別中稱為運動目標檢測。本文采用動作視頻的動作分割進行運動目標檢測。動作分割的目的是將這些基本動作分離出來從而得到容量更小但包含足夠運動信息的數據，并以數學符號的形式表達出人體動作[5?8]。

2.3.2 動作特征提取和理解

為簡化人體動作行為識別的預處理過程，便于直接對人體動作進行特征提取和理解，本文采用人體動作數據庫——INRIAXMAS數據庫，其作為初始數據的采集樣本，從而避免了運動目標檢測過程帶來的精度和效率問題，然后從動作底層數據中抽取部分特征信息對人體動作進行表征。INRIAXMAS數據庫在文獻[7]中提出，進而被廣泛應用于多視角情形下的動作數據庫。它包含14種行為（ 看手表、揮手、抓頭、坐下、起立等）在5個視角獲得，室內方向和頭頂一共安裝5 個攝像頭，光照和背景基本不變?？梢暂^好地采集消費者對衣服進行動手瀏覽試用等一些基本動作。

本文采用模板匹配法對動作特征進行理解，該方法事先對每一動作建立起特征數據樣本模板，識別時只需按時間順序將獲取的待測動作特征數據與樣本模板進行匹配，通過計算兩者之間的相似度來判斷是否屬于樣本動作。人體動作識別中采用時序模板——MHI和MEI實現(xiàn)對特征的匹配。MEI 反映了人體動作發(fā)生的區(qū)域及強度，MHI 則在一定程度上反映人體動作發(fā)生的時間及隨時間的變化情況。

在人體動作特征提取的基礎上進行動作特征理解。動作特征理解可以看作是一個在空間或時空領域將提取到的人體運動特征與先驗知識進行對比，通過對數據的分析實現(xiàn)動作分類的過程。

人體行為識別的整個流程圖如圖4所示。

2.3.3 人臉識別

本系統(tǒng)在商店入口處設置攝像頭，對進店顧客進行視頻拍照識別，分析是否為本店會員，可為商店對于會員顧客感興趣商品提供數據分析[9?11]。人臉識別流程圖如圖5所示。

3 系統(tǒng)應用

3.1 硬件及軟件環(huán)境

本設計用到的RFID讀寫器是凌達偉業(yè)UHF RFID一體式讀寫器，采用歐洲頻率標準，可定制WiFi通信接口，電子標簽采用UHF無源電子標簽。攝像機采用寬動態(tài)攝像機，內嵌東芝Visconti圖像識別芯片，這款Visconti 3芯片內包含64 GB屏蔽式堆讀內存Mask ROM，2 MB SRAM，支持DDR2 533 MHz內存，可對面部、動作識別檢測有一定的輔助作用。數據應用系統(tǒng)采用Windows 7及更高版本，界面開發(fā)語言為C#。

3.2 實驗

針對本文論述的系統(tǒng)特性，在某百貨商場服裝店內進行測試，設計的每種實驗場景中包括讀取RFID電子標簽的信號強度、人員的室內定位精度等幾個方面，圖6為50個無源標簽定位結果仿真圖，圖7為誤差折線圖，平均誤差值為0.201 4。

4 結 語

針對傳統(tǒng)百貨商場管理層不能較好地獲取消費者購物選擇傾向等信息的問題，設計了一種基于RFID的商品銷售管理以及識別與追蹤消費者購物模式的雙向交互系統(tǒng)，不僅實現(xiàn)了消費者購物傾向信息的采集，同時實現(xiàn)了店內無人導購、自助購物的消費模式。實驗證明，該系統(tǒng)工作穩(wěn)定，操作簡便，能較好地實現(xiàn)設計的功能，在未來有很大的應用前景。

參考文獻

[1] NGUYEN H L， CASTELLI E， DAO T K， et al. Multimodal combination of GPS， WiFi， RFID and step count for user loca?lization [C]// Proceedings of 2014 International Conference on Ubiquitous Information Technologies and Applications. [S.l.]： Springer Berlin Heidelberg， 2014： 675?681.

[2] 彭梅，鄭步生.一種手持式超高頻RFID閱讀器的設計[J].現(xiàn)代電子技術，2014，37（23）：80?83.

[3] LAI Y L， CHENG J. A Cloud?storage RFID location tracking system [J]. IEEE transactions on magnetics， 2014， 50（7）： 1?4.

[4] ARAI K， TOLLE H. Color radiomap interpolation for efficient fingerprint WiFi?based indoor location estimation [J]. International journal of advanced research in artificial intelligence， 2013， 2（3）： 253?258.

[5] KE S R， THUC H L U， LEE Y J， et al. A review on video?based human activity recognition [J]. Computers， 2013， 2（2）： 88?131.

[6] MAHBUB U， IMTIAZ H， AHAD M A R. Action recognition based on statistical analysis from clustered flow vectors [J]. Signal， image & video processing， 2014， 8（2）： 243?253.

[7] WEINLAND D， RONFARD R， BOYER E. Free viewpoint action recognition using motion history volumes [J]. Computer vision and image understanding， 2006， 104（2/3）： 249?257.

[8] TAO D， JIN L， WANG Y， et al. Rank preserving discriminant analysis for human behavior recognition on wireless sensor networks [J]. IEEE transactions on industrial informatics， 2014， 10（1）： 813?823.

[9] BOBICK A F， DAVIS J W. The recognition of human movement using temporal templates [J]. IEEE transactions on pattern analysis and machine intelligence， 2001， 23（3）： 257?267.

[10] WANG J， LU C， WANG M， et al. Robust face recognition via adaptive sparse representation [J]. IEEE transactions on cybernetics， 2014， 44（12）： 2368?2378.

[11] YANG M， ZHANG L， SHIU S C K， et al. Gabor feature based robust representation and classification for face recognition with Gabor occlusion dictionary [J]. Pattern recognition， 2013， 46（7）： 1865?1878.