本发明涉及用户数据管理，尤其涉及一种用户进出店管理方法。
背景技术：
1、传统的沐足城进出管理主要依赖人工记录或使用门禁卡、前台登记等手段。这些方式效率较低，且易于出现误判或遗漏，难以满足现代化管理需求。此外，传统管理方法无法对顾客在沐足城内的活动和行为进行实时分析，从而限制了面向个体的服务的提供和空间布局的优化。
技术实现思路
1、本发明为解决上述技术问题，提出了一种用户进出店管理方法，以解决至少一个上述技术问题。
2、本技术提供了一种用户进出店管理方法，所述方法包括：
3、s1、控制手环通信装置在感应范围内进行用户手环数据交换，得到用户手环数据，并根据用户手环数据进行用户设备认证，得到用户设备认证数据；
4、s2、根据用户设备认证数据进行用户图像数据采集，得到用户图像数据，并根据用户图像数据进行用户行为特征提取，得到用户行为特征数据；
5、s3、获取用户室内位置数据，并根据用户行为特征数据以及用户室内位置数据进行位置映射，得到用户行为位置映射数据；
6、s4、根据用户行为位置映射数据进行进出行为跟踪，得到用户进出行为数据，以进行用户进出店管理作业。
7、本发明中通过手环通信装置进行用户设备认证，能够快速而准确地识别每位用户，减少了身份认证的时间，避免了人工核对的误差。手环数据交换无需用户手动操作，使得识别过程更加便捷，适用于高人流量场所。在用户设备认证后，通过摄像头采集用户图像数据，结合用户的体型、姿态、步态等行为特征，能够精准描述用户特征，基于用户特征与手环数据进行融合判定，降低不同用户用相同手环带来的误判。位置映射数据能够反映用户的活动轨迹，使得商家能够识别高频路径和热区分布，为商铺的布局优化提供依据。位置映射可以在大规模人流监控中追踪特定人员的位置，及时识别可疑或不当行为，提高店内的安全防控能力。通过行为位置映射数据进行进出行为跟踪，可以详细记录用户进出店铺的具体时间、路径和行为模式，不仅可以提高管理效率，还能够积累长期的进出记录，为分析客流量、活动区域等提供数据支持。
8、可选地，s1包括：
9、s11、通过手环通信装置进行感应区域检测并建立临时连接，得到感应临时连接数据；
10、s12、根据感应临时连接数据进行手环数据交换，得到用户手环数据；
11、s13、将用户手环数据传输至边缘计算节点，以进行验证比对作业，得到用户设备认证数据。
12、本发明中该步骤实现了非接触式的自动身份识别，用户无需主动刷卡或操作，系统可通过感应区域自动检测到手环设备，并迅速建立临时连接，提高了用户进出体验，尤其是在高人流量的情况下，可以避免因手动刷卡或扫码导致的排队和拥堵。通过感应临时连接，系统能与手环设备进行数据交换，这种交换机制实现了实时的、低功耗的通信方式，确保在用户通过感应区域时能够即时采集用户的身份信息，增强了数据获取的实时性和可靠性。用户手环数据被传输至边缘计算节点进行实时验证和比对，边缘计算的引入大大减少了对中央服务器的依赖。边缘计算节点可以本地处理用户身份验证请求，从而减少延迟，使得用户设备认证可以在几乎实时的情况下完成。通过边缘计算节点的分布式处理架构，即使在店铺内存在多个入口或多个感应区域，数据的处理速度不会因多点采集而受到影响，从而提升系统的扩展性和并发处理能力。
13、可选地，s2包括：
14、s21、根据用户设备认证数据进行摄像头激活并进行用户图像数据采集，得到用户图像数据；
15、s22、根据用户图像数据用户体型数据提取，得到用户体型数据；
16、s23、根据用户体型数据进行用户姿态特征提取，得到用户姿态特征数据；
17、s24、将用户体型数据以及用户姿态特征数据进行整合，得到用户行为特征数据。
18、本发明中摄像头的激活是基于设备认证的，确保只在用户授权的情况下进行图像采集，符合隐私保护的要求，并且确保数据在采集和存储过程中的安全性。通过分析用户体型特征，可以增强系统对用户的识别精度。尤其是在店内频繁进出的场景中，体型数据可以辅助身份识别，有效提升安全性。姿态特征数据可以实时更新，使得系统能够识别用户的当前状态，对于提高店内服务响应速度非常有益，例如系统可以识别出等待结账的用户，以便店员提供相应服务。通过将用户体型数据和姿态特征数据整合，形成用户的全面行为特征数据，生成一个完整的用户行为画像，涵盖了用户的外观和动作信息，能够更精准地描述用户的行为模式，为商铺分析用户提供全面依据。
19、可选地，其中用户姿态特征提取包括：
20、根据用户体型数据进行关键点检测，得到用户体型关键点数据；
21、根据用户体型关键点数据进行骨架标记，得到用户骨架标记数据；
22、根据用户骨架标记数据进行坐标标准化并运动检测触发，得到用户运动检测数据；
23、根据用户运动检测数据进行姿态类别识别，得到用户姿态类别数据；
24、根据用户姿态类别数据进行肢体角度计算，得到用户肢体角度数据；
25、根据用户肢体角度数据进行姿态变化率计算，得到用户姿态变化率数据；
26、根据用户姿态变化率数据进行姿态对称性分析，得到用户姿态对称性数据；
27、根据用户姿态变化率数据进行姿态稳定性调整，得到用户姿态稳定性调整数据；
28、根据用户姿态对称性数据以及用户姿态稳定性调整数据进行姿态动态幅度测量，得到用户姿态动态幅度测量数据；
29、根据用户姿态类别数据、用户姿态变化率数据以及用户姿态动态幅度测量数据进行姿态特征向量生成，得到用户姿态特征数据。
30、本发明中通过基于用户体型数据的关键点检测，系统能够精准地识别用户的身体部位（如头部、肩膀、膝盖、脚踝等），并通过骨架标记构建出用户的姿态骨架模型，不仅能够准确刻画用户的静态姿态，还可以用于实时动态姿态的识别。通过坐标标准化，可以消除因用户身高等差异带来的数据偏差，确保不同用户的姿态分析具有一致性和可比性。同时，运动检测的触发能够实时捕捉用户的动态变化，确保系统能够在用户运动时即时调整和响应。角度计算可以提供具体的肢体特征数据，便于系统更准确地识别复杂的姿态（如蹲下、弯腰、伸展等），进一步增加分析维度。姿态变化率反映了用户姿态的变化速度，能够进一步区分不同的姿态模式（如快速走路、慢步行走等）。变化率的计算有助于识别用户行为的紧急性或舒适性，为实时决策提供支持。对称性分析能够识别用户左右侧肢体的均衡性，例如用户是否存在一侧重心偏移，从而在不同维度挖掘用户数据的唯一性，以实现更加深度地数据分析。通过稳定性调整，系统可以去除短暂的姿态抖动或异常变化，使得姿态数据更加稳定。这样可以确保分析的准确性，并避免将暂时性的抖动识别为不稳定姿态。通过姿态动态幅度测量，能够量化用户在特定动作上的幅度（例如步伐宽度、摆臂幅度等），进一步理解用户的运动状态， 有助于判断用户的动作强度和模式（如轻松散步或快速行走）。
31、可选地，其中姿态类别识别包括：
32、根据用户运动检测数据进行动静态姿态分类，得到用户动静态姿态数据；
33、根据用户动静态姿态数据进行姿态转折点识别，得到姿态转折点数据；
34、根据姿态转折点数据进行层级分类初步筛选，得到姿态层级分类数据；
35、根据姿态层级分类数据进行细节特征提取，得到姿态细节特征数据；
36、根据姿态细节特征数据以及姿态层级分类数据进行多层级行为分类，得到姿态多层级行为数据；
37、根据姿态多层级行为数据进行动作序列划分，得到姿态行为动作序列数据；
38、根据姿态行为动作序列数据进行姿态过渡数据提取，得到姿态过渡数据；
39、根据姿态过渡数据以及预设的姿态类别模板数据进行匹配，得到用户姿态类别数据。
40、本发明中首先对用户的运动检测数据进行动静态分类，能够快速区分出用户当前是静止还是在运动。这样可以有效地筛除不必要的数据处理，使得系统在处理静止状态时减少计算量，同时聚焦于动态状态下的细节分析。通过识别用户动作的转折点（如从站立到行走的转换点、从行走到停下的点等），能够精准地识别用户行为中的重要节点。通过姿态层级分类的初步筛选，能够将用户的动作大致分为不同层次的类别，例如基础的“行走”、“站立”、“坐下”等，这样可以为细节特征提取提供数据结构上的支持。进一步提取姿态中的细节特征（如姿态的角度、幅度、速度等），能够更加细致地描述用户的具体动作模式，从而识别动作的微小差异，例如区分“正常步行”和“急速行走”等，为更精准的行为分析打下基础。通过将姿态特征数据进行多层级的分类，可以进一步细化用户的行为类别。例如，基础层级的“行走”姿态在细分后可以划分为“缓步行走”、“快速步行”等，增强了系统对行为分析的深度，能够更加精准地适应不同场景需求。将用户的连续动作划分为动作序列，能够捕捉到用户行为的整体过程。通过姿态过渡分析可以捕捉到动作序列之间的转化特征（例如从行走到坐下的过渡、从站立到行走的过渡等），过渡特征有助于进一步理解用户的行为意图，如用户是否准备离开、是否在找寻某物等。通过将姿态过渡数据与预设的姿态类别模板数据进行匹配，可以快速而准确地识别出用户的具体姿态类别，匹配方法不仅提升了识别的效率，还能确保分类的一致性。
41、可选地，其中动静态姿态分类包括：
42、根据用户运动检测数据进行加速度特征提取以及速度特征提取，得到用户运动加速度特征数据以及用户运动特征数据；
43、根据用户运动加速度特征数据以及用户运动特征数据对用户运动检测数据进行初步分类，得到初级用户动静态姿态数据；
44、根据用户运动检测数据进行多关节一致性分析以及重心稳定性分析，分别得到用户运动多关节一致性数据以及用户运动重心稳定性数据；
45、根据用户运动多关节一致性数据以及用户运动重心稳定性数据对初级用户动静态姿态数据进行次级分类，得到次级用户动静态姿态数据；
46、对用户运动检测数据进行时序划分，得到用户运动时序划分数据；
47、根据用户运动时序划分数据进行活动量变化率计算，得到用户运动活动变化率数据；
48、根据用户运动活动变化率数据进行能量计算，得到用户运动活动变化率能量数据；
49、根据用户运动时序划分数据对应的预设的时序划分参数数据以及用户运动活动变化率能量数据对次级用户动静态姿态数据进行能量加权动静态姿态分类，得到用户动静态姿态数据。
50、本发明中通过从运动检测数据中提取加速度和速度特征，系统能够准确地捕捉用户的运动强度和速度变化。加速度特征有助于区分静态和动态行为，而速度特征能够反映用户的运动状态，例如步行、跑步等。通过加速度和速度特征对运动数据进行初步分类，可以快速区分出大多数静态和动态行为。通过分析用户各关节的运动一致性，系统可以识别出用户的运动协调性和稳定性。例如，行走时双腿、双臂应当协同运动，而静态姿态时关节之间的一致性较高，进一步确认初级分类中的误差。分析用户的重心变化能够帮助识别静态和动态姿态。例如，静态姿态下用户重心基本稳定，而动态姿态下用户重心在一定范围内移动。重心数据使得系统能更准确地识别用户是完全静止还是存在小幅度移动。将用户运动数据按时间进行划分，使得系统可以分段处理数据并计算不同时间段内的活动强度。通过活动量变化率计算，系统能够捕捉到用户运动状态变化的速率（如快走转慢走的速率变化）。基于活动量变化率数据，计算出用户的运动能量数据，从物理角度评估用户的运动强度。通过能量数据，系统可以更好地区分出高能量活动（如快走、跑步）和低能量活动（如站立、坐下）。将多关节一致性、重心稳定性、活动量变化率和能量数据相结合，可以显著提升动静态分类的精确度。通过能量加权动静态分类，系统能够更好地应对微小的姿态变化，从而减少误分类的情况。
51、可选地，其中姿态变化率计算包括：
52、根据用户肢体角度数据进行时序分割，得到用户肢体角度分割数据；
53、对用户肢体角度分割数据进行长短期变化率计算，得到肢体角度长短期变化率数据，其中肢体角度长短期变化率数据包括肢体角度长期变化率数据以及肢体角度短期变化率数据；
54、根据肢体角度长短期变化率数据进行变化率波动性计算，得到肢体角度变化率波动性数据；
55、根据肢体角度短期变化率数据进行变化率方向性分析，得到肢体角度变化率方向性数据；
56、根据肢体角度短期变化率数据进行短期变化率分类，得到肢体角度短期变化率分类数据；
57、根据肢体角度长短期变化率数据、肢体角度变化率波动性数据、肢体角度变化率方向性数据以及肢体角度短期变化率分类数据进行特征向量转换，得到用户姿态变化率数据。
58、本发明中将用户的肢体角度数据进行时序分割，能够按不同的时间段分析用户动作的变化情况。通过分段处理，系统可以在较短时间内捕捉到用户姿态的变化，从而提高数据处理的精度。通过长短期变化率的计算，系统能够识别用户姿态在不同时间尺度下的变化趋势。长期变化率能够揭示用户动作的总体趋势，如站立、步行的稳定性；短期变化率则反映出瞬时动态变化，如步伐速度和手臂摆动的频率。通过分析肢体角度变化率的波动性，可以量化动作的稳定性或抖动情况。高波动性通常反映出不稳定动作（如不规律的行走或突然停顿），低波动性则代表更平稳的动作（如持续站立或有规律的步伐）。通过对肢体角度短期变化率进行方向性分析，系统能够识别出动作的方向特征（如上升、下降、侧向等），适合用于识别动作的规律性和方向变化，适用于复杂动作的识别，例如手臂的上下摆动。根据短期变化率数据进行分类，系统可以将不同类型的动作分为“快速”、“缓慢”或“中等”等类别，使得系统能够迅速区分出不同的短时行为特征，从而提高识别速度。通过将肢体角度长短期变化率、波动性、方向性以及短期变化率分类数据整合为一个姿态变化率特征向量，系统能够生成一个包含用户动作各项特征的综合数据。
59、可选地，s3包括：
60、s31、通过室内定位系统获取用户实时位置数据；
61、s32、根据用户实时位置数据进行多源定位数据融合，得到用户室内位置数据。
62、s33、根据用户行为特征数据以及用户室内位置数据进行关联匹配，得到用户行为位置映射数据。
63、本发明中使用室内定位系统（如蓝牙信标、wi-fi定位、超宽带uwb等），能够在商铺、场馆等室内环境中实时获取用户的位置数据，实时定位可以精确到用户的具体位置，使得系统能够持续追踪用户的动态，为实时响应和服务提供支持，如用户在大厅、按摩区、茶水区等不同区域移动，系统能够精确识别用户的位置，并在用户变换位置时进行即时更新。多源定位数据融合指的是将来自不同定位源（如蓝牙、wi-fi、uwb等）的数据进行整合，得到更精确和稳定的用户位置。融合定位能够弥补单一定位系统在某些场景下的局限性，例如当蓝牙信号被遮挡时，wi-fi数据可用作补充，从而提高系统的鲁棒性。将用户的行为特征数据与室内位置数据进行关联匹配，能够生成用户行为位置映射数据，这不仅能够展示用户在特定位置的行为模式，还能帮助理解用户的意图。例如，如果系统检测到用户在商品展示区停留较长时间并且有观察动作，可以推测其对该区域商品感兴趣。行为位置映射数据能够支持识别出用户在沐足城内的偏好区域。例如，如果用户在理疗区停留时间较长，系统可以推测其对理疗项目感兴趣。根据这些数据，系统可以在合适的时间推送相关服务推荐（如新疗法、折扣优惠等），实现精准营销。
64、可选地，s4包括：
65、s41、根据用户行为位置映射数据进行行为轨迹跟踪，得到用户行为轨迹数据；
66、s42、根据用户行为轨迹数据进行用户路径分析，得到用户路径分析数据；
67、s43、根据用户路径分析数据进行用户进出行为提取，得到用户进出行为数据，以进行用户进出店管理作业。
68、本发明中行为轨迹跟踪可以捕捉用户在店内的具体路径，包括驻留位置、移动方向、速度变化等，使得系统可以对用户的行为模式进行深度分析。例如，可以识别出用户是否有频繁停留、绕行等行为。统可以动态捕捉用户的轨迹变化，跟踪用户的路径和行为状态。例如，系统可以识别用户的移动速度、停留时间和不同区域间的切换频率。通过轨迹数据，系统能够识别出用户的行为特征和活动规律，为运营管理提供支持。路径分析能够识别出用户在特定区域的活动偏好。通过路径分析数据，系统可以识别出高频访问的区域（如理疗区、按摩区）以及较少访问的区域，从而推测用户的兴趣偏好。通过路径分析数据，系统能够准确识别用户的进出行为，包括进店和出店的时间、路径以及访问的区域，系统对顾客的进出记录进行全程监控，实现无感进出管理。系统可以根据顾客的进出记录安排服务、调配资源，确保高效的顾客管理。通过路径分析数据，系统能够准确识别用户的进出行为，包括进店和出店的时间、路径以及访问的区域，支持系统对顾客的进出记录进行全程监控，实现无感进出管理。系统可以根据顾客的进出记录安排服务、调配资源，确保高效的顾客管理。
69、可选地，用户路径分析包括：
70、根据用户行为轨迹数据进行路径分段，得到用户行为路径分段数据；
71、根据用户行为路径分段数据进行曲率计算以及速度特征计算，分别得到路径曲率数据以及路径速度特征数据；
72、根据用户行为路径分段数据进行停留点检测，得到用户停留点数据；
73、根据路径曲率数据、路径速度特征数据以及用户停留点数据进行路径形态分析，得到用户行为路径形态数据；
74、根据用户行为路径形态数据进行热点区域检测以及区域切换频率计算，得到用户行为热点区域数据以及用户行为区域切换频率数据；
75、根据路径曲率数据、路径速度特征数据、用户行为热点区域数据以及用户行为区域切换频率数据进行典型用户路径生成，得到典型用户路径数据；
76、根据路径曲率数据、路径速度特征数据、用户行为热点区域数据、用户行为区域切换频率数据以及典型用户路径数据进行用户路径分析数据整合，得到用户路径分析数据。
77、本发明中路径分段可以将用户行为轨迹划分为更小的单元，帮助系统分析用户在每一段中的具体行为特征。通过路径分段，系统可以将用户的不同阶段行为（如从按摩区到茶水区的路径、在休息区的停留等）进行更精细的分析。曲率计算可以揭示用户路径的转向和曲线特征。较大的曲率通常表明用户在转弯或绕行，而较小的曲率则反映直线行走。通过曲率数据，系统可以识别用户在特定区域内的行走模式，例如频繁转向表示用户在浏览产品。速度特征数据可以揭示用户在路径中的移动速度，识别出快速行走和缓慢移动区域。较低的速度表明用户在浏览或休息，而较高的速度则表明用户有明确的目标，例如前往指定区域。通过识别用户路径中的停留点，系统可以确定用户在特定区域的兴趣点。例如，用户在休息区的停留时间较长，意味着该区域的服务更受其青睐；
78、停留点数据为空间优化和个性化推荐提供了有力支持。路径形态分析结合曲率、速度特征和停留点数据，能够揭示出用户的行为模式。例如，系统可以识别用户的典型路径形态，如缓慢行走、停顿、频繁转向等。不同的路径形态可以反映出用户在不同区域的行为模式（如浏览、目标导向、休闲模式等）。热点区域数据可以引导商铺进行资源配置优化，如在高频区域增设服务员或相关设施，从而提高用户的服务体验；
79、区域切换频率数据可以分析用户行为的连续性，例如从按摩区到养生区的连续移动，表明用户在进行全套体验。系统可以根据这些数据进行路径引导，提升用户体验的连贯性。通过生成典型用户路径，系统可以总结出不同类型的用户行为模式。例如，系统可以识别出“休闲型”用户和“目的导向型”用户的典型路径，帮助商铺更好地理解不同客户群体的需求。典型路径数据还可以为服务员提供参考，指导他们为不同类型用户提供更贴心的服务。
80、本发明的目的在于在用户进入店内时，通过手环数据交换系统自动识别用户身份，实现无感认证。无需手动登记或扫码，用户的进店流程更加流畅。对于高人流量场所，这一过程大幅减少了排队等候的时间，提高了进店效率。系统通过图像数据采集，基于用户的体型、姿态、运动等特征生成用户行为特征数据，数据不仅包括用户的体型参数，还能捕捉到用户的姿态变化，如站立、步行、坐下等，一方面实现基于用户特征的安全识别，另一方面也为用户服务提供数据支持。通过蓝牙信标、wi-fi 和 uwb 等多源数据融合，实现高精度的室内定位。用户行为位置映射数据能够支持行为数据的空间分析，例如系统可以识别用户在不同区域的典型行为和偏好区域。系统能够通过路径数据识别出用户的行为模式。例如，用户在不同区域的停留时间、行走路径、区域切换频率等可以展示出其具体的行为偏好。通过对用户轨迹和路径分析数据的整合，系统能够准确判断用户的进出行为。系统不仅能够识别用户的进出时间和频率，还可以根据用户在店内的停留时间、访问区域、进出高峰时段等提供动态进出数据，实时监控能够让管理者及时了解店内人流状态，并为顾客提供更顺畅的服务。
1.一种用户进出店管理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，s1包括：
3.根据权利要求1所述的方法，其特征在于，s2包括：
4.根据权利要求3所述的方法，其特征在于，其中用户姿态特征提取包括：
5.根据权利要求4所述的方法，其特征在于，其中姿态类别识别包括：
6.根据权利要求5所述的方法，其特征在于，其中动静态姿态分类包括：
7.根据权利要求4所述的方法，其特征在于，其中姿态变化率计算包括：
8.根据权利要求1所述的方法，其特征在于，s3包括：
9.根据权利要求1所述的方法，其特征在于，s4包括：
10.根据权利要求9所述的方法，其特征在于，用户路径分析包括：
