CN107679475B - 门店监控评价方法、装置及存储介质 - Google Patents

门店监控评价方法、装置及存储介质 Download PDF

Info

Publication number
CN107679475B
CN107679475B CN201710875391.5A CN201710875391A CN107679475B CN 107679475 B CN107679475 B CN 107679475B CN 201710875391 A CN201710875391 A CN 201710875391A CN 107679475 B CN107679475 B CN 107679475B
Authority
CN
China
Prior art keywords
store
scoring
camera device
shooting
score
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.)
Active
Application number
CN201710875391.5A
Other languages
English (en)
Other versions
CN107679475A (zh
Inventor
王健宗
王晨羽
马进
肖京
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 CN201710875391.5A priority Critical patent/CN107679475B/zh
Priority to PCT/CN2017/108806 priority patent/WO2019056503A1/zh
Publication of CN107679475A publication Critical patent/CN107679475A/zh
Application granted granted Critical
Publication of CN107679475B publication Critical patent/CN107679475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种门店监控评价方法、装置及存储介质，该方法包括：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定门店对应的摄像装置、摄像装置对应的拍摄角度及拍摄角度对应的评分因素；控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄的照片及其对应的门店、摄像装置、拍摄角度和评分因素；根据预先确定的评分因素和打分模型的映射关系，确定照片对应的打分模型，并对照片分别调用对应的打分模型进行打分；利用加权分值计算公式对照片的打分分值进行加权计算，从而计算出对应门店的加权分值。通过对照片的分值进行加权计算，减少监控成本，提高监控效率，实现对门店监控评价的客观性和准确性。

Description

门店监控评价方法、装置及存储介质
技术领域
本发明涉及信息监控及处理技术领域，尤其涉及一种门店监控评价方法、装置及计算机可读存储介质。
背景技术
随着我国经济的发展，很多公司为了业务的需要，采用了连锁经营模式在很多地方开设大量的门店，尤其是很多门店通常需要驻入到基层地区。例如，业务门店、销售门店、服务门店等。然而连锁店在发展的同时也存在着管理不规范、工作环境整洁问题和客户争执等问题。
目前，解决门店的日常管控问题，现有的方案是在门店中安装监控摄像头，利用摄像头监控门店员工的服务水平、服务态度、办公环境的整洁程度等，然而，这种现有的方案需要完全由人通过摄像头进行监控，效率低下，浪费大量的人力物力，同时，监控结果受人为主观因素的影响较大，无法做到门店监控评价的客观性、准确性，容易出错。
发明内容
鉴于以上内容，本发明提供一种门店监控评价方法、装置及计算机可读存储介质，可以有效地提高监控效率，实现对门店监控评价的客观性和准确性。
为实现上述目的，本发明提供一种门店监控评价方法，应用于一种电子装置，该方法包括：
映射确定步骤：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素；
照片拍摄步骤：控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄得到的各张照片及其对应的门店、拍摄角度、摄像装置和评分因素；
照片打分步骤：根据预先确定的评分因素和打分模型的映射关系，确定所述各张照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分；
加权计算步骤：利用预先确定的加权分值计算公式对所述各张照片的打分分值进行加权计算，从而计算出拍摄所述各张照片的摄像装置对应的门店的加权分值。
所述加权分值计算公式为：
Figure BDA0001418014700000021
其中Si代表一个摄像装置拍摄的第i张照片对应的打分分值，Ki代表该摄像装置拍摄的第i张照片的加权权重，m代表该摄像装置拍摄一共得到m张照片，S代表该摄像装置对应的待监控门店的加权分值。
优选地，所述打分模型的训练步骤包括：
样本获取步骤：针对该评分因素，获取预设数量的样本照片；
样本标注步骤：在每张样本照片上对各个评分因素区域进行区域标定，并对各个评分因素区域进行评分标注，得到预设数量的标注样本；
样本分类步骤：从标注样本中提取出第一预设比例的标注样本作为待训练的样本照片，并将剩余的标注样本作为待验证的样本照片；
模型生成步骤：利用各张待训练的样本照片进行模型训练，以生成该评分因素对应的打分模型；
模型验证步骤：利用各张待验证的样本照片对生成的所述打分模型进行验证，若验证通过率大于或等于预设阈值，则结束模型训练，若验证通过率小于预设阈值，则流程返回样本标注步骤直至验证通过率大于或等于预设阈值结束模型训练。
优选地，该方法还包括：
第一判断步骤：判断每个门店的加权分值是否大于第一预设值；
当判断该门店的加权分值大于第一预设值时，执行第二判断步骤：判断该门店的评分因素的评分是否大于第二预设值；
当判断该门店的加权分值小于第一预设值时，向预先确定的终端发送第一预设格式的提示信息，再执行第二判断步骤。
优选地，第二判断步骤还包括：
当门店的评分因素的评分小于第二预设值时，向预先确定的终端发送第二预设格式的提示信息。
此外，本发明还提供一种电子装置，该电子装置包括：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门店监控评价系统，所述门店监控评价系统被所述处理器执行，可实现如下步骤：
映射确定步骤：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素；
照片拍摄步骤：控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄得到的各张照片及其对应的门店、拍摄角度、摄像装置和评分因素；
照片打分步骤：根据预先确定的评分因素和打分模型的映射关系，确定所述各张照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分；
加权计算步骤：利用预先确定的加权分值计算公式对所述各张照片的打分分值进行加权计算，从而计算出拍摄所述各张照片的摄像装置对应的门店的加权分值。
所述加权分值计算公式为：
Figure BDA0001418014700000031
其中Si代表一个摄像装置拍摄的第i张照片对应的打分分值，Ki代表该摄像装置拍摄的第i张照片的加权权重，m代表该摄像装置拍摄一共得到m张照片，S代表该摄像装置对应的待监控门店的加权分值。
优选地，所述门店监控评价系统被所述处理器执行时，还实现如下步骤：
第一判断步骤：判断每个门店的加权分值是否大于第一预设值；
当判断该门店的加权分值大于第一预设值时，执行第二判断步骤：判断该门店的评分因素的评分是否大于第二预设值；
当判断该门店的加权分值小于第一预设值时，向预先确定的终端发送第一预设格式的提示信息，再执行第二判断步骤。
优选地，所述第二判断步骤还包括：
当门店的评分因素的评分小于第二预设值时，向预先确定的终端发送第二预设格式的提示信息。
此外，为实现上述目的，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包括门店监控评价系统，所述门店监控评价系统被处理器执行时，可实现如上所述门店监控评价方法中的任意步骤。
本发明提出的门店监控评价方法、电子装置及计算机可读存储介质，根据评分因素、利用预先训练的打分模型对门店照片进行打分，然后再利用加权分值计算公式对各张照片对应的打分分值进行加权计算，可以根据监控信息客观地对门店的服务进行评分、实时发送提示信息督促门店改善服务，从而有效地提高监控效率。
附图说明
图1为本发明电子装置较佳实施例的示意图；
图2为图1中门店监控评价系统较佳实施例的功能模块图；
图3为本发明门店监控评价方法第一实施例的流程图；
图4为本发明门店监控评价方法第二实施例的流程图。
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。
如图1所示，是本发明电子装置1较佳实施例的示意图。
在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子装置1包括：存储器11、处理器12、摄像装置3、终端4及存储在所述存储器11上并可在所述处理器12上运行的门店监控评价系统10。该电子装置1通过网络2连接一个或多个摄像装置3，所述电子装置1还可与终端4通信连接。其中，摄像装置3安装于特定场所，如办公场所、餐厅、服装店等，对该特定场所的员工和场所环境定时拍摄得到实时图像，通过网络2将拍摄得到的实时图像传输至处理器12。网络2可选地可以包括局域网，广域网，城域网等类型的网络，可以为有线网络，也可以为无线网络(如WI-FI)。
终端4可以为桌上型计算机、笔记本、平板电脑、手机，或其它可以通过网络2与电子装置1进行通信的终端设备。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器11等的非易失性存储介质。在一些实施例中，所述存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述存储器11也可以是所述电子装置1的外部存储单元，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，所述存储器11不仅可以用于存储安装于所述电子装置1的应用软件及各类数据，例如门店监控评价系统10、照片数据库和打分模型的训练，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其它数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行门店监控评价系统10的计算机程序代码等。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置1还可以包括显示器，显示器也可以称为显示屏或显示单元，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-EmittingDiode，有机发光二极管)触摸器等。显示器用于显示电子装置1处理的信息以及用于显示可视化的用户界面。
在图1所示的装置实施例中，作为一种计算机存储介质的存储器11中存储门店监控评价系统10的程序代码，处理器12执行门店监控评价系统10的程序代码，实现如下功能：
定时根据门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定门店、摄像装置、拍摄角度、评分因素四者之间的对应关系，控制各个摄像装置逐一选择对应的拍摄角度进行拍摄；
将拍摄照片及其对应的门店、拍摄角度、摄像装置和评分因素存储至存储器11；
根据评分因素和打分模型的映射关系，确定各个拍摄照片对应的打分模型，并调用训练好的打分模型对照片进行打分，然后再利用加权分值计算公式对照片的打分分值进行加权计算，得出监控门店的各个摄像装置的加权分值。具体介绍请参下方关于门店监控评价系统10的功能模块图的详细说明。
如图2所示，是图1中门店监控评价系统10较佳实施例的功能模块图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中，门店监控评价系统10包括：映射确定模块110、照片拍摄模块120、照片打分模块130、加权计算模块140、判断模块150及提示模块160。
映射确定模块110，用于定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个待监控门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素。其中，评分因素包括员工姿态、桌面整洁度、地面整洁度及墙面挂件规范程度等。例如，当门店监控评价系统10需要对A门店进行评价时，映射确定模块110从存储器11中调用预先确定的门店、摄像装置、拍摄角度、评分因素四者之间映射关系的信息。例如，该映射关系可以记为a-b-c-d-e，其中a指门店、b指摄像装置、c指拍摄角度、d指评分因素及e指打分分值。假设A门店总共有5个摄像装置，分别为摄像装置B1、摄像装置B2、摄像装置B3、摄像装置B4和摄像装置B5，每个拍摄装置分别有着4个不同的拍摄角度，4个角度分别记为角度C1、角度C2、角度C3和角度C4，则A门店每个摄像装置的四个角度对应的评分因素分别是：A门店-摄像装置B1-角度C1-员工姿态-分值、A门店-摄像装置B1-角度C2-桌面整洁度-分值、A门店-摄像装置B1-角度C3-地面整洁度-分值、A门店-摄像装置B1-角度C4-墙面挂件规范程度-分值。
其中，不同摄像装置相对应的摄像角度可以设置为相同，也可以设置为不同，例如A门店-摄像装置B1的角度C1与A门店-摄像装置B2的角度C1可能不同。但相对应角度的评分因素是一致的，如各个摄像装置的角度C1对应员工姿态，角度C2对应桌面整洁度，角度C3对应地面整洁度，角度C4对应墙面挂件规范程度。
照片拍摄模块120，用于控制各个确定的摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄的照片对应的门店、拍摄角度、摄像装置和评分因素。例如，照片拍摄模块120控制摄像装置3选择对应的拍摄角度进行拍摄，并将拍摄的照片送到处理器12。处理器12接收到该照片后，可以先对照片进行预处理，例如通过灰度变换增强方法将像素值重新分配来改善图像对比度，增强图像反差，使图像更清晰，特征更加明显。预处理方法还可以包括滤波增强和色彩增强等。然后将处理好照片的照片进行特征分析，可以使用图像形状特征分析技术对照片的评分因素特征进行识别。特征分析技术可以包括图像颜色特征分析技术、图像纹理特征分析技术和图像空间关系分析技术。最后通过图像过滤技术将评分因素特征的区域标定并保存成大小一致的图像，同时记录对应的门店、拍摄角度、摄像装置和评分因素。
照片打分模块130，用于根据预先确定的评分因素和打分模型的映射关系，确定各张拍摄的照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分。当照片拍摄模块120标定照片的评分因素区域后，所述照片打分模块130从存储器11中调用训练好的对应评分因素的打分模型，将标定区域的评分因素与打分模型进行对齐，然后利用特征提取算法在该标定区域中搜索与该打分模型匹配的特征点，并对评分因素进行打分。例如，打分分值可以分10个等级，对应的分数从1-10分。例如，A店1个摄像装置的4个角度的照片的打分分值分别为：A门店-摄像装置B1-角度C1-员工姿态-6、A门店-摄像装置B1-角度C2-桌面整洁度-8、A门店-摄像装置B1-角度C3-地面整洁度-4、A门店-摄像装置B1-角度C4-墙面挂件规范程度-5。
其中，所述打分模型是预先构建并训练好的，训练步骤如下：
样本获取步骤：针对该评分因素，获取预设数量的照片样本。例如，针对员工姿态的评分因素，通过加载训练库，获取10万张员工姿态的样本照片。
样本标注步骤：在每张样本照片上对各个评分因素区域进行区域标定，并对各个评分因素区域进行评分标注，得到预设数量的标注样本。首先对每张样本照片进行预处理，可以通过灰度变换增强方法将像素值重新分配来改善图像对比度，增强图像反差，使图像更清晰，特征更加明显；然后将预处理好的样本照片进行特征分析，可以使用图像形状特征分析技术对照片进行评分因素特征进行识别；最后通过图像过滤技术将评分因素特征的区域标定并保存下来得到预设数量的标注样本。
样本分类步骤：从标注样本中随机提取出80％的标注样本作为待训练的样本照片，并将剩余的20％标注样本作为待验证的样本照片；
模型生成步骤：利用每张待训练的样本照片进行模型训练，以生成该评分因素对应的打分模型。用不同的小随机数对所用的权进行初始化，卷积神经网络(ConvolutionalNeural Networks，CNN)的特征检测层通过对8万张待训练的样本照片进行特征检测，生成特征向量对形如：(X，YP),其中X为输入向量，YP为理想输出向量。将X输入网络，在输入层经过逐级的变换(即，计算输入与每层的权值矩阵相点乘，得到实际的输出OP)，传送到输出层。然后算出实际输出OP与理想输出YP的差，再按极小化误差的方法反向传播调整权矩阵，从而生成训练模型。卷积神经网络避免了显式的特征取样，隐式地从训练数据中进行学习。这使得卷积神经网络明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器。它可以直接处理灰度图片，能够直接用于处理基于图像的分类。
模型验证步骤：利用各张待验证的样本照片对生成的所述打分模型进行验证。若验证通过率大于或等于预设阈值，则结束模型训练，若验证通过率小于预设阈值，则流程返回样本标注步骤直至验证通过率大于或等于预设阈值结束模型训练。例如，利用2万张待验证的样本照片对生成的所述打分模型进行验证；若验证通过率大于或等于98％，则结束模型训练，若验证通过率小于98％，则流程返回样本标注步骤直至验证通过率大于或等于预设阈值结束模型训练。
加权计算模块140，用于利用预先确定的加权分值计算公式对各个摄像装置拍摄的各张照片对应的打分分值进行加权计算，计算出各个摄像装置对应的待监控门店的加权分值。加权计算模块140从存储器11中调用预先确定的加权分值计算公式对各张照片的打分分值进行加权计算。根据加权分值计算公式：
Figure BDA0001418014700000091
假设K1＝0.3、K2＝0.3、K3＝0.2、K4＝0.2，则摄像装置B1对应的待监控门店的加权分值：S＝0.3*6+0.3*8+0.2*4+0.2*5＝6。同理，算出摄像装置B2、摄像装置B3、摄像装置B4和摄像装置B5的加权分值，将5个摄像装置的加权分值相加之和除以5，最终得出该门店的加权分值。一个门店的各个评分因素可以用类似的方法算出，这里不再赘述。
判断模块150，用于判断一个门店的加权分值是否大于第一预设值且判断每个门店的评分因素的评分是否大于相应的第二预设值。假设该门店的5个摄像装置的加权分值分别为：6、3、4、9、4，第一预设值为6，则该门店的加权分值为5.2；该门店的员工姿态打分分值分别为：6、7、8、9、8，第二预设值为8，则该门店的员工姿态打分分值为7.6。判断模块150判断一个门店的加权分值与第一预设值的大小且判断每个门店的评分因素的评分与第二预设值的大小。
提示模块160，用于当判断模块150判断一个门店的加权分值小于第一预设值时，向预先确定的终端4发送第一预设格式的提示信息。例如，门店的加权分值为5.2，小于第一预设值(6)，那么提示模块160向预先确定的终端4发送提示信息：A门店，本次评分低于警戒值，请筛查原因并进行整改。
提示模块160，还用于当判断模块150判断该门店的某个评分因素的评分小于相应的第二预设值时，向预先确定的终端4发送第二预设格式的提示信息。例如，某门店的员工姿态打分分值为7.6，小于第二预设值(8)，那么提示模块160向预先确定的终端4发送提示信息：A门店，本次员工姿态的评分低于警戒值，请筛查原因并进行整改。
如图3所示，是本发明门店监控评价方法第一实施例的流程图。
在本实施例中，处理器12执行存储器11中存储的门店监控评价系统10的计算机程序时实现门店监控评价方法的如下步骤：
步骤S10，定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个待监控门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素。其中，所述评分因素包括员工姿态、桌面整洁度、地面整洁度或墙面挂件规范程度。例如，当门店监控评价系统10需要对A门店进行评价时，从存储器11中调用预先确定的门店、摄像装置、拍摄角度、评分因素四者之间映射关系的信息，记为a-b-c-d-e，其中a指门店、b指摄像装置、c指拍摄角度、d指评分因素及e指打分分值。A门店总共有5个摄像装置，分别为：摄像装置B1、摄像装置B2、摄像装置B3、摄像装置B4和摄像装置B5。每个拍摄装置分别有着4个不同的拍摄角度，4个角度分别记为角度C1、角度C2、角度C3和角度C4。1个摄像装置的四个角度对应的评分因素分别是：A门店-摄像装置B1-角度C1-员工姿态-分值、A门店-摄像装置B1-角度C2-桌面整洁度-分值、A门店-摄像装置B1-角度C3-地面整洁度-分值、A门店-摄像装置B1-角度C4-墙面挂件规范程度-分值；其中，不同摄像装置相对应的摄像角度可以设置为相同，也可以设置为不同，例如A门店-摄像装置B1的角度C1与A门店-摄像装置B2的角度C1可能不同。但相对应角度的评分因素是一致的，如各个摄像装置的角度C1对应员工姿态，角度C2对应桌面整洁度，角度C3对应地面整洁度，角度C4对应墙面挂件规范程度。
步骤S20，控制各个确定的摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄的照片对应的门店、拍摄角度、摄像装置和评分因素。摄像装置3选择对应的拍摄角度进行拍摄，摄像装置3将拍摄的照片送到处理器12，当处理器12接收到该照片后，首先会对照片进行预处理，可以通过灰度变换增强方法将像素值重新分配来改善图像对比度，增强图像反差，使图像更清晰，特征更加明显；预处理方法还包括滤波增强和色彩增强等。然后将处理好照片的照片进行特征分析，可以使用图像形状特征分析技术对照片进行评分因素特征进行识别；特征分析技术还包括图像颜色特征分析技术、图像纹理特征分析技术和图像空间关系分析技术。最后通过图像过滤技术将评分因素特征的区域标定并保存成大小一致的图像，同时记录对应的门店、拍摄角度、摄像装置和评分因素。这样就完成了一次照片评分因素区域标定的过程。
步骤S30，根据预先确定的评分因素和打分模型的映射关系，确定各个拍摄的照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分。当标定照片的评分因素区域后，从存储器11中调用训练好的对应评分因素的打分模型，将标定区域的评分因素与打分模型进行对齐，然后利用特征提取算法在该标定区域中搜索与该打分模型匹配的特征点，并对评分因素进行打分，打分分值分10个等级对应的分数从1-10分。例如，A店1个摄像装置的4个角度的照片的打分分值分别为：A门店-摄像装置B1-角度C1-员工姿态-6、A门店-摄像装置B1-角度C2-桌面整洁度-8、A门店-摄像装置B1-角度C3-地面整洁度-4、A门店-摄像装置B1-角度C4-墙面挂件规范程度-5。
步骤S40，利用预先确定的加权分值计算公式对各个摄像装置拍摄的各张照片对应的打分分值进行加权计算，计算出各个摄像装置对应的待监控门店的加权分值。从存储器11中调用预先确定的加权分值计算公式对各张照片的打分分值进行加权计算。假设K1＝0.3、K2＝0.3、K3＝0.2、K4＝0.2，则摄像装置B1对应的待监控门店的加权分值：S＝0.3*6+0.3*8+0.2*4+0.2*5＝6。同理，算出摄像装置B2、摄像装置B3、摄像装置B4和摄像装置B5的加权分值，将5个摄像装置的加权分值相加之和除以5，最终得出该门店的加权分值。一个门店的一个评分因素可以用类似的方法算出，这里不再赘述。
本实施例提出的门店监控评价方法，通过不同评分因素对应的打分模型对门店照片进行打分，利用加权分值计算公式对各张照片对应的打分分值进行加权计算，有效地提高监控效率，真正做到门店监控评价的客观性和准确性。
基于第一实施例提出门店监控评价方法的第二实施例。如图4所示，处理器12执行存储器11中存储的门店监控评价系统10的计算机程序时实现门店监控评价方法的如下步骤：
步骤S10-步骤S80。其中，步骤S10-步骤S40与第一实施例中内容相同，这里不再赘述。
步骤S50，判断一个门店的加权分值是否大于第一预设值。假设该门店的5个摄像装置的加权分值分别为：6、3、4、9、4，第一预设值为6，则该门店的加权分值为5.2。
步骤S60，当一个门店的加权分值小于第一预设值，则向预先确定的终端4发送第一预设格式的提示信息。从计算中得出该门店的加权分值为5.2，小于第一预设值，那么提示模块160向预先确定的终端4发送提示信息：A门店，本次评分低于警戒值，请筛查原因并进行整改；并执行第二判断步骤：判断该门店的评分因素的评分是否大于相应的第二预设值。当判断该门店的加权分值大于第一预设值时，执行第二判断步骤。
步骤S70，判断该门店的每个评分因素的评分是否大于相应的第二预设值。假设该门店的员工姿态打分分值分别为：8、7、6、9、8，第二预设值为8，则该门店的员工姿态打分分值为7.6。
步骤S80，当该门店的某个评分因素的评分小于相应的第二预设值，则向预先确定的终端4发送第二预设格式的提示信息。从计算中得出该门店的员工姿态打分分值为7.6，小于第二预设值，那么提示模块160向预先确定的终端4发送提示信息：A门店，本次员工姿态的评分低于警戒值，请筛查原因并进行整改；并结束操作。当每个门店的评分因素的评分都大于相应的第二预设值，则结束操作。
相比于第一实施例，本实施例提出的门店监控评价方法，将不同评分因素对应的打分模型对待监控门店照片进行打分，利用加权分值计算公式对各张照片对应的打分分值进行加权计算，并设置第一预设值和第二预设值，通过对比判断，对不合格的门店或评分因素进行反馈，有效地提高监控效率，真正做到门店监控评价的客观性和准确性。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括门店监控评价系统10，所述门店监控系统10被处理器执行时实现如下操作：
映射确定步骤：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素；
照片拍摄步骤：控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄得到的各张照片及其对应的门店、拍摄角度、摄像装置和评分因素；
照片打分步骤：根据预先确定的评分因素和打分模型的映射关系，确定所述各张照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分；
加权计算步骤：利用预先确定的加权分值计算公式对所述各张照片的打分分值进行加权计算，从而计算出拍摄所述各张照片的摄像装置对应的门店的加权分值。
，所述加权分值计算公式为：
Figure BDA0001418014700000131
其中Si代表一个摄像装置拍摄的第i张照片对应的打分分值，Ki代表该摄像装置拍摄的第i张照片的加权权重，m代表该摄像装置拍摄一共得到m张照片，S代表该摄像装置对应的待监控门店的加权分值。
优选地，所述门店监控评价系统被所述处理器执行时，还实现如下步骤：
第一判断步骤：判断每个门店的加权分值是否大于第一预设值；
当判断该门店的加权分值大于第一预设值时，执行第二判断步骤：判断该门店的评分因素的评分是否大于第二预设值；
当判断该门店的加权分值小于第一预设值时，向预先确定的终端发送第一预设格式的提示信息，再执行第二判断步骤。
优选地，所述第二判断步骤还包括：
当门店的评分因素的评分小于第二预设值时，向预先确定的终端发送第二预设格式的提示信息。
本发明之计算机可读存储介质的具体实施方式与上述门店监控评价方法的具体实施方式大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种门店监控评价方法，其特征在于，所述方法包括：
映射确定步骤：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素；
照片拍摄步骤：控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄得到的各张照片及其对应的门店、拍摄角度、摄像装置和评分因素；
照片打分步骤：根据预先确定的评分因素和打分模型的映射关系，确定所述各张照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分；
加权计算步骤：利用预先确定的加权分值计算公式对所述各张照片的打分分值进行加权计算，从而计算出拍摄所述各张照片的摄像装置对应的门店的加权分值；
第一判断步骤：判断每个门店的加权分值是否大于第一预设值；
当判断该门店的加权分值大于第一预设值时，执行第二判断步骤：判断该门店的评分因素的评分是否大于第二预设值；
当判断该门店的加权分值小于第一预设值时，向预先确定的终端发送第一预设格式的提示信息，再执行第二判断步骤，其中，所述第二判断步骤还包括：
当门店的评分因素的评分小于第二预设值时，向预先确定的终端发送第二预设格式的提示信息。
2.根据权利要求1所述的门店监控评价方法，其特征在于，所述预先确定的加权分值计算公式为：
Figure FDA0002263472860000011
其中Si代表一个摄像装置拍摄的第i张照片对应的打分分值，Ki代表该摄像装置拍摄的第i张照片的加权权重，m代表该摄像装置拍摄一共得到m张照片，S代表该摄像装置对应的待监控门店的加权分值。
3.根据权利要求1所述的门店监控评价方法，其特征在于，所述打分模型的训练步骤包括：
样本获取步骤：针对该评分因素，获取预设数量的样本照片；
样本标注步骤：在每张样本照片上对各个评分因素区域进行区域标定，并对各个评分因素区域进行评分标注，得到预设数量的标注样本；
样本分类步骤：从标注样本中提取出第一预设比例的标注样本作为待训练的样本照片，并将剩余的标注样本作为待验证的样本照片；
模型生成步骤：利用各张待训练的样本照片进行模型训练，以生成该评分因素对应的打分模型；
模型验证步骤：利用各张待验证的样本照片对生成的所述打分模型进行验证，若验证通过率大于或等于预设阈值，则结束模型训练，若验证通过率小于预设阈值，则流程返回样本标注步骤直至验证通过率大于或等于预设阈值结束模型训练。
4.一种电子装置，其特征在于，所述装置包括：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门店监控评价系统，所述门店监控评价系统被所述处理器执行，可实现如下步骤：
映射确定步骤：定时根据预先确定的门店、摄像装置、拍摄角度、评分因素四者之间的映射关系，确定各个门店对应的摄像装置、各个摄像装置对应的拍摄角度及各个拍摄角度对应的评分因素；
照片拍摄步骤：控制各个摄像装置逐一选择对应的拍摄角度进行拍摄，记录拍摄得到的各张照片及其对应的门店、拍摄角度、摄像装置和评分因素；
照片打分步骤：根据预先确定的评分因素和打分模型的映射关系，确定所述各张照片对应的打分模型，并对各张照片分别调用对应的打分模型进行打分；
加权计算步骤：利用预先确定的加权分值计算公式对所述各张照片的打分分值进行加权计算，从而计算出拍摄所述各张照片的摄像装置对应的门店的加权分值；
第一判断步骤：判断每个门店的加权分值是否大于第一预设值；
当判断该门店的加权分值大于第一预设值时，执行第二判断步骤：判断该门店的评分因素的评分是否大于第二预设值；
当判断该门店的加权分值小于第一预设值时，向预先确定的终端发送第一预设格式的提示信息，再执行第二判断步骤，其中，所述第二判断步骤还包括：
当门店的评分因素的评分小于第二预设值时，向预先确定的终端发送第二预设格式的提示信息。
5.根据权利要求4所述的电子装置，其特征在于，所述预先确定的加权分值计算公式为：
Figure FDA0002263472860000031
其中Si代表一个摄像装置拍摄的第i张照片对应的打分分值，Ki代表该摄像装置拍摄的第i张照片的加权权重，m代表该摄像装置拍摄一共得到m张照片，S代表该摄像装置对应的待监控门店的加权分值。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括门店监控评价系统，所述门店监控评价系统被处理器执行时，可实现如权利要求1至3中任一项所述门店监控评价方法的步骤。
CN201710875391.5A 2017-09-25 2017-09-25 门店监控评价方法、装置及存储介质 Active CN107679475B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710875391.5A CN107679475B (zh) 2017-09-25 2017-09-25 门店监控评价方法、装置及存储介质
PCT/CN2017/108806 WO2019056503A1 (zh) 2017-09-25 2017-10-31 门店监控评价方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710875391.5A CN107679475B (zh) 2017-09-25 2017-09-25 门店监控评价方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN107679475A CN107679475A (zh) 2018-02-09
CN107679475B true CN107679475B (zh) 2020-03-10

Family

ID=61138225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710875391.5A Active CN107679475B (zh) 2017-09-25 2017-09-25 门店监控评价方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN107679475B (zh)
WO (1) WO2019056503A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110839129A (zh) 2018-08-17 2020-02-25 Oppo广东移动通信有限公司 图像处理方法、装置以及移动终端
CN109801710A (zh) * 2018-12-14 2019-05-24 平安科技（深圳）有限公司 行为能力判定方法及装置、终端和计算机可读存储介质
CN109753889A (zh) * 2018-12-18 2019-05-14 深圳壹账通智能科技有限公司 服务评价方法、装置、计算机设备和存储介质
CN110263758B (zh) * 2019-07-01 2021-06-25 创优数字科技(广东)有限公司 一种实体门店开关门检测方法和系统
CN111125289B (zh) * 2019-12-24 2023-05-12 广州图匠数据科技有限公司 一种门店数据清洗匹配方法、装置、设备以及存储介质
CN113297045B (zh) * 2020-07-27 2024-03-08 阿里巴巴集团控股有限公司 分布式系统的监控方法及装置
CN112528734A (zh) * 2020-10-29 2021-03-19 长沙市到家悠享家政服务有限公司 整理得分确定方法、装置、设备和存储介质
CN114792368A (zh) * 2022-04-28 2022-07-26 上海兴容信息技术有限公司 一种智能判断门店合规的方法和系统
CN116128485A (zh) * 2023-04-10 2023-05-16 北京凌华峰通信技术有限公司 一种智能化设备运维管控方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831615A (zh) * 2011-06-13 2012-12-19 索尼公司 对象监控方法和装置,以及监控系统操作方法
CN104077819B (zh) * 2014-06-17 2015-03-18 深圳前向启创数码技术有限公司 基于行车安全的远程监控方法及系统
TWI551146B (zh) * 2014-12-25 2016-09-21 晶睿通訊股份有限公司 影像資料播放方法及其影像監視系統
US9779330B2 (en) * 2014-12-26 2017-10-03 Deere & Company Grain quality monitoring
CN105608700B (zh) * 2015-12-24 2019-12-17 广州视源电子科技股份有限公司 照片的筛选方法及系统
CN105975980B (zh) * 2016-04-27 2019-04-05 百度在线网络技术（北京）有限公司 监控图像标注质量的方法和装置
CN106682637A (zh) * 2016-12-30 2017-05-17 深圳先进技术研究院 一种展品吸引度的分析方法及系统
CN107194898A (zh) * 2017-06-23 2017-09-22 携程计算机技术（上海）有限公司 酒店图像的展示方法、存储介质及酒店信息的推送方法

Also Published As

Publication number Publication date
CN107679475A (zh) 2018-02-09
WO2019056503A1 (zh) 2019-03-28

Similar Documents

Publication Publication Date Title
CN107679475B (zh) 门店监控评价方法、装置及存储介质
CN109961009B (zh) 基于深度学习的行人检测方法、系统、装置及存储介质
CN108229355B (zh) 行为识别方法和装置、电子设备、计算机存储介质
CN110532984B (zh) 关键点检测方法、手势识别方法、装置及系统
CN110738101B (zh) 行为识别方法、装置及计算机可读存储介质
CN107633204B (zh) 人脸遮挡检测方法、装置及存储介质
WO2019109526A1 (zh) 人脸图像的年龄识别方法、装置及存储介质
US9349076B1 (en) Template-based target object detection in an image
CN106203242B (zh) 一种相似图像识别方法及设备
JP2020504358A (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
WO2018166116A1 (zh) 车损识别方法、电子装置及计算机可读存储介质
WO2019033571A1 (zh) 面部特征点检测方法、装置及存储介质
WO2019033569A1 (zh) 眼球动作分析方法、装置及存储介质
CN109637664A (zh) 一种bmi评测方法、装置及计算机可读存储介质
CN110287862B (zh) 基于深度学习的防偷拍检测方法
WO2019033568A1 (zh) 嘴唇动作捕捉方法、装置及存储介质
WO2019033570A1 (zh) 嘴唇动作分析方法、装置及存储介质
WO2019033567A1 (zh) 眼球动作捕捉方法、装置及存储介质
CN113627411A (zh) 一种基于超分辨率的商品识别与价格匹配方法及系统
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
CN111476275A (zh) 基于图片识别的目标检测方法、服务器及存储介质
CN114550051A (zh) 一种车损检测方法、装置、计算机设备及存储介质
CN113222921A (zh) 一种图像处理方法及系统
CN110969045A (zh) 一种行为检测方法、装置、电子设备和存储介质
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备

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