CN110298244A - 基于人脸识别的提醒方法、装置、计算机设备及存储介质 - Google Patents

基于人脸识别的提醒方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110298244A
CN110298244A CN201910429867.1A CN201910429867A CN110298244A CN 110298244 A CN110298244 A CN 110298244A CN 201910429867 A CN201910429867 A CN 201910429867A CN 110298244 A CN110298244 A CN 110298244A
Authority
CN
China
Prior art keywords
group
vector
feature vector
image
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910429867.1A
Other languages
English (en)
Other versions
CN110298244B (zh
Inventor
乐志能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910429867.1A priority Critical patent/CN110298244B/zh
Publication of CN110298244A publication Critical patent/CN110298244A/zh
Application granted granted Critical
Publication of CN110298244B publication Critical patent/CN110298244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种基于人脸识别的提醒方法、装置、计算机设备及存储介质。该方法包括：获取对服务区域进行拍摄而得到的初始图像；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组；根据预设比对算法，获取与所述特征向量组相对应的人脸数目；生成提醒讯息并发送至与服务窗口相对应的待通知群组。该方法基于人脸识别技术，可对排队进行更为智能的统计，并对正在排队的用户进行提醒，以便于该用户在进行业务办理时做好时间安排，以实现对用户进行智能提醒。

Description

基于人脸识别的提醒方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于人脸识别的提醒方法、装置、计算机设备及存储介质。
背景技术
在人们的日常生活中，免不了会遇到需要排队等候的问题。而在通常情况下，各个窗口用于服务不同需求的人，每个窗口所服务的对象，根据其被服务的状态，又可分为四种对象，即已完成服务的对象，正在接受服务的对象，正在排队等候服务的对象，还未排队但需要此服务的对象。现有技术中，对每个窗口正在服务的对象和正在排队等候服务的对象，所进行的数量统计和实时更新，缺乏智能性，并且缺乏对未排队但需要此服务的对象进行提醒的功能。
发明内容
本申请提供了一种基于人脸识别的提醒方法、装置、计算机设备及存储介质，可对排队进行更为智能的统计，并对未排队但需要此服务的用户进行提醒，以便于该用户做好出行和时间的安排，以提升用户体验。
第一方面，本申请提供了一种基于人脸识别的提醒方法，其包括：获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
第二方面，本申请提供了一种基于人脸识别的提醒装置，其包括：拍摄单元，用于获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；图像切割单元，用于根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；特征向量提取单元，用于根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；预计等待时间获取单元，用于根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；提醒讯息发送单元，用于根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
第三方面，本申请提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请提供的任一项所述的基于人脸识别的提醒方法。
第四方面，本申请还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行本申请提供的任一项所述的基于人脸识别的提醒方法。
本申请提供一种基于人脸识别的提醒方法、装置、计算机设备及存储介质。所述基于人脸识别的提醒方法包括：获取对服务区域进行拍摄而得到的初始图像；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间发送提醒讯息至对应的待通知群组。采用本发明提出的基于人脸识别的提醒方法，可对排队进行更为智能的统计，并对正在排队的用户进行提醒，以便于该用户在进行业务办理时做好时间安排，以实现对用户进行智能提醒。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于人脸识别的提醒方法的流程示意图；
图2为本申请又一实施例提供的基于人脸识别的提醒方法的子流程示意图；
图3为本申请又一实施例提供的基于人脸识别的提醒方法的子流程示意图；
图4为本申请另一实施例提供的基于人脸识别的提醒方法的子流程示意图；
图5为本申请再一实施例提供的基于人脸识别的提醒方法的子流程示意图；
图6为本申请实施例提供的基于人脸识别的提醒装置的示意性框图；
图7为本申请又一实施例提供的基于人脸识别的提醒装置的示意性框图；
图8为本申请又一实施例提供的基于人脸识别的提醒装置的示意性框图；
图9为本申请另一实施例提供的基于人脸识别的提醒装置的示意性框图；
图10为本申请再一实施例提供的基于人脸识别的提醒装置的示意性框图；
图11为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本申请实施例提供的一种基于人脸识别的提醒方法的示意流程图。该基于人脸识别的提醒方法应用于终端设备中，该方法通过安装于终端设备中的应用软件进行执行，终端设备即是用于执行基于人脸识别的提醒方法以向特定群组发出提醒讯息的设备，终端设备为具有拍照功能的设备，或通过与所设置的摄像头等摄像装置进行通信以获取照片的设备，上述终端设备可设置于银行、食堂、医院、政府机关、火车站、汽车站、机场等场所中。
如图1所示，该基于人脸识别的提醒方法包括以下步骤S110～S160。
S110、获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域。
在本发明实施例中，每一服务窗口与一个服务区域相对应，处于所述服务区域中的用户视为与所述服务窗口所提供的服务相关的用户，服务窗口可以是银行、食堂、医院、政府机关、火车站、汽车站、机场等场所中用于为用户提供服务的窗口。通过对所获取到的初始图像进行处理，即可便于通过初始图像获取所述服务区域的用户人数。具体的，可从某一角度对服务区域进行拍摄以获取对应的一张初始图像，或从多个角度对服务区域进行拍摄得到包含每一角度对应的照片，并对多个角度对应的多张照片进行合成之后得到一张初始图像。所获取到的初始图像为4K高清图像。
例如，可从服务窗口正面偏上位置对服务区域进行拍摄以获取对应的一张初始图像；或从服务窗口偏左位置及服务窗口偏右位置分别对服务区域进行拍摄以获取该服务窗口对应的左侧照片及右侧照片，对左侧照片及右侧照片进行合成以得到一张初始图像。
S120、根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应。
根据预设切割模型中所包含的切割区域对所述初始图像进行切割，以得到包含多个第一图像的第一图像组，每一切割区域对应一张第一图像。由于用户在服务窗口前进行排队时用户与服务窗口之间的距离逐渐增加，因此初始图像中多个用户对应的人脸图像由近及远依次排列，可通过切割模型对初始图像进行切割并对每一切割后的图像尺寸进行调整，获取初始图像中对应的多个第一图像，切割模型中每一切割区域对应一张第一图像，所有第一图像的尺寸均相同，所有第一图像即组成第一图像组。
例如，切割模型中所包含的切割区域可以是由大到小逐渐变化的多个正方形或多个长方形。
S130、根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量。
根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量。具体的，向量提取模型中包括向量转换规则及特征向量计算公式，特征向量组中包含与第一图像组中每一第一图像对应的特征向量，特征向量即可用于对第一图像组中每一第一图像进行数字化，基于上述特征向量组即可对其他用户的人脸图像进行计算分析，也即是人脸识别的具体过程。
请参阅图2，图2是本申请实施例提供的基于人脸识别的提醒方法的子流程示意图。在某些实施例，例如本实施例中，所述步骤S130包括S131～S133。
S131、对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像。
对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像。第一图像组中所包含的第一图像均为彩色照片，为方便后续对第一图像进行处理，同时最大限度地保留第一图像中的信息，可通过对第一图像组中的第一图像进行去色处理以得到仅包含灰度像素的灰度图像。
S132、根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合。
根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合。具体的，向量转换规则即是用于将灰度图像进行转换以得到一维向量的转换规则，每一灰度图像中包含多个像素，每一像素对应一个灰度值，通过灰度值即可将灰度图像中的每一个像素采用数值进行表示。通过以逐行或逐列的方式从灰度图像中获取每一像素的灰度值，即可得到一个一维向量，获取所有灰度图像对应的一维向量即可得到向量集合X。若一个向量集合中包含M个一维向量，则可采用X＝{A1，A2，……，AM}进行表示，其中，A即是向量集合中所包含的一维向量。
其中，灰度值采用非负整数进行表示，像素对应灰度值的取值范围为[0，255]，灰度值为0则表示该像素点为黑色，灰度值为255则表示该像素点为白色，灰度值为其他数值则表面该像素点为介于白色与黑色之间的一个具体灰度。
例如，某一灰度图像由a×b个像素组成，a为横向所包含的像素数量，b为纵向所包含的像素数量，则对应得到的一维向量中所包含灰度值的数量为N＝a×b，也即是该去色照片对应的一维向量为A1＝{a1，a2，…，aN}。
S133、根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。
根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。具体的，特征向量计算公式即是用于对向量集合进行计算以获取每一第一图像对应特征向量的公式，计算每一第一图像对应特征向量的步骤为：(1)计算向量集合X中所包含一维向量的平均值以得到一维平均向量Ψ，所得到的Ψ为一个1×N(1行N列)的一维向量；(2)计算向量集合X中每一个一维向量与上述一维平均向量Ψ之间的差值，Φi＝Ai－Ψ，i＝1，2，3，…，M，则可对应得到向量矩阵Φ＝{Φ1，Φ2，…，ΦM}；所得到的Φi为一个1×N的一维向量，所得到的Φ为一个M行N列的向量矩阵；(3)计算得到M个正交的单位向量ui，其中i＝1，2，3，…，M，单位向量即可用于描述每一个Φi的分布。ui可通过计算协方差矩阵得到，协方差矩阵F＝ΦT×Φ，其中，F＝{f1，f2，…，fM}，ΦT为对Φ进行转制后的向量矩阵，Φ为一个M行N列的向量矩阵，则ΦT为一个N行M列的向量矩阵，其中，F为一个M行M列的向量矩阵，计算得到协方差矩阵的特征向量U，其中U＝{u1，u2，…，uM}，ui为一个M×1的向量，且uT i×ui＝1、uT i×uk＝0(i≠k)，i＝1，2，3，…，M；(4)计算得到每一向量Φi对应的特征向量Ωi，Ωi也即是与每一第一图像相对应的特征向量，Ωi＝uT i×Φi，i＝1，2，3，…，M，所得到的Ωi为一个1×N的一维向量。获取每一第一图像对应的特征向量，即可组成一个特征向量组Ω＝{Ω1，Ω2，…，ΩM}。
S140、根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间。
根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间。因为每一服务区域对应一个特征向量组，每一服务区域内的包含相应的用户数，但每一用户数办理业务过程中所需的办理时间不相同，相同用户数的服务区域在办理业务过程中实际所需办理时间可能存在较大差异，因此为了便于对每一服务区域中所包含的用户进行提醒，在本发明实施例中，根据预设比对算法及历史业务数据表获取与每一特征向量组相对应的预计等待时间，并根据预计等待时间对相应用户进行提醒。可通过比对算法获取某一特征向量组中每一特征向量对应的用户是否包含于历史业务数据表中，并获取包含历史业务数据表中的用户在办理历史业务时的办理时间，从而对每一特征向量组对应的预计等待时间进行计算。具体的，比对算法中包括差别计算公式及差别阈值，历史业务数据表中包含所有已办理过业务的历史用户以及每一历史用户在办理业务过程中的历史办理时间。
请参阅图3，图3是本申请实施例提供的基于人脸识别的提醒方法的另一子流程示意图。在某些实施例，例如本实施例中，所述步骤S140包括S141和S142。
S141、根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户。
根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户。比对算法中包括差别计算公式及差别阈值，历史业务数据表中包含所有已办理过业务的历史用户，从特征向量组中获取一个特征向量，根据差别计算公式计算该特征向量与历史业务数据表中每一历史用户对应特征向量之间的差别值，并判断该差别值是否小于差别阈值，若判断结果为小于，则判断得到该历史用户为该特征向量对应的历史用户；若判断结果为不小于，则判断得到该历史用户不为该特征向量对应的历史用户。
差别计算公式即是用于计算每一特征向量与历史业务数据表中每一历史用户对应特征向量之间差别值的计算公式，该差别值即可用于对特征向量与历史用户对应特征向量之间的差别进行量化，差别值越小则表明该特征向量对应的第一图像与对应历史用户越相似。差别计算公式可表示为εr＝||Ωr－ΩGi||2，Ωr为特征向量组中的第r个特征向量，ΩGi为历史业务数据表ΩG中第i个历史用户对应的特征向量，特征向量Ωr为一个1×N的一维向量，历史业务数据表中历史用户的特征向量ΩGi也是一个1×N的一维向量，差别计算公式即是计算上述两个向量的欧式距离。
例如，预置差别阈值为500，特征向量组中某一特征向量与历史业务数据表中某一历史用户对应特征向量之间的差别值为3200，则判断得到该历史用户不为该特征向量对应的历史用户。
S142、根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。具体的，历史业务数据表中还包含每一历史用户在办理业务过程中的历史办理时间，若某一特征向量在历史业务数据表中对应一个历史用户，则直接获取该历史用户的历史办理时间作为该特征向量的预计办理时间；若某一特征向量在历史业务数据表中对应多个历史用户，则获取多个历史用户的历史办理时间并取多个历史办理时间的平均值作为该特征向量的预计办理时间；若某一特征向量在历史业务数据表中不与任意一个历史用户对应，则将预置办理时间作为作为该特征向量的预计办理时间，获取一个特征向量组中所有特征向量的预计办理时间并累加即可得到该特征向量组对应的预计等待时间。通过类似上述方法即可获取得到每一特征向量组对应的预计等待时间。
S150、根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。一个特征向量组对应一个服务窗口，为避免某一服务窗口的用户等待时间过长，可根据每一特征向量组的预计等待时间，对预计等待时间较长特征向量组对服务窗口的用户进行提醒。提醒讯息可以是预置的提醒讯息，也可以是根据所获取到的信息对应生成的提醒讯息。
请参阅图4，图4是本申请实施例提供的基于人脸识别的提醒方法的另一子流程示意图。在某些实施例，例如本实施例中，所述步骤S150包括S151和S152。
S151、根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组。
根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组。用户在某一服务窗口进行排队时，先通过该用户的用户终端加入该服务窗口对应的用户群组，每一服务窗口对应一个特征向量组，则每一特征向量组与一个用户群组相对应，一个用户群组中至少包含一个用户，提醒讯息发送规则即是用于根据多个特征向量组的预计等待时间获取需发送提醒讯息对应特征向量组的规则信息。
例如，提醒讯息发送规则可以是预计等待时间排名前三的特征向量组或预计等待时间超过所有特征向量组的预计等待时间平均值的特征向量组。
请参阅图5，图5是本申请实施例提供的基于人脸识别的提醒方法的另一子流程示意图。在某些实施例，例如本实施例中，所述步骤S151之后还包括S151a。
S151a、根据所述待通知群组对应特征向量组及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。
根据所述待通知群组对应特征向量组中每一特征向量的预计办理时间及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。其中，所述提醒讯息可以包括与该特征向量组对应服务窗口的当前用户数、该待通知群组中每一用户的排队预计等待时间、该特征向量组对应服务窗口的窗口标识信息及推荐服务窗口的推荐窗口标识信息；每一服务窗口具有唯一标识信息，其为该服务窗口的窗口标识信息，用户可通过窗口标识信息对不同服务窗口进行识别，为避免某一服务窗口的用户等待时间过长，可通过提醒讯息将相应用户推荐至推荐服务窗口办理业务，推荐服务窗口可以是预计等待时间较短的特征向量组对应的服务窗口。具体的，获取该特征向量组中特征向量的数目，即可得到该特征向量组对应服务窗口的当前用户数；根据特征向量组中每一特征向量的预计办理时间计算得到每一用户的排队预计等待时间，将该特征向量组对应服务窗口的当前用户数、每一用户的排队预计等待时间、该特征向量组对应的窗口标识信息、推荐窗口标识信息添加至预置提醒讯息模板中即可得到所需发送的提醒讯息。
例如，所生成的提醒信息如下所示：您所排队的服务窗口为“窗口5”，当前用户数5，第一位用户预计等待10分钟、第二位用户预计等待25分钟，第三位用户预计等待50分钟，第四位用户预计等待68分钟，第五位用户预计等待90分钟，若预计等待时间较长您可移步至“窗口6”办理相关业务。
S152、发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒，接收提醒讯息的所有用户即可了解到待通知群组对应该服务窗口的当前状态，以便于根据该用户对应的排队预计等待时间合理安排，节省用户办理业务的耗时。
在本发明实施例所提供的基于人脸识别的提醒方法中，获取对服务区域进行拍摄而得到的初始图像；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间发送提醒讯息至对应的待通知群组。采用本发明提出的基于人脸识别的提醒方法，可对排队进行更为智能的统计，并对正在排队的用户进行提醒，以便于该用户在进行业务办理时做好时间安排，以实现对用户进行智能提醒。
本申请实施例还提供一种基于人脸识别的提醒装置，该基于人脸识别的提醒装置用于执行前述基于人脸识别的提醒方法的任一实施例。具体地，请参阅图6，图6为本申请实施例提供的基于人脸识别的提醒装置的示意性框图。该基于人脸识别的提醒装置可以配置于终端设备中。
如图6所示，所述基于人脸识别的提醒装置100包括拍摄单元110、图像切割单元120、特征向量提取单元130、预计等待时间获取单元140以及提醒讯息发送单元150。
拍摄单元110，用于获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域。
在本发明实施例中，每一服务窗口与一个服务区域相对应，处于所述服务区域中的用户视为与所述服务窗口所提供的服务相关的用户，服务窗口可以是银行、食堂、医院、政府机关、火车站、汽车站、机场等场所中用于为用户提供服务的窗口。通过对所获取到的初始图像进行处理，即可便于通过初始图像获取所述服务区域的用户人数。具体的，可从某一角度对服务区域进行拍摄以获取对应的一张初始图像，或从多个角度对服务区域进行拍摄得到包含每一角度对应的照片，并对多个角度对应的多张照片进行合成之后得到一张初始图像。所获取到的初始图像为4K高清图像。
图像切割单元120，用于根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应。
根据预设切割模型中所包含的切割区域对所述初始图像进行切割，以得到包含多个第一图像的第一图像组，每一切割区域对应一张第一图像。由于用户在服务窗口前进行排队时用户与服务窗口之间的距离逐渐增加，因此初始图像中多个用户对应的人脸图像由近及远依次排列，可通过切割模型对初始图像进行切割并对每一切割后的图像尺寸进行调整，获取初始图像中对应的多个第一图像，切割模型中每一切割区域对应一张第一图像，所有第一图像的尺寸均相同，所有第一图像即组成第一图像组。
特征向量提取单元130，用于根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量。
根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量。具体的，向量提取模型中包括向量转换规则及特征向量计算公式，特征向量组中包含与第一图像组中每一第一图像对应的特征向量，特征向量即可用于对第一图像组中每一第一图像进行数字化，基于上述特征向量组即可对其他用户的人脸图像进行计算分析，也即是人脸识别的具体过程。
其他发明实施例中，如图7所示，所述特征向量提取单元130包括子单元：去色单元131、向量转换单元132和特征向量计算单元133。
去色单元131，用于对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像。
对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像。第一图像组中所包含的第一图像均为彩色照片，为方便后续对第一图像进行处理，同时最大限度地保留第一图像中的信息，可通过对第一图像组中的第一图像进行去色处理以得到仅包含灰度像素的灰度图像。
向量转换单元132，用于根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合。
根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合。具体的，向量转换规则即是用于将灰度图像进行转换以得到一维向量的转换规则，每一灰度图像中包含多个像素，每一像素对应一个灰度值，通过灰度值即可将灰度图像中的每一个像素采用数值进行表示。通过以逐行或逐列的方式从灰度图像中获取每一像素的灰度值，即可得到一个一维向量，获取所有灰度图像对应的一维向量即可得到向量集合X。若一个向量集合中包含M个一维向量，则可采用X＝{A1，A2，……，AM}进行表示，其中，A即是向量集合中所包含的一维向量。
其中，灰度值采用非负整数进行表示，像素对应灰度值的取值范围为[0，255]，灰度值为0则表示该像素点为黑色，灰度值为255则表示该像素点为白色，灰度值为其他数值则表面该像素点为介于白色与黑色之间的一个具体灰度。
特征向量计算单元133，用于根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。
根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。具体的，特征向量计算公式即是用于对向量集合进行计算以获取每一第一图像对应特征向量的公式，计算每一第一图像对应特征向量的步骤为：(1)计算向量集合X中所包含一维向量的平均值以得到一维平均向量Ψ，所得到的Ψ为一个1×N(1行N列)的一维向量；(2)计算向量集合X中每一个一维向量与上述一维平均向量Ψ之间的差值，Φi＝Ai－Ψ，i＝1，2，3，…，M，则可对应得到向量矩阵Φ＝{Φ1，Φ2，…，ΦM}；所得到的Φi为一个1×N的一维向量，所得到的Φ为一个M行N列的向量矩阵；(3)计算得到M个正交的单位向量ui，其中i＝1，2，3，…，M，单位向量即可用于描述每一个Φi的分布。ui可通过计算协方差矩阵得到，协方差矩阵F＝ΦT×Φ，其中，F＝{f1，f2，…，fM}，ΦT为对Φ进行转制后的向量矩阵，Φ为一个M行N列的向量矩阵，则ΦT为一个N行M列的向量矩阵，其中，F为一个M行M列的向量矩阵，计算得到协方差矩阵的特征向量U，其中U＝{u1，u2，…，uM}，ui为一个M×1的向量，且uT i×ui＝1、uT i×uk＝0(i≠k)，i＝1，2，3，…，M；(4)计算得到每一向量Φi对应的特征向量Ωi，Ωi也即是与每一第一图像相对应的特征向量，Ωi＝uT i×Φi，i＝1，2，3，…，M，所得到的Ωi为一个1×N的一维向量。获取每一第一图像对应的特征向量，即可组成一个特征向量组Ω＝{Ω1，Ω2，…，ΩM}。
预计等待时间获取单元140，用于根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间。
根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间。因为每一服务区域对应一个特征向量组，每一服务区域内的包含相应的用户数，但每一用户数办理业务过程中所需的办理时间不相同，相同用户数的服务区域在办理业务过程中实际所需办理时间可能存在较大差异，因此为了便于对每一服务区域中所包含的用户进行提醒，在本发明实施例中，根据预设比对算法及历史业务数据表获取与每一特征向量组相对应的预计等待时间，并根据预计等待时间对相应用户进行提醒。可通过比对算法获取某一特征向量组中每一特征向量对应的用户是否包含于历史业务数据表中，并获取包含历史业务数据表中的用户在办理历史业务时的办理时间，从而对每一特征向量组对应的预计等待时间进行计算。具体的，比对算法中包括差别计算公式及差别阈值，历史业务数据表中包含所有已办理过业务的历史用户以及每一历史用户在办理业务过程中的历史办理时间。
其他发明实施例中，如图8所示，所述预计等待时间获取单元140包括子单元：特征向量比对单元141和预计等待时间计算单元142。
特征向量比对单元141，用于根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户。
根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户。比对算法中包括差别计算公式及差别阈值，历史业务数据表中包含所有已办理过业务的历史用户，从特征向量组中获取一个特征向量，根据差别计算公式计算该特征向量与历史业务数据表中每一历史用户对应特征向量之间的差别值，并判断该差别值是否小于差别阈值，若判断结果为小于，则判断得到该历史用户为该特征向量对应的历史用户；若判断结果为不小于，则判断得到该历史用户不为该特征向量对应的历史用户。
差别计算公式即是用于计算每一特征向量与历史业务数据表中每一历史用户对应特征向量之间差别值的计算公式，该差别值即可用于对特征向量与历史用户对应特征向量之间的差别进行量化，差别值越小则表明该特征向量对应的第一图像与对应历史用户越相似。差别计算公式可表示为εr＝||Ωr－ΩGi||2，Ωr为特征向量组中的第r个特征向量，ΩGi为历史业务数据表ΩG中第i个历史用户对应的特征向量，特征向量Ωr为一个1×N的一维向量，历史业务数据表中历史用户的特征向量ΩGi也是一个1×N的一维向量，差别计算公式即是计算上述两个向量的欧式距离。
预计等待时间计算单元142，用于根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。具体的，历史业务数据表中还包含每一历史用户在办理业务过程中的历史办理时间，若某一特征向量在历史业务数据表中对应一个历史用户，则直接获取该历史用户的历史办理时间作为该特征向量的预计办理时间；若某一特征向量在历史业务数据表中对应多个历史用户，则获取多个历史用户的历史办理时间并取多个历史办理时间的平均值作为该特征向量的预计办理时间；若某一特征向量在历史业务数据表中不与任意一个历史用户对应，则将预置办理时间作为作为该特征向量的预计办理时间，获取一个特征向量组中所有特征向量的预计办理时间并累加即可得到该特征向量组对应的预计等待时间。通过类似上述方法即可获取得到每一特征向量组对应的预计等待时间。
提醒讯息发送单元150，用于根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。一个特征向量组对应一个服务窗口，为避免某一服务窗口的用户等待时间过长，可根据每一特征向量组的预计等待时间，对预计等待时间较长特征向量组对服务窗口的用户进行提醒。提醒讯息可以是预置的提醒讯息，也可以是根据所获取到的信息对应生成的提醒讯息。
其他发明实施例中，如图9所示，所述提醒讯息发送单元150包括子单元：待通知群组获取单元151和讯息发送单元152。
待通知群组获取单元151，用于根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组。
根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组。用户在某一服务窗口进行排队时，先通过该用户的用户终端加入该服务窗口对应的用户群组，每一服务窗口对应一个特征向量组，则每一特征向量组与一个用户群组相对应，一个用户群组中至少包含一个用户，提醒讯息发送规则即是用于根据多个特征向量组的预计等待时间获取需发送提醒讯息对应特征向量组的规则信息。
其他发明实施例中，如图10所示，所述提醒讯息发送单元150还包括子单元：提醒讯息生成单元151a。
提醒讯息生成单元151a，用于根据所述待通知群组对应特征向量组及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。
根据所述待通知群组对应特征向量组中每一特征向量的预计办理时间及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。其中，所述提醒讯息可以包括与该特征向量组对应服务窗口的当前用户数、该待通知群组中每一用户的排队预计等待时间、该特征向量组对应服务窗口的窗口标识信息及推荐服务窗口的推荐窗口标识信息；每一服务窗口具有唯一标识信息，其为该服务窗口的窗口标识信息，用户可通过窗口标识信息对不同服务窗口进行识别，为避免某一服务窗口的用户等待时间过长，可通过提醒讯息将相应用户推荐至推荐服务窗口办理业务，推荐服务窗口可以是预计等待时间较短的特征向量组对应的服务窗口。具体的，获取该特征向量组中特征向量的数目，即可得到该特征向量组对应服务窗口的当前用户数；根据特征向量组中每一特征向量的预计办理时间计算得到每一用户的排队预计等待时间，将该特征向量组对应服务窗口的当前用户数、每一用户的排队预计等待时间、该特征向量组对应的窗口标识信息、推荐窗口标识信息添加至预置提醒讯息模板中即可得到所需发送的提醒讯息。
讯息发送单元152，用于发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒，接收提醒讯息的所有用户即可了解到待通知群组对应该服务窗口的当前状态，以便于根据该用户对应的排队预计等待时间合理安排，节省用户办理业务的耗时。
在本发明实施例所提供的基于人脸识别的提醒装置应用上述基于人脸识别的提醒方法，获取对服务区域进行拍摄而得到的初始图像；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间发送提醒讯息至对应的待通知群组。采用本发明提出的基于人脸识别的提醒方法，可对排队进行更为智能的统计，并对正在排队的用户进行提醒，以便于该用户在进行业务办理时做好时间安排，以实现对用户进行智能提醒。
上述基于人脸识别的提醒装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。
参阅图11，该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人脸识别的提醒方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人脸识别的提醒方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
在一实施例中，处理器502在执行根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间的步骤时，执行如下操作：根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户；根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
在一实施例中，处理器502在执行根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户的步骤时，执行如下操作：根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组；发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
在一实施例中，处理器502在执行根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量的步骤时，执行如下操作：对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像；根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合；根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。
在一实施例中，处理器502在执行根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组的步骤之后，还执行如下操作：根据所述待通知群组对应特征向量组及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。
本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
在一实施例中，所述根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间的步骤，包括：根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户；根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
在一实施例中，所述根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户的步骤，包括：根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组；发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
在一实施例中，所述根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量的步骤，包括：对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像；根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合；根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。
在一实施例中，所述根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组的步骤之后，还包括：根据所述待通知群组对应特征向量组及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人脸识别的提醒方法，其特征在于，包括：
获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；
根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；
根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；
根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；
根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
2.根据权利要求1所述的基于人脸识别的提醒方法，其特征在于，所述根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间，包括：
根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户；
根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
3.根据权利要求1所述的基于人脸识别的提醒方法，其特征在于，所述根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户，包括：
根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组；
发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
4.根据权利要求1所述的基于人脸识别的提醒方法，其特征在于，所述根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，包括：
对每一所述第一图像进行灰度预处理，以获取与所述第一图像相对应的灰度图像；
根据所述向量提取模型中的向量转换规则对所有所述灰度图像进行转换以得到向量集合；
根据所述向量提取模型中的特征向量计算公式及所述向量集合计算得到每一所述第一图像对应的特征向量以得到特征向量组。
5.根据权利要求3所述的基于人脸识别的提醒方法，其特征在于，所述根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组之后，还包括：
根据所述待通知群组对应特征向量组及所述待通知群组对应服务窗口的窗口标识信息生成提醒讯息。
6.一种基于人脸识别的提醒装置，其特征在于，包括：
拍摄单元，用于获取对多个服务区域进行拍摄而得到每一所述服务区域对应的初始图像，其中，所述服务区域为服务窗口所对应的区域；
图像切割单元，用于根据预设切割模型对所述初始图像进行切割以得到包含多个第一图像的第一图像组，其中，所述切割模型中包括多个预设的切割区域，多个所述第一图像与多个所述切割区域一一对应；
特征向量提取单元，用于根据预置向量提取模型从所述第一图像组中提取每一第一图像的特征向量以得到每一所述第一图像组对应的特征向量组，其中，每一所述第一图像对应一个特征向量；
预计等待时间获取单元，用于根据预设比对算法及历史业务数据表获取与每一所述特征向量组相对应的预计等待时间；
提醒讯息发送单元，用于根据所有所述特征向量组对应的预计等待时间及预设提醒讯息发送规则发送提醒讯息至相应待通知群组中的用户。
7.根据权利要求6所述的基于人脸识别的提醒装置，其特征在于，所述预计等待时间获取单元包括：
特征向量比对单元，用于根据所述比对算法将所述特征向量组的每一特征向量与所述历史业务数据表中每一历史用户对应特征向量进行对比，以获取与每一所述特征向量对应的历史用户；
预计等待时间计算单元，用于根据每一所述特征向量组中所包含特征向量对应的历史用户计算得到每一所述特征向量组相对应的预计等待时间。
8.根据权利要求6所述的基于人脸识别的提醒装置，其特征在于，所述提醒讯息发送单元包括：
待通知群组获取单元，用于根据所有所述特征向量组对应的预计等待时间获取满足所述提醒讯息发送规则的特征向量组对应的待通知群组；
讯息发送单元，用于发送提醒讯息至所述待通知群组以对所述待通知群组中所包含的用户进行提醒。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项的基于人脸识别的提醒方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1-5中任一项所述的基于人脸识别的提醒方法。
CN201910429867.1A 2019-05-22 2019-05-22 基于人脸识别的提醒方法、装置、计算机设备及存储介质 Active CN110298244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910429867.1A CN110298244B (zh) 2019-05-22 2019-05-22 基于人脸识别的提醒方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910429867.1A CN110298244B (zh) 2019-05-22 2019-05-22 基于人脸识别的提醒方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110298244A true CN110298244A (zh) 2019-10-01
CN110298244B CN110298244B (zh) 2024-05-31

Family

ID=68027063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910429867.1A Active CN110298244B (zh) 2019-05-22 2019-05-22 基于人脸识别的提醒方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110298244B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737413A (zh) * 2019-10-15 2020-01-31 深圳前海环融联易信息科技服务有限公司 基于人脸识别的打印管理方法、装置、计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971630A (zh) * 2006-12-01 2007-05-30 浙江工业大学 基于人脸鉴别技术的门禁和考勤装置
US20150205997A1 (en) * 2012-06-25 2015-07-23 Nokia Corporation Method, apparatus and computer program product for human-face features extraction
CN105139040A (zh) * 2015-10-13 2015-12-09 商汤集团有限公司 一种排队状态信息检测方法及其***
US20180018508A1 (en) * 2015-01-29 2018-01-18 Unifai Holdings Limited Computer vision systems
CN108428275A (zh) * 2018-01-03 2018-08-21 平安科技（深圳）有限公司 基于人脸识别的排号方法、服务器及存储介质
CN109389036A (zh) * 2018-08-29 2019-02-26 中国建设银行股份有限公司 一种基于ar的信息推送方法、装置、终端及可读介质
CN109509269A (zh) * 2018-10-10 2019-03-22 平安万家医疗投资管理有限责任公司 一种电子签到方法、计算机可读存储介质及服务器
CN109670784A (zh) * 2018-12-07 2019-04-23 中国银行股份有限公司 一种告知等待时间的方法、装置及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971630A (zh) * 2006-12-01 2007-05-30 浙江工业大学 基于人脸鉴别技术的门禁和考勤装置
US20150205997A1 (en) * 2012-06-25 2015-07-23 Nokia Corporation Method, apparatus and computer program product for human-face features extraction
US20180018508A1 (en) * 2015-01-29 2018-01-18 Unifai Holdings Limited Computer vision systems
CN105139040A (zh) * 2015-10-13 2015-12-09 商汤集团有限公司 一种排队状态信息检测方法及其***
CN108428275A (zh) * 2018-01-03 2018-08-21 平安科技（深圳）有限公司 基于人脸识别的排号方法、服务器及存储介质
CN109389036A (zh) * 2018-08-29 2019-02-26 中国建设银行股份有限公司 一种基于ar的信息推送方法、装置、终端及可读介质
CN109509269A (zh) * 2018-10-10 2019-03-22 平安万家医疗投资管理有限责任公司 一种电子签到方法、计算机可读存储介质及服务器
CN109670784A (zh) * 2018-12-07 2019-04-23 中国银行股份有限公司 一种告知等待时间的方法、装置及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737413A (zh) * 2019-10-15 2020-01-31 深圳前海环融联易信息科技服务有限公司 基于人脸识别的打印管理方法、装置、计算机设备

Also Published As

Publication number Publication date
CN110298244B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
CN109285215B (zh) 一种人体三维模型重建方法、装置和存储介质
JP2022521844A (ja) 深層学習ネットワークを使用してユーザ写真から体重を測定するシステム及び方法
KR101141643B1 (ko) 캐리커쳐 생성 기능을 갖는 이동통신 단말기 및 이를 이용한 생성 방법
CN111507176B (zh) 姿势估计装置、行动估计装置、记录介质、姿势估计方法
CN109255297A (zh) 动物状态监测方法、终端设备、存储介质及电子设备
TW200820099A (en) Target moving object tracking device
JP2022517769A (ja) 三次元ターゲット検出及びモデルの訓練方法、装置、機器、記憶媒体及びコンピュータプログラム
CN110442783A (zh) 基于人脸识别的信息推送方法、装置、计算机设备
JP4936491B2 (ja) 視線方向の推定装置、視線方向の推定方法およびコンピュータに当該視線方向の推定方法を実行させるためのプログラム
CN106296017A (zh) 一种客房入住的管理方法及装置
Engelke et al. Visual attention modelling for subjective image quality databases
JP7103229B2 (ja) 不審度推定モデル生成装置
CN111210275A (zh) 基于vr数据的用户画像构建方法、装置及计算机设备
JP2007048172A (ja) 情報分類装置
CN110298244A (zh) 基于人脸识别的提醒方法、装置、计算机设备及存储介质
CN111314395B (zh) 一种图像的传输方法及终端、存储介质
WO2022041953A1 (zh) 行为识别方法、装置和存储介质
CN109948422A (zh) 一种室内环境调节方法、装置、可读存储介质及终端设备
CN116958702B (zh) 基于边缘人工智能的酒店卫勤人员穿戴检测方法及***
CN108742678A (zh) 图像配准方法、装置及计算机可读存储介质
CN110852943A (zh) 图像处理方法及装置、图像处理设备及存储介质
Baumgartner et al. A new approach to image segmentation with two-dimensional hidden Markov models
CN111062269B (zh) 一种用户状态识别方法、装置、存储介质及空调
JP2019133566A (ja) 情報処理装置
CN114419658A (zh) 信息关联方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant