CN111079553A - 客户分析数据的获取方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及一种客户分析数据的获取方法、装置、设备和存储介质，计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；然后，将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；最后，对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。采用上述方法可以使计算机设备获得的客户分析数据更准确。

Description

客户分析数据的获取方法、装置、设备和存储介质

技术领域

本申请涉及数据处理技术领域，特别是涉及一种客户分析数据的获取方法、装置、设备和存储介质。

背景技术

银行大厅通常是客户比较密集的地方，银行可以通过对客户分析数据进行分析，进一步改善银行的服务质量以及运营方式。

传统技术中，客户分析数据主要通过人工采集数据，然后对数据进行分析获得，例如通过工作人员统计银行大厅内的人流量，从而根据人流量提供相应的服务保障。

但是，采用上述方法获取客户分析数据时，容易由于工作人员的疏忽，影响客户分析数据的准确度。

发明内容

基于此，有必要针对上述技术问题，提供一种客户分析数据的获取方法、装置、设备和存储介质。

一种客户分析数据的获取方法，上述方法包括：

计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；

计算机设备将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

计算机设备对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。

在其中一个实施例中，上述计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像，包括：

计算机设备提取视频帧图像中包含的人脸图像，并判断人脸图像中的对象是否为工作人员；

若否，则将人脸图像确定为客户脸部图像。

在其中一个实施例中，上述判断人脸图像中的对象是否为工作人员，包括：

计算机设备将人脸图像输入预设的人脸识别网络，获得识别结果；

当识别结果与预设工作人员识别结果匹配时，确定人脸图像中的对象为工作人员。

在其中一个实施例中，上述人脸识别网络的训练过程，包括：

计算机设备获取人脸识别网络的第一训练样本集；第一训练样本集包括第一人脸样本图像以及第一人脸样本图像对应的身份标识；身份标识用于区分工作人员和客户；

计算机设备将第一人脸样本图像输入初始人脸识别网络，将第一人脸样本图像的身份标识作为初始人脸识别网络的参考输出，对初始人脸识别网络进行训练，获得人脸识别网络。

在其中一个实施例中，上述提取视频帧图像中包含的人脸图像，包括：

计算机设备通过人脸检测网络识别视频帧图像中包含的人脸区域；

计算机设备裁剪获得包含人脸区域的面部区域图像；

计算机设备对面部区域图像进行方向对齐处理，获得人脸图像。

在其中一个实施例中，上述人脸属性检测网络的训练过程，包括：

计算机设备获取人脸属性检测网络的第二训练样本集；第二训练集样本包括第二人脸样本图像，以及第二人脸样本图像对应的属性特征的标签值；

计算机设备将第二人脸样本图像输入初始人脸属性检测网络，将第二人脸样本图像的属性特征的标签值作为初始人脸属性检测网络的参考输出，对初始人脸属性检测网络进行训练，获得人脸属性检测网络。

在其中一个实施例中，上述计算机设备获取人脸属性检测网络的第二训练样本集，包括：

计算机设备通过人脸检测网络对获取到的视频样本帧进行检测，判断视频样本帧是否存在人脸区域；

若是，则裁剪视频样本帧中包含人脸区域的样本区域图像，并对样本区域图像进行方向对齐处理，获得第二人脸样本图像，并标记第二人脸样本图像的属性特征的标签值；

基于第二人脸样本图像和第二人脸样本图像的属性特征的标签值，得到第二训练样本集。

在其中一个实施例中，上述对待检测区域中的视频帧图像进行检测之后，还包括：

计算机设备对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数；

计算机设备根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数；

计算机设备根据各视频帧图像的目标人数，获取待检测区域中的人员流动特征。

在其中一个实施例中，上述计算机设备根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数，包括：

计算机设备在视频帧图像，以及与视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；

若是，则将出现次数最多的检测人数确定为目标人数；

若否，则将视频帧图像的前一帧图像的检测人数，确定为视频帧图像的目标人数。

在其中一个实施例中，上述方法还包括：

计算机设备将客户分析数据进行可视化展示。

一种客户分析数据的获取装置，上述装置包括：

检测模块，用于对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；

输入模块，用于将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

统计模块，用于对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，上述处理器执行计算机程序时实现上述客户分析数据的获取方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现客户分析数据的获取方法的步骤。

上述客户分析数据的获取方法、装置、设备和存储介质，计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；然后，将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；最后，对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。由于计算机设备获取客户脸部图像，并通过人脸属性检测网络获得客户属性特征，而不需要通过人工获取各客户的属性特征，提升了客户属性特征的获取效率和准确度；进一步地，计算机设备可以对各个客户的属性特征进行统计分析获得客户分析数据，使得客户分析数据更准确。

附图说明

图1为一个实施例中客户分析数据的获取方法的应用环境图；

图2为一个实施例中客户分析数据的获取方法的流程示意图；

图3为另一个实施例中客户分析数据的获取方法的流程示意图；

图4为另一个实施例中客户分析数据的获取方法的流程示意图；

图5为另一个实施例中客户分析数据的获取方法的流程示意图；

图6为一个实施例中客户分析数据的获取装置的结构框图；

图7为一个实施例中客户分析数据的获取装置的结构框图；

图8为另一个实施例中客户分析数据的获取装置的结构框图；

图9为另一个实施例中客户分析数据的获取装置的结构框图；

图10为另一个实施例中客户分析数据的获取装置的结构框图；

图11为另一个实施例中客户分析数据的获取装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的客户分析数据的获取方法，可以应用于如图1所示的应用环境中。计算机设备100用于与设置于待检测区域中的摄像头200，上述计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；上述摄像头200可以是一个摄像头也可以是多个摄像头；上述待检测区域可以是室内区域，也可以是室外区域，在此不作限定。

在一个实施例中，如图2所示，提供了一种客户分析数据的获取方法，以该方法应用于图1中的计算机设备100为例进行说明，包括：

S101、计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像。

其中，上述待检测区域可以是室内区域，例如银行客户大厅或者商场；也可以是室外区域，例如举办音乐节的场地等，对于待检测区域的类型在此不做限定。

上述视频帧图像可以是通过待检测区域中的摄像头采集的图像，可以是实时采集的视频帧图像，也可以是预设时间段内的视频帧图像，例如待检测区域的上午10点至12点之间的视频帧图像；上述视频帧图像可以是视频中的连续多个帧，也可以是按照预设采样时长选择的图像，例如每间隔1分钟采集一张视频帧图像；对于上述视频帧图像的类型在此不做限定。

计算机设备对视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像时，可以先检测上述视频帧图像中的客户特征，也可以先检测上述图像中包含的人体之后，再进一步确认该人体是否为客户。

其中，上述客户特征可以是客户身上携带的身份识别卡，也可以视频帧图像上携带客户标识信息，例如上述视频帧图像是否为客户专用通道采集的图像；对于上述客户特征的类型在此不做限定。例如客户进入待检测区域中配搭的临时工作证，计算机设备可以通过识别临时工作证来确定该视频帧图像上是否存在客户。

另外，计算机设备在检测上述图像中包含的人体时，可以根据目标检测算法进行检测，具体地，可以是对视频帧图像的各个区域进行分类的方法，例如RCNN算法，也可以是通过视频帧图像直接输出视频帧图像中的对象类别的方法，比如YOLO算法；对于上述检测方式在此不做限定。

计算机设备可以进一步确定检测到的人体是否为客户，例如该人体是否携带了客户佩戴的临时工作证等；然后提取客户脸部图像。具体地，计算机设备可以将包含人体的视频帧图像输入人脸识别网络，例如可以是MTCNN检测网络，输出人脸位置的矩形框。进一步地，计算机设备可以根据上述矩形框获得客户脸部图像。

上述客户脸部图像中可以包含一个客户，也可以包含多个客户，在此不做限定。

S102、计算机设备将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种。

计算机设备在获取了客户脸部图像之后，可以将每个客户脸部图像均输入预设的人脸属性检测网络，以获得每个客户的属性特征。

具体地，计算机上设备可以将客户脸部图像直接如数人脸属性检测网络，也可以先对客户脸部图像进行预处理，例如删除相同图像、过滤无效图像等处理。

其中，上述人脸属性检测网络可以是基于Cascade结构的深度学习网络，也可以是全卷积神经网络，对于上述人脸属性检测网络的类型在此不做限定。

上述属性特征包括表情特征、性别特征以及年龄特征中的至少一种。其中，上述表情特征可以是愤怒、喜悦、惊奇、厌恶、悲伤、恐惧中的其中一种；上述人脸属性检测网络输出的属性特征中，可以通过数字表征上述表情特征，也可以通过文字表示上述表情特征，对于人脸属性检测网络输出的表情特征的方式在此不做限定。例如上述表情特征可以通过如下方式表示：0代表愤怒，1代表喜悦，2代表惊奇，3代表厌恶，4代表悲伤，5代表恐惧。

上述性别特征可以用数字或者字母表示，在此不做限定。

上述年龄特征可以是表征客户年龄的数字，也可以是表征客户对应年龄段的数字区间，还可以是表征年龄段的字母类别，对于上述年龄特征的表示方式在此不做限定。例如，计算机设备输出的客户的年龄可以是35，也可以是[30，40]，还可以是字母C，表征客户大于等于30岁，小于40岁。

S103、计算机设备对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。

在上述步骤的基础上，计算机设备可以对获得的各客户的属性特征进行统计分析。

具体地，计算机设备可以统计待检测区域中各属性特征中各个特征值对应的人数或比例，获取各属性特征的属性分布，例如银行大厅中客户对应的不同表情特征的比例；或者银行大厅中客户的性别比例；另外，计算机设备还可以分析不同时间段，客户的属性特征变化，例如上午营业时间与下午营业时间中，客户的年龄特征的变化；或者近一个月内客户的表情属性特征的变化；可选地，计算机设备还可以将当前待检测区域的客户属性特征与其它待检测区域进行对比分析，例如对比第一银行大厅与第二银行大厅中的年龄特征分布；对于上述统计分析方式在此不做限定。

在完成统计分析之后，计算机获得的客户分析数据可以包含待检测区域的客户人数、各属性特征的人数，或者各属性特征的比例值；也可以包含各属性特征的人数或比例随时间的变化；还可以包含计算机设备根据客户的属性特征的分布或变化，获得的相应的建议措施；对于上述客户分析数据的类型在此不做限定。

例如，计算机设备获得的客户分析数据中，当前客户数量较多，可以根据客户数量增加工作人员，提供相应的服务保障；或者根据客户数量增设柜台等；计算机设备还可以根据统计分析的结果，获知女性客户比例较大，从而提供与女性相应的营销措施；也可以根据表情属性的统计分析结果，自动输出客户满意度报告。

进一步地，计算机设备可以将客户分析数据进行可视化展示。

具体地，计算机设备可以将客户分析数据以动态方式实时显示，也可以在接收到工作人员的查询指令之后显示，在此不做限定。

计算机设备显示的客户分析数据，可以是通过饼状图、柱状图等显示各属性特征的分布，也可以通过表格、滚动数字等形式显示，对于上述客户分析数据的显示方式在此不做限定。

上述客户分析数据的获取方法，计算机设备对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；然后，将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；最后，对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。由于计算机设备获取客户脸部图像，并通过人脸属性检测网络获得客户属性特征，而不需要通过人工获取各客户的属性特征，提升了客户属性特征的获取效率和准确度；进一步地，计算机设备可以对各个客户的属性特征进行统计分析获得客户分析数据，使得客户分析数据更准确。

图3为另一个实施例中客户分析数据的获取方法的流程示意图，本实施例涉及计算机设备获取客户脸部图像的一种方式，在上述实施例的基础上，如图3所示，上述S101包括：

S201、计算机设备提取视频帧图像中包含的人脸图像，并判断人脸图像中的对象是否为工作人员。

计算机设备在视频帧图像中获取客户脸部图像时，可以先提取视频帧图像中包含的人脸图像，例如，计算机设备可以采用YOLO算法识别人体，然后采用MTCNN检测网络，输出人脸位置的矩形框；以获得人脸图像。

具体地，计算机设备可以通过人脸检测网络识别视频帧图像中包含的人脸区域，然后裁剪获得包含人脸区域的面部区域图像；并对面部区域图像进行方向对齐处理，获得人脸图像。

进一步地，计算机设备可以根据人脸图像识别该人脸图像中的对象是否为工作人员。具体地，计算机设备可以根据工作人员携带的工作证来识别，可选地，还可以将人脸图像输入预设的人脸识别网络，获得识别结果。

当计算机设备输出的识别结果与预设工作人员识别结果匹配时，确定人脸图像中的对象为工作人员。当计算机设备输出的识别结果与预设工作人员识别结果不匹配时，确定人脸图像中的对象为客户。

例如，上述人脸识别网络中已存储了工作人员的人脸识别信息，当上述人脸图像中的对象为工作人员时，计算机设备输出的识别结果可以是工作人员的证件照，也可以是工作人员的工号等，而当人脸图像中的对象为客户时，计算机设备可以输出无法识别等识别结果。

其中，上述人脸识别网络的训练过程，可以包括：计算机设备获取人脸识别网络的第一训练样本集；第一训练样本集包括第一人脸样本图像以及第一人脸样本图像对应的身份标识；身份标识用于区分工作人员和客户，例如“工作人员”和“非工作人员”。

计算机设备将第一人脸样本图像输入初始人脸识别网络，将第一人脸样本图像的身份标识作为初始人脸识别网络的参考输出，对初始人脸识别网络进行训练，获得人脸识别网络。例如，计算机设备可以将第一人脸样本图像输入初始人脸识别网络，然后获得第一人脸样本图像的模型输出结果，根据模型输出以及参考输出获得损失函数的值，再根据损失函数的值调整初始人脸识别网络的参数。

S202、若否，则将人脸图像确定为客户脸部图像。

计算机设备在识别视频帧图像中包含的人脸图像不是工作人员时，可以将该人脸图像确定为客户脸部图像。

上述客户分析数据的获取方法，计算机设备通过识别人脸图像中的对象是否为工作人员，可以更准确地在视频帧图像中区分哪些是客户，从而可以根据更准确地客户脸部图像获得准确的客户分析数据。

图4为另一个实施例中客户分析数据的获取方法的流程示意图，本实施例涉及计算机设备获取人脸属性检测网络的训练过程，在上述实施例的基础上，如图4所示，上述方法还包括：

S301、计算机设备获取人脸属性检测网络的第二训练样本集；第二训练集样本包括第二人脸样本图像，以及第二人脸样本图像对应的属性特征的标签值。

具体地，计算机设备可以通过人脸检测网络对获取到的视频样本帧进行检测，判断视频样本帧是否存在人脸区域。若是，则裁剪视频样本帧中包含人脸区域的样本区域图像，并对样本区域图像进行方向对齐处理，获得第二人脸样本图像，并标记第二人脸样本图像的属性特征的标签值；若否，则停止检测。然后，基于第二人脸样本图像和第二人脸样本图像的属性特征的标签值，得到第二训练样本集。

其中，上述方向对齐是指第二人脸样本图像中，人脸的姿态、位置可能存在较大的区别，为了统一处理需要进行方向对其，以消除姿态不同带来的检测误差。

上述第二人脸样本图像的属性特征的标签值中，年龄属性可以是1-100之间的一个数字；性别可分成两类，0代表男性，1代表女性。表情分成六类，0代表愤怒，1代表喜悦，2代表惊奇，3代表厌恶，4代表悲伤，5代表恐惧。

S302、计算机设备将第二人脸样本图像输入初始人脸属性检测网络，将第二人脸样本图像的属性特征的标签值作为初始人脸属性检测网络的参考输出，对初始人脸属性检测网络进行训练，获得人脸属性检测网络。

具体地，计算机设备可以将上述初始人脸属性检测网络和初始人脸识别玩过设置为不同的模型分支，在对上述初始人脸属性检测网络进行训练时，可以将初始人脸识别网络的学习率设置为零。

上述客户分析数据的获取方法，计算机设备通过获取人脸属性检测网络的第二训练样本集，对初始人脸属性检测网络进行训练，获得人脸属性检测网络，使得人脸属性检测网络可以快速准确地根据客户脸部图像获得客户的属性特征，而不需要人工分析，提升了客户分析数据的准确度和获取效率。

图5为另一个实施例中客户分析数据的获取方法的流程示意图，本实施例涉及计算机设备获取人员流动特征的一种方式，在上述实施例的基础上，如图5所示，包括：

S401、计算机设备对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数。

具体地，计算机设备可以对连续多个视频帧图像进行人体检测，例如通过YOLO算法识别人体；然后，获得每个视频帧图像中包含的检测人数。

S402、计算机设备根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数。

为了降低人体检测带来的误差，计算机设备可以根据连续多个视频帧图像的检测人数，确定每个视频帧图像的目标人数。

具体地，计算机设备可以将连续多个视频帧图像的检测人数的平均值，确定为上述多个视频帧中其中一个视频帧图像的目标人数；也可以将连续多个视频帧图像的检测人数的最小值，确定为上述其中一个视频帧图像的目标人数；在此不做限定。

上述连续多个视频帧图像可以是5个视频帧图像，也可以是两个视频帧图像，在此不做限定。可选地，计算机设备可以根据连续三个视频帧图像的检测人数，确定连续三个视频帧图像中中间一个视频帧图像的目标人数。

具体地，计算机设备可以在视频帧图像，以及与视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；若是，则将出现次数最多的检测人数确定为目标人数；若否，则将视频帧图像的前一帧图像的检测人数，确定为视频帧图像的目标人数。

例如，假设第i个视频帧图像的检测人数为Xi,在连续三个视频帧图像第i-1、i以及i+1对应的检测人数Xi-2、Xi-1、Xi中，出现次数最多的检测人数作为第i个视频帧图像的目标人数；如果上述3个检测人数均不相同，则取最早检测到的人数，即取Xi-2作为第i个视频帧图像的目标人数。

S403、计算机设备根据各视频帧图像的目标人数，获取待检测区域中的人员流动特征。

计算机设备在获得了每个视频帧图像的目标人数之后，可以根据各目标人数获取待检测区域的人员流动特征。上述人员流动特征可以是指各时间段进入待检测区域的人数，也可以是指各时间段离开待检测区域的人数；还可以是统计哪个时间段进入待检测区域的人数最多，或者哪个时间段待检测区域中的人数最多；对于上述人员流动特征的类型在此不做限定。例如，计算机设备可以累计每日进入银行大厅的总人数，以及离开银行大厅的总人数。

上述客户分析数据的获取方法，计算机设备通过获得视频帧图像的目标人数，使得可以根据目标人数获得准确的人员流动特征，从而可以根据准确的人员流动特征采取相应的服务保障措施。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种客户分析数据的获取装置，包括：检测模块10、输入模块20和统计模块30，其中：

检测模块10，用于对待检测区域中的视频帧图像进行检测，获得所述视频帧图像中的各个客户脸部图像；

输入模块20，用于将每个客户脸部图像输入预设的人脸属性检测网络，获得所述待检测区域中的各客户的属性特征；所述属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

统计模块30，用于对各所述客户的属性特征进行统计分析，获得所述待检测区域中的客户分析数据。

本申请实施例提供的客户分析数据的获取装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，如图7所示，在上述实施例的基础上，上述检测模块10包括：

判断单元101，用于提取视频帧图像中包含的人脸图像，并判断人脸图像中的对象是否为工作人员；

确定单元102，用于在人脸图像中的对象不是工作人员时，将人脸图像确定为客户脸部图像。

在一个实施例中，在上述实施例的基础上，上述判断单元101具体用于：将人脸图像输入预设的人脸识别网络，获得识别结果；当识别结果与预设工作人员识别结果匹配时，确定人脸图像中的对象为工作人员。

在一个实施例中，在上述实施例的基础上，上述判断单元101还用于：获取人脸识别网络的第一训练样本集；第一训练样本集包括第一人脸样本图像以及第一人脸样本图像对应的身份标识；身份标识用于区分工作人员和客户；将第一人脸样本图像输入初始人脸识别网络，将第一人脸样本图像的身份标识作为初始人脸识别网络的参考输出，对初始人脸识别网络进行训练，获得人脸识别网络。

在一个实施例中，在上述实施例的基础上，上述判断单元101用于：通过人脸检测网络识别视频帧图像中包含的人脸区域；裁剪获得包含人脸区域的面部区域图像；对面部区域图像进行方向对齐处理，获得人脸图像。

在一个实施例中，如图8所示，在上述实施例的基础上，上述装置还包括训练模块40，用于：获取人脸属性检测网络的第二训练样本集；第二训练集样本包括第二人脸样本图像，以及第二人脸样本图像对应的属性特征的标签值；将第二人脸样本图像输入初始人脸属性检测网络，将第二人脸样本图像的属性特征的标签值作为初始人脸属性检测网络的参考输出，对初始人脸属性检测网络进行训练，获得人脸属性检测网络。

在一个实施例中，如图9所示，在上述实施例的基础上，上述训练模块40包括：

检测单元401，用于通过人脸检测网络对获取到的视频样本帧进行检测，判断视频样本帧是否存在人脸区域；

标记单元402，用于视频样本帧存在人脸区域时，裁剪视频样本帧中包含人脸区域的样本区域图像，并对样本区域图像进行方向对齐处理，获得第二人脸样本图像，并标记第二人脸样本图像的属性特征的标签值；

获得单元403，用于基于第二人脸样本图像和第二人脸样本图像的属性特征的标签值，得到第二训练样本集。

在一个实施例中，如图10所示，在上述实施例的基础上，上述装置还包括获取模块50，用于：对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数；根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数；根据各视频帧图像的目标人数，获取待检测区域中的人员流动特征。

在一个实施例中，在上述实施例的基础上，上述获取模块50具体用于：在视频帧图像，以及与视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；若是，则将出现次数最多的检测人数确定为目标人数；若否，则将视频帧图像的前一帧图像的检测人数，确定为视频帧图像的目标人数。

在一个实施例中，如图11所示，在上述实施例的基础上，上述装置还包括展示模块60，用于：将客户分析数据进行可视化展示。

本申请实施例提供的客户分析数据的获取装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于客户分析数据的获取装置的具体限定可以参见上文中对于客户分析数据的获取方法的限定，在此不再赘述。上述客户分析数据的获取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终端，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、显示屏和输入装置。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和计算机程序。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客户分析数据的获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；

将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取视频帧图像中包含的人脸图像，并判断人脸图像中的对象是否为工作人员；若否，则将人脸图像确定为客户脸部图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将人脸图像输入预设的人脸识别网络，获得识别结果；当识别结果与预设工作人员识别结果匹配时，确定人脸图像中的对象为工作人员。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取人脸识别网络的第一训练样本集；第一训练样本集包括第一人脸样本图像以及第一人脸样本图像对应的身份标识；身份标识用于区分工作人员和客户；将第一人脸样本图像输入初始人脸识别网络，将第一人脸样本图像的身份标识作为初始人脸识别网络的参考输出，对初始人脸识别网络进行训练，获得人脸识别网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过人脸检测网络识别视频帧图像中包含的人脸区域；裁剪获得包含人脸区域的面部区域图像；对面部区域图像进行方向对齐处理，获得人脸图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取人脸属性检测网络的第二训练样本集；第二训练集样本包括第二人脸样本图像，以及第二人脸样本图像对应的属性特征的标签值；将第二人脸样本图像输入初始人脸属性检测网络，将第二人脸样本图像的属性特征的标签值作为初始人脸属性检测网络的参考输出，对初始人脸属性检测网络进行训练，获得人脸属性检测网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过人脸检测网络对获取到的视频样本帧进行检测，判断视频样本帧是否存在人脸区域；若是，则裁剪视频样本帧中包含人脸区域的样本区域图像，并对样本区域图像进行方向对齐处理，获得第二人脸样本图像，并标记第二人脸样本图像的属性特征的标签值；基于第二人脸样本图像和第二人脸样本图像的属性特征的标签值，得到第二训练样本集。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数；根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数；根据各视频帧图像的目标人数，获取待检测区域中的人员流动特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在视频帧图像，以及与视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；若是，则将出现次数最多的检测人数确定为目标人数；若否，则将视频帧图像的前一帧图像的检测人数，确定为视频帧图像的目标人数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将客户分析数据进行可视化展示。

本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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：

对待检测区域中的视频帧图像进行检测，获得视频帧图像中的各个客户脸部图像；

将每个客户脸部图像输入预设的人脸属性检测网络，获得待检测区域中的各客户的属性特征；属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

对各客户的属性特征进行统计分析，获得待检测区域中的客户分析数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取视频帧图像中包含的人脸图像，并判断人脸图像中的对象是否为工作人员；若否，则将人脸图像确定为客户脸部图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将人脸图像输入预设的人脸识别网络，获得识别结果；当识别结果与预设工作人员识别结果匹配时，确定人脸图像中的对象为工作人员。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取人脸识别网络的第一训练样本集；第一训练样本集包括第一人脸样本图像以及第一人脸样本图像对应的身份标识；身份标识用于区分工作人员和客户；将第一人脸样本图像输入初始人脸识别网络，将第一人脸样本图像的身份标识作为初始人脸识别网络的参考输出，对初始人脸识别网络进行训练，获得人脸识别网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过人脸检测网络识别视频帧图像中包含的人脸区域；裁剪获得包含人脸区域的面部区域图像；对面部区域图像进行方向对齐处理，获得人脸图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取人脸属性检测网络的第二训练样本集；第二训练集样本包括第二人脸样本图像，以及第二人脸样本图像对应的属性特征的标签值；将第二人脸样本图像输入初始人脸属性检测网络，将第二人脸样本图像的属性特征的标签值作为初始人脸属性检测网络的参考输出，对初始人脸属性检测网络进行训练，获得人脸属性检测网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过人脸检测网络对获取到的视频样本帧进行检测，判断视频样本帧是否存在人脸区域；若是，则裁剪视频样本帧中包含人脸区域的样本区域图像，并对样本区域图像进行方向对齐处理，获得第二人脸样本图像，并标记第二人脸样本图像的属性特征的标签值；基于第二人脸样本图像和第二人脸样本图像的属性特征的标签值，得到第二训练样本集。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数；根据连续多个视频帧图像的检测人数，确定连续多个视频帧图像中的任一视频帧图像的目标人数；根据各视频帧图像的目标人数，获取待检测区域中的人员流动特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在视频帧图像，以及与视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；若是，则将出现次数最多的检测人数确定为目标人数；若否，则将视频帧图像的前一帧图像的检测人数，确定为视频帧图像的目标人数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将客户分析数据进行可视化展示。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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，本申请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。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种客户分析数据的获取方法，其特征在于，所述方法包括：

计算机设备对待检测区域中的视频帧图像进行检测，获得所述视频帧图像中的各个客户脸部图像；

所述计算机设备将每个客户脸部图像输入预设的人脸属性检测网络，获得所述待检测区域中的各客户的属性特征；所述属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

所述计算机设备对各所述客户的属性特征进行统计分析，获得所述待检测区域中的客户分析数据。

2.根据权利要求1所述的方法，其特征在于，所述计算机设备对待检测区域中的视频帧图像进行检测，获得所述视频帧图像中的各个客户脸部图像，包括：

所述计算机设备提取所述视频帧图像中包含的人脸图像，并判断所述人脸图像中的对象是否为工作人员；

若否，则将所述人脸图像确定为所述客户脸部图像。

3.根据权利要求2所述的方法，其特征在于，所述判断所述人脸图像中的对象是否为工作人员，包括：

所述计算机设备将所述人脸图像输入预设的人脸识别网络，获得识别结果；

当所述识别结果与预设工作人员识别结果匹配时，确定所述人脸图像中的对象为工作人员。

4.根据权利要求3所述的方法，其特征在于，所述人脸识别网络的训练过程，包括：

所述计算机设备获取所述人脸识别网络的第一训练样本集；所述第一训练样本集包括第一人脸样本图像以及所述第一人脸样本图像对应的身份标识；所述身份标识用于区分工作人员和客户；

所述计算机设备将所述第一人脸样本图像输入初始人脸识别网络，将所述第一人脸样本图像的身份标识作为所述初始人脸识别网络的参考输出，对所述初始人脸识别网络进行训练，获得所述人脸识别网络。

5.根据权利要求2所述的方法，其特征在于，所述提取所述视频帧图像中包含的人脸图像，包括：

所述计算机设备通过人脸检测网络识别所述视频帧图像中包含的人脸区域；

所述计算机设备裁剪获得包含所述人脸区域的面部区域图像；

所述计算机设备对所述面部区域图像进行方向对齐处理，获得所述人脸图像。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述人脸属性检测网络的训练过程，包括：

所述计算机设备获取所述人脸属性检测网络的第二训练样本集；所述第二训练集样本包括第二人脸样本图像，以及所述第二人脸样本图像对应的所述属性特征的标签值；

所述计算机设备将所述第二人脸样本图像输入初始人脸属性检测网络，将所述第二人脸样本图像的属性特征的标签值作为所述初始人脸属性检测网络的参考输出，对所述初始人脸属性检测网络进行训练，获得所述人脸属性检测网络。

7.根据权利要求5所述的方法，其特征在于，所述计算机设备获取所述人脸属性检测网络的第二训练样本集，包括：

所述计算机设备通过人脸检测网络对获取到的视频样本帧进行检测，判断所述视频样本帧是否存在人脸区域；

若是，则裁剪所述视频样本帧中包含人脸区域的样本区域图像，并对所述样本区域图像进行方向对齐处理，获得所述第二人脸样本图像，并标记所述第二人脸样本图像的属性特征的标签值；

基于所述第二人脸样本图像和所述第二人脸样本图像的属性特征的标签值，得到所述第二训练样本集。

8.根据权利要求1-5任一项所述的方法，其特征在于，所述对待检测区域中的视频帧图像进行检测之后，还包括：

所述计算机设备对连续多个视频帧图像进行人体检测，获得每个视频帧图像中所包含的检测人数；

所述计算机设备根据连续多个视频帧图像的检测人数，确定所述连续多个视频帧图像中的任一视频帧图像的目标人数；

所述计算机设备根据各视频帧图像的目标人数，获取所述待检测区域中的人员流动特征。

9.根据权利要求8所述的方法，其特征在于，所述计算机设备根据连续多个视频帧图像的检测人数，确定所述连续多个视频帧图像中的任一视频帧图像的目标人数，包括：

所述计算机设备在所述视频帧图像，以及与所述视频帧图像相邻的两帧图像的各检测人数中，确定是否存在出现次数最多的检测人数；

若是，则将所述出现次数最多的检测人数确定为所述目标人数；

若否，则将所述视频帧图像的前一帧图像的检测人数，确定为所述视频帧图像的目标人数。

10.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

所述计算机设备将所述客户分析数据进行可视化展示。

11.一种客户分析数据的获取装置，其特征在于，所述装置包括：

检测模块，用于对待检测区域中的视频帧图像进行检测，获得所述视频帧图像中的各个客户脸部图像；

输入模块，用于将每个客户脸部图像输入预设的人脸属性检测网络，获得所述待检测区域中的各客户的属性特征；所述属性特征包括表情特征、性别特征以及年龄特征中的至少一种；

统计模块，用于对各所述客户的属性特征进行统计分析，获得所述待检测区域中的客户分析数据。

12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。

Images