CN112084863A - 一种基于表情的满意度分析方法、装置及存储介质 - Google Patents
一种基于表情的满意度分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112084863A CN112084863A CN202010783478.1A CN202010783478A CN112084863A CN 112084863 A CN112084863 A CN 112084863A CN 202010783478 A CN202010783478 A CN 202010783478A CN 112084863 A CN112084863 A CN 112084863A
- Authority
- CN
- China
- Prior art keywords
- expression
- processed
- classifiers
- features
- face image
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 117
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 230000008921 facial expression Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000001815 facial effect Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 3
- 210000005252 bulbus oculi Anatomy 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于表情的满意度分析方法、装置及存储介质，涉及图像处理领域，用以解决现有技术中无法获取用户对某一物品的满意度的问题。该方法包括：对待处理人脸图像进行特征提取，得到人脸表情特征；其中，待处理人脸图像为目标对象面朝物品的人脸图像；将人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；根据各分类器对应的表情种类确定目标对象对物品的满意度。这样，通过人脸表情来判断用户对物品是否满意，可以确定柜台物品的摆放位置，使得摆放的物品更加吸引用户的眼球，从而可以得到更加准确的产品市场定位，促进销售产量。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种基于表情的满意度分析方法、装置及存储介质。
背景技术
随着经济不断发展，人们的购买行为日益增多，如何进行有效的市场预测成为品牌的关注重点。传统的调查问卷或访谈方法在进行市场消费时通常存在收集到的数据不真实的情况，柜台的地方有限，产品种类众多，无法预知用户对哪个物品更加满意，更符合市场需求。因此，现有技术中无法获取用户对某一物品的满意度。
发明内容
本申请实施例提供一种基于表情的满意度分析方法、装置及存储介质，用以解决现有技术中无法获取用户对某一物品的满意度的问题。
第一方面，本申请实施例提供一种基于表情的满意度分析方法，该方法包括：
对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像；
将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；
根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
上述方法，通过人脸表情来判断用户对物品是否满意，可以确定柜台物品的摆放位置，使得摆放的物品更加吸引用户的眼球，从而可以得到更加准确的产品市场定位，促进销售产量。
在一种可能的实现方式中，所述将所述人脸表情特征分别输入到至少两个分类器中进行分类，得到各分类器输出的表情种类，包括：
将所述人脸表情特征分别输入到至少两个分类器中；
针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度；
将最高相似度对应的表情种类作为该分类器对应的表情种类。
上述方法，通过多个分类器对人脸表情特征进行分类，可以使最终确定的表情种类更加准确，从而可以准确的确定用户对于物品的满意度。
在一种可能的实现方式中，所述根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度，包括：
将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
上述方法，将出现次数最多的表情种类对应的满意度作为用户对物品的满意度，可以较为准确的确定用户对物品的满意度。
在一种可能的实现方式中，所述对待处理人脸图像进行特征提取，得到人脸表情特征，包括：
将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
上述方法，通过特征提取网络模型获取人脸表情特征，可以较为快速的获取人脸表情特征，且得到的人脸表情特征更加准确。
在一种可能的实现方式中，所述对待处理人脸图像进行特征提取，得到人脸表情特征之前，所述方法还包括：
对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；
将所述人脸图像作为所述待处理人脸图像。
上述方法，通过对待处理图像进行预处理，可以得到待处理人脸图像，从而使用户对物品的满意度的判断结果更加准确。
第二方面，本申请实施例提供的一种基于表情的满意度分析装置，包括：
特征提取模块，用于对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像；
分类模块，用于将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；
确定模块，用于根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
在一种可能的实现方式中，分类模块包括：
输入单元，用于将所述人脸表情特征分别输入到至少两个分类器中；
比较单元，用于针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度；
确定表情种类单元，用于将最高相似度对应的表情种类作为该分类器对应的表情种类。
在一种可能的实现方式中，确定模块具体用于将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
在一种可能的实现方式中，特征提取模块具体用于将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
在一种可能的实现方式中，所述装置还包括：
预处理模块，用于特征提取模块对待处理人脸图像进行特征提取，得到人脸表情特征之前，对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；
确定待处理人脸图像模块，用于将所述人脸图像作为所述待处理人脸图像。
第三方面，提供一种计算装置，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述任意一种基于表情的满意度分析方法的步骤。
在一个实施例中，计算装置可以使服务器，也可以是终端设备。
第四方面，提供一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述任意一种基于表情的满意度分析方法的步骤。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种基于表情的满意度分析方法的流程示意图；
图2为本申请实施例中分类器进行分类识别示意图；
图3为本申请实施例中一种基于表情的满意度分析的结构示意图；
图4为根据本申请实施方式的计算装置的结构示意图。
具体实施方式
为了解决现有技术中无法获取用户对某一物品的满意度的问题，本申请实施例中提供一种基于表情的满意度分析方法、装置及存储介质。为了更好的理解本申请实施例提供的技术方案，这里对该方案的基本原理做一下简单说明：
随着经济不断发展，人们的购买行为日益增多，如何进行有效的市场预测成为品牌的关注重点。传统的调查问卷或访谈方法在进行市场消费时往往存在收集到的数据不真实的情况，柜台的地方有限，产品种类众多，无法预知用户对哪个物品更加满意，更符合市场需求。
有鉴于此，本申请实施例提供一种基于表情的满意度分析方法、装置及存储介质，通过人脸表情来判断用户对物品是否满意，可以确定柜台物品的摆放位置，使得摆放的物品更加吸引用户的眼球，从而可以得到更加准确的产品市场定位，促进销售产量。
本申请实施例提供的方法相对于传统的调查问卷或访谈方法在进行物品摆放分析情况，用户体验时往往存在收集到的数据不真实情况，针对该现象，利用大数据技术，使用人工智能机器学习算法，通过对用户人像的表情分析估计，确定柜台物品最佳的摆放位置，吸进用户的眼球，从而可以得到更加准确的产品市场定位，促进产品销售产量，带来增值效益，达到收益最大化。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例中的实施例及实施例中的特征可以相互组合。
下面对本申请实施例提供的基于表情的满意度分析方法进行进一步的解释说明。如图1所示，包括以下步骤：
S101：对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像。
在本申请实施例中，对待处理人脸图像进行特征提取之前，首先需要获取待处理图像。可以将摄像头放置在物品摆放的后方，并将拍摄区域朝向用户观看的区域。这样，当用户走到观看区域，且面朝摄像头时，将此时的图像作为待处理图像。
当然，也可以将摄像头放置在其它位置，并根据用户的眼睛观看的区域确定待处理图像。
由于摄像头拍摄的待处理图像包含的信息较多，不利于后续的特征提取，因此需要对待处理图像进行预处理。具体可实施为：
对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；将所述人脸图像作为所述待处理人脸图像。
其中，可以利用dlib库(一种使用C++技术编写的跨平台的通用库)对待处理图像进行人脸识别和五官特征标定，然后通过对待处理图像进行几何处理和灰度均衡，完成了人像与背景的分离，去除了无关信息的干扰。
这样，通过对待处理图像进行预处理，可以得到待处理人脸图像，从而使用户对物品的满意度的判断结果更加准确。
在得到了待处理人脸图像后，便可以对待处理人脸图像进行特征提取，从而得到人脸表情特征。具体的，可将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
其中，可以使用使用Alexnet(一种神经网络模型)模型对表情图像进行特征提取，从而提高分类器的计算效率。
这样，通过特征提取网络模型获取人脸表情特征，可以较为快速的获取人脸表情特征，且得到的人脸表情特征更加准确。
S102：将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同。
在本申请实施例中，可以通过机器学习支持向量机(SVM)进行分类预测，设计分类器。由于通过SVM设计的分类器可以识别两种表情种类，因此，在表情种类具有多个的情况时，需要设置多个分类器。其中，分类器的数量与表情种类的数量有关，分类器的数量为各表情种类两两相乘的数量。其公式为：(n*(n-1))/2；其中，n为表情种类的数量。
例如：若表情种类共有6中，那么设计的分类器的数量为(6*5)/2为15个分类器。
当然也可以通过其他方式设计分类器，且分类器的识别种类也可以有多个，本申请对此不进行限定。
在设计好分类器后，则需要将提取的人脸表情特征输入到各分类器中，具体可实施为步骤A1-A3：
步骤A1：将所述人脸表情特征分别输入到至少两个分类器中。
步骤A2：针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度。
步骤A3：将最高相似度对应的表情种类作为该分类器对应的表情种类。
以可以识别两种表情种类的分类器为例，若一个分类器可以识别的表情种类分别为快乐、厌恶；则该分类器中具有快乐对应的特征向量以及厌恶对应的特征向量。将提取得到的人脸表情特征分别与快乐对应的特征向量以及厌恶对应的特征向量最差，并将差值小的特征向量对应的表情作为该分类器所识别的表情。
如图2所示，其为分类识别示意图。在图2中，共存在6种表情种类，分别为A、B、C、D、E、F；那么通过SVM设计的分类器则需要15个，分别为AB分类器1、AC分类器2、AD分类器3、AE分类器4、AF分类器5、BC分类器6、BD分类器7、BE分类器8、BF分类器9、CD分类器10、CE分类器11、CF分类器12、DE分类器13、DF分类器14、EF分类器15。将人脸表情特征分别输入到15个分类器中，并最终通过每个分类器得到一个输出的表情。
这样，通过多个分类器对人脸表情特征进行分类，可以使最终确定的表情种类更加准确，从而可以准确的确定用户对于物品的满意度。
需要说明的是，若一个分类能够识别2种以上的表情种类时，则将人脸表情特征分别与其进行比较，并将差值最小的特征向量对应的表情作为该分类器所识别的表情。
S103：根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
在本申请实施例中，通过多个分类器得到了分类结果之后，根据各分类器识别出的表情来确定用户对物品的满意度，具体的：将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
例如：若共有3种表情种类，分别为A、B、C；共有7个分类器，且经过分类器的分类后各表情种类的出现次数分别为4、1、2，那么则将4次对应的A作为该用户的表情，若该表情对应的满意度为非常满意，那么该用户对于该物品的满意度为非常满意。
这样，将出现次数最多的表情种类对应的满意度作为用户对物品的满意度，可以较为准确的确定用户对物品的满意度。
基于相同的发明构思，本申请实施例还提供了一种基于表情的满意度分析装置。如图3所示，该装置包括：
特征提取模块301，用于对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像；
分类模块302，用于将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；
确定模块303，用于根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
在一种可能的实现方式中，分类模块302包括：
输入单元，用于将所述人脸表情特征分别输入到至少两个分类器中；
比较单元，用于针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度；
确定表情种类单元，用于将最高相似度对应的表情种类作为该分类器对应的表情种类。
在一种可能的实现方式中，确定模块303具体用于将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
在一种可能的实现方式中，特征提取模块301具体用于将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
在一种可能的实现方式中，所述装置还包括：
预处理模块，用于特征提取模块301对待处理人脸图像进行特征提取，得到人脸表情特征之前，对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；
确定待处理人脸图像模块，用于将所述人脸图像作为所述待处理人脸图像。
基于同一技术构思，本申请实施例还提供了一种终端设备400，参照图4所示，终端设备400用于实施上述各个方法实施例记载的方法，例如实施图2所示的实施例，终端设备400可以包括存储器401、处理器402、输入单元403和显示面板404。
存储器401，用于存储处理器402执行的计算机程序。存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备400的使用所创建的数据等。处理器402，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。输入单元403，可以用于获取用户输入的用户指令。显示面板404，用于显示由用户输入的信息或提供给用户的信息，本申请实施例中，显示面板404主要用于显示终端设备中各应用程序的显示界面以及各显示界面中显示的控件实体。可选的，显示面板404可以采用液晶显示器(liquid crystaldisplay，LCD)或OLED(organic light-emitting diode，有机发光二极管)等形式来配置显示面板404。
本申请实施例中不限定上述存储器401、处理器402、输入单元403和显示面板404之间的具体连接介质。本申请实施例在图4中以存储器401、处理器402、输入单元403、显示面板404之间通过总线405连接，总线405在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线405可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器401可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器401也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器401可以是上述存储器的组合。
处理器402，用于实现如图1所示的实施例，包括：
处理器402，用于调用存储器401中存储的计算机程序执行如实施图1所示的实施例。
本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中，本申请提供的一种基于表情的满意度分析方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种基于表情的满意度分析方法中的步骤。例如，终端设备可以执行如实施图1所示的实施例。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于一种基于表情的满意度分析程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向实体的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程文件处理设备的处理器以产生一个机器，使得通过计算机或其他可编程文件处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程文件处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程文件处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种基于表情的满意度分析方法，其特征在于，所述方法包括：
对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像；
将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；
根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
2.根据权利要求1所述的方法，其特征在于，所述将所述人脸表情特征分别输入到至少两个分类器中进行分类，得到各分类器输出的表情种类，包括：
将所述人脸表情特征分别输入到至少两个分类器中；
针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度；
将最高相似度对应的表情种类作为该分类器对应的表情种类。
3.根据权利要求1所述的方法，其特征在于，所述根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度，包括：
将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
4.根据权利要求1所述的方法，其特征在于，所述对待处理人脸图像进行特征提取，得到人脸表情特征，包括：
将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
5.根据权利要求1～4任一所述的方法，其特征在于，所述对待处理人脸图像进行特征提取，得到人脸表情特征之前，所述方法还包括：
对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；
将所述人脸图像作为所述待处理人脸图像。
6.一种基于表情的满意度分析装置，其特征在于，所述装置包括：
特征提取模块，用于对待处理人脸图像进行特征提取，得到人脸表情特征；其中，所述待处理人脸图像为目标对象面朝物品的人脸图像；
分类模块，用于将所述人脸表情特征分别输入到至少两个分类器，得到各分类器对应的表情种类；其中，各分类器对应至少两种表情种类，且各分类器对应的表情种类不完全相同；
确定模块，用于根据各分类器对应的表情种类确定所述目标对象对所述物品的满意度。
7.根据权利要求6所述的装置，其特征在于，分类模块包括：
输入单元，用于将所述人脸表情特征分别输入到至少两个分类器中；
比较单元，用于针对每个分类器，通过该分类器将所述人脸表情特征分别与对应的至少两种表情种类的特征向量进行比较，得到各表情种类对应的特征向量与所述人脸表情特征的相似度；
确定表情种类单元，用于将最高相似度对应的表情种类作为该分类器对应的表情种类。
8.根据权利要求6所述的装置，其特征在于，确定模块具体用于将各分类器对应的表情种类中出现次数最多的表情种类对应的满意度作为所述目标对象对所述物品的满意度。
9.根据权利要求6所述的装置，其特征在于，特征提取模块具体用于将所述待处理人脸图像输入到特征提取网络模型中，以得到所述人脸表情特征。
10.根据权利要求6～9任一所述的装置，其特征在于，所述装置还包括：
预处理模块，用于特征提取模块对待处理人脸图像进行特征提取，得到人脸表情特征之前，对所述待处理图像进行预处理，得到所述待处理图像的人脸图像和背景图像；
确定待处理人脸图像模块，用于将所述人脸图像作为所述待处理人脸图像。
11.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1至5中任一所述方法的步骤。
12.一种计算机可读存储介质，其特征在于，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行权利要求1至5中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783478.1A CN112084863A (zh) | 2020-08-06 | 2020-08-06 | 一种基于表情的满意度分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783478.1A CN112084863A (zh) | 2020-08-06 | 2020-08-06 | 一种基于表情的满意度分析方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112084863A true CN112084863A (zh) | 2020-12-15 |
Family
ID=73734827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010783478.1A Pending CN112084863A (zh) | 2020-08-06 | 2020-08-06 | 一种基于表情的满意度分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084863A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951856A (zh) * | 2017-03-16 | 2017-07-14 | 腾讯科技（深圳）有限公司 | 表情包提取方法及装置 |
| CN109101956A (zh) * | 2018-09-21 | 2018-12-28 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
| CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
| CN110399821A (zh) * | 2019-07-17 | 2019-11-01 | 上海师范大学 | 基于人脸表情识别的顾客满意度获取方法 |
| CN110472592A (zh) * | 2019-08-20 | 2019-11-19 | 中国工商银行股份有限公司 | 基于表情识别的服务满意度评价方法和装置 |
-
2020
- 2020-08-06 CN CN202010783478.1A patent/CN112084863A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951856A (zh) * | 2017-03-16 | 2017-07-14 | 腾讯科技（深圳）有限公司 | 表情包提取方法及装置 |
| CN109101956A (zh) * | 2018-09-21 | 2018-12-28 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
| CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
| CN110399821A (zh) * | 2019-07-17 | 2019-11-01 | 上海师范大学 | 基于人脸表情识别的顾客满意度获取方法 |
| CN110472592A (zh) * | 2019-08-20 | 2019-11-19 | 中国工商银行股份有限公司 | 基于表情识别的服务满意度评价方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 胡航: "语音信号处理", 31 July 2009, 哈尔滨工业大学出版社, pages: 265 - 267 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
| CN111144937A (zh) | 广告素材确定方法、装置、设备及存储介质 | |
| CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
| US11093969B2 (en) | Cross-domain contextual targeting without any in-domain labelled data | |
| CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
| US10853417B2 (en) | Generating a platform-based representative image for a digital video | |
| US12039424B2 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
| US12019852B2 (en) | Systems and methods for orienting webpage content based on user attention | |
| CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
| CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
| CN108510326B (zh) | 初始值确定方法及装置 | |
| CN113312457B (zh) | 用于问题解决的方法、计算系统和计算机可读介质 | |
| US20230333720A1 (en) | Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface | |
| WO2022271661A1 (en) | Training data generation, model serving, and machine learning techniques for advanced frequency management | |
| CN113159834B (zh) | 一种商品信息排序方法、装置以及设备 | |
| CN112084863A (zh) | 一种基于表情的满意度分析方法、装置及存储介质 | |
| CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN114282935A (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
| CN114647793A (zh) | 数据推送方法、装置及电子设备 | |
| US20240362541A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
| US11238490B2 (en) | Determining performance metrics for delivery of electronic media content items by online publishers | |
| US20220398433A1 (en) | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications | |
| CN109426978A (zh) | 用于生成信息的方法和装置 | |
| CN112396445B (zh) | 用于识别用户身份信息的方法和装置 | |
| CN116469121A (zh) | 学习对象识别方法、装置、设备及存储介质 |
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 |