CN112700235A - 线下支付用户的识别方法、装置和电子设备 - Google Patents
线下支付用户的识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112700235A CN112700235A CN201911010713.5A CN201911010713A CN112700235A CN 112700235 A CN112700235 A CN 112700235A CN 201911010713 A CN201911010713 A CN 201911010713A CN 112700235 A CN112700235 A CN 112700235A
- Authority
- CN
- China
- Prior art keywords
- payment
- target
- data
- order data
- order
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012163 sequencing technique Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 182
- 230000008569 process Effects 0.000 description 22
- 239000011521 glass Substances 0.000 description 8
- 238000007499 fusion processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/102—Bill distribution or payments
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种线下支付用户的识别方法、装置和电子设备,包括:获取支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;根据各支付订单数据的时间信息对支付订单数据排序,对排序后的支付订单数据进行分类,得到至少一个订单分类结果;在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算每个人脸账号与其对应的支付订单数据的相关度;根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号。本发明通过支付订单数据和支付用户数据能够确定得到各支付订单数据的目标支付用户,即能够识别得到各支付订单真正的支付用户,实现了对线下支付用户的有效识别。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种线下支付用户的识别方法、装置和电子设备。
背景技术
线下零售的支付用户认定和顾客识别是建立大数据CRM(Customer RelationshipManagement,客户关系管理)的前提,是门店对顾客进行行为分析(即从顾客进店-浏览-购买的转化漏斗路径分析)的基础一环。不同于线上零售的强会员账号体系,线下零售缺乏有效的会员账号和支付体系,因此,现有技术还无法对线下支付用户进行认定和识别,进而无法打通顾客在店内的行为数据。虽然,支付宝、微信等移动支付方式能够从支付账号体系上提供基础数据支持,并且,部分零售企业也基于微信公众号、小程序构建了自己的移动端应用,从而实现支付时支付用户的认定。但因为微信和支付宝都有各自封闭的体系,相互之间的数据无法关联,用户支付账号仍旧无法打通。
为了实现支付用户认定和顾客识别,最近,有一些零售公司用自营APP的方式构建了线上线下一体化的客户账号体系,在进行线下支付时,必须使用其对应的移动应用,这就导致必须强制用户使用独立的APP进行支付,客户体验度不高。
综上,现有技术还无法对线下支付用户进行有效的识别。
发明内容
有鉴于此,本发明的目的在于提供一种线下支付用户的识别方法、装置和电子设备,以对线下支付用户进行有效的识别。
第一方面,本发明实施例提供了一种线下支付用户的识别方法,包括:获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;所述支付订单数据包括:时间信息,所述支付用户数据包括:人脸账号;根据各支付订单数据的时间信息对所述支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;所述订单分类结果中至少包括:一个支付订单数据和所述支付订单数据所属时间段对应的支付用户数据;在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号,进而得到所述目标商家的各支付订单数据所对应的目标支付用户;所述目标支付用户为所述目标人脸账号所表征的支付用户。
进一步的,所述支付用户数据还包括:人脸图像,所述人脸图像与所述人脸账号对应,在根据各支付订单数据的时间信息对所述支付订单数据进行排序之后,在对排序后的支付订单数据进行分类之前,所述方法还包括:在所述排序后的支付订单数据中,提取相邻支付订单数据对应的不同人脸账号的人脸图像;将所述人脸图像进行人脸比对;根据比对结果对不同人脸账号进行聚合,得到排序聚合后的支付订单数据和其对应的聚合后的支付用户数据。
进一步的,对排序后的支付订单数据进行分类的步骤包括:按照第一预设分类策略对所述排序聚合后的支付订单数据进行分类;所述第一预设分类策略包括:将相邻支付订单数据的时间间隔小于第一预设时间间隔,且相邻支付订单数据对应有相同人脸账号的支付订单数据划分为同一订单分类结果。
进一步的,所述支付用户数据还包括:移动时间轨迹数据,所述移动时间轨迹数据与所述人脸账号对应,在得到至少一个订单分类结果之后,在计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度之前,所述方法还包括:在所述订单分类结果中,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并。
进一步的,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并的步骤包括:根据所述移动时间轨迹数据的时间,对每个所述人脸账号的移动时间轨迹数据排序,得到每个所述人脸账号的时间轨迹数据队列;在每个所述人脸账号的时间轨迹数据队列中,将移动时间轨迹数据的时间间隔小于第二预设时间间隔的移动时间轨迹数据合并,得到包含排序后的支付订单数据和其对应的轨迹合并后的支付用户数据的订单分类结果。
进一步的,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度的步骤包括:在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,确定所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和轨迹合并后对应的轨迹时间;所述支付状态时间包括:订单时间、订单间隙时间和排队时间;根据所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和所述轨迹时间,分别计算所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分;根据所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度。
进一步的,根据所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和所述轨迹时间,分别计算所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分的步骤包括:根据订单得分计算算式计算所述人脸账号相对其对应的支付订单数据的订单得分;pscore表示所述订单得分,t1表示所述订单时间,St1表示与所述订单时间对应的人脸面积,T表示所述轨迹时间;根据订单间隙得分计算算式计算所述人脸账号相对其对应的支付订单数据的订单间隙得分;gscore表示所述订单间隙得分,t2表示所述订单间隙时间,St2表示与所述订单间隙时间对应的人脸面积,T表示所述轨迹时间;根据排队得分计算算式计算所述人脸账号相对其对应的支付订单数据的排队得分;qscore表示所述排队得分,t3表示所述排队时间,St3表示与所述排队时间对应的人脸面积,T表示所述轨迹时间。
进一步的,根据所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度的步骤包括:根据相关度计算算式V=pscore+w1*gscore+w2*qscore计算每个人脸账号与其对应的支付订单数据的相关度;V表示所述相关度,pscore表示所述订单得分,gscore表示所述订单间隙得分,qscore表示所述排队得分,w1、w2表示权重系数。
进一步的,根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号的步骤包括:在所述订单分类结果中确定当前待处理支付订单数据;在所述订单分类结果中,除之前确定的待处理支付订单数据之外,所述当前待处理支付订单数据对应的人脸账号只有一个,或,所述订单分类结果中,除之前确定的待处理支付订单数据之外,所述当前待处理支付订单数据对应的相关度的方差最大;在所述当前待处理支付订单数据中,将与其相关度最大的人脸账号作为所述当前待处理支付订单数据的目标人脸账号,并将所述目标人脸账号在其它支付订单数据中的相关度设置为预设值,完成对所述当前待处理支付订单数据的处理;返回执行在所述订单分类结果中确定待处理支付订单数据的步骤,直至确定所述订单分类结果中每个支付订单数据的目标人脸账号为止。
进一步的,在得到所述目标商家的各支付订单数据所对应的目标支付用户之后,所述方法还包括:获取多个目标商家的支付订单数据与目标支付用户之间的对应关系;将所述多个目标商家中的任意一个目标商家的支付订单数据与目标支付用户之间的对应关系作为基准对应关系;按照第二预设分类策略对所述基准对应关系进行分类,得到多个不同类别的基准对应关系库;根据其它目标商家的目标支付用户所属的类别,在所述多个不同类别的基准对应关系库中确定目标基准对应关系库;所述其它目标商家为所述多个目标商家中,除所述基准对应关系对应的目标商家之外的目标商家;将所述其它目标商家的目标支付用户与所述目标基准对应关系库中的各目标支付用户进行匹配,根据匹配结果确定所述目标支付用户在不同目标商家中的支付订单数据。
进一步的,将所述其它目标商家的目标支付用户与所述目标基准对应关系库中的各目标支付用户进行匹配的步骤包括:将所述其它目标商家的目标支付用户的人脸图像与所述目标基准对应关系库中的各目标支付用户的人脸图像进行匹配;如果在所述目标基准对应关系库中的各目标支付用户中,存在目标人脸图像与所述其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则确定所述目标人脸图像所对应的目标支付用户与所述其它目标商家的目标支付用户为同一用户,并为所述目标人脸图像所对应的目标支付用户和所述其它目标商家的目标支付用户生成唯一的人脸账号,得到所述目标支付用户在不同目标商家中的支付订单数据;如果在所述目标基准对应关系库中的各目标支付用户中,不存在所述目标人脸图像与所述其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则将所述其它目标商家的目标支付用户与其支付订单的对应关系添加至所述目标基准对应关系库。
进一步的,获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据的步骤包括:获取预设时间内支付设备发送的目标商家的支付订单数据;获取预设时间内图像处理设备发送的支付用户数据;对所述支付订单数据和所述支付用户数据进行融合,得到与各支付订单数据所属时间段对应的支付用户数据。
第二方面,本发明实施例还提供了一种线下支付用户的识别装置,包括:获取单元,用于获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;分类单元,用于根据各支付订单数据的时间信息对所述支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;所述订单分类结果中至少包括:一个支付订单数据和所述支付订单数据所属时间段对应的支付用户数据;计算单元,用于在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;确定单元,用于根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号,进而得到所述目标商家的各支付订单数据所对应的目标支付用户;所述目标支付用户为所述目标人脸账号所表征的支付用户。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上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第一方面任一项所述的方法的步骤。
第四方面,本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
在本发明实施例中,先获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;然后,根据各支付订单数据的时间信息对支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;进而,在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;最后,根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号,进而得到目标商家的各支付订单数据所对应的目标支付用户。通过上述描述可知,通过支付订单数据和支付用户数据能够确定得到各支付订单数据的目标支付用户,即能够识别得到各支付订单真正的支付用户,实现了对线下支付用户的有效识别,缓解了现有技术无法对线下支付用户进行有效的识别的技术问题。
本发明的其他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,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的电子设备的示意图;
图2为本发明实施例提供的线下支付用户的识别方法的流程图;
图3为本发明实施例提供的支付用户1相对于订单2的支付状态时间的示意图;
图4为本发明实施例提供的计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度的方法流程图;
图5为本发明实施例提供的根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号的方法流程图;
图6为本发明实施例提供的确定目标支付用户在不同目标商家中的支付订单数据的方法流程图;
图7为本发明实施例提供的线下支付用户的识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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做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。
实施例1:
首先,参照图1来描述用于实现本发明实施例的电子设备100,该电子设备可以用于运行本发明各实施例的线下支付用户的识别方法。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及数据采集设备110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP,Digital Signal Processing)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、可编程逻辑阵列(PLA,Programmable Logic Array)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU,Central ProcessingUnit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述数据采集设备110用于进行支付订单数据和支付用户数据的采集,其中,数据采集设备所采集的支付订单数据和支付用户数据经过所述线下支付用户的识别方法进行处理之后,得到各支付订单所对应的目标支付用户,例如,数据采集设备可以拍摄用户期望的图像(例如照片、视频等),然后,将该图像进行图像处理后,得到支付用户数据,另外,数据采集设备还可以提取支付订单数据,将得到的支付用户数据和支付订单数据存储在所述存储器104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的线下支付用户的识别方法的电子设备可以被实现为诸如本地智能设备,还可以被实现为云端智能设备。
实施例2:
根据本发明实施例,提供了一种线下支付用户的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种线下支付用户的识别方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据。
其中,支付订单数据包括:订单号、时间信息和订单状态(其中含有时间信息),支付用户数据包括:人脸账号、移动时间轨迹数据、人脸图像、人脸图像的数量和每个人脸图像对应的人脸关键点。
在本发明实施例中,该线下支付用户的识别方法可以应用于本地智能设备,也可以应用于云端智能设备(例如,云端数据平台),本实施例对其执行主体不进行具体限定。上述支付订单数据和支付用户数据可以为数据采集设备采集得到的数据,该数据采集设备可以包括:具有图像处理功能的图像采集装置(或者是普通的图像采集装置和图像处理装置)和支付设备。上述目标商家可以理解为任意的实体店铺。
为便于理解获取支付订单数据和支付用户数据的过程,下面以一个具体的应用场景进行说明:
实现时,在目标商家的支付设备(例如,收银台)附近安装图像采集装置(可以为摄像头),通过图像采集装置实时对支付用户进行拍摄,得到支付用户的图像。在安装图像采集装置时,需要综合考虑支付设备的位置和图像采集装置拍摄图像的拍摄质量,进而确定图像采集装置的安装位置,一般设置于支付设备的正后方或侧方,使得图像采集装置完全拍摄到支付用户。
图像采集装置采集到支付用户的图像后,将支付用户的图像发送至图像处理装置(例如,该图像处理装置可以为B3R,即边缘计算单元),图像处理装置对支付用户的图像进行移动轨迹抽取和人脸抽取,进而得到支付用户数据。所谓的移动轨迹是指同一支付用户在一段时间内被识别到的时间段。移动轨迹抽取后,得到移动时间轨迹数据,其结构为[start time,end time]。由于同一支付用户可能无法一直在图像采集装置的视场内出现,所以每个用户可能会存在多个移动时间轨迹数据。另外,图像处理装置在进行人脸抽取时,会识别出不同的人脸图像,为各不同的人脸图像设置不同的人脸账号,同一人脸账号可对应多个人脸图像,还能得到各人脸图像的人脸关键点,以及支付用户的其它属性信息(例如,人脸大小、位置、性别、年龄等)。
支付设备用于生成支付订单,得到支付订单的订单号、时间信息和包含时间信息的支付订单的订单状态(例如,收银开始的状态、挂单的状态、失败的状态、结束的状态等)。其中,订单状态中的时间信息表示订单状态发生时所对应的时间。
在图像处理装置得到支付用户数据,且支付设备得到支付订单数据后,图像处理装置和支付设备可以分别将支付用户数据和支付订单数据发送至目标商家的一级网关,由一级网关对支付用户数据和支付订单数据进行融合处理,将融合处理得到的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据发送至执行线下支付用户的识别方法的装置中(例如,云端数据平台,为了便于描述,本实施例后续都以执行线下支付用户的识别方法的装置为云端数据平台的情况进行说明),以通过云端数据平台识别支付订单的目标支付用户;也可以将支付用户数据和支付订单数据直接发送至云端数据平台,由云端数据平台再对支付用户数据和支付订单数据进行后续所有的处理。
需要说明的是,上述融合处理是指:使得支付用户数据和支付订单数据在时间戳上匹配对齐,即得到与每个支付订单数据所属时间段对应的支付用户;上述预设时间可以为一天,本实施例对其不进行具体限制。
步骤S204,根据各支付订单数据的时间信息对支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果。
其中,订单分类结果中至少包括:一个支付订单数据和支付订单数据所属时间段对应的支付用户数据。
具体的,在进行排序时,可以按照支付订单数据的时间由前到后的顺序对支付订单数据进行排序,并对排序后的支付订单数据进行分类。
进行分类后,一方面能够便于后续的数据处理;另一方面,也能够使最终得到的支付订单数据与目标支付用户之间的匹配结果更加准确。下文中再对分类的具体过程进行详细描述。
步骤S206,在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度。
上述相关度能够直接反映每个支付用户为其对应的支付订单数据的真正支付用户的概率大小,进而根据上述相关度,就能够确定每个支付订单数据的目标支付用户(即真正的支付用户)。下文中再对该计算过程进行详细描述。
步骤S208,根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号,进而得到目标商家的各支付订单数据所对应的目标支付用户。
其中,目标支付用户为所目标人脸账号所表征的支付用户。
在本发明实施例中,先获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;然后,根据各支付订单数据的时间信息对支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;进而,在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;最后,根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号,进而得到目标商家的各支付订单数据所对应的目标支付用户。通过上述描述可知,通过支付订单数据和支付用户数据能够确定得到各支付订单数据的目标支付用户,即能够识别得到各支付订单真正的支付用户,实现了对线下支付用户的有效识别,缓解了现有技术无法对线下支付用户进行有效的识别的技术问题。
上述内容对本发明的线下支付用户的识别方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
在本实施例中,给出了上述步骤S202,获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据的一种实现方式,包括如下步骤:
(1)获取预设时间内支付设备发送的目标商家的支付订单数据;
(2)获取预设时间内图像处理设备发送的支付用户数据;
(3)对支付订单数据和支付用户数据进行融合,得到与各支付订单数据所属时间段对应的支付用户数据。
关于融合处理的过程可以参考上文中一级网关对支付订单数据和支付用户数据进行融合处理的过程,在此不再赘述。
在本实施例中,支付用户数据还包括:人脸图像,人脸图像与人脸账号对应,在根据各支付订单数据的时间信息对支付订单数据进行排序之后,在对排序后的支付订单数据进行分类之前,该方法还包括如下i)至iii)的步骤:
i)在排序后的支付订单数据中,提取相邻支付订单数据对应的不同人脸账号的人脸图像;
ii)将人脸图像进行人脸比对;
iii)根据比对结果对不同人脸账号进行聚合,得到排序聚合后的支付订单数据和其对应的聚合后的支付用户数据。
考虑到图像处理装置在为不同人脸图像设置不同人脸账号时,可能会存在人脸图像识别错误的情况,导致设置的人脸账号也存在错误。例如,本来是同一个支付用户的人脸图像,但是,图像处理装置识别时,识别成了不同支付用户的人脸图像,这样就导致了给相同的支付用户设置不同的人脸账号的情况,为了避免上述情况影响后续的支付用户识别,所以需要先对支付用户数据进行上述i)至iii)的处理过程(实际上,就是预处理的过程,或者说是数据清洗的过程)。
在进行数据清洗时,在相邻支付订单数据的不同人脸账号对应的人脸图像中,提取拍摄效果最好的人脸图像(以正脸图像为标注确定抓拍图像的效果),然后,将提取得到的人脸图像进行人脸比对,如果任意两张人脸图像的匹配度大于阈值(例如,85%,本实施例对该阈值不进行限定),则确定上述超过阈值的两张人脸图像对应的人脸账号应该为同一人脸账号,进而聚合为同一人脸账号,反之,则不进行人脸账号的聚合,最终得到排序聚合后的支付订单数据和其对应的聚合后的支付用户数据。该过程相当于对支付用户数据的二次筛查,使得筛查后的支付用户数据更加准确。
在完成上述i)至iii)的过程后,本实施例给出了上述步骤S204,对排序后的支付订单数据进行分类的一种实现方式,包括如下过程:
按照第一预设分类策略对排序聚合后的支付订单数据进行分类。
其中,第一预设分类策略包括:将相邻支付订单数据的时间间隔小于第一预设时间间隔,且相邻支付订单数据对应有相同人脸账号的支付订单数据划分为同一订单分类结果。
具体的,将相邻支付订单数据的时间间隔小于T(即第一预设时间间隔,其大小可根据需要调节),且相邻支付订单数据中对应有相同人脸账号的支付订单数据分为同一个订单分类结果中,另外,时间间隔根据支付订单数据的时间信息确定。
为了更加便于对本实施例的理解,下面以A商家8月15日8点上报的数据支付订单数据和与各支付订单数据所属时间段对应的支付用户数据为例对本发明的支付用户的识别方法进行说明,如下表所示,给出了支付订单数据、与各支付订单数据所属时间段对应的支付用户数据(即原始数据)和计算数据,其中,下表中的顾客列和识别结果列应该为人脸图像,这里用顾客的姓氏来表示,相同的姓氏表示的相同支付用户的人脸图像。
其中,在上表中,原始数据和计算数据中的P表示支付用户,P后面的数字代表支付用户的序号,数字后面,中括号中的内容表示人脸账号,enter表示支付用户进入图像采集装置镜头画面的时间,leave表示支付用户离开图像采集装置镜头画面的时间(enter和leave可以根据移动时间轨迹数据确定),total表示轨迹时间(可根据enter和leave做差计算得到),order表示订单时间,gap表示订单间隙时间,queue表示排队时间,order、gap和queue的计算过程可参考图3,其中,示出了支付用户1相对于订单2的排队时间、订单间隙时间和订单时间,capCount表示抓拍到的人脸图像数,capCount后面的第一个数字表示抓拍到的人脸图像总数,再后面的括号中的第一数字表示属于订单时间内的人脸图像数量,第二个数字表示属于订单间隙时间内的人脸图像数量,第三个数字表示属于排队时间内的人脸图像数量,sourcetrack表示移动时间轨迹数据,mergetrack表示轨迹合并后移动时间轨迹数据(也即轨迹时间),pscore表示订单得分,gscore表示订单间隙得分,qscore表示排队得分,v表示相关度。
按照第一预设分类策略对排序聚合后的支付订单数据进行分类后,得到订单分类结果,如上述整个表格中的所有支付订单数据同属于同一个订单分类结果。
在本实施例中,支付用户数据还包括:移动时间轨迹数据,移动时间轨迹数据与人脸账号对应,在得到至少一个订单分类结果之后,在计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度之前,该方法还包括如下步骤:
在订单分类结果中,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并。
具体包括如下a)和b)的过程:
a)根据移动时间轨迹数据的时间,对每个人脸账号的移动时间轨迹数据排序,得到每个人脸账号的时间轨迹数据队列;
b)在每个人脸账号的时间轨迹数据队列中,将移动时间轨迹数据的时间间隔小于第二预设时间间隔的移动时间轨迹数据合并,得到包含排序后的支付订单数据和其对应的轨迹合并后的支付用户数据的订单分类结果。
为了便于理解,下面以人脸账号为GmPSmSOcx_gG_pWlO1DMXA==的支付用户的移动时间轨迹数据为例对轨迹时间数据合并的过程进行介绍:
如上表所示,对GmPSmSOcx_gG_pWlO1DMXA==的支付用户的移动时间轨迹数据进行排序,得到的GmPSmSOcx_gG_pWlO1DMXA==支付用户的时间轨迹数据队列为:[8:01:26AM-8:01:36AM],[8:02:06AM-8:02:25AM],[8:02:09AM-8:02:27AM],然后,将移动时间轨迹数据的时间间隔小于3s(即第二预设时间间隔,本发明实施例对上述第二预设时间间隔不进行限定)的移动时间轨迹数据合并,得到轨迹合并后的轨迹数据,即[8:01:26AM-8:01:36AM],[8:02:06AM-8:02:27AM]。进行该轨迹合并的过程后,每个支付用户的间断的移动时间轨迹能实现最大限度的合并,便于后续的计算处理。例如,通过轨迹合并后的轨迹数据就能得到enter和leave,进而计算得到轨迹时间。
在本实施例中,给出了上述步骤S206,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度的一种实现方式,参考图4,包括如下步骤:
步骤S401,在订单分类结果中,基于支付订单数据和其对应的支付用户数据,确定人脸账号相对其对应的支付订单数据的支付状态时间、与支付状态时间对应的人脸面积和轨迹合并后对应的轨迹时间。
其中,支付状态时间包括:订单时间、订单间隙时间和排队时间。
上述内容中已经介绍了支付状态时间和轨迹时间的确定过程,下面对人脸面积的确定过程进行说明:由于capCount中记录了各支付状态时间内的人脸图像数量,另外,根据拍摄人脸图像的时间也能确定所属于各支付状态时间内的人脸图像,加之又能得到每个人脸图像对应的人脸关键点,进而便能通过人脸关键点所围成的人脸区域面积计算得到与支付状态时间对应的人脸面积。
步骤S402,根据人脸账号相对其对应的支付订单数据的支付状态时间、与支付状态时间对应的人脸面积和轨迹时间,分别计算人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分。
具体的:
上表中已经示出各人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分。
步骤S403,根据人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度。
具体的:根据相关度计算算式V=pscore+w1*gscore+w2*qscore计算每个人脸账号与其对应的支付订单数据的相关度;V表示相关度,pscore表示订单得分,gscore表示订单间隙得分,qscore表示排队得分,w1、w2表示权重系数。
在本实施例中,w1的值可以为2/3,w2的值可以为1/3,本实施例对上述权重系数的值不进行具体限定,同理,上表中也已示出了每个人脸账号与其对应的支付订单数据的相关度。
在本实施例中,给出了上述步骤S208,根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号的一种实现方式,参考图5,包括如下步骤:
步骤S501,在订单分类结果中确定当前待处理支付订单数据。
其中,在订单分类结果中,除之前确定的待处理支付订单数据之外,当前待处理支付订单数据对应的人脸账号只有一个,或,订单分类结果中,除之前确定的待处理支付订单数据之外,当前待处理支付订单数据对应的相关度的方差最大。
具体的,在确定当前待处理支付订单数据时,优选将只有一个人脸账号所对应的支付订单数据作为当前待处理支付订单数据,如果订单分类结果中不存在上述形式的支付订单数据,则将相关度的方差最大的支付订单数据作为待处理支付订单数据。
继续以上表中的实例对确定目标人脸账号的过程进行描述:
在上述实例中,计算得到的相关度的结果如下:
订单号 | 人脸账号 | 相关度 | 是否选择 |
11108002635761 | 9XQooDXvTLu3tHMC2AmSJQ== | 40111.15 | |
11108002635761 | GmPSmSOcx_gG_pWlO1DMXA== | 135.62 | |
11108011775434 | Hi2KUjxT5zwIGr17jH1MQw== | 2788.57 | |
11108011775434 | GmPSmSOcx_gG_pWlO1DMXA== | 9456.65 | |
11108011775434 | kbvKSFz7G7ZQZS180fyw_Q== | 0 | |
11108012663874 | GmPSmSOcx_gG_pWlO1DMXA== | 13359.25 | |
11108012663874 | bwuhW3u2ELCL8KSOpblgCQ== | 798.82 | |
11108012663874 | f9b6e4cz0pLMtmI8af3YNQ== | 4756.04 | |
11108012663874 | ZHH4fbVeqzWj8LaL_826ug== | 0 |
按照上述选择当前待处理支付订单数据的原则可知,首次被选择的当前待处理支付订单数据(其对应的相关度的方差最大)为订单11108002635761的数据,第二次被选择的当前待处理支付订单数据为订单11108012663874的数据,第三次被选择的当前待处理支付订单数据为订单11108011775434的数据。
步骤S502,在当前待处理支付订单数据中,将与其相关度最大的人脸账号作为当前待处理支付订单数据的目标人脸账号,并将目标人脸账号在其它支付订单数据中的相关度设置为预设值(例如,下表中的-1,本实施例对该预设值不进行具体限定),完成对当前待处理支付订单数据的处理;
步骤S503,直至确定订单分类结果中每个支付订单数据的目标人脸账号为止。
例如,当当前待处理支付订单数据为订单11108002635761的数据时,得到的目标人脸账号为9XQooDXvTLu3tHMC2AmSJQ==,该次处理后的结果如下:
订单号 | 人脸账号 | 相关度 | 是否选择 |
11108002635761 | 9XQooDXvTLu3tHMC2AmSJQ== | 40111.15 | 1 |
11108002635761 | GmPSmSOcx_gG_pWlO1DMXA== | 135.62 | 0 |
11108011775434 | Hi2KUjxT5zwIGr17jH1MQw== | 2788.57 | |
11108011775434 | GmPSmSOcx_gG_pWlO1DMXA== | 9456.65 | |
11108011775434 | kbvKSFz7G7ZQZS180fyw_Q== | 0 | |
11108012663874 | GmPSmSOcx_gG_pWlO1DMXA== | 13359.25 | |
11108012663874 | bwuhW3u2ELCL8KSOpblgCQ== | 798.82 | |
11108012663874 | f9b6e4cz0pLMtmI8af3YNQ== | 4756.04 | |
11108012663874 | ZHH4fbVeqzWj8LaL_826ug== | 0 |
当当前待处理支付订单数据为订单11108012663874的数据时,得到的目标人脸账号为GmPSmSOcx_gG_pWlO1DMXA==,该次处理后的结果如下:
订单号 | 人脸账号 | 相关度 | 是否选择 |
11108002635761 | 9XQooDXvTLu3tHMC2AmSJQ== | 40111.15 | 1 |
11108002635761 | GmPSmSOcx_gG_pWlO1DMXA== | 135.62 | 0 |
11108011775434 | Hi2KUjxT5zwIGr17jH1MQw== | 2788.57 | |
11108011775434 | GmPSmSOcx_gG_pWlO1DMXA== | -1 | |
11108011775434 | kbvKSFz7G7ZQZS180fyw_Q== | 0 | |
11108012663874 | GmPSmSOcx_gG_pWlO1DMXA== | 13359.25 | 1 |
11108012663874 | bwuhW3u2ELCL8KSOpblgCQ== | 798.82 | 0 |
11108012663874 | f9b6e4cz0pLMtmI8af3YNQ== | 4756.04 | 0 |
11108012663874 | ZHH4fbVeqzWj8LaL_826ug== | 0 | 0 |
当当前待处理支付订单数据为订单11108011775434的数据时,得到的目标人脸账号为Hi2KUjxT5zwIGr17jH1MQw==,该次处理后的结果如下:
订单号 | 人脸账号 | 相关度 | 是否选择 |
11108002635761 | 9XQooDXvTLu3tHMC2AmSJQ== | 40111.15 | 1 |
11108002635761 | GmPSmSOcx_gG_pWlO1DMXA== | 135.62 | 0 |
11108011775434 | Hi2KUjxT5zwIGr17jH1MQw== | 2788.57 | 1 |
11108011775434 | GmPSmSOcx_gG_pWlO1DMXA== | -1 | 0 |
11108011775434 | kbvKSFz7G7ZQZS180fyw_Q== | 0 | 0 |
11108012663874 | GmPSmSOcx_gG_pWlO1DMXA== | 13359.25 | 1 |
11108012663874 | bwuhW3u2ELCL8KSOpblgCQ== | 798.82 | 0 |
11108012663874 | f9b6e4cz0pLMtmI8af3YNQ== | 4756.04 | 0 |
11108012663874 | ZHH4fbVeqzWj8LaL_826ug== | 0 | 0 |
通过上述内容的介绍可知,本实施例中的线下支付用户的识别方法能够实现线下支付订单数据与目标支付用户的匹配,基于该匹配关系,再根据支付订单关联的支付账号(例如,微信、支付宝等),就能打通支付用户的支付账号体系,另外,还可以根据支付订单数据与目标支付用户的匹配关系,进一步分析该目标支付用户的历史购买记录,进而在目标支付用户进入店铺后,对该目标支付用户进行识别,从而对其进行主动营销;此外,还可以分析目标支付用户在店铺内的行为(例如,轨迹、热区),进而对商品选品、陈列进行精细化运营,即能够精细化挖掘人-货-场的信息。
在本实施例中,在得到目标商家的各支付订单数据所对应的目标支付用户之后,参考图6,该方法还包括:
步骤S601,获取多个目标商家的支付订单数据与目标支付用户之间的对应关系。
需要说明的是,同一目标支付用户在不同目标商家内的人脸账号不同,也就是说针对每个目标商家,都维护了一个唯一的支付订单数据与目标支付用户之间的对应关系。例如,P0目标支付用户在377目标商家中的人脸账号为123,P0目标支付用户在388目标商家中的人脸账号为456,单纯的通过人脸账号无法识别得到这两个目标支付用户实际为同一目标支付用户,无法建立二者的关联,进而无法获取得到该目标支付用户在不同目标商家中的支付订单数据。下述过程即为确定目标支付用户在不同目标商家中的支付订单数据的过程。
步骤S602,将多个目标商家中的任意一个目标商家的支付订单数据与目标支付用户之间的对应关系作为基准对应关系。
步骤S603,按照第二预设分类策略对基准对应关系进行分类,得到多个不同类别的基准对应关系库。
例如,将基准对应关系库分为戴眼镜男的基准对应关系库、戴眼镜女的基准对应关系库、不戴眼镜男的基准对应关系库和不戴眼镜女的基准对应关系库。
也就是先按性别对基准对应关系库进行划分,划分得到两个类别的基准对应关系库,然后,再对得到的两个类别的基准对应关系库按是否戴眼镜对其进行划分。
上述预设分类策略除了包含性别、是否戴眼镜的策略之外,还可以为头发的长短、地域差异等等策略,本实施例对上述预设分类策略不进行具体限制。
步骤S604,根据其它目标商家的目标支付用户所属的类别,在多个不同类别的基准对应关系库中确定目标基准对应关系库。
其中,其它目标商家为多个目标商家中,除基准对应关系对应的目标商家之外的目标商家。
例如,其它目标商家的一个目标支付用户为戴眼镜男,那么就能确定目标基准对应关系库为戴眼镜男的基准对应关系库。
步骤S605,将其它目标商家的目标支付用户与目标基准对应关系库中的各目标支付用户进行匹配,根据匹配结果确定目标支付用户在不同目标商家中的支付订单。
具体的:
A)将其它目标商家的目标支付用户的人脸图像与目标基准对应关系库中的各目标支付用户的人脸图像进行匹配;
B)如果在目标基准对应关系库中的各目标支付用户中,存在目标人脸图像与其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则确定目标人脸图像所对应的目标支付用户与其它目标商家的目标支付用户为同一用户,并为目标人脸图像所对应的目标支付用户和其它目标商家的目标支付用户生成唯一的人脸账号,得到目标支付用户在不同目标商家中的支付订单数据;
C)如果在目标基准对应关系库中的各目标支付用户中,不存在目标人脸图像与其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则将其它目标商家的目标支付用户与其支付订单的对应关系添加至目标基准对应关系库。
通过上述步骤S601至步骤S605的过程,就能得到各目标支付用户在多个目标商家中的唯一的人脸账号,进而就能得到目标支付用户在不同目标商家中的支付订单数据,以用于后续的数据应用分析。
实施例3:
本发明实施例还提供了一种线下支付用户的识别装置,该线下支付用户的识别装置主要用于执行本发明实施例上述内容所提供的线下支付用户的识别方法,以下对本发明实施例提供的线下支付用户的识别装置做具体介绍。
图7是根据本发明实施例的一种线下支付用户的识别装置的示意图,如图7所示,该线下支付用户的识别装置主要包括:获取单元10、分类单元20、计算单元30和确定单元40,其中:
获取单元,用于获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;支付订单数据包括:时间信息,支付用户数据包括:人脸账号;
分类单元,用于根据各支付订单数据的时间信息对支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;订单分类结果中至少包括:一个支付订单数据和支付订单数据所属时间段对应的支付用户数据;
计算单元,用于在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;
确定单元,用于根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号,进而得到目标商家的各支付订单数据所对应的目标支付用户;目标支付用户为目标人脸账号所表征的支付用户。
在本发明实施例中,先获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;然后,根据各支付订单数据的时间信息对支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;进而,在订单分类结果中,基于支付订单数据和其对应的支付用户数据,计算支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;最后,根据相关度确定订单分类结果中每个支付订单数据的目标人脸账号,进而得到目标商家的各支付订单数据所对应的目标支付用户。通过上述描述可知,通过支付订单数据和支付用户数据能够确定得到各支付订单数据的目标支付用户,即能够识别得到各支付订单真正的支付用户,实现了对线下支付用户的有效识别,缓解了现有技术无法对线下支付用户进行有效的识别的技术问题。
可选地,支付用户数据还包括:人脸图像,人脸图像与人脸账号对应,该装置还用于:在排序后的支付订单数据中,提取相邻支付订单数据对应的不同人脸账号的人脸图像;将人脸图像进行人脸比对;根据比对结果对不同人脸账号进行聚合,得到排序聚合后的支付订单数据和其对应的聚合后的支付用户数据。
可选地,分类单元还用于:按照第一预设分类策略对排序聚合后的支付订单数据进行分类;第一预设分类策略包括:将相邻支付订单数据的时间间隔小于第一预设时间间隔,且相邻支付订单数据对应有相同人脸账号的支付订单数据划分为同一订单分类结果。
可选地,支付用户数据还包括:移动时间轨迹数据,移动时间轨迹数据与人脸账号对应,该装置还用于:在订单分类结果中,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并。
可选地,该装置还用于:根据移动时间轨迹数据的时间,对每个人脸账号的移动时间轨迹数据排序,得到每个人脸账号的时间轨迹数据队列;在每个人脸账号的时间轨迹数据队列中,将移动时间轨迹数据的时间间隔小于第二预设时间间隔的移动时间轨迹数据合并,得到包含排序后的支付订单数据和其对应的轨迹合并后的支付用户数据的订单分类结果。
可选地,计算单元还用于:在订单分类结果中,基于支付订单数据和其对应的支付用户数据,确定人脸账号相对其对应的支付订单数据的支付状态时间、与支付状态时间对应的人脸面积和轨迹合并后对应的轨迹时间;支付状态时间包括:订单时间、订单间隙时间和排队时间;根据人脸账号相对其对应的支付订单数据的支付状态时间、与支付状态时间对应的人脸面积和轨迹时间,分别计算人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分;根据人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度。
可选地,计算单元还用于:根据订单得分计算算式计算人脸账号相对其对应的支付订单数据的订单得分;pscore表示订单得分,t1表示订单时间,St1表示与订单时间对应的人脸面积,T表示轨迹时间;根据订单间隙得分计算算式计算人脸账号相对其对应的支付订单数据的订单间隙得分;gscore表示订单间隙得分,t2表示订单间隙时间,St2表示与订单间隙时间对应的人脸面积,T表示轨迹时间;根据排队得分计算算式计算人脸账号相对其对应的支付订单数据的排队得分;qscore表示排队得分,t3表示排队时间,St3表示与排队时间对应的人脸面积,T表示轨迹时间。
可选地,计算单元还用于:根据相关度计算算式V=pscore+w1*gscore+w2*qscore计算每个人脸账号与其对应的支付订单数据的相关度;V表示相关度,pscore表示订单得分,gscore表示订单间隙得分,qscore表示排队得分,w1、w2表示权重系数。
可选地,确定单元还用于:在订单分类结果中确定当前待处理支付订单数据;在订单分类结果中,除之前确定的待处理支付订单数据之外,当前待处理支付订单数据对应的人脸账号只有一个,或,订单分类结果中,除之前确定的待处理支付订单数据之外,当前待处理支付订单数据对应的相关度的方差最大;在当前待处理支付订单数据中,将与其相关度最大的人脸账号作为当前待处理支付订单数据的目标人脸账号,并将目标人脸账号在其它支付订单数据中的相关度设置为预设值,完成对当前待处理支付订单数据的处理;返回执行在订单分类结果中确定待处理支付订单数据的步骤,直至确定订单分类结果中每个支付订单数据的目标人脸账号为止。
可选地,该装置还用于:获取多个目标商家的支付订单数据与目标支付用户之间的对应关系;将多个目标商家中的任意一个目标商家的支付订单数据与目标支付用户之间的对应关系作为基准对应关系;按照第二预设分类策略对基准对应关系进行分类,得到多个不同类别的基准对应关系库;根据其它目标商家的目标支付用户所属的类别,在多个不同类别的基准对应关系库中确定目标基准对应关系库;其它目标商家为多个目标商家中,除基准对应关系对应的目标商家之外的目标商家;将其它目标商家的目标支付用户与目标基准对应关系库中的各目标支付用户进行匹配,根据匹配结果确定目标支付用户在不同目标商家中的支付订单数据。
可选地,该装置还用于:将其它目标商家的目标支付用户的人脸图像与目标基准对应关系库中的各目标支付用户的人脸图像进行匹配;如果在目标基准对应关系库中的各目标支付用户中,存在目标人脸图像与其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则确定目标人脸图像所对应的目标支付用户与其它目标商家的目标支付用户为同一用户,并为目标人脸图像所对应的目标支付用户和其它目标商家的目标支付用户生成唯一的人脸账号,得到目标支付用户在不同目标商家中的支付订单数据;如果在目标基准对应关系库中的各目标支付用户中,不存在目标人脸图像与其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则将其它目标商家的目标支付用户与其支付订单的对应关系添加至目标基准对应关系库。
可选地,获取单元还用于:获取预设时间内支付设备发送的目标商家的支付订单数据;获取预设时间内图像处理设备发送的支付用户数据;对支付订单数据和支付用户数据进行融合,得到与各支付订单数据所属时间段对应的支付用户数据。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本发明的另一个实施中,还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机运行所述计算机程序时执行上述方法实施例2中任一项所述的方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (15)
1.一种线下支付用户的识别方法,其特征在于,包括:
获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;所述支付订单数据包括:时间信息,所述支付用户数据包括:人脸账号;
根据各支付订单数据的时间信息对所述支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;所述订单分类结果中至少包括:一个支付订单数据和所述支付订单数据所属时间段对应的支付用户数据;
在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;
根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号,进而得到所述目标商家的各支付订单数据所对应的目标支付用户;所述目标支付用户为所述目标人脸账号所表征的支付用户。
2.根据权利要求1所述的方法,其特征在于,所述支付用户数据还包括:人脸图像,所述人脸图像与所述人脸账号对应,在根据各支付订单数据的时间信息对所述支付订单数据排序之后,在对排序后的支付订单数据进行分类之前,所述方法还包括:
在所述排序后的支付订单数据中,提取相邻支付订单数据对应的不同人脸账号的人脸图像;
将所述人脸图像进行人脸比对;
根据比对结果对不同人脸账号进行聚合,得到排序聚合后的支付订单数据和其对应的聚合后的支付用户数据。
3.根据权利要求2所述的方法,其特征在于,对排序后的支付订单数据进行分类的步骤包括:
按照第一预设分类策略对所述排序聚合后的支付订单数据进行分类;所述第一预设分类策略包括:将相邻支付订单数据的时间间隔小于第一预设时间间隔,且相邻支付订单数据对应有相同人脸账号的支付订单数据划分为同一订单分类结果。
4.根据权利要求1所述的方法,其特征在于,所述支付用户数据还包括:移动时间轨迹数据,所述移动时间轨迹数据与所述人脸账号对应,在得到至少一个订单分类结果之后,在计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度之前,所述方法还包括:
在所述订单分类结果中,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并。
5.根据权利要求4所述的方法,其特征在于,按照轨迹合并规则对每个人脸账号的移动时间轨迹数据进行合并的步骤包括:
根据所述移动时间轨迹数据的时间,对每个所述人脸账号的移动时间轨迹数据排序,得到每个所述人脸账号的时间轨迹数据队列;
在每个所述人脸账号的时间轨迹数据队列中,将移动时间轨迹数据的时间间隔小于第二预设时间间隔的移动时间轨迹数据合并,得到包含排序后的支付订单数据和其对应的轨迹合并后的支付用户数据的订单分类结果。
6.根据权利要求1所述的方法,其特征在于,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度的步骤包括:
在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,确定所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和轨迹合并后对应的轨迹时间;所述支付状态时间包括:订单时间、订单间隙时间和排队时间;
根据所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和所述轨迹时间,分别计算所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分;
根据所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度。
7.根据权利要求6所述的方法,其特征在于,根据所述人脸账号相对其对应的支付订单数据的支付状态时间、与所述支付状态时间对应的人脸面积和所述轨迹时间,分别计算所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分的步骤包括:
根据订单间隙得分计算算式计算所述人脸账号相对其对应的支付订单数据的订单间隙得分;gscore表示所述订单间隙得分,t2表示所述订单间隙时间,St2表示与所述订单间隙时间对应的人脸面积,T表示所述轨迹时间;
8.根据权利要求6所述的方法,其特征在于,根据所述人脸账号相对其对应的支付订单数据的订单得分、订单间隙得分和排队得分,计算每个人脸账号与其对应的支付订单数据的相关度的步骤包括:
根据相关度计算算式V=pscore+w1*gscore+w2*qscore计算每个人脸账号与其对应的支付订单数据的相关度;V表示所述相关度,pscore表示所述订单得分,gscore表示所述订单间隙得分,qscore表示所述排队得分,w1、w2表示权重系数。
9.根据权利要求1所述的方法,其特征在于,根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号的步骤包括:
在所述订单分类结果中确定当前待处理支付订单数据;在所述订单分类结果中,除之前确定的待处理支付订单数据之外,所述当前待处理支付订单数据对应的人脸账号只有一个,或,所述订单分类结果中,除之前确定的待处理支付订单数据之外,所述当前待处理支付订单数据对应的相关度的方差最大;
在所述当前待处理支付订单数据中,将与其相关度最大的人脸账号作为所述当前待处理支付订单数据的目标人脸账号,并将所述目标人脸账号在其它支付订单数据中的相关度设置为预设值,完成对所述当前待处理支付订单数据的处理;
返回执行在所述订单分类结果中确定待处理支付订单数据的步骤,直至确定所述订单分类结果中每个支付订单数据的目标人脸账号为止。
10.根据权利要求1所述的方法,其特征在于,在得到所述目标商家的各支付订单数据所对应的目标支付用户之后,所述方法还包括:
获取多个目标商家的支付订单数据与目标支付用户之间的对应关系;
将所述多个目标商家中的任意一个目标商家的支付订单数据与目标支付用户之间的对应关系作为基准对应关系;
按照第二预设分类策略对所述基准对应关系进行分类,得到多个不同类别的基准对应关系库;
根据其它目标商家的目标支付用户所属的类别,在所述多个不同类别的基准对应关系库中确定目标基准对应关系库;所述其它目标商家为所述多个目标商家中,除所述基准对应关系对应的目标商家之外的目标商家;
将所述其它目标商家的目标支付用户与所述目标基准对应关系库中的各目标支付用户进行匹配,根据匹配结果确定所述目标支付用户在不同目标商家中的支付订单数据。
11.根据权利要求10所述的方法,其特征在于,将所述其它目标商家的目标支付用户与所述目标基准对应关系库中的各目标支付用户进行匹配的步骤包括:
将所述其它目标商家的目标支付用户的人脸图像与所述目标基准对应关系库中的各目标支付用户的人脸图像进行匹配;
如果在所述目标基准对应关系库中的各目标支付用户中,存在目标人脸图像与所述其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则确定所述目标人脸图像所对应的目标支付用户与所述其它目标商家的目标支付用户为同一用户,并为所述目标人脸图像所对应的目标支付用户和所述其它目标商家的目标支付用户生成唯一的人脸账号,得到所述目标支付用户在不同目标商家中的支付订单数据;
如果在所述目标基准对应关系库中的各目标支付用户中,不存在所述目标人脸图像与所述其它目标商家的目标支付用户的人脸图像的匹配度大于预设匹配阈值,则将所述其它目标商家的目标支付用户与其支付订单的对应关系添加至所述目标基准对应关系库。
12.根据权利要求1所述的方法,其特征在于,获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据的步骤包括:
获取预设时间内支付设备发送的目标商家的支付订单数据;
获取预设时间内图像处理设备发送的支付用户数据;
对所述支付订单数据和所述支付用户数据进行融合,得到与各支付订单数据所属时间段对应的支付用户数据。
13.一种线下支付用户的识别装置,其特征在于,包括:
获取单元,用于获取预设时间内目标商家的支付订单数据和与各支付订单数据所属时间段对应的支付用户数据;所述支付订单数据包括:时间信息,所述支付用户数据包括:人脸账号;
分类单元,用于根据各支付订单数据的时间信息对所述支付订单数据排序,并对排序后的支付订单数据进行分类,得到至少一个订单分类结果;所述订单分类结果中至少包括:一个支付订单数据和所述支付订单数据所属时间段对应的支付用户数据;
计算单元,用于在所述订单分类结果中,基于所述支付订单数据和其对应的支付用户数据,计算所述支付用户数据中每个人脸账号与其对应的支付订单数据的相关度;
确定单元,用于根据所述相关度确定所述订单分类结果中每个支付订单数据的目标人脸账号,进而得到所述目标商家的各支付订单数据所对应的目标支付用户;所述目标支付用户为所述目标人脸账号所表征的支付用户。
14.一种电子设备,包括存储器、处理器及存储在所述存储器上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上述权利要求1至12中任一项所述的方法。
15.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机运行所述计算机程序时执行上述权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010713.5A CN112700235B (zh) | 2019-10-22 | 2019-10-22 | 线下支付用户的识别方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010713.5A CN112700235B (zh) | 2019-10-22 | 2019-10-22 | 线下支付用户的识别方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700235A true CN112700235A (zh) | 2021-04-23 |
CN112700235B CN112700235B (zh) | 2024-07-19 |
Family
ID=75505235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911010713.5A Active CN112700235B (zh) | 2019-10-22 | 2019-10-22 | 线下支付用户的识别方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700235B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298768A (zh) * | 2021-12-31 | 2022-04-08 | 北京金堤科技有限公司 | 信息推送方法、装置、存储系统和电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030004787A1 (en) * | 2001-05-30 | 2003-01-02 | The Procter & Gamble Company | Marketing system |
JP5158827B1 (ja) * | 2012-08-27 | 2013-03-06 | 紀輝 谷 | 購買者特定装置、購買者特定プログラム、購買者の特定方法及び購買者情報管理システム |
US20140147018A1 (en) * | 2012-11-28 | 2014-05-29 | Wal-Mart Stores, Inc. | Detecting Customer Dissatisfaction Using Biometric Data |
CN105138875A (zh) * | 2015-09-30 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 用户信息的识别方法及装置 |
CN107103503A (zh) * | 2017-03-07 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 一种订单信息确定方法和装置 |
CN107133289A (zh) * | 2017-04-19 | 2017-09-05 | 银联智策顾问(上海)有限公司 | 一种确定商圈的方法和装置 |
US20170345027A1 (en) * | 2016-05-31 | 2017-11-30 | Toshiba Tec Kabushiki Kaisha | Sales data processing apparatus and method for acquiring attribute information of customer |
CN107464116A (zh) * | 2017-07-25 | 2017-12-12 | 苏宁云商集团股份有限公司 | 一种订单结算方法及系统 |
CN107563343A (zh) * | 2017-09-18 | 2018-01-09 | 南京甄视智能科技有限公司 | 基于人脸识别技术的FaceID数据库的自我完善方法和系统 |
CN107730726A (zh) * | 2017-10-23 | 2018-02-23 | 秦卓奕 | 一种商品、服务展销方法以及智能展销终端 |
CN109658207A (zh) * | 2019-01-15 | 2019-04-19 | 深圳友朋智能商业科技有限公司 | 自动售货机的商品推荐方法、系统及装置 |
-
2019
- 2019-10-22 CN CN201911010713.5A patent/CN112700235B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030004787A1 (en) * | 2001-05-30 | 2003-01-02 | The Procter & Gamble Company | Marketing system |
JP5158827B1 (ja) * | 2012-08-27 | 2013-03-06 | 紀輝 谷 | 購買者特定装置、購買者特定プログラム、購買者の特定方法及び購買者情報管理システム |
US20140147018A1 (en) * | 2012-11-28 | 2014-05-29 | Wal-Mart Stores, Inc. | Detecting Customer Dissatisfaction Using Biometric Data |
CN105138875A (zh) * | 2015-09-30 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 用户信息的识别方法及装置 |
US20170345027A1 (en) * | 2016-05-31 | 2017-11-30 | Toshiba Tec Kabushiki Kaisha | Sales data processing apparatus and method for acquiring attribute information of customer |
CN107103503A (zh) * | 2017-03-07 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 一种订单信息确定方法和装置 |
CN107133289A (zh) * | 2017-04-19 | 2017-09-05 | 银联智策顾问(上海)有限公司 | 一种确定商圈的方法和装置 |
CN107464116A (zh) * | 2017-07-25 | 2017-12-12 | 苏宁云商集团股份有限公司 | 一种订单结算方法及系统 |
CN107563343A (zh) * | 2017-09-18 | 2018-01-09 | 南京甄视智能科技有限公司 | 基于人脸识别技术的FaceID数据库的自我完善方法和系统 |
CN107730726A (zh) * | 2017-10-23 | 2018-02-23 | 秦卓奕 | 一种商品、服务展销方法以及智能展销终端 |
CN109658207A (zh) * | 2019-01-15 | 2019-04-19 | 深圳友朋智能商业科技有限公司 | 自动售货机的商品推荐方法、系统及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298768A (zh) * | 2021-12-31 | 2022-04-08 | 北京金堤科技有限公司 | 信息推送方法、装置、存储系统和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112700235B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7181437B2 (ja) | 制御されていない照明条件の画像中の肌色を識別する技術 | |
KR102127039B1 (ko) | 상호작용 데이터 프로세싱 방법, 및 이를 이용하는 장치 | |
WO2017202006A1 (zh) | 数据处理方法和装置、计算机存储介质 | |
JP4991440B2 (ja) | 商品販売装置、商品販売管理システム、商品販売管理方法およびプログラム | |
TW201923685A (zh) | 風險識別模型構建和風險識別方法、裝置及設備 | |
JP7103345B2 (ja) | 解析システム、解析方法及びプログラム | |
JP6500374B2 (ja) | 画像処理装置及び画像処理プログラム | |
CN109145707A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20160092821A1 (en) | Non-transitory computer readable medium storing information presenting program and information processing apparatus and method | |
CN109787977B (zh) | 基于短视频的产品信息处理方法、装置、设备及存储介质 | |
CN111612657A (zh) | 一种客户类型识别方法、装置、电子设备及存储介质 | |
JP6520218B2 (ja) | 情報処理装置及び情報処理プログラム | |
TWI455054B (zh) | 顧客分析系統、顧客資料收集裝置、顧客分析裝置、顧客分析方法及程式產品 | |
WO2018074027A1 (ja) | 異常検出装置、制御方法、及びプログラム | |
CN112700235B (zh) | 线下支付用户的识别方法、装置和电子设备 | |
US20230333720A1 (en) | Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface | |
CN112907308A (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN113901955A (zh) | 一种自助交易方法、装置、电子设备及储存介质 | |
CN108830183A (zh) | 一种无人超市的商品管理方法、装置以及系统 | |
CN112528140A (zh) | 信息推荐方法、装置、设备、系统及存储介质 | |
CN114037940A (zh) | 目标商品的轨迹生成方法、装置、电子设备及存储介质 | |
JP2017173902A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2019083058A (ja) | 画像処理装置及び画像処理プログラム | |
JP7061326B1 (ja) | 情報処理装置、情報処理システムおよび情報処理方法 | |
CN111311297B (zh) | 一种生成会员人脸库的方法、装置以及计算设备 |
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 | ||
GR01 | Patent grant |