CN113065893B - 客户信息识别方法、装置、设备及存储介质 - Google Patents
客户信息识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113065893B CN113065893B CN202110312804.5A CN202110312804A CN113065893B CN 113065893 B CN113065893 B CN 113065893B CN 202110312804 A CN202110312804 A CN 202110312804A CN 113065893 B CN113065893 B CN 113065893B
- Authority
- CN
- China
- Prior art keywords
- information
- offline
- client
- video
- offline client
- 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.)
- Active
Links
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种客户信息识别方法、装置、设备及存储介质,通过采用客户信息采集终端进行线下客户信息的采集,使得采集到的客户信息数据结构一致,方便后续数据处理,降低了客户信息识别的成本,提高了客户信息识别的效率。同时,对客户信息识别时,采用视频识别和图片识别两种机制结合,可以避免客户信息识别遗漏,导致客户信息不完整不准确的问题,提升了客户信息识别的准确性。
Description
技术领域
本说明书属于计算机技术领域,尤其涉及一种客户信息识别方法、装置、设备及存储介质。
背景技术
随着计算机和互联网技术的发展,越来越多的业务发布上线,采用线上办理的方式,一些业务系统可能需要准确的确定线下客户的信息,才能够更好的进行业务上线的拓展。一般的,业务系统的客户信息是从多个渠道获取到的,数据格式不统一,不方便客户信息的整理,并且可能无法保证客户信息的准确性。
因此,如何能够提供一种方案,能够准确快速的识别出客户信息是本领域亟需解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种客户信息识别方法、装置、设备及存储介质,实现了信息推荐的个性化,提高了信息的转化率。
一方面,本说明书实施例提供了一种客户信息识别方法,所述方法包括:
接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;
对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
另一方面,本说明书提供了一种客户信息识别装置,所述装置包括:
数据接收模块,用于接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;
视频识别模块,用于对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
图片识别模块,用于对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
信息匹配模块,用于根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
又一方面,本说明书实施例提供了一种客户信息识别设备,包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述客户信息识别方法。
还一方面,本说明书实施例提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述客户信息识别方法。
本说明书提供的客户信息识别方法、装置、设备及存储介质,通过采用客户信息采集终端进行线下客户信息的采集,使得采集到的客户信息数据结构一致,方便后续数据处理,降低了客户信息识别的成本,提高了客户信息识别的效率。同时,对客户信息识别时,采用视频识别和图片识别两种机制结合,可以避免客户信息识别遗漏,导致客户信息不完整不准确的问题,提升了客户信息识别的准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本说明书中记载的一些实施例,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他的附图。
图1是本说明书实施例提供的客户信息识别方法实施例的流程示意图;
图2是本说明书一个场景示例中客户信息识别各个系统的交互示意图;
图3是本说明书一个场景示例中客户信息识别的原理流程示意图;
图4是本说明书提供的客户信息识别装置一个实施例的模块结构示意图;
图5是本说明书一个实施例中客户信息识别服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
本说明书实施例中的客户信息可以指一些业务系统的客户信息,尤其线下店铺或线下企业的信息,这些线下店铺或线下企业可以在业务系统中使用业务系统某些产品或服务,如:线下的饭馆可以接入外卖系统,以开展线上外卖业务。线下市场由于各种原因(如:疫情)商家倒闭、新增特别频繁,因此,导致线下的客户信息的准确度不高。
图1是本说明书实施例提供的客户信息识别方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
本说明书实施例中提供的客户信息识别方法可以应用在客户端、服务器等终端设备中,如:智能手机,或PC(Personal Computer,个人计算机)终端或智能穿戴设备终端中,如图1所示,所述方法可以包括如下步骤:
步骤102、接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息。
在具体的实施过程中,本说明书实施例中可以由客户信息采集终端进行线下客户信息的采集,主要利用客户信息采集终端对线下客户进行视频拍摄,可以拍摄线下客户所在街道或道路的视频信息,或直接拍摄线下客户店面的视频信息,再将拍摄的线下客户视频信息上传至数据处理平台。其中,上传线下客户视频信息时,可以将对应的位置信息一起上传值数据处理平台。线下客户视频信息可以本说明书实施例由专门的客户信息采集终端如:扫街工作人员的客户端或指定用户的客户端,对线下客户进行视频采集上传,采集到的线下客户信息数据结构一致,避免了通过多种渠道采集的客户信息的数据结构不一致,导致数据处理复杂,数据处理效率低的问题。
本说明书一些实施例中,接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息,包括:
接收所述客户信息采集终端通过指定应用程序实时采集到的线下客户视频信息以及采集所述线下客户视频信息时所述客户信息采集终端的位置信息。
在具体的实施过程中,可以利用客户信息采集终端中的指定应用程序实时采集线下客户视频信息,如:利用业务平台对应的应用程序或比较常用的视频录制应用程序等,以保证采集的客户信息的数据结构一致。同时,客户信息采集终端在采集线下客户视频信息后,可以利用LBS(Location Based Services,基于位置的服务)技术获取客户信息采集终端在录制线下客户视频信息时的位置信息,将该位置信息作为线下客户视频信息对应的位置信息一起上传至业务系统或数据处理平台。
其中,客户信息采集终端可以是扫街工作人员的工作设备,也可以是用户的智能手机或平板电脑或其他设备。一般的,业务系统会雇佣扫街工作人员进行线下客户信息的收集以及业务拓展,本说明书实施例,可以在扫街工作人员进行业务拓展或扫街时,录制线下店铺或线下企业的店面的视频信息,视频信息中可以包括线下客户的企业名称、服务类目、联系方式等等。并且,扫街人员一般会定期对指定位置的客户信息进行采集,客户信息采集终端采集到的视频信息一般比较及时,可以提高后续客户信息识别的准确性。
步骤104、对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息。
在具体的实施过程中,在接收到线下客户视频信息后,可以直接对线下客户视频信息进行识别,识别其中的客户信息如:企业名称、服务类目、联系方式等等,并将识别到的客户信息与该线下客户视频信息对应的位置信息进行关联后,存入线下客户视频识别集合。其中,线下客户视频信息可以有多条或者一条线下客户视频信息中可以包括多个线下客户的信息,通过对接收到的线下客户视频信息进行视频识别后,可以获得多个线下客户信息。
本说明书一些实施例中,所述对所述线下客户视频信息进行客户信息识别,包括:
对利用深度学习算法对所述线下客户视频信息进行客户信息识别。
在具体的实施过程中,可以利用深度学习算法如:LSTM(Long Short-TermMemory,长短期记忆圣经网络)、CNN(Convolutional Neural Networks,卷积神经网络)等,可以利用深度学习算法,对采集到的历史线下客户视频信息进行客户信息识别的模型训练,构建出客户信息识别模型,再利用构建好的模型对采集到的线下客户视频信息进行信息识别,识别出视频信息中的客户信息如:名称、服务类目等。其中,深度学习算法可以采用以下深度学习训练框架:TensorFlow(一个基于数据流编程的符号数学系统)、Caffe(Convolutional Architecture for Fast Feature Embedding,是一个兼具表达性、速度和思维模块化的深度学习框架)、PyTorch(一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序)。
利用深度学习算法对线下客户视频信息进行自动识别,以快速识别出视频信息中的线下客户信息,为后续客户信息的准确识别奠定了数据基础。
步骤106、对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息。
在具体的实施过程中,本说明书实施例采用视频和图片双重客户信息识别的机制,在接收到线下客户视频信息后,可以对线下客户视频信息进行图片截取,再对截取到的图片进行图像识别,获得线下客户图像识别集合。线下客户视频信息可以有多条或者一条线下客户视频信息中可以包括多个线下客户的信息,通过对线下客户视频信息进行图片截取后,每个线下客户视频信息可以截取出多张图片,再对截取出的图片进行图像识别后,可以识别出多个线下客户的信息,将识别出的线下客户信息以及对应的线下客户视频信息的位置信息存入线下客户图像识别集合。其中,对线下客户视频信息的视频识别和图片识别的先后顺序可以基于实际需要进行调整,也可以同时进行,本说明书实施例不作具体限定。
在对从截取出的图片进行图像识别时,可以采用OCR(Optical CharacterRecognition,光学字符识别)图片识别算法,或其他图像识别算法识别出图片中的客户信息。
本说明书一些实施例中,所述对所述线下客户视频信息进行图片截取,包括:
自动播放所述线下客户视频信息,每隔指定时间对所述线下客户视频信息进行视频帧的截图。
在对线下客户视频信息进行图片截取时,可以选择自动播放线下客户视频信息,再每隔指定时间如每隔1秒对张播放的视频进行截图,获得线下客户视频信息的截取的图片信息。通过每隔指定时间间隔截取一张图片的方式,相较于对视频进行一帧一帧的截取,数据处理效率更高,提升了客户信息识别的速度。
步骤108、根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
在具体的实施过程中,在获得线下客户视频识别集合和线下客户图像识别集合后,可以对线下客户视频识别集合和线下客户图像识别集合中的线下客户信息进行匹配筛选,删除其中不准确的客户信息,以确定出线下客户信息集合。其中,线下客户信息集合包括筛选出的客户信息如:客户名称、属性、服务类目、联系方式等,以及客户信息对应的位置信息,即客户的营业场所所在位置。
本说明书一些实施例中,所述根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合,包括:
将所述线下客户视频识别集合与所述线下客户图像识别集合进行叠加,获得线下客户信息初选集合;
将所述线下客户信息初选集合中重复的线下客户信息进行去重,获得线下客户信息初选去重集合;
对于所述线下客户信息初选去重集合中不一致的线下客户信息,删除与所述线下客户视频识别集合中一致的线下客户信息,获得所述线下客户信息集合。
在具体的实施过程中,在对线下客户视频识别集合和线下客户图像识别集合中的线下客户信息进行匹配筛选时,可以先将两个集合中线下客户信息进行叠加,即计算两个集合的并集,将两个集合内的线下客户信息放在一起。再将叠加后的线下客户信息初选集合中重复的线下客户信息进行去重处理,对于重复的线下客户信息可以只保留一个,获得线下客户信息初选去重集合。其中,重复的线下客户信息可以理解为同一个位置对应的客户信息相同,如:同一个位置处的客户名称相同,则认为两个集合的线下客户信息相同。若两个集合中的线下客户信息除了客户名称和位置,还有其他识别西西呢,则可以将两种识别结果中的线下客户信息进行相互完善,如:若通过视频识别方式识别出位置S处有一家早点店铺,该店铺的名称为×××早餐店,以及该早点店铺的联系方式,通过图片识别的方式,也识别到位置S处有一个早点店铺,该店铺的名称为×××早餐店,同时,还是别出了该早点店铺,保留完善后的线下客户信息,删除叠加后的线下客户信息初选集合中的线下客户信息。
再对线下客户信息初选去重集合中信息进行匹配,对于线下客户信息不一致的如:一个位置信息对应的客户信息如:客户名称不同,则以线下客户图像识别集合中的线下客户信息为准,从线下客户信息初选去重集合删除与线下客户视频识别集合一致的线下客户信息,获得最终的线下客户信息集合。
例如:通过对采集到的线下客户视频信息进行视频识别后,获得线下客户视频识别集合,线下客户视频识别集合中包括3个线下客户信息:客户1-位置A,客户2-位置B,客户3-位置C。对采集到的线下客户视频信息进行截图,并对截取的图片进行图像识别后,识别出2个线下客户信息:客户1-位置A,客户4-位置B。将线下客户视频识别集合和线下客户图像识别集合进行叠加处理,获得线下客户信息初选集合:客户1-位置A,客户2-位置B,客户3-位置C,客户1-位置A,客户4-位置B。对线下客户信息初选集合进行信息去重处理,如:集合中客户1-位置A出现了2次,则删除一个,保留一个获得线下客户信息初选去重集合:客户1-位置A,客户2-位置B,客户3-位置C,客户4-位置B。再对线下客户信息初选去重集合进行筛选,发现位置B对应有两个客户:客户2和客户4,信息不一致,则可以将其中与线下客户视频识别集合中一致的线下客户信息即客户2-位置B删除,获得线下客户信息集合:客户1-位置A,客户3-位置C,客户4-位置B。
通过对视频处理结果和图片处理结果进行去重、过滤,选择两种客户信息识别方案,可以弥补客户信息识别遗漏,导致客户信息识别不准确的问题。同时,图片识别的准确度相较于视频识别的准确度会比较高,在出现两种识别结果不一致时,以图片识别结果为准,可以确保客户信息识别的准确性。
本说明书实施例提供的客户信息识别方法,通过采用客户信息采集终端进行线下客户信息的采集,使得采集到的客户信息数据结构一致,方便后续数据处理,降低了客户信息识别的成本,提高了客户信息识别的效率。同时,对客户信息识别时,采用视频识别和图片识别两种机制,可以避免客户信息识别遗漏,导致客户信息不完整不准确的问题,提升了客户信息识别的准确性。
在上述实施例的基础上,本说明书一些实施例中,所述方法还包括:
将所述线下客户信息集合与线上支付交易信息、企业注册信息分别进行匹配,根据所述线下客户信息集合与线上支付交易信息、企业注册信息的匹配度确定出所述线下客户信息集合中各个线下客户信息的准确度等级;
基于所述线下客户信息的准确等级依次进行业务拓展。
在具体的实施过程中,在通过对线下客户视频信息进行视频识别和图片识别,并基于两种识别方式获得线下客户信息集合后,可以将获得线下客户信息集合中的线下客户信息与线上支付交易信息、企业注册信息分别进行匹配。其中,线上支付交易信息可以包括交易双方的用户名、交易产品名称或类型、交易金额、交易时间、交易位置等,线上支付交易可以指使用支付码进行支付交易,当然,可以获取指定时间范围内发生的线上支付交易信息,以确保信息的准确性。企业注册信息可以从企业注册信息管理系统获得,企业注册信息可以包括:注册的企业名称、营业地址、联系方式、经营类目等。可以基于线下客户信息集合中各个客户信息对应的位置范围,获取指定位置范围交易的线上支付交易信息,以及注册地址或经营地址在指定位置范围的企业注册信息。如:在存储线下客户信息时,可以按照地理位置的维度进行分类保存,可以将苏州市高新区××街道的线下客户信息集合中的线下客户位置信息与苏州市高新区××街道发生的线上支付交易信息进行匹配,再将苏州市高新区××街道的线下客户信息集合中的线下客户位置信息与注册地址或经营地址在苏州市高新区××街道的企业注册信息进行匹配。
其中,在将线下客户信息集合中的线下客户信息与线上支付交易信息、企业注册信息分别进行匹配时,可以通过构建不同维度的表格如:基于位置的表格、基于客户名称的表格、基于经营类目的表格等,将线下客户信息集合以及线上支付交易信息、企业注册信息中的数据分别构建出不同维度的表格,再将不同维度的表格的数据进行匹配。如:线下客户信息集合中的线下客户信息分别构建出基于位置的表格、基于客户名称的表格、基于经营类目的表格,同样的线上支付交易信息、企业注册信息也分别构建出基于位置的表格、基于客户名称的表格、基于经营类目的表格,再将不同维度的表格的数据进行关联,基于各个表格的关联信息对各个表格的数据进行匹配。还可以基于各个表格内的客户信息对客户信息进行补充完善,并保存完善后的客户信息。
基于匹配程度,可以确定出线下客户信息集合中各个线下客户信息的准确度等级,如:若经匹配,线下客户信息集合中线下客户信息1中的客户名称、位置、服务类目与线上支付交易信息中的客户名称、交易地址、交易产品的匹配度大于90%,则可以认为线下客户信息1的准确度等级为1级准确度。依据匹配度的大小,可以将线下客户信息集合中各个线下客户信息分为不同准确度等级的线下客户信息。业务拓展的工作人员可以基于确定出的各个线下客户信息的准确度依次进行业务拓展,优先对准确度等级高的客户进行业务拓展,以提高业务拓展的成功率和效率。其中,业务拓展可以理解为基于实际业务需求,与客户进行相关的业务合作。
在上述实施例的基础上,本说明书一些实施例中,所述方法还包括:
根据所述线上支付交易信息和/或所述企业注册信息确定出各个线下客户信息对应的产品类目;
将所述线下客户信息集合中各个线下客户信息标记上对应的产品类目;
根据各个线下客户信息的产品类目进行业务拓展。
在具体的实施过程中,在基于图片或视频对客户信息进行识别时,可能无法准确的识别到客户所述的行业属性或服务类目。在将获得线下客户信息集合中的线下客户信息与线上支付交易信息、企业注册信息分别进行匹配时,可以根据线上支付交易信息和/或企业注册信息确定出各个线下客户信息对应的产品类目,产品类目可以理解为客户经营的产品对应的类目,如:餐饮、超市、家政服务等等。也可以通过对识别出的线下客户信息中的客户名称进行自然语言处理,结合线上支付交易信息和/或企业注册信息,来确定客户的产品类目。基于确定出的产品类目,对线下客户信息集合中各个线下客户信息进行标记,以使得业务拓展的工作人员可以基于各个客户的产品类目选择相应的业务拓展。如:业务拓展工作人员A负责餐饮类的客户,那么业务拓展工作人员A则可以优先对线下客户信息集合中产品类目标记为餐饮类的客户进行业务拓展,实现针对性的业务拓展,提升业务拓展的效率和成功率。
图2是本说明书一个场景示例中客户信息识别各个系统的交互示意图,图3是本说明书一个场景示例中客户信息识别的原理流程示意图,下面结合图2、图3介绍本说明书实施例中客户信息识别的过程:
1.收集线下客户视频。通过对外提供扫街应用程序或由业务系统提供扫街服务,业务拓展人员(扫街人员)可以通过拍摄商家(即客户)门面、定位街区后上传。虽然有扫街人员开销,但是效率会非常高,拍摄操作成本低。同时也可以通过做运营活动鼓励业务系统的会员拍摄上传,奖励会员积分等形式,还可以进一步降低成本。
2.视频内容识别。视频内容识别本说明书实施例采用双重识别机制,包括视频内容识别和图片识别双重识别整合方案
2.1.视频内容识别。采用通用深度学习算法模型,针对视频内容识别。
2.2.图片识别。本说明书实施例没有采用通用视频单帧图像方案,而是采用独立设计流程,具体操作如下:
1)秒级图片截取。通过系统自动播放视频,然后按秒截取每一帧视频图像。
2)图片上传。按地理位置维度数据上传截取图片。
3)图片识别。通过视觉平台,利用深度学习算法模型识别图片中商户信息即线下客户信息。
2.3.双重识别数据匹配。按视频内容识别的客户名称和按图片识别的客户名称做双重匹配,完全匹配的为第一等级数据;当两种识别内容不匹配时,以图片识别结果为准。
2.4.对于识别结果通过自然语言处理平台,按商户名称推断经营类型。
2.5.结果去重。对于双重识别的碰撞结果做唯一性过滤,单条结果记录主要属性是:商户名称、地理位置,以及推测的经营类型。
2.6.积累完善客户的图片、视频库,用于为其它业务场景做算法训练等数据储备。
3.数据精准识别。通过同线上支付交易订单表、企业注册信息表等做多维多表数据join,精准识别商户信息并做过滤。
4.将处理后的客户信息进行存储。
5.数据指导业务拓展工作人员作业。业务拓展工作人员可以通过拓展应用,利用按地理位置围栏挖掘的识别出的客户信息中的潜在客户信息,实现对潜在客户的拜访和业务拓展,大大提升作业效率,进而节省公司开销。
本说明书实施例,通过扫街人员实时上传拍摄的街区店铺视频,相比以合作渠道获取的数据更加准确且实时性高,并且通过扫街人员实时拍摄视频数据结构相比原有方案更加统一,更易维护和处理。同时,利用AI算法进行视频识别和图片识别双重识别且整合机制,识别信息更加精准。基于识别出的客户信息,可以提高业务拓展人员的业务拓展效率和成功率,降低了业务拓展的成本。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的客户信息识别方法,本说明书一个或多个实施例还提供一种用于客户信息识别的装置。所述装置可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、插件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图4是本说明书提供的客户信息识别装置一个实施例的模块结构示意图,如图4所示,本说明书中提供的客户信息识别装置可以包括:
数据接收模块41,用于接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;
视频识别模块42,用于对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
图片识别模块43,用于对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
信息匹配模块44,用于根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
本说明书实施例通过采用客户信息采集终端进行线下客户信息的采集,使得采集到的客户信息数据结构一致,方便后续数据处理,降低了客户信息识别的成本,提高了客户信息识别的效率。同时,对客户信息识别时,采用视频识别和图片识别两种机制,可以避免客户信息识别遗漏,导致客户信息不完整不准确的问题,提升了客户信息识别的准确性。
需要说明的,上述所述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种客户信息识别设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的客户信息识别方法,如:
接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;
对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
需要说明的,上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的客户信息识别装置、设备,也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图5是本说明书一个实施例中客户信息识别服务器的硬件结构框图,该计算机终端可以是上述实施例中的客户信息识别服务器或客户信息识别装置。如图5所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图5中所示更多或者更少的插件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图5所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的客户信息识别方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;
对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例提供的上述客户信息识别方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
为了描述的方便,描述以上平台、终端时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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,例如多个单元或插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。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种客户信息识别方法,所述方法包括:
接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;所述客户信息采集终端为扫街工作人员的客户端或指定用户的客户端,所述线下客户视频信息包括:线下客户所在街道的视频信息、线下客户所在道路的视频信息、线下客户店面的视频信息中的至少一种;
对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
2.如权利要求1所述的方法,所述根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合,包括:
将所述线下客户视频识别集合与所述线下客户图像识别集合进行叠加,获得线下客户信息初选集合;
将所述线下客户信息初选集合中重复的线下客户信息进行去重,获得线下客户信息初选去重集合;
对于所述线下客户信息初选去重集合中不一致的线下客户信息,删除与所述线下客户视频识别集合中一致的线下客户信息,获得所述线下客户信息集合。
3.如权利要求1所述的方法,所述方法还包括:
将所述线下客户信息集合与线上支付交易信息、企业注册信息分别进行匹配,根据所述线下客户信息集合与线上支付交易信息、企业注册信息的匹配度确定出所述线下客户信息集合中各个线下客户信息的准确度等级;
基于所述线下客户信息的准确等级依次进行业务拓展。
4.如权利要求3所述的方法,所述方法还包括:
根据所述线上支付交易信息和/或所述企业注册信息确定出各个线下客户信息对应的产品类目;
将所述线下客户信息集合中各个线下客户信息标记上对应的产品类目;
根据各个线下客户信息的产品类目进行业务拓展。
5.如权利要求1所述的方法,所述对所述线下客户视频信息进行图片截取,包括:
自动播放所述线下客户视频信息,每隔指定时间对所述线下客户视频信息进行视频帧的截图。
6.如权利要求1所述的方法,所述对所述线下客户视频信息进行客户信息识别,包括:
对利用深度学习算法对所述线下客户视频信息进行客户信息识别。
7.如权利要求1所述的方法,接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息,包括:
接收所述客户信息采集终端通过指定应用程序实时采集到的线下客户视频信息以及采集所述线下客户视频信息时所述客户信息采集终端的位置信息。
8.一种客户信息识别装置,所述装置包括:
数据接收模块,用于接收客户信息采集终端发送的线下客户视频信息以及对应的位置信息;所述客户信息采集终端为扫街工作人员的客户端或指定用户的客户端,所述线下客户视频信息包括:线下客户所在街道的视频信息、线下客户所在道路的视频信息、线下客户店面的视频信息中的至少一种;
视频识别模块,用于对所述线下客户视频信息进行客户信息识别,获得线下客户视频识别集合,所述线下客户视频识别集合中包括从所述线下客户视频信息中识别出的线下客户信息,每个线下客户信息中包括对应的位置信息;
图片识别模块,用于对所述线下客户视频信息进行图片截取,并对截取出的图片进行图像识别,获得线下客户图像识别集合,所述线下客户图像识别集合包括从截取出的图片中识别到的线下客户信息,每个线下客户信息中包括对应的位置信息;
信息匹配模块,用于根据所述线下客户视频识别集合和所述线下客户图像识别集合,确定出线下客户信息集合。
9.一种客户信息识别设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312804.5A CN113065893B (zh) | 2021-03-24 | 2021-03-24 | 客户信息识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312804.5A CN113065893B (zh) | 2021-03-24 | 2021-03-24 | 客户信息识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065893A CN113065893A (zh) | 2021-07-02 |
CN113065893B true CN113065893B (zh) | 2022-11-04 |
Family
ID=76561696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312804.5A Active CN113065893B (zh) | 2021-03-24 | 2021-03-24 | 客户信息识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065893B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597295A (zh) * | 2023-07-19 | 2023-08-15 | 北京大也智慧数据科技服务有限公司 | 一种识别占道经营行为的方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2382408C2 (ru) * | 2007-09-13 | 2010-02-20 | Институт прикладной физики РАН | Способ и система для идентификации человека по изображению лица |
US8611601B2 (en) * | 2011-03-08 | 2013-12-17 | Bank Of America Corporation | Dynamically indentifying individuals from a captured image |
KR101657227B1 (ko) * | 2015-01-09 | 2016-09-21 | 에스케이플래닛 주식회사 | 고객 정보 관리 장치, 고객 정보 관리 방법, 고객 정보 관리 시스템 및 컴퓨터 프로그램이 기록된 기록매체 |
CN108551462A (zh) * | 2018-02-28 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
CN109086665A (zh) * | 2018-06-27 | 2018-12-25 | 相舆科技(上海)有限公司 | 一种基于人脸识别的客户信息管理系统 |
CN109271850B (zh) * | 2018-08-02 | 2021-08-20 | 北京三快在线科技有限公司 | 一种商家信息上传方法、装置、电子设备及存储介质 |
CN110781847A (zh) * | 2019-10-30 | 2020-02-11 | 辽宁鼎汉奇辉电子系统工程有限公司 | 一种基于神经网络动作行为识别的方法 |
-
2021
- 2021-03-24 CN CN202110312804.5A patent/CN113065893B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113065893A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200183977A1 (en) | Providing relevant cover frame in response to a video search query | |
CN109117714B (zh) | 一种同行人员识别方法、装置、系统及计算机存储介质 | |
CN110134829B (zh) | 视频定位方法和装置、存储介质及电子装置 | |
CN109993045B (zh) | 物品查找方法及查找装置、查找系统和机器可读存储介质 | |
JP6185186B2 (ja) | コードスキャン結果情報を提供するための方法及びシステム | |
CN108228824A (zh) | 一种视频的推荐方法、装置、电子设备、介质和程序 | |
CN103079092B (zh) | 在视频中获取人物信息的方法和装置 | |
CN110110577B (zh) | 识别菜名的方法及装置、存储介质、电子装置 | |
US8805123B2 (en) | System and method for video recognition based on visual image matching | |
CN106663196A (zh) | 视频中的计算机显著人物识别 | |
CN107871111B (zh) | 一种行为分析方法及系统 | |
TW201826225A (zh) | 基於增強現實的圖像識別方法及裝置 | |
CN110290346B (zh) | 一种基于智能视频分析的招投标视频的获取方法 | |
CN108335317A (zh) | 一种线下导购方法及装置 | |
CN113065893B (zh) | 客户信息识别方法、装置、设备及存储介质 | |
CN107818156A (zh) | 一种实时个性化新闻推荐方法及系统 | |
CN106980658A (zh) | 视频标注方法及装置 | |
KR101189609B1 (ko) | 이미지에 기반한 동영상 관련 서비스 제공 시스템 및 방법 | |
WO2020007141A1 (zh) | 线下商品信息查询方法、装置、设备及系统 | |
CN113065016A (zh) | 线下门店信息处理方法、装置、设备及系统 | |
CN109324955A (zh) | 一种具有智能推荐功能的it运维系统界面生成方法 | |
Roh et al. | Gesture spotting for low-resolution sports video annotation | |
De Marsico et al. | ES-RU: an e ntropy based rule to s elect r epresentative templates in face su rveillance | |
CN115170157A (zh) | 一种门店审核方法、装置、设备及存储介质 | |
Liu et al. | Within and between shot information utilisation in video key frame extraction |
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 | ||
GR01 | Patent grant |