CN111126119A - 基于人脸识别的到店用户行为统计方法和装置 - Google Patents

基于人脸识别的到店用户行为统计方法和装置 Download PDF

Info

Publication number
CN111126119A
CN111126119A CN201811296903.3A CN201811296903A CN111126119A CN 111126119 A CN111126119 A CN 111126119A CN 201811296903 A CN201811296903 A CN 201811296903A CN 111126119 A CN111126119 A CN 111126119A
Authority
CN
China
Prior art keywords
user
face
store
library
face image
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.)
Pending
Application number
CN201811296903.3A
Other languages
English (en)
Inventor
刘博文
姚向民
黄培
徐云峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811296903.3A priority Critical patent/CN111126119A/zh
Publication of CN111126119A publication Critical patent/CN111126119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种基于人脸识别的用户到店行为统计方法和装置，方法包括：对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。该方法由于第一预设的人脸库中存储的人脸图像对应用户的到店时刻与当前时刻的时间间隔小于阈值，从而在第一预设的人脸库中检索当前时刻获取的用户人脸图像，可以大大提高处理速度、准确性和实时性。

Description

基于人脸识别的到店用户行为统计方法和装置
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种基于人脸识别的到店用户行为统计方法和装置。
背景技术
目前，在商场数字化到店行为识别场景中，会对抓取到的到店用户的照片进行人脸检测、搜索、存储，以进行店铺级别的到店行为统计和用户的历史到店行为追踪，帮助商家制定个性化营销策略。
但是随着到店用户数量的增加，店铺级别的到店用户人脸库的量级也会逐渐增加，从而使得对到店用户进行人脸检测和搜索的处理速度较慢、准确性和实时性较差。
发明内容
本申请提出一种基于人脸识别的到店用户行为统计方法和装置，用于解决相关技术中随着到店用户数量增加，在到店用户人脸库中对到店用户进行人脸检测和搜索存在处理速度较慢、准确性和实时性较差的问题。
本申请一方面实施例提出了一种基于人脸识别的到店用户行为统计方法，包括：
对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；
判断当前时刻所述店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；
若匹配，则根据所述第一用户当前所在的区域对所述第一预设的人脸库中的第二用户的到店行为进行更新。
本申请实施例的基于人脸识别的到店用户行为统计方法，通过首先对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像，然后判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值，若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。本实施例中，由于第一预设的人脸库中存储的人脸图像对应用户的到店时刻与当前时刻的时间间隔小于阈值，由此利用第一预设的人脸库存储到店用户的人脸图像，从而在第一预设的人脸库中检索当前时刻获取的用户人脸图像，相比在包含之前所有到店用户的人脸图像的人脸库进行检索，可以大大提高处理速度、准确性和实时性。
本申请另一方面实施例提出了一种基于人脸识别的到店用户行为统计装置，包括：
解析模块，用于对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；
第一判断模块，用于判断当前时刻所述店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；
第一更新模块，用于当当前时刻所述店内第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像匹配时，根据所述第一用户当前所在的区域对所述第一预设的人脸库中的第二用户的到店行为进行更新。
本申请实施例的基于人脸识别的到店用户行为统计装置，通过对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像，判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值，若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。本实施例中，由于第一预设的人脸库中存储的人脸图像对应用户的到店时刻与当前时刻的时间间隔小于阈值，由此利用第一预设的人脸库存储到店用户的人脸图像，从而在第一预设的人脸库中检索当前时刻获取的用户人脸图像，相比在包含之前所有到店用户的人脸图像的人脸库进行检索，可以大大提高处理速度、准确性和实时性。
本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的基于人脸识别的到店用户行为统计方法。
本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的基于人脸识别的到店用户行为统计方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种基于人脸识别的到店用户行为统计方法的流程示意图；
图2为本申请实施例提供的另一种基于人脸识别的到店用户行为统计方法的流程示意图；
图3为本申请实施例提供的又一种基于人脸识别的到店用户行为统计方法的流程示意图；
图4为本申请实施例提供的再一种基于人脸识别的到店用户行为统计方法的流程示意图；
图5为本申请实施例提供的还一种基于人脸识别的到店用户行为统计方法的流程示意图；
图6为本申请实施例提供的一种基于人脸识别的到店用户行为统计装置的结构示意图；
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于人脸识别的到店用户行为统计方法和装置。
本申请实施例针对相关技术中随着到店用户数量的增加，店铺级别的到店用户人脸库的量级也会逐渐增加，从而使得对到店用户进行人脸检测和搜索的处理速度较慢、准确性和实时性较差的问题，提出一种基于人脸识别的到店用户行为统计方法。
本申请实施例的基于人脸识别的到店用户行为统计方法，通过首先对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像，然后判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值，若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。本实施例中，由于第一预设的人脸库中存储的人脸图像对应用户的到店时刻与当前时刻的时间间隔小于阈值，由此利用第一预设的人脸库存储到店用户的人脸图像，从而在第一预设的人脸库中检索当前时刻获取的用户人脸图像，相比在包含之前所有到店用户的人脸图像的人脸库进行检索，可以大大提高处理速度、准确性和实时性。
图1为本申请实施例提供的一种基于人脸识别的到店用户行为统计方法的流程示意图。
如图1所示，该基于人脸识别的到店用户行为统计方法包括：
步骤101，对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像。
本申请实施例中，店可以是一个具体的店铺，也可以是一个闭合的区域，如商场、公园、景区等。以店铺为例，店铺内有可设置多个区域，例如，日用品区域、鞋专卖区域、包专卖区域等等。以商场为例，商场可包括餐饮店、服装店、亲子店等等。
本实施例中，可在店内的各个区域设置摄像采集设备，如摄像头，以采集各区域内的图像。例如，可在商场的各个店中设置摄像头，以采集各个店中的图像。
具体地，可控制各摄像采集设备每隔预设时间采集各区域内的图像，获取当前时刻各摄像采集设备采集的图像，并对当前时刻各摄像采集设备采集的图像数据进行解析，从图像数据中提取出人脸图像，从而获取当前时刻店内各区域的用户人脸图像。
步骤102，判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配。
本实施例中，可根据店的入口处设置的摄像采集设备，实时采集进店用户的图像，并获取的用户的人脸图像存储到第一预设的人脸库中。
其中，第一预设的人脸库中包含的人脸图像对应的用户到店时间与当前时刻的时间间隔小于阈值。例如，第一预设的人脸库可用于存储当天到店用户的人脸图像。
需要说明的是，第一预设的人脸库中包含的人脸图像对应的用户到店时间为第一次检测到用户进店的时间。
在获取当前时刻店内的用户人脸图像后，可将当前时刻店内的用户人脸图像与第一预设的人脸库中的用户的人脸图像进行匹配。
具体地，判断当前时刻店内的第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像是否匹配。若第一预设的人脸库中包含第二用户的至少一张人脸图像，则将第一用户的人脸图与第二用户的每张人脸图像进行匹配，若匹配度超过预设匹配度阈值，可以认为第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像匹配。
在实际应用中，人在短时间内如一天内发型、面部装饰、服饰等变化不大，本实施例中，由于第一预设的人脸库存储的人脸图像对应的用户的到店时间与当前时刻之间的间隔满足小于阈值的要求，也就是说，第一预设的人脸库中存储的是近期到店的用户人脸图像。那么第一预设的人脸库中保存的相同用户的人脸图像与新抓拍的人脸图像的相似度，远远高于现有技术中的到店用户的人脸库中的相同用户的人脸图像与新抓拍的人脸图像的相似度。因此，将当前抓拍的人脸图像与第一预设的人脸库中人脸图像进行匹配，不仅大大提高处理速度和实时性，而且提高了准确性。
步骤103，若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。
当当前时刻店内的第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像匹配时，说明第一用户与第一预设的人脸库中第二用户匹配，可根据第一用户当前所在区域对第一预设的人脸库中的第二用户的到店行为进行更新。
例如，可将第一用户当前所在区域、当前的购买行为、当前时刻、当前时刻的人脸图像等更新到第二预设的人脸库中的第二用户到店行为中。
本申请实施例中，当当前时刻到店用户的人脸图像与第一预设的人脸库中的用户的人脸图像匹配时，将到店用户的到店行为更新到第一预设的人脸库中，由于第一预设的人脸库中包括预设时间段内的到店用户的人脸图像，从而根据第一预设的人脸库可以统计用户实时的到店行为，实时性较高。
基于上述实施例，将当前时刻店内的用户人脸图像与第一预设的人脸库中用户的人脸图像匹配时，若当前时刻店内第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像不匹配，说明该第一用户是首次到店，可在第一预设的人脸库中创建与第一用户的人脸图像对应的新用户。
作为一个示例，第一预设的人脸库中包括人脸图像与用户标识之间的对应关系，那么可在第一预设的人脸库中创建新的用户标识，将第一用户的人脸图像存储到第一预设的人脸库中，并使创建新的用户标识与第一用户的人脸图像之间具有对应关系。其中，用户标识用于唯一标识用户，可以是用户编号等。
在实际应用中，当某时刻店内用户的数量超过预设数量时，若店内用户数量继续增加，可能会影响店内用户的购物体验。目前，主要是在店内的入口处通过工作人员人为控制用户的进入，这种控制方式灵活性较差。本申请实施例中，可根据当前时刻店内的用户数量，控制店内用户入口门的状态。下面结合图2进行说明，图2为本申请实施例提供的另一种基于人脸识别的到店用户行为统计方法的流程示意图。
如图2所示，该基于人脸识别的到店用户行为统计方法包括：
步骤201，对当前时刻店内各区域的用户人脸图像进行人脸识别，以确定当前时刻店内用户的数量。
作为另一种可能的实现方式，在获取当前时刻店内各区域的用户人脸图像后，可通过人脸识别技术，查找获取的当前时刻店内各区域的用户人脸图像中相似度超过预设阈值的人脸图像，并进行去重，那么经过去重后的人脸图像的数量即为当前时刻店内用户的数量。
可以理解的是，本申请实施例中，通过对各时刻采集的人脸图像进行人脸识别，即可确定各时刻店内的用户数量。进而通过将不同时刻采集的人脸图像进行匹配和去重，即可确定一定时间内，进入该店内的用户数量。
比如，将当前时刻采集的第一用户的人脸图像与第一预设的人脸库中保存的用户人脸图像进行匹配，若第一用户的人脸图像与第一预设的人脸库中某一用户的人脸图像匹配，且根据当前时刻之前各时刻采集的各图像可知，第一用户自到店时刻起，至当前时刻止一直在店内，那么即可确定自第一用户的到店时刻至当前时刻之间，该店内的客流量中包含该第一用户。
步骤202，根据当前时刻店内用户的数量，对店内的用户入口门的状态进行控制。
例如，经过统计当前时刻店内用户的数量超过预设阈值，可控制店内用户入口门处于关闭状态，以使待进入用户暂停进入。经过一段时间后，若当店内用户的数量小于预设阈值时，则控制店内用户入口门处于打开状态，允许待进入用户进入店内。
本申请实施例的基于人脸识别的到店用户行为统计方法，通过根据当前时刻各摄像采集设备采集的图像数据，获取当前时刻用户人脸图像，并对人脸图像进行去重，从而可以当前时刻店内各区域人脸图像的数量，准确的确定当前时刻店内用户的数量，进而根据实时的客流量控制待进入用户，提高了控制的灵活性，节省了人力成本。
在实际应用中，一个商场里可能会有不同区域，例如，奢侈品区域、平价商品区域等等。特别是奢侈品区域，目前主要是在区域的入口处，由工作人员根据区域内用户的数量人为控制用户的进入，这种人为控制的方式不灵活，且增加了人力成本。
本实施例中，可以为店内不同区域设置不同的进场权限。例如，可以根据采集用户的人脸图像确定用户是否有权限进入某区域。
下面结合图3进行详细说明，图3为本申请实施例提供的又一种基于人脸识别的到店用户行为统计方法的流程示意图。
如图3所示，在获取当前时刻店内各区域的用户人脸图像之后，该基于人脸识别的到店用户行为统计方法还包括：
步骤301，确定当前时刻店内用户的人脸图像。
本实施例中，在获取当前时刻店内各区域的用户人脸图像之后，通过人脸识别对当前时刻店内各区域的用户人脸图像进行去重处理，由此可以确定当前时刻店内用户的人脸图像。可以理解的是，当前时刻店内用户的人脸图像数量即为当前时刻店内用户的数量。
步骤302，判断店内第一用户的人脸图像是否与第二预设的人脸库中的第三用户的人脸图像匹配。
本实施例中，可以根据需要为店内一个或者多个区域预先设置人脸库。其中，不同的区域可以对应不同的人脸库，人脸库中的人脸图像对应的用户有权限进入人脸库对应的店内区域。
在确定当前时刻店内用户的人脸图像后，可判断店内第一用户的人脸图像是否与第二预设的人脸库中的第三用户的人脸图像匹配。其中，第二预设的人脸库中的人脸图像可以是预先采集或者是预先存储的。
具体地，第二预设的人脸库中每个用户对应至少一张图像，可将店内第一用户的人脸图像与第二预设的人脸库中的第三用户的每张人脸图像进行匹配，若匹配度均超过预设匹配度阈值，可以认为店内第一用户的人脸图像与第二预设的人脸库中的第三用户的人脸图像匹配。
步骤303，若店内第一用户的人脸图像与第二预设的人脸库中的第三用户的人脸图像匹配，则确定第一用户具有进入与第二预设的人脸库对应区域的权限。
当店内第一用户的人脸图像与第二预设的人脸库中的第三用户的人脸图像匹配时，说明店内的第一用户即为第二预设的人脸库中的第三用户，那么可以确定第一用户具有进入第二预设的人脸库对应区域的权限，允许第一用户进入该区域。
上述实施例中，在将第一用户的人脸图像与第二预设的人脸库中的第三用户的人脸图像进行匹配之前，可以预先确定店内各区域对应的第二预设的人脸库。
具体地，可以获取各到店用户的历史数据，例如用户在店内各个区域的图像数据、消费数据等，并对历史数据进行解析，确定各到店用户的类型。然后，根据各到店用户的类型、店内各区域的功能及店内各区域售卖品的类别，确定各区域对应的第二预设的人脸库。
例如，根据之前到店用户的历史数据，确定某用户经常去的店内区域，根据该用户经常去的区域和消费记录，可以确定用户的消费水平，进而根据该用户的消费水平、区域的功能和区域的售卖的商品的类型，可以将该用户的人脸图像存储到区域对应的第二预设的人脸库中。
需要说明的是，同一用户的人脸图像可以存储到不同区域对应的第二预设的人脸库中。
或者，可以根据各到店用户在各区域的消费记录，确定各区域对应的第二预设的人脸库。例如，将在店内某区域消费过的用户的人脸图像存储到该区域对应的第二预设的人脸库中。
又或者，在各用户办理店内各区域的会员时，采集各用户的人脸图像，将各会员用户的人脸图像存储到各区域对应的第二预设的人脸库中。例如，某用户在卖鞋专区办理了会员，那么可将该用户的人脸图像存储到第二预设的人脸库中。
由此，当某用户要进入店内某区域时，可将当前时刻采集的用户的人脸图像与该区域对应的第二预设的人脸库中用户的人脸图像进行匹配，当确定该用户的人脸图像与第二预设的人脸库中的用户的人脸匹配时，可以允许该用户进入该区域。从而，提高了店内各区域待进入人员的控制灵活性，节省了人力成本。
为了方便获取用户到店的历史行为信息，本申请实施例中，还可将店内的第一预设的人脸库中的人脸图像更新到总人脸库中。下面结合图4进行说明，图4为本申请实施例提供的再一种基于人脸识别的到店用户行为统计方法的流程示意图。
如图4所示，该基于人脸识别的到店用户行为统计方法还包括：
步骤401，判断当前时刻是否满足店内的第一预设的人脸库的更新条件。
本实施例中，可以是每隔预设时间对第一预设的人脸库进行更新，也可以是根据店内的商品的销售状态对总人脸库进行更新。其中，商品的销售状态可包括店内商品的分时折扣、分类分批折扣等等。
例如，可每隔一天对第一预设的人脸库进行重置。也就是说，第一预设的人脸库用于存储当天到店用户的人脸图像，例如每天的23:00点为更新条件，可判断当前时刻是否为23:00点，如果是，则确定当前时刻满足对店内第一预设的人脸库进行重置的条件。
又如，晚上19:00-21:00点店内对蔬菜区域进行限时折扣，当达到限时折扣时间即19:00时，可对第一预设的人脸库进行重置，以便于将限时折扣内采集的用户的人脸图像存储在第一预设的人脸库中。
步骤402，若满足店内的第一预设的人脸库的更新条件，则利用第一预设的人脸库中的各人脸图像，对总人脸库进行更新。
本实施例中，当当前时刻满足店内的第一预设的人脸库的更新条件时，可先利用第一预设的人脸库中的各人脸图像，对总人脸库进行更新，之后再将第一预设的人脸库清空。
例如，利用每天店内的将第一预设的人脸库中的人脸图像，对总人脸库进行更新。
在对总人脸库进行更新时，可判断第一预设的人脸库中的第四用户的人脸图像，与总人脸库中各用户的人脸图像的匹配度是否大于阈值。若第四用户的人脸图像与总人脸库中的每个用户的人脸图像的匹配度均小于阈值，则在总人脸库中创建与第四用户的人脸图像对应的新用户。作为一个示例，可在总人脸库中新增用户标识，并将第四用户的人脸图像存储到总人脸库中，使第四用户的人脸图像与新增用户标识对应。其中，新增用户标识用于标识新用户。
本实施例中，总人脸库中可包括每个用户的至少一张图像，在将第四用户的人脸图像与总人脸库中各用户的人脸图像进行匹配时，可判断第四用户的人脸图像与总人脸库中各用户的每张人脸图像进行匹配。若第四用户的人脸图像与总人脸库中某一用户的每张人脸图像的匹配度均大于阈值，可以认为第四用户的人脸图像与该用户的人脸图像的匹配度大于阈值。从而，将第四用户的人脸图像与总人脸中用户的每张人脸图像进行匹配，提高了总人脸库更新的准确性。
在一个实施例中，若第一预设的人脸库中包括第四用户的多张人脸图，那么将第四用户的每张人脸图像与总人脸库中各用户的人脸图像进行匹配，并统计与总人脸库中各用户的人脸图像匹配的第四用户的人脸图像数量，并将数量最多的人脸图像对应的总人脸库中的用户作为与第四用户匹配的用户，并且将这些人脸图像更新到总人脸库中匹配的用户下。
进一步地，为了避免总人脸库中存储的人脸过多，影响更新效率，可设置总人脸库中每个用户对应的人脸图像不超过预设数量，如不超过5张。
当第四用户的人脸图像与总人脸库中的某用户的人脸图像匹配，但总人脸库中该用户对应的人脸图像的数量达到了预设数量，那么可利用第四用户的高质量的人脸图像替换总人脸库中该用户的图像质量差的人脸图像，以保证总人脸库中人脸图像的质量。
更进一步地，为了提高匹配准确率，还可定期对总人脸库进行维护，例如对总人脸库中的用户进行拆分或合并。具体地，针对总人脸库中每个用户，可分析用户对应的人脸图像中是否存在与其他人脸图像相似度较低的人脸图像。若存在，则将相似度低的人脸图像与总人脸库中其他用户的人脸图像进行匹配。若存在与其匹配的用户的人脸图像，则将该相似度低的人脸图像存储在匹配的用户下；若不存在与其匹配的用户的人脸图像，则在总人脸库中新增用户标识，将相似度低的人脸图像，移动至该新增用户标识下，以使相似度低的人脸图像与新增用户标识之间具有对应关系。
为了提高店内的服务质量，本申请实施例中，总人脸库中可包括每个用户在店内各区域的行为数据，例如在各区域出现的次数，在各区域每次的停留时长等等，以利用总人脸库中存储的数据，确定每个店内区域的用途，进而确定待售卖商品的售卖区域。下面结合图5进行说明，图5为本申请实施例提供的还一种基于人脸识别的到店用户行为统计方法的流程示意图。
如图5所示，该基于人脸识别的到店用户行为统计方法还包括：
步骤501，根据店内各区域的历史售卖品类型及每个用户在各区域的行为数据，确定店内各区域的用途。
例如，店内包括A区、B区、C区三个区域，分别用于售卖折扣产品、提供体验产品、售卖新上市产品。根据每个用户在3个区域的行为数据，发现大多数用户在A区的停留时长比另外两个区域长，在C区的停留时长最短，那么可以确定A区用于热销产品、B区可以作为体验产品区，C区可以作为推荐产品售卖区。
步骤502，根据店内当前的各待售卖品类型及各区域的用途，确定当前的各待售卖品的待售卖区域。
本实施例中，可结合各区域的用途，确定当前的各待售卖品的待售卖区域。例如，当前的待售卖品的类型为新产品，那么可以将其放在推荐产品区域。又如，若当前待售卖品的类型为版本低的产品，那么可将其放在体验区，供用户体验。
本申请实施例中，通过根据总人脸库中每个用户在店内各区域的行为数据和各区域历史售卖商品类型，确定待售卖商品的待售卖区域，从而可以提高待售卖商品的售卖区的确定准确性。
为了实现上述实施例，本申请实施例还提出一种基于人脸识别的到店用户行为统计装置。图6为本申请实施例提供的一种基于人脸识别的到店用户行为统计装置的结构示意图。
如图6所示，该基于人脸识别的到店用户行为统计装置包括：解析模块610、第一判断模块620、第一更新模块630。
解析模块610，用于对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；
第一判断模块620，用于判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；
第一更新模块630，用于当当前时刻店内第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像匹配时，根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。
在本申请实施例一种可能的实现方式中，该装置还包括：
创建模块，用于当当前时刻店内第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像不匹配时，在第一预设的人脸库中创建与第一用户的人脸图像对应的新用户。
在本申请实施例一种可能的实现方式中，该装置还包括：
第一确定模块，用于对当前时刻店内各区域的用户人脸图像进行人脸识别，以确定当前时刻店内用户的数量；
控制模块，用于根据当前时刻店内用户的数量，对店内的用户入口门的状态进行控制。
在本申请实施例一种可能的实现方式中，该装置还包括：
第二判断模块，用于判断当前时刻店内第一用户的人脸图像是否与第二预设的人脸库中的第三用户的人脸图像匹配；
第二确定模块，用于当当前时刻店内第一用户的人脸图像与第二预设的人脸库中的第三用户的人脸图像匹配时，确定第一用户具有进入与第二预设的人脸库对应区域的权限。
在本申请实施例一种可能的实现方式中，该装置还包括：
第三确定模块，用于对获取的各到店用户的历史数据进行解析，确定各到店用户的类型；
第四确定模块，用于根据各到店用户的类型、店内区域的功能及店内各区域售卖品的类别，确定各区域对应的第二预设的人脸库。
在本申请实施例一种可能的实现方式中，该装置还包括：
第三判断模块，用于判断当前时刻是否满足店内的第一预设的人脸库的更新条件；
第二更新模块，用于当前时刻满足店内的第一预设的人脸库的更新条件时，利用第一预设的人脸库中的各人脸图像，对总人脸库进行更新。
在本申请实施例一种可能的实现方式中，上述更新模块包括：
判断单元，用于判断第一预设的人脸库中的第四用户的人脸图像，与总人脸库中的各用户的人脸图像的匹配度是否大于阈值；
创建单元，用于当第四用户的人脸图像与总人脸库中的任一用户的人脸图像的匹配度均小于阈值时，则在总人脸库中创建与第四用户的人脸图像对应的新用户。
在本申请实施例一种可能的实现方式中，总人脸库中包括每个用户的至少一张图像；判断单元，具体用于判断第四用户的人脸图像，与总人脸库中的各用户的每张人脸图像的匹配度是否均大于阈值。
在本申请实施例一种可能的实现方式中，总人脸库中包括每个用户在店内各区域的行为数据；该装置还包括：
第五确定模块，用于根据店内各区域的历史售卖品类型及每个用户在各区域的行为数据，确定店内各区域的用途；
第六确定模块，用于根据店内当前的各待售卖品类型及各区域的用途，确定当前的各待售卖品的待售卖区域。
需要说明的是，前述对基于人脸识别的到店用户行为统计方法实施例的解释说明，也适用于该实施例的基于人脸识别的到店用户行为统计装置，故在此不再赘述。
本申请实施例的基于人脸识别的到店用户行为统计装置，通过对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像，判断当前时刻店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值，若匹配，则根据第一用户当前所在的区域对第一预设的人脸库中的第二用户的到店行为进行更新。本实施例中，由于第一预设的人脸库中存储的人脸图像对应用户的到店时刻与当前时刻的时间间隔小于阈值，由此利用第一预设的人脸库存储到店用户的人脸图像，从而在第一预设的人脸库中检索当前时刻获取的用户人脸图像，相比在包含之前所有到店用户的人脸图像的人脸库进行检索，可以大大提高处理速度、准确性和实时性。
为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述实施例所述的基于人脸识别的到店用户行为统计方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
为了实现上述实施例，本申请实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的基于人脸识别的到店用户行为统计方法。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于人脸识别的到店用户行为统计方法，其特征在于，包括：
对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；
判断当前时刻所述店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；
若匹配，则根据所述第一用户当前所在的区域对所述第一预设的人脸库中的第二用户的到店行为进行更新。
2.如权利要求1所述的方法，其特征在于，所述判断当前时刻所述店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配之后，还包括：
若否，则在所述第一预设的人脸库中创建与所述第一用户的人脸图像对应的新用户。
3.如权利要求1所述的方法，其特征在于，所述获取当前时刻店内各区域的用户人脸图像之后，还包括：
对所述当前时刻店内各区域的用户人脸图像进行人脸识别，以确定当前时刻店内用户的数量；
根据所述当前时刻店内用户的数量，对所述店内的用户入口门的状态进行控制。
4.如权利要求1所述的方法，其特征在于，所述获取当前时刻店内各区域的用户人脸图像之后，还包括：
判断当前时刻所述店内第一用户的人脸图像是否与第二预设的人脸库中的第三用户的人脸图像匹配；
若是，则确定所述第一用户具有进入与所述第二预设的人脸库对应区域的权限。
5.如权利要求4所述的方法，其特征在于，所述判断当前时刻所述店内第一用户的人脸图像是否与第二预设的人脸库中的第三用户的人脸图像匹配之前，还包括：
对获取的各到店用户的历史数据进行解析，确定各到店用户的类型；
根据各到店用户的类型、所述店内区域的功能及所述店内各区域售卖品的类别，确定所述各区域对应的第二预设的人脸库。
6.如权利要求1-5任一所述的方法，其特征在于，还包括：
判断当前时刻是否满足所述第一预设的人脸库的更新条件；
若是，则利用所述第一预设的人脸库中的各人脸图像，对总人脸库进行更新。
7.如权利要求6所述的方法，其特征在于，所述根据所述第一预设的人脸库中的各人脸图像，对总人脸库进行更新，包括：
判断所述第一预设的人脸库中的第四用户的人脸图像，与所述总人脸库中的各用户的人脸图像的匹配度是否大于阈值；
若所述第四用户的人脸图像与所述总人脸库中的任一用户的人脸图像的匹配度均小于阈值，则在所述总人脸库中创建与所述第四用户的人脸图像对应的新用户。
8.如权利要求7所述的方法，其特征在于，所述总人脸库中包括每个用户的至少一张图像；
所述判断所述第一预设的人脸库中的第四用户的人脸图像，与所述店内的总人脸库中的各用户的人脸图像的匹配度是否大于阈值，包括：
判断所述第四用户的人脸图像，与所述总人脸库中的各用户的每张人脸图像的匹配度是否均大于阈值。
9.如权利要求7-8任一所述的方法，其特征在于，所述总人脸库中包括每个用户在店内各区域的行为数据；
所述方法，还包括：
根据所述店内各区域的历史售卖品类型及每个用户在各区域的行为数据，确定所述店内各区域的用途；
根据所述店内当前的各待售卖品类型及所述各区域的用途，确定所述当前的各待售卖品的待售卖区域。
10.一种基于人脸识别的到店用户行为统计装置，其特征在于，包括：
解析模块，用于对当前时刻各摄像采集设备采集的图像数据进行解析处理，以获取当前时刻店内各区域的用户人脸图像；
第一判断模块，用于判断当前时刻所述店内第一用户的人脸图像是否与第一预设的人脸库中的第二用户的人脸图像匹配，其中，第一预设的人脸库中包含的人脸图像对应用户的到店时间与当前时刻的时间间隔小于阈值；
第一更新模块，用于当当前时刻所述店内第一用户的人脸图像与第一预设的人脸库中的第二用户的人脸图像匹配时，根据所述第一用户当前所在的区域对所述第一预设的人脸库中的第二用户的到店行为进行更新。
11.一种计算机设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-9中任一所述的基于人脸识别的到店用户行为统计方法。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的基于人脸识别的到店用户行为统计方法。
CN201811296903.3A 2018-11-01 2018-11-01 基于人脸识别的到店用户行为统计方法和装置 Pending CN111126119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811296903.3A CN111126119A (zh) 2018-11-01 2018-11-01 基于人脸识别的到店用户行为统计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811296903.3A CN111126119A (zh) 2018-11-01 2018-11-01 基于人脸识别的到店用户行为统计方法和装置

Publications (1)

Publication Number Publication Date
CN111126119A true CN111126119A (zh) 2020-05-08

Family

ID=70494529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811296903.3A Pending CN111126119A (zh) 2018-11-01 2018-11-01 基于人脸识别的到店用户行为统计方法和装置

Country Status (1)

Country Link
CN (1) CN111126119A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723678A (zh) * 2020-05-27 2020-09-29 上海瀛之杰汽车信息技术有限公司 适用于多人场景的人脸客流识别方法、装置、设备和介质
CN111784387A (zh) * 2020-06-23 2020-10-16 大连中维世纪科技有限公司 一种基于多维度大数据的消费者品牌忠诚度分析方法
CN111950364A (zh) * 2020-07-07 2020-11-17 北京思特奇信息技术股份有限公司 千万级底库的分库人脸识别***和方法
CN112559793A (zh) * 2021-02-23 2021-03-26 成都旺小宝科技有限公司 一种人脸图像的检索方法
CN112818922A (zh) * 2021-02-25 2021-05-18 上海数川数据科技有限公司 一种基于图像的店员识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592116A (zh) * 2011-12-27 2012-07-18 Tcl集团股份有限公司 一种云计算应用方法、***及终端设备、云计算平台
CN102625081A (zh) * 2012-02-20 2012-08-01 华焦宝 参观场所目标跟踪方法及***
CN105488478A (zh) * 2015-12-02 2016-04-13 深圳市商汤科技有限公司 一种人脸识别***和方法
CN105787756A (zh) * 2016-02-19 2016-07-20 龚齐伟 人体行为分析装置、方法及***
CN106469296A (zh) * 2016-08-30 2017-03-01 北京旷视科技有限公司 人脸识别方法、装置和门禁***
US20170099295A1 (en) * 2012-03-14 2017-04-06 Autoconnect Holdings Llc Access and portability of user profiles stored as templates
CN206400637U (zh) * 2016-12-22 2017-08-11 重庆文理学院 一种基于关键节点识别的人群拥塞防控***
CN107341892A (zh) * 2017-08-04 2017-11-10 兰庆天 一种实现人流计数控制的门禁***及其工作方法
CN107563343A (zh) * 2017-09-18 2018-01-09 南京甄视智能科技有限公司 基于人脸识别技术的FaceID数据库的自我完善方法和***
CN107679613A (zh) * 2017-09-30 2018-02-09 同观科技（深圳）有限公司 一种人员信息的统计方法、装置、终端设备和存储介质
CN107992855A (zh) * 2017-12-22 2018-05-04 中国科学院重庆绿色智能技术研究院 一种基于人脸识别的机场安检三重验证方法
CN108288163A (zh) * 2018-02-08 2018-07-17 东莞市藕丝人工智能科技有限公司 一种基于视频采集的快速人脸结算方法
CN108446681A (zh) * 2018-05-10 2018-08-24 深圳云天励飞技术有限公司 行人分析方法、装置、终端及存储介质
CN108573333A (zh) * 2017-03-14 2018-09-25 思凯睿克有限公司 实体店面的关键绩效指标的评估方法及其***

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592116A (zh) * 2011-12-27 2012-07-18 Tcl集团股份有限公司 一种云计算应用方法、***及终端设备、云计算平台
CN102625081A (zh) * 2012-02-20 2012-08-01 华焦宝 参观场所目标跟踪方法及***
US20170099295A1 (en) * 2012-03-14 2017-04-06 Autoconnect Holdings Llc Access and portability of user profiles stored as templates
CN105488478A (zh) * 2015-12-02 2016-04-13 深圳市商汤科技有限公司 一种人脸识别***和方法
CN105787756A (zh) * 2016-02-19 2016-07-20 龚齐伟 人体行为分析装置、方法及***
CN106469296A (zh) * 2016-08-30 2017-03-01 北京旷视科技有限公司 人脸识别方法、装置和门禁***
CN206400637U (zh) * 2016-12-22 2017-08-11 重庆文理学院 一种基于关键节点识别的人群拥塞防控***
CN108573333A (zh) * 2017-03-14 2018-09-25 思凯睿克有限公司 实体店面的关键绩效指标的评估方法及其***
CN107341892A (zh) * 2017-08-04 2017-11-10 兰庆天 一种实现人流计数控制的门禁***及其工作方法
CN107563343A (zh) * 2017-09-18 2018-01-09 南京甄视智能科技有限公司 基于人脸识别技术的FaceID数据库的自我完善方法和***
CN107679613A (zh) * 2017-09-30 2018-02-09 同观科技（深圳）有限公司 一种人员信息的统计方法、装置、终端设备和存储介质
CN107992855A (zh) * 2017-12-22 2018-05-04 中国科学院重庆绿色智能技术研究院 一种基于人脸识别的机场安检三重验证方法
CN108288163A (zh) * 2018-02-08 2018-07-17 东莞市藕丝人工智能科技有限公司 一种基于视频采集的快速人脸结算方法
CN108446681A (zh) * 2018-05-10 2018-08-24 深圳云天励飞技术有限公司 行人分析方法、装置、终端及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723678A (zh) * 2020-05-27 2020-09-29 上海瀛之杰汽车信息技术有限公司 适用于多人场景的人脸客流识别方法、装置、设备和介质
CN111784387A (zh) * 2020-06-23 2020-10-16 大连中维世纪科技有限公司 一种基于多维度大数据的消费者品牌忠诚度分析方法
CN111950364A (zh) * 2020-07-07 2020-11-17 北京思特奇信息技术股份有限公司 千万级底库的分库人脸识别***和方法
CN111950364B (zh) * 2020-07-07 2024-03-22 北京思特奇信息技术股份有限公司 千万级底库的分库人脸识别***和方法
CN112559793A (zh) * 2021-02-23 2021-03-26 成都旺小宝科技有限公司 一种人脸图像的检索方法
CN112559793B (zh) * 2021-02-23 2021-07-13 成都旺小宝科技有限公司 一种人脸图像的检索方法
CN112818922A (zh) * 2021-02-25 2021-05-18 上海数川数据科技有限公司 一种基于图像的店员识别方法
CN112818922B (zh) * 2021-02-25 2022-08-02 上海数川数据科技有限公司 一种基于图像的店员识别方法

Similar Documents

Publication Publication Date Title
CN111126119A (zh) 基于人脸识别的到店用户行为统计方法和装置
US20210056498A1 (en) Method and device for identifying product purchased by user and intelligent shelf system
US8774462B2 (en) System and method for associating an order with an object in a multiple lane environment
US20180247361A1 (en) Information processing apparatus, information processing method, wearable terminal, and program
JP3584334B2 (ja) 人間検出追跡システムおよび人間検出追跡方法
TWI723411B (zh) 無人結算場景中異常檢測方法、裝置及設備
US8855364B2 (en) Apparatus for identification of an object queue, method and computer program
US9846811B2 (en) System and method for video-based determination of queue configuration parameters
CN111383039A (zh) 信息推送方法、装置及信息展示***
CN107909443A (zh) 信息推送方法、装置及***
CN110648186B (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN104462530A (zh) 用户喜好的分析方法及装置、电子设备
CN112464697A (zh) 基于视觉和重力感应的商品与顾客的匹配方法和装置
CN111178116A (zh) 无人售货方法、监控摄像机及***
JP2015090579A (ja) 行動分析システム
US20160189170A1 (en) Recognizing Customers Requiring Assistance
CN111339929B (zh) 一种无人超市的零售***
US20170330206A1 (en) Motion line processing system and motion line processing method
CN107730245B (zh) 基于无人商店的自动结账方法、无人商店
JP2010211485A (ja) 注視度合測定装置、注視度合測定方法、注視度合測定プログラムおよびそのプログラムを記録した記録媒体
CN108875677B (zh) 客流量统计方法及装置、存储介质、终端
CN110246280B (zh) 人货绑定方法及装置、计算机设备及可读介质
CN114299388A (zh) 物品信息确定方法、陈列柜以及存储介质
CN107871019B (zh) 人车关联搜索方法及装置
TWI821006B (zh) 依購買商品與購物者結帳延遲評估等候時間之系統及方法

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