CN110298684B - 车型匹配方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种车型匹配方法、装置、计算机设备及存储介质，所述方法包括：获取用户的人脸图像；获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；获取预设的推荐模型；通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；基于所述契合概率为所述用户推荐契合车型。本发明通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而能够快速和准确地将最适合所述用户的车型推荐给所述用户，增强用户体验，进而提升销售效率。

Description

车型匹配方法、装置、计算机设备及存储介质

技术领域

本发明涉及图像检测领域，尤其涉及一种车型匹配方法、装置、计算机设备及存储介质。

背景技术

现今在汽车销售领域，为用户推荐车型通常是由业务员凭借经验，或结合客户的口述需求来进行推荐，而据此来向用户推荐车型是非常主观的，且用户的潜在需求一般不会通过口述告诉业务员，所以最终向用户推荐的车型很可能不符合用户内心所中意的车型，导致销售效率低下，用户体验差，进而影响销售额。

发明内容

基于此，本发明提供一种车型匹配方法、装置、计算机设备及存储介质，用于在对用户推荐车型时，快速和准确地将最适合所述用户的车型推荐给所述用户，增强用户体验，进而提升销售效率。

一种车型匹配方法，包括：

获取用户的人脸图像；

获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

获取预设的推荐模型；

通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；

基于所述契合概率为所述用户推荐契合车型。

一种车辆推荐装置，包括：

图像获取模块，用于获取用户的人脸图像；

特征获取模块，用于获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

模型获取模块，用于获取预设的推荐模型；

分析模块，用于通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；

推荐模块，用于基于所述契合概率为所述用户推荐契合车型。

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车型匹配方法的步骤。

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，所述计算机程序被处理器执行时实现上述车型匹配方法的步骤。

上述车型匹配方法、装置、计算机设备及存储介质，通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而能够快速和准确地将最适合所述用户的车型推荐给所述用户，增强用户体验，进而提升销售效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中车型匹配方法的一应用环境示意图；

图2是本发明一实施例中车型匹配方法的流程图；

图3是本发明另一实施例中车型匹配方法的流程图；

图4是本发明一实施例中车型匹配方法的步骤S60的流程图；

图5是本发明一实施例中车型匹配方法的步骤S602的流程图；

图6是本发明一实施例中车型匹配方法的步骤S40的流程图；

图7是本发明另一实施例中车型匹配方法的流程图；

图8是本发明一实施例中车辆推荐装置的示意图；

图9是本发明一实施例中车辆推荐装置的分析模块的示意图；

图10是本发明另一实施例中车辆推荐装置的示意图；

图11是本发明一实施例中车辆推荐装置的构建模块的示意图；

图12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

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的车型匹配方法，可应用在如图1的应用环境中，其中，客户端(计算机设备/终端设备)通过网络与服务器(服务端)进行通信。首先获取用户的人脸图像，接着，基于所述人脸图像通过预设的人脸识别模型获取人脸特征，然后，使用预设的推荐模型对所述人脸特征进行分析，获取契合所述人脸特征的预设数量的待推荐车型以及其对应的契合概率，进一步地，根据所述待推荐车型及其对应的契合概率，向用户推荐最适合该用户的车型。其中，客户端(计算机设备/终端设备)包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种车型匹配方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10，获取用户的人脸图像。

所述人脸图像，可以由用户预先进行拍摄，并通过点击预设的按钮经由网络传输至服务器后，被所述服务器获取；在另一应用场景中，还可以接收到用户发送的拍摄指令后，通过与服务器相连的拍摄设备实时采集所述用户的人脸图像，所述与服务器相连可以通过有线数据连接相连，还可以通过无线网络技术如蓝牙、WIFI等进行连接，所述拍摄设备包括但不限于与服务器相连的摄像头、摄像机或能传导和记录音频信号的设备。

在一实施例中，本实施例的应用场景为在银行或汽车车展的展厅中，通过智能拍摄设备采集用户的人脸图像，并存储至服务器的数据库中，以供在后续步骤中用于提取人脸特征。在另一实施例中，所获取的人脸图像中可能会有其他的不属于所述用户人脸的图像特征，比如可能在拍摄所述用户的人脸图像时，有人在所述用户身后经过，且拍摄设备在拍摄时把经过之人的人脸或身体的某部位也一并摄入了图像中，可理解地，该不属于所述用户人脸的图像特征会影响后续对所述人脸图像进行识别或分析的准确性，此时，需要对所述人脸图像进行预处理，比如移除所述人脸图像中不属于用户人脸的其他图像特征，或对该图像特征进行模糊处理，然后，再获取预处理后的所述人脸图像。

S20，获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征。

其中，所述人脸识别模型是用于对输入的图像进行人脸特征识别的模型；所述人脸特征为是否带眼镜、单双眼皮、鼻形(如平实鼻、鹰钩鼻、朝天鼻等)、脸型、情绪、性别、肤色(白皮肤、黄皮肤或黑皮肤等)、年龄等特征。

所述提取所述人脸图像中的人脸特征，首先获取经过训练的所述人脸识别模型，接着，将所述人脸图像输入所述人脸识别模型，由所述人脸识别模型对所述人脸图像中的各项人脸特征进行识别，从而得到所述人脸特征，以供在后续步骤中根据所述人脸特征向所述用户推荐车型。

在一实施例中，所述人脸识别模型可以包含多个子模型，不同的子模型用于识别所述人脸图像中的不同人脸特征，如包含卷积神经网路子模型(比如可用于图像特征识别的VGG卷积神经网络)、聚类子模型、微表情识别子模型等，在本应用场景下，使用卷积神经网路子模型识别所述人脸图像中的是否带眼镜、属于单眼皮或双眼皮、鼻形、脸型、肤色、性别等人脸特征，使用聚类子模型识别所述人脸图像中的年龄等人脸特征，使用微表情识别子模型识别所述人脸图像中的情绪等人脸特征。本实施例通过所述人脸识别模型中的不同子模型分别对不同的人脸特征进行识别，可以使识别出的人脸特征更加准确，进而能够提升后续对用户进行推荐时的准确率。

S30，获取预设的推荐模型。

所述推荐模型用于对输入的人脸特征进行分析。所述推荐模型是经过大量的历史样本训练之后，能够满足本发明应用场景的实际需求的模型，其中，所述历史样本包括历史人脸特征、和拥有所述历史人脸特征的用户所中意、有购买意向、或已经购买的历史车型，所述历史人脸特征为历史用户的人脸特征。所述历史样本可以在第三方服务器的数据库中获取，也可通过部署埋点，对用户的数据和行为进行采集，进而获取到所述历史样本。可理解地，每一个应用在特定场景下的算法模型，均需要经过训练后，才能降低误差，使其符合该特定场景的应用需求，可理解地，该历史样本即为用于对所述推荐模型进行迭代训练的样本。举例说明，所述推荐模型可以是卷积神经网络。

S40，通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率。

其中，所述契合概率为所述待推荐车型可能为所述人脸特征对应的用户所中意的，或可能适合该用户的概率；所述预设数量可以根据需求预先进行设定，必须说明的是，所述预设数量通常在对所述推荐模型进行构建时已经进行设定；作为优选，所述预设数量设定为3。将所述人脸特征输入至所述推荐模型中进行推荐分析，获取所述推荐模型输出的推荐结果也即契合所述人脸特征的预设数量的待推荐车型以及各所述待推荐车型对应的契合概率，用于在后续步骤中对所述人脸特征对应的用户推荐契合的车型。

S50，基于所述契合概率为所述用户推荐契合车型。

所述基于所述契合概率为所述用户推荐契合车型，具体地，将所有所述待推荐车型按照所述契合概率的大小进行排序，可理解地，其中契合概率最大的所述待推荐车型即为最契合所述人脸特征，也即最契合所述用户的车型，因此，选取其中契合概率最大的所述待推荐车型，将其推荐给所述用户。在另一实施例中，还可以将各所述待推荐车型按照契合概率的高低进行排序，并以该排序顺序将各所述待推荐车型以及对应的契合概率一并向用户进行展示，供用户进行选择。

本实施例通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而获取契合所述用户的车型，并将所述车型推荐给所述用户，能够快速和准确地将最适合所述用户的车型推荐给所述用户，增强用户体验，进而提升销售效率。

在一实施例中，如图3所示，所述步骤S30之前，还包括：

S60，通过历史样本构建用于对所述人脸特征进行推荐分析的推荐模型。

下面对如何构建所述推荐模型进行描述：首先选取一初始模型，以该初始模型作为所述推荐模型的基础模型，在所述初始模型的基础上通过投入历史样本对所述初始模型进行迭代训练，持续训练至所述初始模型最终符合本发明各应用场景的实际需求，此时，完成训练且符合需求的所述初始模型即为所述推荐模型。作为优选，可以选取包含初始参数的卷积神经网络模型作为所述初始模型，可理解地，通过历史样本对所述卷积神经网络模型进行迭代训练后，即可获得所述推荐模型，以供在后续步骤中对人脸特征进行分析。

在一实施例中，如图4所示，所述步骤S60包括：

S601，获取历史样本，并获取包含初始参数的初始模型；所述历史样本包括历史人脸特征和与所述历史人脸特征对应的历史车型。

如上所述，所述历史样本包括历史人脸特征和历史车型，所述历史人脸特征为历史用户的人脸特征，所述历史车型为拥有所述历史人脸特征的用户所中意、有购买意向、或已经购买的车型。所述初始模型是用于构建所述推荐模型的基础模型，作为优选，选取包含初始参数的卷积神经网络模型作为所述初始模型。获取所述历史样本，以供在后续步骤中对所述历史人脸特征进行推荐分析。

S602，通过所述初始模型对所述历史人脸特征进行推荐分析，获取推荐车型，并获取所有所述推荐车型和所有所述历史车型之间的整体相似度。

其中，所述推荐车型即为所述初始模型经过推荐分析后，确定所述历史人脸特征对应的用户所喜欢的，且推荐给该用户的车型。可理解地，所述初始模型只是基础模型，将其应用于本发明的实际应用场景，即对人脸特征进行推荐分析，所获得的结果(推荐车型)通常来说错误率会比较高，也即所获得的所述推荐车型大部分并非所述历史人脸特征对应的用户真正喜欢或契合的车型，此时，需要比较所有所述推荐车型和所有所述历史车型之间的整体相似度，从而侧面获得该初始模型应用于本发明应用场景下的错误率(错误程度)，以便于对所述初始模型进行修正和调整，进而构建满足本发明各应用场景需求的所述推荐模型。

具体地，所述整体相似度可以通过比对所有所述推荐车型和所有所述历史车型之间的整体相似程度来获得，必须说明的是，所述整体相似度是一个数值，而所述推荐车型与所述历史车型均为具体的车的型号，二者之间比对得出所述整体相似度的过程必不可少的包括量化过程，即将所述推荐车型与所述历史车型之间的车型差异量化为可用于进行后续调整分析的数值，具体地，所述量化可以通过预先设定不同的参数(比如车的大小、形状、颜色、价格、配置、轻重等参数)，以及所述推荐车型与所述历史车型相比每一参数相似、相同、有差异、有较大差异、完全不同等情况下对应的相似度。通过将所述推荐车型与所述历史车型拆分为上述参数进行比对，分别比对每一参数是否相同、相近、有差异、有较大差异或完全不同，得出所述推荐车型与所述历史车型之间每一个参数对应的相似度，进而获得每一所述推荐车型与每一所述历史车型之间的相似度，进而获得所述整体相似度，也即通过上述过程即可实现所述量化。

S603，检测所述整体相似度是否大于预设的相似阈值。

其中，所述相似阈值可以根据实际需求预先进行设定。可理解地，所述整体相似度即反映出所述初始模型在对用户的人脸特征进行推荐分析时，所输出的推荐车型与用户真正中意或契合的车型之间的相似度，此时，通过检测所述整体相似度是否大于预设的所述相似阈值，即可从侧面得知所述初始模型是否符合本发明各应用场景的实际需求，以供在后续步骤中判定是否需要对所述初始模型进行调整。

S604，当所述整体相似度小于或等于所述相似阈值时，调整所述初始模型的初始参数，并继续执行通过所述初始模型对所述历史人脸特征进行推荐分析及其后续步骤，直至所述整体相似度大于所述相似阈值。

当所述整体相似度小于或等于所述相似阈值时，代表所述初始模型对用户的人脸特征进行推荐分析的结果与用户真正中意或契合的车型存在预设范围外的差距，此时，需要对所述初始模型的初始参数进行调整，下面对所述调整过程进行描述：首先通过所述初始模型的损失函数计算所述推荐车型与所述历史车型之间的调整值，接着，将所述初始模型的每一个初始参数加减(或乘除)所述调整值与权重之积，必须说明的是，所述权重并非一个固定的常数，根据不同的参数在上述调整过程中可能需要设定不同的权重。

对所述初始模型的初始参数进行调整完毕后，继续执行通过所述初始模型对所述历史人脸特征进行推荐分析及其后续步骤，也即返回执行步骤S302及其后续步骤，直至所述调整后的所述初始模型满足本发明应用场景的实际需求，也即所述整体相似度大于所述相似阈值。

S605，当所述整体相似度大于所述相似阈值时，确认所述初始模型为推荐模型，并获取所述推荐模型。

当所述整体相似度大于所述相似阈值时，代表所述初始参数在经过历史样本的训练后，已经可以满足本发明各应用场景的实际需求，也即所述推荐模型已经构建完成，此时，确认训练后的所述初始模型为推荐模型，并获取所述推荐模型，以供在后续步骤中用于对所述人脸特征进行推荐分析。

在一实施例中，如图5所示，所述步骤S602包括：

S6021，遍历所有所述历史人脸特征，通过所述初始模型对每一所述历史人脸特征进行推荐分析，获取每一所述历史人脸特征对应的推荐车型。

首先选取一未被选取进行推荐分析的所述历史人脸特征，通过所述初始模型对该历史人脸特征进行推荐分析，获取该历史人脸特征对应的推荐车型；接着，继续执行选取一未被选取进行推荐分析的历史人脸特征及其后续步骤，直至所有所述历史人脸特征均被选取进行推荐分析，即可进入步骤S6022。

S6022，将每一所述推荐车型与每一所述历史人脸特征对应的所述历史车型之间的相似程度设定为样本相似度，并获取所述样本相似度。

可理解地，每一所述推荐车型均对应于一个历史人脸特征，而每一所述历史人脸特征均对应于一历史车型，将同一历史人脸特征的推荐车型和历史车型进行比对，检测二者之间的相似程度，即所述样本相似度，必须说明的是，所述样本相似度是一个数值，而所述推荐车型与所述历史车型均为具体的车的型号，二者之间比对得出所述样本相似度的过程必不可少的包括量化过程，即将所述推荐车型与所述历史车型之间的车型差异量化为可用于进行后续调整分析的数值，具体地，所述量化可以通过预先设定不同的参数(比如车的大小、形状、颜色、价格、配置、轻重等参数)，以及所述推荐车型与所述历史车型相比每一参数相似、相同、有差异、有较大差异、完全不同等情况下对应的相似度。通过将所述推荐车型与所述历史车型拆分为上述参数进行比对，分别比对每一参数是否相同、相近、有差异、有较大差异或完全不同，得出所述推荐车型与所述历史车型之间每一个参数对应的相似度，进而获得每一所述推荐车型与每一所述历史车型之间的样本相似度，以供在步骤S6023中获取所述整体相似度。

S6023，将所有所述样本相似度的平均值的算术平方根作为所述整体相似度，并获取所述整体相似度。所述整体相似度可用于后续对所述初始模型的初始参数进行调整。

在一实施例中，所述步骤S40之后，还包括：

将契合所述人脸特征的所有待推荐车型向所述用户进行展示，并获取所述用户选择的所述待推荐车型。

如上所述，所述推荐模型对用户的人脸特征进行推荐分析后，会输出契合所述人脸特征的预设数量的待推荐车型，此时，将所述推荐模型输出的所有所述待推荐车型向所述用户进行展示，以供所述用户进行选择，当所述用户所有所述待推荐车型中选取出该用户最中意的车型后，获取所述用户选择的所述待推荐车型，以供在后续步骤对所述推荐模型进行更新和优化。

将所述用户的所述人脸特征和所述用户选择的所述待推荐车型作为训练集，更新优化所述推荐模型。

将所述用户的人脸特征，以及所述用户选取的所述待推荐车型作为训练集，也即训练样本，投入到对所述推荐模型的训练中，以对所述推荐模型进行更新和优化，从而获得更加优化和对人脸特征的车型匹配更加准确的推荐模型。其中，所述用户的人脸特征和所述用户选取的所述待推荐车型可以和此前的历史样本一起作为一个训练集，来对所述推荐模型进行训练，亦可以单独作为一个训练集对所述推荐模型进行训练，在另一实施例中，还可以选取预设数量的目标用户，获取每一所述目标用户的人脸特征，以及获取每一所述目标用户选择的由所述推荐模型输出的契合该目标用户的人脸特征的待推荐车型，将上述获取的人脸特征和待推荐车型作为训练集，对所述推荐模型进行训练。

其中，所述训练过程可以参照步骤S60，S601-S605，S6021-S6023，在此不再赘述。

在一实施例中，所述推荐模型包括第一子模型和第二子模型；如图6所示，所述步骤S40包括：

S401，通过所述第一子模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型。

在本实施例的应用场景中，所述推荐模型由两个卷积神经网络模型构成，也即所述第一子模型和所述第二子模型，所述第一子模型用于从庞大的车型数据库中通过推荐分析选取出与所述人脸特征相关度最高，也即最可能契合所述人脸特征的预设数量的待推荐车型。具体地，将所述人脸特征输入至所述第一子模型，所述第一子模型根据所述人脸特征，通过其预先设定好的筛选函数，从车型数据库中筛选出最可能契合所述人脸特征的预设数量的待推荐车型，此时，通过筛选过滤，得到了预设数量的最可能契合所述人脸特征的待推荐车型，以便于在步骤S402中获取各所述待推荐车型对应的契合概率。

S402，根据所述人脸特征，通过所述第二子模型对所述待推荐车型进行概率分析，获取各所述待推荐车型对应的契合概率。

所述第二子模型为卷积神经网络，所述第二子模型用于对上述步骤中获取的各待推荐车型进行概率分析，以获取各所述待推荐车型对应的契合概率。具体地，将各所述待推荐车型输入至所述第二子模型，所述第二子模型根据所述人脸特征，通过其预先设定的概率函数，计算分析出各所述待推荐车型可能契合所述人脸特征的所述契合概率，以供在后续步骤中用于向所述人脸特征对应的用户推荐契合车型。

在另一实施例中，如图7所示，所述步骤S20之后，还包括：

S70，根据所述人脸特征在预设的匹配规则中查询与所述用户匹配的气质标签；所述匹配规则中表征了每一项所述人脸特征以及与该人脸特征对应的气质标签之间的关联关系。

所述匹配规则可以根据需求预先设定，所述匹配规则中表征了每一项所述人脸特征与该人脸特征对应的气质标签之间的关联关系，通过所述匹配规则即可查询到与所述用户匹配的气质标签。为方便描述，以下选取其中一些匹配规则进行列举：当人脸特征为28岁左右男性、肤色较白、情绪高兴等时，匹配该人脸特征的气质标签为玉面小生；当人脸特征为40岁左右男性、佩戴眼镜、情绪正常等时，匹配该人脸特征的气质标签为稳重大叔；当人脸特征为23岁左右女性、皮肤较白、情绪高兴时，匹配该人脸特征的气质标签为沉鱼落雁；当人脸特征为38岁左右女性、佩戴眼镜、情绪正常时，匹配该人脸特征的气质标签为知性美女。

具体地，首先遍历所有所述匹配规则，检测所述人脸特征与所述匹配规则中表征的人脸特征是否相匹配，当所述人脸特征与所述匹配规则中表征的人脸特征相匹配时，获取在所述匹配规则中与该人脸特征对应的气质标签，以供在步骤S70中向用户进行展示；当所述人脸特征与所述匹配规则中表征的人脸特征不匹配时，即选取下一所述匹配规则继续执行上述检测过程，直至检测到所述匹配规则中表征的人脸特征与所述人脸特征相匹配。

S80，将所述气质标签以预设的展示规则向所述用户进行展示。

所述展示规则可以根据需求预先设定，举例说明，所述展示规则可以是将与所述用户匹配的所有气质标签通过由暗到亮在当前的显示界面上向用户进行展示；也可以是将与所述用户匹配的所有气质标签通过从当前的显示界面上的各个角度飞向所述显示界面的方式向用户进行展示；还可以是通过卡通人物举起预设形状的方框(圆形、正方形、云形等)，将与所述用户匹配的所有气质标签显示在所述方框内向用户进行展示。在另一实施例中，所述展示规则还包括将与所述用户匹配的所有气质标签按照字词数量的大小来排序，以该排序顺序向所述用户进行展示。总而言之，将所述标签向所述用户进行展示的展示规则可以由用户根据需求设定，本发明实施例不做具体的限定。

将所述气质标签向所述用户进行展示，可以通过引入赞美和新颖的词汇，在本次汽车推荐的过程中向用户提供更愉悦的体验，增强用户的愉悦情绪，提升购买欲。

本发明通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而能够快速和准确地将最适合所述用户的车型推荐给所述用户，且还可以根据所述用户的人脸特征向用户展示不同的气质标签，增强用户体验，进而提升销售效率。

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。

在一实施例中，提供一种车辆推荐装置，该车辆推荐装置与上述实施例中车型匹配方法一一对应。如图8所示，该车辆推荐装置包括图像获取模块11、特征获取模块12、模型获取模块13、分析模块14和推荐模块15。各功能模块详细说明如下：

所述图像获取模块11，用于获取用户的人脸图像；

所述特征获取模块12，用于获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

所述模型获取模块13，用于获取预设的推荐模型；

所述分析模块14，用于通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；

所述推荐模块15，用于基于所述契合概率为所述用户推荐契合车型。

在一实施例中，如图9所示，所述分析模块14包括：

车型分析单元141，用于通过所述第一子模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型；

概率分析单元142，用于根据所述人脸特征，通过所述第二子模型对所述待推荐车型进行概率分析，获取各所述待推荐车型对应的契合概率。

在一实施例中，如图10所示，所述车辆推荐装置还包括：

构建模块16，用于通过历史样本构建用于对所述人脸特征进行推荐分析的推荐模型。

在一实施例中，如图11所示，所述构建模块16包括：

样本获取单元161，用于获取历史样本，并获取包含初始参数的初始模型；所述历史样本包括历史人脸特征和与所述历史人脸特征对应的历史车型；

分析单元162，用于通过所述初始模型对所述历史人脸特征进行推荐分析，获取推荐车型，并获取所有所述推荐车型和所有所述历史车型之间的整体相似度；

检测单元163，用于检测所述整体相似度是否大于预设的相似阈值；

调整单元164，用于当所述整体相似度小于或等于所述相似阈值时，调整所述初始模型的初始参数，并继续执行通过所述初始模型对所述历史人脸特征进行推荐分析及其后续步骤，直至所述整体相似度大于所述相似阈值；

确认单元165，用于当所述整体相似度大于所述相似阈值时，确认所述初始模型为推荐模型，并获取所述推荐模型。

在一实施例中，所述分析单元162包括：

检测子单元，用于遍历所有所述历史人脸特征，通过所述初始模型对每一所述历史人脸特征进行推荐分析，获取每一所述历史人脸特征对应的推荐车型；

获取子单元，用于将每一所述推荐车型与每一所述历史人脸特征对应的所述历史车型之间的相似程度设定为样本相似度，并获取所述样本相似度；

计算子单元，用于将所有所述样本相似度的平均值的算术平方根作为所述整体相似度，并获取所述整体相似度。

关于车辆推荐装置的具体限定可以参见上文中对于车型匹配方法的限定，在此不再赘述。上述车辆推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车型匹配方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取用户的人脸图像；

获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

获取预设的推荐模型；

通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；

基于所述契合概率为所述用户推荐契合车型。

本发明的计算机设备通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而能够快速和准确地将最适合所述用户的车型推荐给所述用户，且还可以根据所述用户的人脸特征向用户展示不同的气质标签，增强用户体验，进而提升销售效率。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户的人脸图像；

获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

获取预设的推荐模型；

通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；

基于所述契合概率为所述用户推荐契合车型。

本发明的计算机可读存储介质通过对用户进行人脸识别，获得所述用户的人脸特征，并利用历史数据构建推荐模型，通过该推荐模型对所述人脸特征进行推荐分析，从而能够快速和准确地将最适合所述用户的车型推荐给所述用户，且还可以根据所述用户的人脸特征向用户展示不同的气质标签，增强用户体验，进而提升销售效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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，即将所述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。

以上所述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 (7)

1.一种车型匹配方法，其特征在于，包括：

获取用户的人脸图像；

获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

获取预设的推荐模型；

通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；所述推荐模型包括第一子模型和第二子模型；所述通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率，包括：通过所述第一子模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型；根据所述人脸特征，通过所述第二子模型对所述待推荐车型进行概率分析，获取各所述待推荐车型对应的契合概率；

基于所述契合概率为所述用户推荐契合车型；

所述获取预设的推荐模型之前，还包括：

获取历史样本，并获取包含初始参数的初始模型；所述历史样本包括历史人脸特征和与所述历史人脸特征对应的历史车型；

通过所述初始模型对所述历史人脸特征进行推荐分析，获取推荐车型，并获取所有所述推荐车型和所有所述历史车型之间的整体相似度；

检测所述整体相似度是否大于预设的相似阈值；

当所述整体相似度小于或等于所述相似阈值时，调整所述初始模型的初始参数，并继续执行通过所述初始模型对所述历史人脸特征进行推荐分析及其后续步骤，直至所述整体相似度大于所述相似阈值；

当所述整体相似度大于所述相似阈值时，确认所述初始模型为推荐模型，并获取所述推荐模型。

2.如权利要求1所述的车型匹配方法，其特征在于，所述通过所述初始模型对所述历史人脸特征进行推荐分析，获取推荐车型，并获取所有所述推荐车型和所有所述历史车型之间的整体相似度，包括：

遍历所有所述历史人脸特征，通过所述初始模型对每一所述历史人脸特征进行推荐分析，获取每一所述历史人脸特征对应的推荐车型；

将每一所述推荐车型与每一所述历史人脸特征对应的所述历史车型之间的相似程度设定为样本相似度，并获取所述样本相似度；

将所有所述样本相似度的平均值的算术平方根作为所述整体相似度，并获取所述整体相似度。

3.如权利要求1所述的车型匹配方法，其特征在于，所述通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率之后，还包括：

将契合所述人脸特征的所有所述待推荐车型向所述用户进行展示，并获取所述用户选择的所述待推荐车型；

将所述用户的所述人脸特征和所述用户选择的所述待推荐车型作为训练集，更新优化所述推荐模型。

4.如权利要求1所述的车型匹配方法，其特征在于，所述获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征之后，还包括：

根据所述人脸特征在预设的匹配规则中查询与所述用户匹配的气质标签；所述匹配规则中表征了每一项所述人脸特征以及与该人脸特征对应的气质标签之间的关联关系；

将所述气质标签以预设的展示规则向所述用户进行展示。

5.一种车辆推荐装置，其特征在于，包括：

图像获取模块，用于获取用户的人脸图像；

特征获取模块，用于获取预设的人脸识别模型，并基于所述人脸识别模型提取所述人脸图像的人脸特征；

模型获取模块，用于获取预设的推荐模型；

分析模块，用于通过所述推荐模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型，以及所述人脸特征与各所述待推荐车型的契合概率；所述推荐模型包括第一子模型和第二子模型；所述分析模块还用于：通过所述第一子模型对所述人脸特征进行推荐分析，获取契合所述人脸特征的预设数量的待推荐车型；根据所述人脸特征，通过所述第二子模型对所述待推荐车型进行概率分析，获取各所述待推荐车型对应的契合概率；

推荐模块，用于基于所述契合概率为所述用户推荐契合车型；

所述模型获取模块还用于：

获取历史样本，并获取包含初始参数的初始模型；所述历史样本包括历史人脸特征和与所述历史人脸特征对应的历史车型；

通过所述初始模型对所述历史人脸特征进行推荐分析，获取推荐车型，并获取所有所述推荐车型和所有所述历史车型之间的整体相似度；

检测所述整体相似度是否大于预设的相似阈值；

当所述整体相似度小于或等于所述相似阈值时，调整所述初始模型的初始参数，并继续执行通过所述初始模型对所述历史人脸特征进行推荐分析及其后续步骤，直至所述整体相似度大于所述相似阈值；

当所述整体相似度大于所述相似阈值时，确认所述初始模型为推荐模型，并获取所述推荐模型。

6.一种计算机设备，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4任一项所述车型匹配方法的步骤。

7.一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4任一项所述车型匹配方法的步骤。

Images