CN109508622A - 一种进店人员计数管理方法及系统 - Google Patents

Abstract

本发明提供一种进店人员计数管理方法及系统，其中，进店人员计数管理方法包括如下步骤：识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，提取人脸图像的特征码；将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数；否则，将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。本发明能够对进店的人员进行识别，当其为在店铺消费过的人员时，则针对该进店人员播放欢迎音频，同时增加一次该进店人员的消费次数，其有利于提升用户体验，同时方便了进店人员消费次数的记录。

Description

一种进店人员计数管理方法及系统

技术领域

本发明涉及进店人员管理技术领域，尤其涉及一种进店人员计数管理方法及系统。

背景技术

目前，在饭店等场所的日常经营中，为了接待进店人员，通常需要安排特定的人员在门口进行接待。如此不但占用人力，同时安排的特定人员无法对识别消费过该饭店的人员，进而无法带来更好的用户体验。此外，也不方便对进店人员的消费次数进行管理。因此，针对上述问题，有必要提出进一步地解决方案。

发明内容

本发明的目的在于提供一种进店人员计数管理方法及系统，以克服现有技术中存在的不足。

为实现上述发明目的，本发明提供一种进店人员计数管理方法，其包括如下步骤：

S1、识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，提取人脸图像的特征码；

S2、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数；

S3、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者不一致，将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

作为本发明的进店人员计数管理方法的改进，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息。

作为本发明的进店人员计数管理方法的改进，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

作为本发明的进店人员计数管理方法的改进，所述进店人员计数管理方法还包括对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的进店人员计数管理方法的改进，

所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。

为实现上述发明目的，本发明提供一种进店人员计数管理系统，其包括：摄像机、音箱以及主机，所述摄像机与所述主机数据传输，所述音箱与所述主机信号传输；

所述摄像机识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，所述主机提取人脸图像的特征码，并将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，控制所述音箱播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数，如二者不一致，所述主机将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

作为本发明的进店人员计数管理系统的改进，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息。

作为本发明的进店人员计数管理系统的改进，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

作为本发明的进店人员计数管理系统的改进，所述进店人员计数管理系统还用于对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的进店人员计数管理系统的改进，

所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。

与现有技术相比，本发明的有益效果是：本发明能够对进店的人员进行识别，当其为在店铺消费过的人员时，则针对该进店人员播放欢迎音频，同时增加一次该进店人员的消费次数，其有利于提升用户体验，同时方便了进店人员消费次数的记录。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明的进店人员计数管理方法的一具体实施方式的方法流程示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

如图1所示，本发明的进店人员计数管理方法包括如下步骤：

S1、识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，提取人脸图像的特征码。

其中，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据，如此以保证后续人脸识别的准确性。

S2、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数。

其中，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息，如此以提高进店人员的用户体验。同时，方便了进店人员消费次数的记录。

S3、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者不一致，将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

如此以方便对该进店人员进行客户维护。

所述进店人员计数管理方法还包括对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

其中，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。

基于相同的发明构思，本发明还提供一种进店人员计数管理系统，其包括：摄像机、音箱以及主机，所述摄像机与所述主机数据传输，所述音箱与所述主机信号传输；

所述摄像机识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，所述主机提取人脸图像的特征码，并将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，控制所述音箱播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数，如二者不一致，所述主机将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

其中，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息。所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。此外，所述进店人员计数管理系统还用于对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

其中，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。

综上所述，本发明能够对进店的人员进行识别，当其为在店铺消费过的人员时，则针对该进店人员播放欢迎音频，同时增加一次该进店人员的消费次数，其有利于提升用户体验，同时方便了进店人员消费次数的记录。

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囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种进店人员计数管理方法，其特征在于，所述进店人员计数管理方法包括如下步骤：

S1、识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，提取人脸图像的特征码；

S2、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数；

S3、将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者不一致，将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

2.根据权利要求1所述的进店人员计数管理方法，其特征在于，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息。

3.根据权利要求1所述的进店人员计数管理方法，其特征在于，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

4.根据权利要求1所述的进店人员计数管理方法，其特征在于，所述进店人员计数管理方法还包括对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

5.根据权利要求4所述的进店人员计数管理方法，其特征在于，

所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率；大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。

6.一种进店人员计数管理系统，其特征在于，所述进店人员计数管理系统包括：摄像机、音箱以及主机，所述摄像机与所述主机数据传输，所述音箱与所述主机信号传输；

所述摄像机识别监控区域是否存在进店人员，如识别成功，连续地进店人员的人脸图像，所述主机提取人脸图像的特征码，并将提取的特征码与人脸识别数据库中存储的人脸图像的特征码进行比对，如二者一致，控制所述音箱播放欢迎进店人员的音频文件，同时增加一次该进店人员的进店次数，如二者不一致，所述主机将提取的特征码首次存储于人脸识别数据库中，同时增加一次该进店人员的进店次数。

7.根据权利要求6所述的进店人员计数管理系统，其特征在于，所述播放的音频文件包括进店人员的姓名语音信息以及欢迎语音信息。

8.根据权利要求6所述的进店人员计数管理系统，其特征在于，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

9.根据权利要求6所述的进店人员计数管理系统，其特征在于，所述进店人员计数管理系统还用于对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

10.根据权利要求9所述的进店人员计数管理系统，其特征在于，

所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算NxN大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算S(f,θ)，得到：

其中，A是一个各个方向上的幅度因子，α是能量谱斜率；大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，α_p是局部α，α_o是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π₀G(x；μ₀，σ₀)+π₁G(x；μ₁，σ₁)，其中σ₁>σ₀；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，C_p是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(s_p)是局部图像块中饱和度最大值，max(s_o)是全局图像中饱和度最大值。