CN110163631A - 客户精准服务方法、装置、计算机设备及存储介质 - Google Patents
客户精准服务方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110163631A CN110163631A CN201910304105.9A CN201910304105A CN110163631A CN 110163631 A CN110163631 A CN 110163631A CN 201910304105 A CN201910304105 A CN 201910304105A CN 110163631 A CN110163631 A CN 110163631A
- Authority
- CN
- China
- Prior art keywords
- client
- registered
- real
- face
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000000523 sample Substances 0.000 claims description 91
- 238000013527 convolutional neural network Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 34
- 239000013074 reference sample Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06Q30/01—Customer relationship services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种客户精准服务方法、装置、计算机设备及存储介质，涉及人工智能领域。该客户精准服务方法包括：获取目标图像；对目标图像进行人脸检测，得到实时人脸特征；采用预先训练的人脸比对模型将实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果；根据匹配结果确定实时进入商家店内的客户是否为注册客户，若是，确定与实时人脸特征匹配上的目标注册人脸特征；基于目标注册人脸特征确定目标客户身份和确定目标客户类型；根据目标客户身份和目标客户类型引导营业员为实时进入商家店内的注册客户提供精准服务。采用该客户精准服务方法能够及时为客户提供精准服务。
Description
【技术领域】
本发明涉及人工智能领域，尤其涉及一种客户精准服务方法、装置、计算机设备及存储介质。
【背景技术】
目前，商家在区分客户的重要性上一般采用会员卡制度实现，对于这种会员卡制度，当客户忘记携带会员卡或忘记出示会员卡时，商家在发现老客户或VIP客户上存在一定的滞后性，无法及时为客户提供精准服务。
【发明内容】
有鉴于此，本发明实施例提供了一种客户精准服务方法、装置、计算机设备及存储介质，用以解决无法及时为客户提供精准服务的问题。
第一方面，本发明实施例提供了一种客户精准服务方法，包括：
获取目标图像，所述目标图像为实时进入商家店内的客户的图像；
对所述目标图像进行人脸检测，得到实时人脸特征；
采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，所述注册人脸特征是通过提取注册客户的脸部特征得到的，所述注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系；
根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征；
根据所述映射关系，获取与所述目标注册人脸特征对应的所述注册客户身份标识和所述注册客户类型标识，并根据所述注册客户身份标识确定目标客户身份，根据所述注册客户类型标识确定目标客户类型，其中，所述目标客户身份是指实时进入商家店内的注册客户的客户身份，所述目标客户类型是指实时进入商家店内的注册客户的客户类型；
根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述目标图像进行人脸检测，得到实时人脸特征，包括：
采用多任务级联卷积神经网络对所述目标图像进行人脸检测，在所述目标图像上获取目标候选窗口；
根据所述目标候选窗口得到所述实时人脸特征，其中，所述实时人脸特征是指采用多任务级联卷积神经网络提取所述目标候选窗口所对应的图像的特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配之前，还包括：
以三元组为单位将人脸训练样本输入到卷积神经网络中进行训练，其中，每个所述三元组包括一个参考样本、一个同类样本和一个异类样本，所述参考样本为在所述人脸训练样本中随机选择的一个样本，所述同类样本为所述同类样本所属的客户与所述参考样本所属的客户相同的人脸训练样本，所述异类样本为所述异类样本所属的客户与所述参考样本所属的客户不相同的人脸训练样本；
计算所述参考样本、所述同类样本和所述异类样本在所述卷积神经网络中输出的特征矩阵，其中，所述特征矩阵的维数为128；
基于所述特征矩阵，采用三元组损失函数计算训练过程中产生的损失值，其中，所述三元组损失函数为i表示三元组组数，N表示三元组的总组数，表示L2范数取平方，表示第i组三元组的参考样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的同类样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的异类样本在卷积神经网络中输出的特征矩阵，α表示间隔阈值，+表示[……]内的值大于零时，取大于零的值为损失值，小于零时，损失值取作0；
根据所述损失值，采用反向传播算法更新所述卷积神经网络的网络参数；
当所述网络参数的变化值都小于停止迭代阈值时，停止更新所述网络参数，得到所述人脸比对模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述相似度匹配为基于欧式距离的相似度匹配，所述匹配结果包括欧式距离相似度，所述根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征，包括：
若所有所述欧式距离相似度均小于预设的相似度阈值，则确定所述实时进入商家店内的客户不是注册客户；
若存在至少一个所述欧式距离相似度不小于所述相似度阈值，则确定所述实时进入商家店内的客户为注册客户；
若所述实时进入商家店内的客户为注册客户，则确定最大的欧式距离相似度所对应的注册人脸特征与所述实时人脸特征匹配上，并作为所述目标注册人脸特征。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务，包括：
根据所述目标客户身份获取所述实时进入商家店内的注册客户的消费习惯，其中，所述消费习惯是根据所述实时进入商家店内的注册客户的历史消费记录进行大数据分析得到的；
根据所述目标客户类型确定服务优先级和服务策略；
将所述购买习惯、所述服务优先级和所述服务策略发送至营业员使用的终端设备，通过所述终端设备引导业务员为所述实时进入商家店内的注册客户提供精准服务。
第二方面，本发明实施例提供了一种客户精准服务装置，包括：
目标图像获取模块，用于获取目标图像，所述目标图像为实时进入商家店内的客户的图像；
实时人脸特征获取模块，用于对所述目标图像进行人脸检测，得到实时人脸特征；
匹配结果获取模块，用于采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，所述注册人脸特征是通过提取注册客户的脸部特征得到的，所述注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系；
目标注册人脸特征确定模块，用于根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征；
目标客户身份和类型标识确定模块，用于根据所述映射关系，获取与所述目标注册人脸特征对应的所述注册客户身份标识和所述注册客户类型标识，并根据所述注册客户身份标识确定目标客户身份，根据所述注册客户类型标识确定目标客户类型，其中，所述目标客户身份是指实时进入商家店内的注册客户的客户身份，所述目标客户类型是指实时进入商家店内的注册客户的客户类型；
精准服务提供模块，用于根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务。
第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中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上述客户精准服务方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，包括：计算机程序，当所述计算机程序被执行时，用以执行第一方面任一项所述的客户精准服务方法。
在本发明实施例中，首先获取目标图像，并对目标图像进行人脸检测，得到实时人脸特征，采用该方式可以在客户进入商家店内时即刻采集得到人脸特征，提高客户精确服务的时效性前提；接着采用人脸比对模型将实时人脸特征和注册人脸特征进行相似度匹配，并得到匹配结果，能够快速分析判断进入商家店内的客户是否为注册客户；最后，当客户为注册客户时，可以通过预设的映射关系得到实时进入商家店内的注册客户的注册客户身份标识和注册客户类型标识，并基于该注册客户身份标识和注册客户类型标识引导营业员为实时进入商家店内的注册客户提供精准服务，使得实时进入商家店内的注册客户能够第一时间得到精准服务。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例中基于客户精准服务方法的一流程图；
图2是本发明一实施例中基于客户精准服务装置的一示意图；
图3是本发明一实施例中计算机设备的一示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中客户精准服务方法的一流程图。该客户精准服务方法可应用在客户精准服务系统中，在为进入商家店内的客户提供服务时可采用客户精准服务系统为客户提供精准服务，该客户精准服务系统具体可应用在计算机设备上。其中，该计算机设备是可与用户进行人机交互的设备，包括但不限于电脑、智能手机和平板等设备。如图1所示，该客户精准服务方法包括如下步骤：
S10：获取目标图像，目标图像为实时进入商家店内的客户的图像。
可以理解地，为进入商家店内的客户提供服务，需要在客户进入商家店内时起便对客户进行分析，以提供符合客户需求的精准服务。
在一实施例中，通过商家店内的摄像设备对进入商家门口的客户进行实时拍摄，获取目标图像，其中，在一目标图像中允许同时出现不同的多个客户，在多个客户同时进入商家店内时，支持对多个客户同时进行分析。
S20：对目标图像进行人脸检测，得到实时人脸特征。
在一实施例中，当客户在进入商家店内时，商家店内的摄影设备实时对进入商家店内的客户进行拍摄。拍摄得到的目标图像中包括其他与客户人脸特征无关的信息，此时，可以通过对目标图像进行人脸检测，得到实时人脸特征，去除与客户人脸特征无关的信息。可以理解地，该人脸检测是指从目标图像中检测并确定客户的人脸位置。在确定目标图像中客户的人脸位置后，对客户的人脸进行特征提取，得到实时人脸特征。
进一步地，在步骤S20中，对目标图像进行人脸检测，得到实时人脸特征，具体包括：
S21：采用多任务级联卷积神经网络对目标图像进行人脸检测，在目标图像上获取目标候选窗口。
其中，多任务级联卷积神经网络(Multi-task convolutional neural network，简称MTCNN)是指采用多层级联架构结合的卷积神经网络。可以理解地，在进行人脸检测时将会出现多个人脸候选窗口，目标候选窗口是指在候选窗口中人脸定位效果最好人脸候选窗口，其中，当采用越少的窗口面积能够展示越多的人脸特征时，表示人脸定位效果越好。
在一实施例中，采用的多任务级联卷积神经网络的层数具体为四层，其中，第一层级联卷积神经网络包括两层卷积、两层池化层和一层全连接层，第二层级联卷积神经网络同样是包括两层卷积、两层池化层和一层全连接层，第三层级联卷积神经网络包括三层卷积、三层池化层和一层全连接层，第四层级联卷积神经网络包括四层卷积、四层池化层和一层全连接层。其中，在每一层级联卷积神经网络运算完后，将对得到的图像进行调整，如将图像调整为12*12、24*24和48*48等像素大小(每一层级联卷积神经网络对初始的图像像素要求不同，具体可以是第一层级联卷积神经网络为12*12，第二层级联卷积神经网络为24*24、第三层级联卷积神经网络为48*48和第四层级联卷积神经网络为96*96)。在调整完图像后将进入下一层的级联卷积神经网络进行运算。其中，第一层级联卷积神经网络和第二层级联卷积神经网络运算相对简单，可以快速去除大量的非人脸候选窗口，第三层级联卷积神经网络和第四层级联卷积神经网络运算相对复杂，但由于只需处理剩下的候选窗口，运算效率和精度都能够得到保证，从而能够快速、准确得到目标候选窗口。采用以上四层任务的级联卷积神经网络能够精准地确定目标图像中的目标候选窗口。
在一实施例中，在进行人脸检测时将会出现多个人脸候选窗口，从众多人脸候选窗口中得到目标候选窗口具体可以采用非极大值抑制(Non-maximum suppression,简称NMS)算法，该NMS算法能够对候选窗口逐步进行比较并得到目标候选窗口，从而精准确定众多人脸候选窗口中最能够体现客户人脸特征的窗口。
可以理解地，由于天气、摄像设备角度和客户行走方向等因素的影响，对客户进行实时人脸检测的要求很高，需要对人脸进行精准的检测。采用多任务级联卷积神经网络能够将人脸对齐，较大程度减少外在因素的影响，实现人脸的精确检测。
S22：根据目标候选窗口得到实时人脸特征，其中，实时人脸特征是指采用多任务级联卷积神经网络提取目标候选窗口所对应的图像的特征。
在一实施例中，多任务级联卷积神经网络与一般的卷积神经网络相比，同样具备特征提取的功能，在确定目标候选窗口后，在最后一层的级联卷积神经网络将提取目标候选窗口所对应的图像的特征作为实时人脸特征。至此，实现了在目标图像中精准、快速获取实时人脸特征的功能，可以在客户进入商家店内的瞬间得到客户的实时人脸特征。
在步骤S21-S22中，提供了一种快速、准确获取实时人脸特征的方法，能够在天气、摄像设备角度和客户行走方向等因素的影响下，对客户的人脸进行准确检测，并提取得到客户的实时人脸特征。
S30：采用预先训练的人脸比对模型将实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，注册人脸特征是通过提取注册客户的脸部特征得到的，注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系。
可以理解地，在客户初次进入商店时可以提取客户的人脸特征进行注册，并建立该客户的人脸特征与注册客户身份标识和注册客户类型标识之间的映射关系，其中，注册客户类型标识在初始生成时的默认值可以是普通客户，并且该注册客户类型标识存在对应的计数属性，例如，当客户精准服务系统检测到客户进入商家店内的次数累计达到20次时，将会把注册客户类型标识从普通客户更改为日常客户。此外，对于重点客户，可以是预先在客户注册阶段时便将注册客户类型标识设定为重点客户，也可以是在检测到客户进入商家店内的次数累计达到50次时，将该客户的注册客户类型标识更改为重点客户。
在一实施例中，采用预先训练的人脸比对模型对实时人脸特征和存储在数据库中的注册人脸特征进行比对，在比对过程中，将每次挑选一个实时人脸特征与数据库中的所有注册人脸特征进行比较。不同实时人脸特征相互之间互不干扰，得到属于各自的匹配结果。
进一步地，在步骤S30之前，即采用预先训练的人脸比对模型将实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配的步骤之前，还包括：获取人脸比对模型。具体包括如下步骤：
S31：以三元组为单位将人脸训练样本输入到卷积神经网络中进行训练，其中，每个三元组包括一个参考样本、一个同类样本和一个异类样本，参考样本为在人脸训练样本中随机选择的一个样本，同类样本为同类样本所属的客户与参考样本所属的客户相同的人脸训练样本，异类样本为异类样本所属的客户与参考样本所属的客户不相同的人脸训练样本。
其中，采用三元组为单位将人脸训练样本输入到卷积神经网络中进行训练的方式能够扩大类间的距离，减少类内的距离，使得训练时能够进一步区分同类样本和异类样本。可以理解地，在训练过程中希望同类样本之间的距离更接近，与异类样本的距离更远，采用该三元组为单位的训练方式有助于提高人脸比对模型的准确率。
S32：计算参考样本、同类样本和异类样本在卷积神经网络中输出的特征矩阵，其中，特征矩阵的维数为128。
可以理解地，卷积神经网络输出的特征矩阵代表的是模型训练得到的结果，该结果与实际期望可能存在一定的损失，因此，需要对该输出的特征矩阵进行分析，从而根据分析结果进一步对模型进行调整，以使模型识别的准确率越来越高。此外，将特征矩阵的维数设为128能够在保证特征矩阵在表达特征能力的基础上，提高运算处理的效率。
S33：基于特征矩阵，采用三元组损失函数计算训练过程中产生的损失值，其中，三元组损失函数为i表示三元组组数，N表示三元组的总组数，表示L2范数取平方，表示第i组三元组的参考样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的同类样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的异类样本在卷积神经网络中输出的特征矩阵，α表示间隔阈值，+表示[……]内的值大于零时，取大于零的值为损失值，小于零时，损失值取作0。
在一实施例中，三元组损失函数为 其中，α表示参考样本与同类样本之间的距离和参考样本与异类样本之间的距离的一个最小间隔阈值。该三元组损失函数描述了类间距离(异类样本之间的距离)和类内距离(同类样本之间的距离)在训练时产生的损失，可以根据该损失对模型进行进一步的调整，以使训练样本的类间距离更大，类内距离更小。
S34：根据损失值，采用反向传播算法更新卷积神经网络的网络参数。
其中，反向传播算法(Back propagation algorithm，简称BP算法)是适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，能够快速、准确地更新深度学习中的网络参数。
在一实施例中，根据损失值，采用反向传播算法逐层返回对模型中每一层的网络参数进行更改，以使更改后的网络参数所代表的映射能力能够将输入的实时人脸特征进行更准确地特征变换，以提高人脸比对模型的识别准确率。
S35：当网络参数的变化值都小于停止迭代阈值时，停止更新网络参数，得到人脸比对模型。
步骤S31-S35中，基于三元组为单位的人脸训练样本的方式对卷积神经网络模型进行训练，得到人脸比对模型，该人脸比对模型学习了训练样本的类间关系和类内关系的深层特征，可以精确地将实时人脸特征与注册人脸特征进行比对，得到精确率高的匹配结果。
S40：根据匹配结果确定实时进入商家店内的客户是否为注册客户，若是，确定与实时人脸特征匹配上的目标注册人脸特征。
可以理解地，表示一个客户的实时人脸特征将会和所有的注册人脸特征进行匹配，若实时进入商家店内的客户为注册客户，那么认为与实时人脸特征相似度最高的注册人脸特征与实时人脸特征匹配上了，该与实时人脸特征相似度最高的注册人脸特征为目标注册人脸特征。
在一实施例中，由匹配结果可以确定进入商家店内的客户是否为注册客户。进一步地，当进入商家店内的客户确定是注册客户时，可以根据该注册客户匹配上的目标注册人脸特征对该注册客户进行分析，以提供精准服务。
进一步地，在步骤S40中，相似度匹配为基于欧式距离的相似度匹配，匹配结果包括欧式距离相似度，根据匹配结果确定实时进入商家店内的客户是否为注册客户，若是，确定与实时人脸特征匹配上的目标注册人脸特征，具体包括：
S41：若所有欧式距离相似度均小于预设的相似度阈值，则确定实时进入商家店内的客户不是注册客户。
在一实施例中，相似度匹配为基于欧式距离的相似度匹配，匹配结果包括欧式距离相似度，当所有欧式距离相似度均小于预设的相似度阈值时，表示注册人脸特征中没有一个和实时人脸特征关于相似度匹配成功的，可以确定实时进入商家店内的客户不是注册客户。之后，可以将客户的实时人脸特征作为注册人脸特征保存，以对该客户进行信息注册。
S42：若存在至少一个欧式距离相似度不小于相似度阈值，则确定实时进入商家店内的客户为注册客户。
在一实施例中，当存在至少一个欧式距离相似度不小于相似度阈值时，表示至少有一个实时人脸特征与注册人脸特征相近，那么此时可以确定实时进入商家店内的客户为注册客户。
S43：若实时进入商家店内的客户为注册客户，则确定最大的欧式距离相似度所对应的注册人脸特征与实时人脸特征匹配上，并作为目标注册人脸特征。
当实时进入商家店内的客户为注册客户时，表示同时有一个或多个实时人脸特征与注册人脸特征相近，此时需要找出一个最接近实时人脸特征的注册人脸特征，故将最大的欧式距离相似度所对应的注册人脸特征作为目标注册人脸特征即可。
步骤S41-S43中，提供了一种确定与实时人脸特征匹配上的目标注册人脸特征的方法，具体采用欧式距离相似度来确定实时人脸特征和注册人脸特征的相似性，其中，采用欧式距离相似度更能够代表人脸之间特征的相似程度，能够提高人脸比对模型识别的准确率。
S50：根据映射关系，获取与目标注册人脸特征对应的注册客户身份标识和注册客户类型标识，并根据注册客户身份标识确定目标客户身份，根据注册客户类型标识确定目标客户类型，其中，目标客户身份是指实时进入商家店内的注册客户的客户身份，目标客户类型是指实时进入商家店内的注册客户的客户类型。
在一实施例中，注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系，根据目标注册人脸特征能够得到相对应的注册客户身份标识和注册客户类型标识，从而进一步确定目标客户身份和目标客户类型。其中，注册客户身份标识是指唯一识别注册客户身份的标识，注册客户类型标识是指唯一识别注册客户类型的标识。由目标注册人脸特征确定进入商家店内的注册客户的目标客户身份和目标客户类型，可以帮助进入商家店内的注册客户提供精准服务。
S60：根据目标客户身份和目标客户类型引导营业员为实时进入商家店内的注册客户提供精准服务。
进一步地，在步骤S60中，具体包括：
S61：根据目标客户身份获取实时进入商家店内的注册客户的消费习惯，其中，消费习惯是根据实时进入商家店内的注册客户的历史消费记录进行大数据分析得到的。
在一实施例中，确定目标客户身份之后，可根据该目标客户身份查看该目标客户(即实时进入商家店内的注册客户)以往的历史消费记录，以根据历史消费记录为该目标客户进行服务。由于历史消费记录无法直观反映目标客户的消费习惯，因此可以预先采用大数据分析对历史消费记录进行提炼和总结，从多个维度出发，分析得到该目标客户的消费习惯或消费倾向，以对该目标客户提供精准服务。其中，进行大数据分析的维度可以包括客户最常消费的金额区间，客户历史上消费最高的金额、客户喜好的商品分类、客户购物的平均时长等。
S62：根据目标客户类型确定服务优先级和服务策略。
其中，服务优先级代表目标客户享受服务的优先级，例如当日常客户和重点客户同时进入时，将倾向于首先为重点客户提供服务。服务策略是预先根据目标客户类型设计并储存在数据库中的策略，例如普通客户、日常客户和重点客户都会有一套提供参考的策略。
在一实施例中，确定目标客户类型之后，可进一步确定服务优先级和服务策略，以在实时进入商家店内的注册客户的消费习惯的信息不充分时，提供一个跟目标客户类型相关的、用于参考的策略。
S63：将购买习惯、服务优先级和服务策略发送至营业员使用的终端设备，通过终端设备引导业务员为实时进入商家店内的注册客户提供精准服务。
在一实施例中，综合目标客户的购买习惯、服务优先级和服务策略，以从全方位角度出发，引导营业员为目标客户提供精准服务。
步骤S61-S63中，提供了一种根据目标客户身份和目标客户类型提供精准服务的方法，基于购买习惯、服务优先级和服务策略，实现精确服务。
在本发明实施例中，首先获取目标图像，并对目标图像进行人脸检测，得到实时人脸特征，采用该方式可以在客户进入商家店内时即刻采集得到人脸特征，提高客户精确服务的时效性前提；接着采用人脸比对模型将实时人脸特征和注册人脸特征进行相似度匹配，并得到匹配结果，能够快速分析判断进入商家店内的客户是否为注册客户；最后，当客户为注册客户时，可以通过预设的映射关系得到实时进入商家店内的注册客户的注册客户身份标识和注册客户类型标识，并基于该注册客户身份标识和注册客户类型标识引导营业员为实时进入商家店内的注册客户提供精准服务，使得实时进入商家店内的注册客户能够第一时间得到精准服务。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于实施例中所提供的客户精准服务方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图2示出与实施例中客户精准服务方法一一对应的客户精准服务装置的原理框图。如图2所示，该客户精准服务装置包括目标图像获取模块10、实时人脸特征获取模块20、匹配结果获取模块30、目标注册人脸特征确定模块40、目标客户身份和类型标识确定模块50和精准服务提供模块60。其中，目标图像获取模块10、实时人脸特征获取模块20、匹配结果获取模块30、目标注册人脸特征确定模块40、目标客户身份和类型标识确定模块50和精准服务提供模块60的实现功能与实施例中客户精准服务方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。
目标图像获取模块10，用于获取目标图像，目标图像为实时进入商家店内的客户的图像。
实时人脸特征获取模块20，用于对目标图像进行人脸检测，得到实时人脸特征。
匹配结果获取模块30，用于采用预先训练的人脸比对模型将实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，注册人脸特征是通过提取注册客户的脸部特征得到的，注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系。
目标注册人脸特征确定模块40，用于根据匹配结果确定实时进入商家店内的客户是否为注册客户，若是，确定与实时人脸特征匹配上的目标注册人脸特征。
目标客户身份和类型标识确定模块50，用于根据映射关系，获取与目标注册人脸特征对应的注册客户身份标识和注册客户类型标识，并根据注册客户身份标识确定目标客户身份，根据注册客户类型标识确定目标客户类型，其中，目标客户身份是指实时进入商家店内的注册客户的客户身份，目标客户类型是指实时进入商家店内的注册客户的客户类型。
精准服务提供模块60，用于根据目标客户身份和目标客户类型引导营业员为实时进入商家店内的注册客户提供精准服务。
可选地，实时人脸特征获取模块20包括目标候选窗口获取单元和实时人脸特征获取单元。
目标候选窗口获取单元，用于采用多任务级联卷积神经网络对目标图像进行人脸检测，在目标图像上获取目标候选窗口。
实时人脸特征获取单元，用于根据目标候选窗口得到实时人脸特征，其中，实时人脸特征是指采用多任务级联卷积神经网络提取目标候选窗口所对应的图像的特征。
可选地，客户精准服务装置还包括输入单元、三元组特征矩阵获取单元、损失值获取单元、更新单元和人脸比对模型获取单元。
输入单元，用于以三元组为单位将人脸训练样本输入到卷积神经网络中进行训练，其中，每个三元组包括一个参考样本、一个同类样本和一个异类样本，参考样本为在人脸训练样本中随机选择的一个样本，同类样本为同类样本所属的客户与参考样本所属的客户相同的人脸训练样本，异类样本为异类样本所属的客户与参考样本所属的客户不相同的人脸训练样本。
三元组特征矩阵获取单元，用于计算参考样本、同类样本和异类样本在卷积神经网络中输出的特征矩阵，其中，特征矩阵的维数为128。
损失值获取单元，用于基于特征矩阵，采用三元组损失函数计算训练过程中产生的损失值，其中，三元组损失函数为 i表示三元组组数，N表示三元组的总组数，表示L2范数取平方，表示第i组三元组的参考样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的同类样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的异类样本在卷积神经网络中输出的特征矩阵，α表示间隔阈值，+表示[……]内的值大于零时，取大于零的值为损失值，小于零时，损失值取作0。
更新单元，用于根据损失值，采用反向传播算法更新卷积神经网络的网络参数。
人脸比对模型获取单元，用于当网络参数的变化值都小于停止迭代阈值时，停止更新网络参数，得到人脸比对模型。
可选地，目标注册人脸特征确定模块40包括非注册客户确定单元、注册客户确定单元和目标注册人脸特征确定单元。
非注册客户确定单元，用于当所有欧式距离相似度均小于预设的相似度阈值时，确定实时进入商家店内的客户不是注册客户。
注册客户确定单元，用于当存在至少一个欧式距离相似度不小于相似度阈值时，确定实时进入商家店内的客户为注册客户。
目标注册人脸特征确定单元，用于当实时进入商家店内的客户为注册客户时，确定最大的欧式距离相似度所对应的注册人脸特征与实时人脸特征匹配上，并作为目标注册人脸特征。
可选地，精准服务提供模块60包括消费习惯获取单元、服务优先级和服务策略确定单元和精准服务提供单元。
消费习惯获取单元，用于根据目标客户身份获取实时进入商家店内的注册客户的消费习惯，其中，消费习惯是根据实时进入商家店内的注册客户的历史消费记录进行大数据分析得到的。
服务优先级和服务策略确定单元，用于根据目标客户类型确定服务优先级和服务策略。
精准服务提供单元，用于将购买习惯、服务优先级和服务策略发送至营业员使用的终端设备，通过终端设备引导业务员为实时进入商家店内的注册客户提供精准服务。
在本发明实施例中，首先获取目标图像，并对目标图像进行人脸检测，得到实时人脸特征，采用该方式可以在客户进入商家店内时即刻采集得到人脸特征，提高客户精确服务的时效性前提；接着采用人脸比对模型将实时人脸特征和注册人脸特征进行相似度匹配，并得到匹配结果，能够快速分析判断进入商家店内的客户是否为注册客户；最后，当客户为注册客户时，可以通过预设的映射关系得到实时进入商家店内的注册客户的注册客户身份标识和注册客户类型标识，并基于该注册客户身份标识和注册客户类型标识引导营业员为实时进入商家店内的注册客户提供精准服务，使得实时进入商家店内的注册客户能够第一时间得到精准服务。
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例中客户精准服务方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器执行时实现实施例中客户精准服务装置中各模块/单元的功能，为避免重复，此处不一一赘述。
图3是本发明一实施例提供的计算机设备的示意图。如图3所示，该实施例的计算机设备70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序73，该计算机程序73被处理器71执行时实现实施例中的客户精准服务方法，为避免重复，此处不一一赘述。或者，该计算机程序73被处理器71执行时实现实施例中客户精准服务装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备70可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备70可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图3仅仅是计算机设备70的示例，并不构成对计算机设备70的限定，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，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。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。
存储器72可以是计算机设备70的内部存储单元，例如计算机设备70的硬盘或内存。存储器72也可以是计算机设备70的外部存储设备，例如计算机设备70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。进一步地，存储器72还可以既包括计算机设备70的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种客户精准服务方法，其特征在于，所述方法包括：
获取目标图像，所述目标图像为实时进入商家店内的客户的图像；
对所述目标图像进行人脸检测，得到实时人脸特征；
采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，所述注册人脸特征是通过提取注册客户的脸部特征得到的，所述注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系；
根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征；
根据所述映射关系，获取与所述目标注册人脸特征对应的所述注册客户身份标识和所述注册客户类型标识，并根据所述注册客户身份标识确定目标客户身份，根据所述注册客户类型标识确定目标客户类型，其中，所述目标客户身份是指实时进入商家店内的注册客户的客户身份，所述目标客户类型是指实时进入商家店内的注册客户的客户类型；
根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行人脸检测，得到实时人脸特征，包括：
采用多任务级联卷积神经网络对所述目标图像进行人脸检测，在所述目标图像上获取目标候选窗口；
根据所述目标候选窗口得到所述实时人脸特征，其中，所述实时人脸特征是指采用多任务级联卷积神经网络提取所述目标候选窗口所对应的图像的特征。
3.根据权利要求1所述的方法，其特征在于，在所述采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配之前，还包括：
以三元组为单位将人脸训练样本输入到卷积神经网络中进行训练，其中，每个所述三元组包括一个参考样本、一个同类样本和一个异类样本，所述参考样本为在所述人脸训练样本中随机选择的一个样本，所述同类样本为所述同类样本所属的客户与所述参考样本所属的客户相同的人脸训练样本，所述异类样本为所述异类样本所属的客户与所述参考样本所属的客户不相同的人脸训练样本；
计算所述参考样本、所述同类样本和所述异类样本在所述卷积神经网络中输出的特征矩阵，其中，所述特征矩阵的维数为128；
基于所述特征矩阵，采用三元组损失函数计算训练过程中产生的损失值，其中，所述三元组损失函数为i表示三元组组数，N表示三元组的总组数，表示L2范数取平方，表示第i组三元组的参考样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的同类样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的异类样本在卷积神经网络中输出的特征矩阵，α表示间隔阈值，+表示[……]内的值大于零时，取大于零的值为损失值，小于零时，损失值取作0；
根据所述损失值，采用反向传播算法更新所述卷积神经网络的网络参数；
当所述网络参数的变化值都小于停止迭代阈值时，停止更新所述网络参数，得到所述人脸比对模型。
4.根据权利要求1所述的方法，其特征在于，所述相似度匹配为基于欧式距离的相似度匹配，所述匹配结果包括欧式距离相似度，所述根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征，包括：
若所有所述欧式距离相似度均小于预设的相似度阈值，则确定所述实时进入商家店内的客户不是注册客户；
若存在至少一个所述欧式距离相似度不小于所述相似度阈值，则确定所述实时进入商家店内的客户为注册客户；
若所述实时进入商家店内的客户为注册客户，则确定最大的欧式距离相似度所对应的注册人脸特征与所述实时人脸特征匹配上，并作为所述目标注册人脸特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务，包括：
根据所述目标客户身份获取所述实时进入商家店内的注册客户的消费习惯，其中，所述消费习惯是根据所述实时进入商家店内的注册客户的历史消费记录进行大数据分析得到的；
根据所述目标客户类型确定服务优先级和服务策略；
将所述购买习惯、所述服务优先级和所述服务策略发送至营业员使用的终端设备，通过所述终端设备引导业务员为所述实时进入商家店内的注册客户提供精准服务。
6.一种客户精准服务装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取目标图像，所述目标图像为实时进入商家店内的客户的图像；
实时人脸特征获取模块，用于对所述目标图像进行人脸检测，得到实时人脸特征；
匹配结果获取模块，用于采用预先训练的人脸比对模型将所述实时人脸特征和存储在数据库中的注册人脸特征进行相似度匹配，得到匹配结果，其中，所述注册人脸特征是通过提取注册客户的脸部特征得到的，所述注册人脸特征与注册客户身份标识和注册客户类型标识存在映射关系；
目标注册人脸特征确定模块，用于根据所述匹配结果确定所述实时进入商家店内的客户是否为注册客户，若是，确定与所述实时人脸特征匹配上的目标注册人脸特征；
目标客户身份和类型标识确定模块，用于根据所述映射关系，获取与所述目标注册人脸特征对应的所述注册客户身份标识和所述注册客户类型标识，并根据所述注册客户身份标识确定目标客户身份，根据所述注册客户类型标识确定目标客户类型，其中，所述目标客户身份是指实时进入商家店内的注册客户的客户身份，所述目标客户类型是指实时进入商家店内的注册客户的客户类型；
精准服务提供模块，用于根据所述目标客户身份和所述目标客户类型引导营业员为所述实时进入商家店内的注册客户提供精准服务。
7.根据权利要求6所述的装置，其特征在于，所述实时人脸特征获取模块，包括：
目标候选窗口获取单元，用于采用多任务级联卷积神经网络对所述目标图像进行人脸检测，在所述目标图像上获取目标候选窗口；
实时人脸特征获取单元，用于根据所述目标候选窗口得到所述实时人脸特征，其中，所述实时人脸特征是指采用多任务级联卷积神经网络提取所述目标候选窗口所对应的图像的特征。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
输入单元，用于以三元组为单位将人脸训练样本输入到卷积神经网络中进行训练，其中，每个所述三元组包括一个参考样本、一个同类样本和一个异类样本，所述参考样本为在所述人脸训练样本中随机选择的一个样本，所述同类样本为所述同类样本所属的客户与所述参考样本所属的客户相同的人脸训练样本，所述异类样本为所述异类样本所属的客户与所述参考样本所属的客户不相同的人脸训练样本；
三元组特征矩阵获取单元，用于计算所述参考样本、所述同类样本和所述异类样本在所述卷积神经网络中输出的特征矩阵，其中，所述特征矩阵的维数为128；
损失值获取单元，用于基于所述特征矩阵，采用三元组损失函数计算训练过程中产生的损失值，其中，所述三元组损失函数为 i表示三元组组数，N表示三元组的总组数，表示L2范数取平方，表示第i组三元组的参考样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的同类样本在卷积神经网络中输出的特征矩阵，表示第i组三元组的异类样本在卷积神经网络中输出的特征矩阵，α表示间隔阈值，+表示[……]内的值大于零时，取大于零的值为损失值，小于零时，损失值取作0；
更新单元，用于根据所述损失值，采用反向传播算法更新所述卷积神经网络的网络参数；
人脸比对模型获取单元，用于当所述网络参数的变化值都小于停止迭代阈值时，停止更新所述网络参数，得到所述人脸比对模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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任一项所述客户精准服务方法的步骤。
10.一种计算机可读存储介质，所述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5任一项所述客户精准服务方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304105.9A CN110163631A (zh) | 2019-04-16 | 2019-04-16 | 客户精准服务方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304105.9A CN110163631A (zh) | 2019-04-16 | 2019-04-16 | 客户精准服务方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163631A true CN110163631A (zh) | 2019-08-23 |
Family
ID=67639459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910304105.9A Pending CN110163631A (zh) | 2019-04-16 | 2019-04-16 | 客户精准服务方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163631A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956130A (zh) * | 2019-11-28 | 2020-04-03 | 的卢技术有限公司 | 一种四级人脸检测和关键点回归的方法及系统 |
| CN111814670A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 一种银行网点的特殊客户识别方法及装置 |
| CN112633690A (zh) * | 2020-12-22 | 2021-04-09 | 微民保险代理有限公司 | 服务人员信息分配方法、装置、计算机设备和存储介质 |
| CN113468194A (zh) * | 2021-07-02 | 2021-10-01 | 广东蕾特恩科技发展有限公司 | 一种基于大数据的客户关系管理数据更新系统及方法 |
| CN114387643A (zh) * | 2021-12-28 | 2022-04-22 | 达闼机器人有限公司 | 机器人控制方法、系统、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术（北京）有限公司 | 身份认证方法和装置 |
| CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
| CN109345316A (zh) * | 2018-10-23 | 2019-02-15 | 出门问问信息科技有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
-
2019
- 2019-04-16 CN CN201910304105.9A patent/CN110163631A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术（北京）有限公司 | 身份认证方法和装置 |
| CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
| CN109345316A (zh) * | 2018-10-23 | 2019-02-15 | 出门问问信息科技有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956130A (zh) * | 2019-11-28 | 2020-04-03 | 的卢技术有限公司 | 一种四级人脸检测和关键点回归的方法及系统 |
| CN111814670A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 一种银行网点的特殊客户识别方法及装置 |
| CN112633690A (zh) * | 2020-12-22 | 2021-04-09 | 微民保险代理有限公司 | 服务人员信息分配方法、装置、计算机设备和存储介质 |
| CN113468194A (zh) * | 2021-07-02 | 2021-10-01 | 广东蕾特恩科技发展有限公司 | 一种基于大数据的客户关系管理数据更新系统及方法 |
| CN113468194B (zh) * | 2021-07-02 | 2022-03-22 | 广东蕾特恩科技发展有限公司 | 一种基于大数据的客户关系管理数据更新系统及方法 |
| CN114387643A (zh) * | 2021-12-28 | 2022-04-22 | 达闼机器人有限公司 | 机器人控制方法、系统、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
| CN110163631A (zh) | 客户精准服务方法、装置、计算机设备及存储介质 | |
| US11544550B2 (en) | Analyzing spatially-sparse data based on submanifold sparse convolutional neural networks | |
| CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
| Xie et al. | Scut-fbp: A benchmark dataset for facial beauty perception | |
| US10810870B2 (en) | Method of processing passage record and device | |
| CN109190514B (zh) | 基于双向长短期记忆网络的人脸属性识别方法及系统 | |
| CN104899579A (zh) | 人脸识别方法和装置 | |
| US20170083817A1 (en) | Topic detection in a social media sentiment extraction system | |
| CN107103281A (zh) | 基于聚集损失深度度量学习的人脸识别方法 | |
| CN106022317A (zh) | 人脸识别方法及装置 | |
| Pope et al. | Learning object recognition models from images | |
| CN109598234A (zh) | 关键点检测方法和装置 | |
| JP2017513144A (ja) | 顔認証方法およびシステム | |
| CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
| CN105447532A (zh) | 身份认证方法和装置 | |
| CN110414550B (zh) | 人脸识别模型的训练方法、装置、系统和计算机可读介质 | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| Broadwater et al. | Adaptive threshold estimation via extreme value theory | |
| CN108229432A (zh) | 人脸标定方法及装置 | |
| Amaro et al. | Evaluation of machine learning techniques for face detection and recognition | |
| CN109726703A (zh) | 一种基于改进集成学习策略的人脸图像年龄识别方法 | |
| Ge et al. | Deep and discriminative feature learning for fingerprint classification | |
| Zhu et al. | Towards understanding the effectiveness of election related images in social media | |
| CN111191675B (zh) | 行人属性识别模型实现方法及相关装置 |
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 |