CN114882420A - 接待人数统计方法、装置、电子设备及可读存储介质 - Google Patents

接待人数统计方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114882420A
CN114882420A CN202210610281.7A CN202210610281A CN114882420A CN 114882420 A CN114882420 A CN 114882420A CN 202210610281 A CN202210610281 A CN 202210610281A CN 114882420 A CN114882420 A CN 114882420A
Authority
CN
China
Prior art keywords
staff
employee
coordinate
target
counting
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
CN202210610281.7A
Other languages
English (en)
Inventor
谢鹏
李林毅
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 Bank Co Ltd
Original Assignee
Ping An Bank 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202210610281.7A priority Critical patent/CN114882420A/zh
Publication of CN114882420A publication Critical patent/CN114882420A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种接待人数统计方法，包括：识别原始视频数据中每帧图像包含的目标员工及非员工，统计预设时间段内目标员工的员工坐标轨迹，统计所有非员工的非员工坐标轨迹，计算目标员工的员工坐标轨迹与所有非员工的非员工坐标轨迹间的轨迹距离，利用分类模型对所有轨迹距离进行分类，距离分类结果，根据所述距离分类结果从所有非员工中确定目标员工对应的接待用户，根据接待用户统计目标员工的接待人数。此外，本发明还涉及区块链技术，所述距离分类结果可以存储在区块链的节点中。本发明还提出一种接待人数统计方法装置、电子设备以及计算机可读存储介质。本发明可以解决对接待人数统计不准确的问题。

Description

接待人数统计方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种接待人数统计方法、装置、电子设备及计算机可读存储介质。
背景技术
为了提高员工处理用户业务事项的效率及提高用户体验，各领域普遍将员工接待用户的数量这一指标作为员工的重要考核指标，例如，金融领域中，银行通过统计员工接待用户数量这一项指标来作为员工的绩效考核。
目前的人数统计方法包括：1、人工统计每个员工的接待人数，但该方式投入的人力成本太高，并且在接待人数多的情况下，如故意混淆用户，会导致用户被重复统计的情况，统计效率低下且不准确；2、查询办理业务的***，以员工维度进行统计，但办理业务过程中，可能有多个业务人员协作处理，但***最终记录的受理人是最终接待办理业务的员工，因此以***最终的受理人来统计会存在遗漏接待的员工。同时，会存在有员工接待，最后因为用户个人原因未办理，这样也会存在遗漏统计的情况，导致接待人数统计不准确。
发明内容
本发明提供一种接待人数统计方法、装置、设备及存储介质，其主要目的在于解决对接待人数统计不准确的问题。
为实现上述目的，本发明提供的一种接待人数统计方法，包括：
获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
可选地，所述识别所述原始视频数据中每帧图像包含的目标员工及非员工，包括：
对所述原始视频数据的每帧图像进行人脸检测，对检测到人脸的画面进行截图，得到初始人脸图像；
检测所述初始人脸图像中的人脸特征点，并基于所述人脸特征点对所述初始人脸图像中的人脸进行对齐，得到对齐人脸图像；
利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配，确定匹配成功的人脸特征对应的人脸为目标员工，以及确定匹配不成功的人脸特征对应的人脸为非员工。
可选地，所述利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配之前，所述方法还包括：
获取人脸图像训练集合，对所述人脸图像训练集合中的每张人脸图像进行人脸位置检测，得到关键位置点；
根据所述关键位置点对所述人脸图像训练集合中的每张人脸图像进行比例调整及像素填充；
对填充后的图像进行RGB标准化处理，利用标准化后的图像训练预构建的深度神经网络，得到所述特征提取模型；
获取员工人脸图像集合，利用所述特征提取模型提取所述员工人脸图像集合中的员工人脸特征，汇总所有提取到的员工人脸特征，得到所述员工人脸特征库。
可选地，所述统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹，包括：
根据预设的时间间隔采集所述目标员工的位置坐标，汇总所述目标员工在预设时间段内所有的位置坐标，得到所述目标员工的员工坐标轨迹；
根据所述时间间隔采集每一个非员工的位置坐标，汇总所有非员工在所述预设时间段内所有的位置坐标，得到所有非员工的非员工坐标轨迹。
可选地，所述计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离，包括：
计算所述员工坐标轨迹及每一个非员工的所述非员工坐标轨迹中相同时刻对应位置坐标间的距离，得到多组轨迹距离。
可选地，所述利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，包括：
获取预设的标签集合，并根据所述轨迹距离的个数作为特征维度；
根据所述标签集合及所述特征维度构建多维坐标系；
将所述多组轨迹距离映射至所述多维坐标系中，得到轨迹特征坐标集合；
计算所述轨迹特征坐标集合中任意两个轨迹特征坐标的欧氏距离，并选择所述欧氏距离最小的两个轨迹特征坐标构建分离超平面函数；
根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果。
可选地，所述根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果，包括：
计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值；
根据所述距离值构建最小距离函数；
利用预设的拉格朗日函数求解所述最小距离函数，得到超平面；确定距离分类结果在所述超平面上方的轨迹距离对应的非员工为所述目标员工的接待用户，确定距离分类结果在所述超平面下方的轨迹距离对应的非员工为所述目标员工的未接待用户。
为了解决上述问题，本发明还提供一种接待人数统计装置，所述装置包括：
人脸识别模块，用于获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
坐标轨迹统计模块，用于统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
轨迹距离计算模块，用于计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
接待人数统计模块，用于利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的接待人数统计方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的接待人数统计方法。
本发明通过对原始视频数据中的每帧图像进行人脸识别，得到识别出的目标员工及非员工，可以准确地识别目标员工及非员工，同时无需人工进行识别统计，提高了对目标员工接待人数统计的统计效率。并且通过统计预设时间段内，目标员工的员工坐标轨迹以及非员工的非员工坐标轨迹，利用预设的分类模型对所有员工坐标轨迹及非员工坐标轨迹的轨迹距离进行分类，可以从空间位置及时间的维度对非员工进行分类，从而直接确定非员工是否为目标员工的接待用户，进而提高了对员工接待人数统计的准确率。因此本发明提出的员工接待人数统计方法、装置、电子设备及计算机可读存储介质，可以解决对接待人数统计不准确的问题。
附图说明
图1为本发明一实施例提供的接待人数统计方法的流程示意图；
图2为本发明一实施例提供的接待人数统计装置的功能模块图；
图3为本发明一实施例提供的实现所述接待人数统计方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种接待人数统计方法。所述接待人数统计方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述接待人数统计方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的接待人数统计接待人数统计方法的流程示意图。在本实施例中，所述接待人数统计方法包括：
S1、获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工。
本发明实施例中，所述原始视频数据可以来自不同场景监控***采集的包含人脸的视频数据，例如，金融领域，所述原始视频数据可以为银行网点中多个监控摄像头采集的视频数据。
本实施例中，目标员工为某一个员工或多个员工，通过本实施例，可以识别出某一个员工或多个员工所接待的用户人数，重复执行本方法，可以识别到不同的员工所接待的接待人数。
具体地，所述识别所述原始视频数据中每帧图像包含的目标员工及非员工，包括：
对所述原始视频数据的每帧图像进行人脸检测，对检测到人脸的画面进行截图，得到初始人脸图像；
检测所述初始人脸图像中的人脸特征点，并基于所述人脸特征点对所述初始人脸图像中的人脸进行对齐，得到对齐人脸图像；
利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配，确定匹配成功的人脸特征对应的人脸为目标员工，以及确定匹配不成功的人脸特征对应的人脸为非员工。
本发明实施例中，可以通过预设的3D校正方法检测所述初始人脸图像中的人脸特征点位置，并对所述人脸特征点位置进行位置驱动的变形，从而对图像中的人脸进行对齐，其中，所述人脸特征点位置包括鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等位置。
可选的，可以对识别出的员工及非员工分别进行编号，例如员工A、员工B(也可以直接使用员工内部ID)，非员工a、非员工b、非员工c等。
本发明另一可选实施例中，可以通过计算对齐人脸图像中的人脸特征及员工人脸特征库中的人脸特征的相似度进行匹配，若相似度大于预设的相似度阈值，则确定匹配成功，若相似度小于等于预设的相似度阈值，则确定匹配不成功。
详细地，所述利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配之前，所述方法还包括：
获取人脸图像训练集合，对所述人脸图像训练集合中的每张人脸图像进行人脸位置检测，得到关键位置点；
根据所述关键位置点对所述人脸图像训练集合中的每张人脸图像进行比例调整及像素填充；
对填充后的图像进行RGB标准化处理，利用标准化后的图像训练预构建的深度神经网络，得到所述特征提取模型；
获取员工人脸图像集合，利用所述特征提取模型提取所述员工人脸图像集合中的员工人脸特征，汇总所有提取到的员工人脸特征，得到所述员工人脸特征库。
本发明实施例中，可以通过facemesh检测算法获取图像中的关键位置点，所述关键位置点包括眼睛、鼻子、瞳孔等。
本发明一可选实施例中，所述人脸图像训练集合可以为开源的人脸图像集合，例如，CASIA-Webface人脸数据集等。并且根据检测的鼻子位置(即关键位置点)旋转调整图像大小比例至160*160，使用黑色作为图像中无像素区域的填充，并对图像中的三通道RGB值进行标准化，使其均值为0，方差为1。
S2、统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹。
详细地，所述统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹，包括：
根据预设的时间间隔采集所述目标员工的位置坐标，汇总所述目标员工在预设时间段内所有的位置坐标，得到所述目标员工的员工坐标轨迹；
根据所述时间间隔采集每一个非员工的位置坐标，汇总所有非员工在所述预设时间段内所有的位置坐标，得到所有非员工的非员工坐标轨迹。
本发明一可选实施例中，所述预设的时间间隔可以为5S，所述预设时间段可以为60S，例如，以多个摄像头所能采集到的最大画面作为坐标系，每隔5S采集12次位置坐标，在所述坐标系中组成员工坐标轨迹。
本发明一可选实施例中，例如，对于员工A、员工B、非员工a、非员工b及非员工c，会得到五条坐标轨迹。
S3、计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离。
本发明实施例中，所述计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离，包括：
计算所述员工坐标轨迹及每一个非员工的所述非员工坐标轨迹中相同时刻对应位置坐标间的距离，得到多组轨迹距离。
本发明一可选实施例中，例如可以每隔5S计算同一时刻下所述员工坐标轨迹中员工的位置坐标及所述非员工坐标轨迹中非员工的位置坐标间的距离，得到12组轨迹距离，在上述例子中，即分别计算员工A和非员工a、非员工b及非员工c间的轨迹距离，以及分别计算员工B和非员工a、非员工b及非员工c间的轨迹距离。
S4、利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
本发明实施例中，所述预设的分类模型可以为支持向量机(support vectormachines，SVM)模型，所述SVM模型是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。
本发明实施例中，通过SVM模型对每一个非员工在时间及空间上的特征(即预设时间间隔的多组轨迹距离)进行分类，可以准确地根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，从而可以直接统计出员工的接待人数。例如，经过二分类，员工A的接待用户为非员工a、非员工b，员工B的接待用户为非员工a、非员工b及非员工c。
具体地，所述利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，包括：
获取预设的标签集合，并根据所述轨迹距离的个数作为特征维度；
根据所述标签集合及所述特征维度构建多维坐标系；
将所述多组轨迹距离映射至所述多维坐标系中，得到轨迹特征坐标集合；
计算所述轨迹特征坐标集合中任意两个轨迹特征坐标的欧氏距离，并选择所述欧氏距离最小的两个轨迹特征坐标构建分离超平面函数；
根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果。
本发明实施例中，所述预设的标签集合包括0和1，其中0表示未接待用户，1表示接待用户。所述分离超平面函数可以为：wT*x+b＝0，其中，wT为权重向量，以二维坐标系为例，分离超平面函数可以为：w1*x1+w2*x2+b＝0。
详细地，所述根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果，包括：
计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值；
根据所述距离值构建最小距离函数；
利用预设的拉格朗日函数求解所述最小距离函数，得到超平面；
确定距离分类结果在所述超平面上方的轨迹距离对应的非员工为所述目标员工的接待用户，确定距离分类结果在所述超平面下方的轨迹距离对应的非员工为所述目标员工的未接待用户。
进一步地，所述计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值，包括：
根据预设的距离公式计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值：
Figure BDA0003671778780000091
其中，γi为距离值，xi为第i个轨迹特征坐标，yi为所述标签集中的第i个标签，w和b为预设的固定参数。
具体地，所述根据距离值构建最小距离函数，包括：
Figure BDA0003671778780000092
其中，γ为最小距离函数，γi为距离值。
进一步地，所述利用预设的拉格朗日函数求解所述最小距离函数，得到超平面，包括：
根据预设的约束条件和所述最小距离函数构造成拉格朗日目标函数；
对所述拉格朗日目标函数进行求解，得到超平面。
详细地，所述拉格朗日目标函数为：
Figure BDA0003671778780000093
其中，αi为拉格朗日乘子，w和b为预设的固定参数，xi为第i个目标特征坐标，yi为标签。
本发明实施例中，所述约束条件可以为每个坐标到超平面的距离，都要大于等于最小距离函数，其中，约束条件用公式可以表示为
Figure BDA0003671778780000094
Figure BDA0003671778780000095
本发明一可选实施例中，例如，对轨迹距离被分为超平面上方的非员工分类为接待用户，对轨迹距离被分为超平面下方的非员工分类为未接待用户。
本发明另一可选实施例中，可以获取目标员工的员工ID，并统计被分类为接待用户的用户数量作为所述目标员工的接待人数，同时可以将接待用户的人脸ID、接待时间等信息记录在接待信息表。
本发明通过对原始视频数据中的每帧图像进行人脸识别，得到识别出的目标员工及非员工，可以准确地识别目标员工及非员工，同时无需人工进行识别统计，提高了对目标员工接待人数统计的统计效率。并且通过统计预设时间段内，目标员工的员工坐标轨迹以及非员工的非员工坐标轨迹，利用预设的分类模型对所有员工坐标轨迹及非员工坐标轨迹的轨迹距离进行分类，可以从空间位置及时间的维度对非员工进行分类，从而直接确定非员工是否为目标员工的接待用户，进而提高了对员工接待人数统计的准确率。因此本发明提出的员工接待人数统计方法，可以解决对接待人数统计不准确的问题。
如图2所示，是本发明一实施例提供的接待人数统计装置的功能模块图。
本发明所述接待人数统计装置100可以安装于电子设备中。根据实现的功能，所述接待人数统计装置100可以包括人脸识别模块101、坐标轨迹统计模块102、轨迹距离计算模块103及接待人数统计模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述人脸识别模块101，用于获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
所述坐标轨迹统计模块102，用于统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
所述轨迹距离计算模块103，用于计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
所述接待人数统计模块104，用于利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
详细地，所述接待人数统计装置100各模块的具体实施方式如下：
步骤一、获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工。
本发明实施例中，所述原始视频数据可以来自不同场景监控***采集的包含人脸的视频数据，例如，金融领域，所述原始视频数据可以为银行网点中多个监控摄像头采集的视频数据。
本实施例中，目标员工为某一个员工或多个员工，通过本实施例，可以识别出某一个员工或多个员工所接待的用户人数，重复执行本方法，可以识别到不同的员工所接待的接待人数。
具体地，所述识别所述原始视频数据中每帧图像包含的目标员工及非员工，包括：
对所述原始视频数据的每帧图像进行人脸检测，对检测到人脸的画面进行截图，得到初始人脸图像；
检测所述初始人脸图像中的人脸特征点，并基于所述人脸特征点对所述初始人脸图像中的人脸进行对齐，得到对齐人脸图像；
利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配，确定匹配成功的人脸特征对应的人脸为目标员工，以及确定匹配不成功的人脸特征对应的人脸为非员工。
本发明实施例中，可以通过预设的3D校正方法检测所述初始人脸图像中的人脸特征点位置，并对所述人脸特征点位置进行位置驱动的变形，从而对图像中的人脸进行对齐，其中，所述人脸特征点位置包括鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等位置。
可选的，可以对识别出的员工及非员工分别进行编号，例如员工A、员工B(也可以直接使用员工内部ID)，非员工a、非员工b、非员工c等。
本发明另一可选实施例中，可以通过计算对齐人脸图像中的人脸特征及员工人脸特征库中的人脸特征的相似度进行匹配，若相似度大于预设的相似度阈值，则确定匹配成功，若相似度小于等于预设的相似度阈值，则确定匹配不成功。
详细地，所述利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配之前，所述方法还包括：
获取人脸图像训练集合，对所述人脸图像训练集合中的每张人脸图像进行人脸位置检测，得到关键位置点；
根据所述关键位置点对所述人脸图像训练集合中的每张人脸图像进行比例调整及像素填充；
对填充后的图像进行RGB标准化处理，利用标准化后的图像训练预构建的深度神经网络，得到所述特征提取模型；
获取员工人脸图像集合，利用所述特征提取模型提取所述员工人脸图像集合中的员工人脸特征，汇总所有提取到的员工人脸特征，得到所述员工人脸特征库。
本发明实施例中，可以通过facemesh检测算法获取图像中的关键位置点，所述关键位置点包括眼睛、鼻子、瞳孔等。
本发明一可选实施例中，所述人脸图像训练集合可以为开源的人脸图像集合，例如，CASIA-Webface人脸数据集等。并且根据检测的鼻子位置(即关键位置点)旋转调整图像大小比例至160*160，使用黑色作为图像中无像素区域的填充，并对图像中的三通道RGB值进行标准化，使其均值为0，方差为1。
步骤二、统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹。
详细地，所述统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹，包括：
根据预设的时间间隔采集所述目标员工的位置坐标，汇总所述目标员工在预设时间段内所有的位置坐标，得到所述目标员工的员工坐标轨迹；
根据所述时间间隔采集每一个非员工的位置坐标，汇总所有非员工在所述预设时间段内所有的位置坐标，得到所有非员工的非员工坐标轨迹。
本发明一可选实施例中，所述预设的时间间隔可以为5S，所述预设时间段可以为60S，例如，以多个摄像头所能采集到的最大画面作为坐标系，每隔5S采集12次位置坐标，在所述坐标系中组成员工坐标轨迹。
本发明一可选实施例中，例如，对于员工A、员工B、非员工a、非员工b及非员工c，会得到五条坐标轨迹。
步骤三、计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离。
本发明实施例中，所述计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离，包括：
计算所述员工坐标轨迹及每一个非员工的所述非员工坐标轨迹中相同时刻对应位置坐标间的距离，得到多组轨迹距离。
本发明一可选实施例中，例如可以每隔5S计算同一时刻下所述员工坐标轨迹中员工的位置坐标及所述非员工坐标轨迹中非员工的位置坐标间的距离，得到12组轨迹距离，在上述例子中，即分别计算员工A和非员工a、非员工b及非员工c间的轨迹距离，以及分别计算员工B和非员工a、非员工b及非员工c间的轨迹距离。
步骤四、利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
本发明实施例中，所述预设的分类模型可以为支持向量机(support vectormachines，SVM)模型，所述SVM模型是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。
本发明实施例中，通过SVM模型对每一个非员工在时间及空间上的特征(即预设时间间隔的多组轨迹距离)进行分类，可以准确地根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，从而可以直接统计出员工的接待人数。例如，经过二分类，员工A的接待用户为非员工a、非员工b，员工B的接待用户为非员工a、非员工b及非员工c。
具体地，所述利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，包括：
获取预设的标签集合，并根据所述轨迹距离的个数作为特征维度；
根据所述标签集合及所述特征维度构建多维坐标系；
将所述多组轨迹距离映射至所述多维坐标系中，得到轨迹特征坐标集合；
计算所述轨迹特征坐标集合中任意两个轨迹特征坐标的欧氏距离，并选择所述欧氏距离最小的两个轨迹特征坐标构建分离超平面函数；
根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果。
本发明实施例中，所述预设的标签集合包括0和1，其中0表示未接待用户，1表示接待用户。所述分离超平面函数可以为：wT*x+b＝0，其中，wT为权重向量，以二维坐标系为例，分离超平面函数可以为：w1*x1+w2*x2+b＝0。
详细地，所述根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果，包括：
计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值；
根据所述距离值构建最小距离函数；
利用预设的拉格朗日函数求解所述最小距离函数，得到超平面；确定距离分类结果在所述超平面上方的轨迹距离对应的非员工为所述目标员工的接待用户，确定距离分类结果在所述超平面下方的轨迹距离对应的非员工为所述目标员工的未接待用户。
进一步地，所述计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值，包括：
根据预设的距离公式计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值：
Figure BDA0003671778780000141
其中，γi为距离值，xi为第i个轨迹特征坐标，yi为所述标签集中的第i个标签，w和b为预设的固定参数。
具体地，所述根据距离值构建最小距离函数，包括：
Figure BDA0003671778780000142
其中，γ为最小距离函数，γi为距离值。
进一步地，所述利用预设的拉格朗日函数求解所述最小距离函数，得到超平面，包括：
根据预设的约束条件和所述最小距离函数构造成拉格朗日目标函数；
对所述拉格朗日目标函数进行求解，得到超平面。
详细地，所述拉格朗日目标函数为：
Figure BDA0003671778780000143
其中，αi为拉格朗日乘子，w和b为预设的固定参数，xi为第i个目标特征坐标，yi为标签。
本发明实施例中，所述约束条件可以为每个坐标到超平面的距离，都要大于等于最小距离函数，其中，约束条件用公式可以表示为
Figure BDA0003671778780000144
Figure BDA0003671778780000145
本发明一可选实施例中，例如，对轨迹距离被分为超平面上方的非员工分类为接待用户，对轨迹距离被分为超平面下方的非员工分类为未接待用户。
本发明另一可选实施例中，可以获取目标员工的员工ID，并统计被分类为接待用户的用户数量作为所述目标员工的接待人数，同时可以将接待用户的人脸ID、接待时间等信息记录在接待信息表。
本发明通过对原始视频数据中的每帧图像进行人脸识别，得到识别出的目标员工及非员工，可以准确地识别目标员工及非员工，同时无需人工进行识别统计，提高了对目标员工接待人数统计的统计效率。并且通过统计预设时间段内，目标员工的员工坐标轨迹以及非员工的非员工坐标轨迹，利用预设的分类模型对所有员工坐标轨迹及非员工坐标轨迹的轨迹距离进行分类，可以从空间位置及时间的维度对非员工进行分类，从而直接确定非员工是否为目标员工的接待用户，进而提高了对员工接待人数统计的准确率。因此本发明提出的员工接待人数统计装置，可以解决对接待人数统计不准确的问题。
如图3所示，是本发明一实施例提供的实现接待人数统计方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如接待人数统计程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如接待人数统计程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如接待人数统计程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的接待人数统计程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种接待人数统计方法，其特征在于，所述方法包括：
获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
2.如权利要求1所述的接待人数统计方法，其特征在于，所述识别所述原始视频数据中每帧图像包含的目标员工及非员工，包括：
对所述原始视频数据的每帧图像进行人脸检测，对检测到人脸的画面进行截图，得到初始人脸图像；
检测所述初始人脸图像中的人脸特征点，并基于所述人脸特征点对所述初始人脸图像中的人脸进行对齐，得到对齐人脸图像；
利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配，确定匹配成功的人脸特征对应的人脸为目标员工，以及确定匹配不成功的人脸特征对应的人脸为非员工。
3.如权利要求2中所述的接待人数统计方法，其特征在于，所述利用预设的特征提取模型提取所述对齐人脸图像中的人脸特征，并将所述人脸特征和预设的员工人脸特征库进行匹配之前，所述方法还包括：
获取人脸图像训练集合，对所述人脸图像训练集合中的每张人脸图像进行人脸位置检测，得到关键位置点；
根据所述关键位置点对所述人脸图像训练集合中的每张人脸图像进行比例调整及像素填充；
对填充后的图像进行RGB标准化处理，利用标准化后的图像训练预构建的深度神经网络，得到所述特征提取模型；
获取员工人脸图像集合，利用所述特征提取模型提取所述员工人脸图像集合中的员工人脸特征，汇总所有提取到的员工人脸特征，得到所述员工人脸特征库。
4.如权利要求1所述的接待人数统计方法，其特征在于，所述统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹，包括：
根据预设的时间间隔采集所述目标员工的位置坐标，汇总所述目标员工在预设时间段内所有的位置坐标，得到所述目标员工的员工坐标轨迹；
根据所述时间间隔采集每一个非员工的位置坐标，汇总所有非员工在所述预设时间段内所有的位置坐标，得到所有非员工的非员工坐标轨迹。
5.如权利要求4所述的接待人数统计方法，其特征在于，所述计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离，包括：
计算所述员工坐标轨迹及每一个非员工的所述非员工坐标轨迹中相同时刻对应位置坐标间的距离，得到多组轨迹距离。
6.如权利要求5所述的接待人数统计方法，其特征在于，所述利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，包括：
获取预设的标签集合，并根据所述轨迹距离的个数作为特征维度；
根据所述标签集合及所述特征维度构建多维坐标系；
将所述多组轨迹距离映射至所述多维坐标系中，得到轨迹特征坐标集合；
计算所述轨迹特征坐标集合中任意两个轨迹特征坐标的欧氏距离，并选择所述欧氏距离最小的两个轨迹特征坐标构建分离超平面函数；
根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果。
7.如权利要求6所述的接待人数统计方法，其特征在于，所述根据所述分离超平面函数对所述多组轨迹距离进行二分类，得到所述距离分类结果，包括：
计算所述轨迹特征坐标集合中坐标到所述分离超平面函数的距离值；
根据所述距离值构建最小距离函数；
利用预设的拉格朗日函数求解所述最小距离函数，得到超平面；
确定距离分类结果在所述超平面上方的轨迹距离对应的非员工为所述目标员工的接待用户，确定距离分类结果在所述超平面下方的轨迹距离对应的非员工为所述目标员工的未接待用户。
8.一种接待人数统计装置，其特征在于，所述装置包括：
人脸识别模块，用于获取原始视频数据，识别所述原始视频数据中每帧图像包含的目标员工及非员工；
坐标轨迹统计模块，用于统计预设时间段内所述目标员工的员工坐标轨迹，以及统计所述预设时间段内所有非员工的非员工坐标轨迹；
轨迹距离计算模块，用于计算所述目标员工的员工坐标轨迹与所有非员工的所述非员工坐标轨迹间的轨迹距离；
接待人数统计模块，用于利用预设的分类模型对所有所述轨迹距离进行分类，得到所述分类模型输出的所有轨迹距离的距离分类结果，根据所述距离分类结果从所有非员工中确定所述目标员工对应的接待用户，根据所述接待用户统计所述目标员工的接待人数。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的接待人数统计方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的接待人数统计方法。
CN202210610281.7A 2022-05-31 2022-05-31 接待人数统计方法、装置、电子设备及可读存储介质 Pending CN114882420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210610281.7A CN114882420A (zh) 2022-05-31 2022-05-31 接待人数统计方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210610281.7A CN114882420A (zh) 2022-05-31 2022-05-31 接待人数统计方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114882420A true CN114882420A (zh) 2022-08-09

Family

ID=82679111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210610281.7A Pending CN114882420A (zh) 2022-05-31 2022-05-31 接待人数统计方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114882420A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117636402A (zh) * 2024-01-23 2024-03-01 广州市德赛西威智慧交通技术有限公司 基于行人重识别的客情分析方法及装置、计算机存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117636402A (zh) * 2024-01-23 2024-03-01 广州市德赛西威智慧交通技术有限公司 基于行人重识别的客情分析方法及装置、计算机存储介质

Similar Documents

Publication Publication Date Title
WO2022105179A1 (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112052850B (zh) 车牌识别方法、装置、电子设备及存储介质
CN112507934B (zh) 活体检测方法、装置、电子设备及存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112100425A (zh) 基于人工智能的标签标注方法、装置、电子设备及介质
CN113705469A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN111898538A (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN113033543A (zh) 曲形文本识别方法、装置、设备及介质
CN113903068A (zh) 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN112132030A (zh) 视频处理方法及装置、存储介质及电子设备
CN114550076A (zh) 区域异常行为监控方法、装置、设备及存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN114882420A (zh) 接待人数统计方法、装置、电子设备及可读存储介质
WO2019061660A1 (zh) 招聘方法、电子装置及可读存储介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN112329666A (zh) 人脸识别方法、装置、电子设备及存储介质
CN114863344A (zh) 服务质量评估方法、装置、设备及存储介质
CN113869218B (zh) 人脸活体检测方法、装置、电子设备及可读存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN112434601B (zh) 基于行车视频的车辆违法检测方法、装置、设备及介质
CN115131826A (zh) 物品检测识别方法、网络模型的训练方法和装置
CN114973374A (zh) 基于表情的风险评测方法、装置、设备及存储介质
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质
CN114267064A (zh) 一种人脸识别方法、装置、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