Analyse du comportement des consommateurs dans une surface de vente par des approches non invasives

Analysis of consumer behavior in a retail environment using non-invasive approaches

• Auteur / Autrice : Moncef Boujou
• Direction : Séverine Dubuisson
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 30/06/2025
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille
• Partenaire(s) de recherche : Laboratoire : LIS Laboratoire d'Informatique et Systèmes
• Jury : Président / Présidente : Fakheddine Ababsa
• Jury : Examinateurs / Examinatrices : Séverine Dubuisson, Omar Ait-aider, Rabah Iguernaissi, Lionel Nicod, Samia Bouchafa-bruneau, Michèle Gouiffes
• Jury : Rapporteurs / Rapporteuses : Fakheddine Ababsa, Omar Ait-aider

Mots clés

Mots clés libres

Vision par ordinateur

Apprentissage profond

Suivi multi-caméras

Suivi multi-objets

Ré-identification de personnes

Analyse Comportementale

Computer vision

Deep learning

Multi-camera tracking

Multi-object tracking

Person Re-identification

Behavior Analysis

Résumé

L’analyse du comportement des consommateurs dans les espaces de vente est aujourd’hui au cœur des stratégies commerciales, face aux enjeux croissants de personnalisation et d’optimisation des parcours d’achat. L’essor des technologies de vision par ordinateur, associé aux avancées de l'apprentissage profond, ouvre de nouvelles perspectives pour analyser ces comportements de manière non invasive. Toutefois, le déploiement de telles solutions dans des environnements commerciaux réels demeure confronté à des défis majeurs, notamment les occultations, les variations d’apparence et la synchronisation des caméras. Dans ce contexte, cette thèse apporte trois contributions méthodologiques principales. Premièrement, nous introduisons BEV-MCMPT, une approche de suivi multi-caméras multi-personnes exploitant une projection en vue d’oiseau afin de simplifier l'association des trajectoires et de renforcer la robustesse face aux contraintes pratiques rencontrées en magasin. Deuxièmement, nous développons GAF-NET, une méthode de ré-identification de personnes à partir de séquences vidéo, en combinant les caractéristiques d’apparence et de démarche, visant à améliorer la correspondance des identités entre caméras. Troisièmement, nous appliquons ces contributions dans le cadre d’une étude expérimentale en environnement réel, à travers le déploiement d'un prototype de suivi comportemental couplant trajectoires spatiales extraites et questionnaires de satisfaction client. Une analyse statistique approfondie, mobilisant corrélations, clustering comportemental et modélisation prédictive, est menée afin d’explorer les liens entre dynamiques de déplacement et satisfaction perçue. Bien que conduite sur un jeu de données expérimental de taille modeste, cette étude met en évidence l’intérêt et la faisabilité de l’approche proposée pour une compréhension fine et objective des comportements d’achat. Elle ouvre ainsi la voie à des solutions automatisées, respectueuses de la vie privée, et adaptées aux dynamiques réelles des espaces de vente.

The analysis of consumer behavior in retail environments is now at the heart of commercial strategies, driven by growing demands for personalization and optimization of the shopping journey. Advances in computer vision technologies, coupled with deep learning, offer new opportunities to study these behaviors in a non-invasive manner. However, these solutions remain difficult to deploy in real-world commercial settings due to major challenges, including occlusions, appearance variations, and camera synchronization issues. In this context, this thesis makes three main methodological contributions. First, we introduce BEV-MCMPT, a multi-camera, multi-person tracking approach based on bird’s-eye view projection. This method simplifies cross-camera trajectory association and enhances robustness against practical constraints encountered in retail environments. Second, we propose GAF-NET, a video-based person re-identification method, which adaptively fuses appearance and gait features to improve identity matching across cameras. Third, we apply these contributions in a real-world experimental study through a behavioral tracking prototype combining spatial trajectories and customer satisfaction questionnaires. A detailed statistical analysis—incorporating correlations, behavioral clustering, and predictive modeling—is conducted to explore relationships between movement patterns and perceived satisfaction. Although conducted on a relatively small experimental dataset, this study demonstrates the relevance and feasibility of the proposed approach for achieving a fine-grained, objective understanding of shopping behavior. It thus paves the way for automated, privacy-respecting solutions tailored to the real-world dynamics of retail spaces.