CN113516165B - 一种基于图像金字塔匹配后验的客户满意度判别方法 - Google Patents
一种基于图像金字塔匹配后验的客户满意度判别方法 Download PDFInfo
- Publication number
- CN113516165B CN113516165B CN202110496610.5A CN202110496610A CN113516165B CN 113516165 B CN113516165 B CN 113516165B CN 202110496610 A CN202110496610 A CN 202110496610A CN 113516165 B CN113516165 B CN 113516165B
- Authority
- CN
- China
- Prior art keywords
- image
- customer satisfaction
- customer
- images
- satisfaction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于图像金字塔匹配后验的客户满意度判别方法及装置,涉及客户满意度判断领域。其中一种基于图像金字塔匹配后验的客户满意度判别方法,包括如下步骤:将部分满意客户的面部图像的作为正训练样本,将部分不满意客户的面部图像的作为负训练样本;对选取的正训练样本和负训练样本进行多尺度图像加强处理;对加强处理后的图像进行SIFT特征提取;利用SVM模型对表征后的训练样本进行训练,得到客户满意度决策模型;输入经过加强处理和图像表征后的待检测图像时,利用客户满意度决策模型判别客户满意度;当客户满意度的得分在分类边缘部分时,利用图像金字塔后验匹配算法进行二次判定,满足了客户满意度的准确判断。
Description
技术领域
本发明涉及客户满意度判别领域,具体而言,涉及一种基于图像金字塔匹配后验的客户满意度判别方法。
背景技术
在现代社会中,网络极大地方便了我们的生活,很多重要业务都可以直接进行网上办理。在办理的过程中,客户的满意度是一个非常重要的指标。对于部分金融业务,考虑到安全、法律等因素,仍然需要用户到金融部门进行当面办理,因此常常会用到图像识别技术对客户满意度进行采集和分析。
目前,图像识别技术对客户满意度的判别仍然存在较大局限性,容易出现误判等情况。因此,如何建立一种客户满意度判别方法,能够较为准确地判别客户是否满意是一项非常有意义且亟待解决的工作。
发明内容
本发明的目的在于提供一种基于图像金字塔匹配后验的客户满意度判别方法,其能够满足客户满意度的判断,并且准确性高。
本发明的另一目的在于提供一种客户满意度判别装置,其能够满足客户满意度的判断,并且准确性高。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于图像金字塔匹配后验的客户满意度判别方法,包括如下步骤:
采集样本:将部分满意客户的面部图像的作为正训练样本,将部分不满意客户的面部图像的作为负训练样本;
加强处理:对选取的正训练样本和负训练样本进行多尺度图像加强处理;
图像表征:对加强处理后的图像进行SIFT特征提取;
机器学习:利用SVM模型对表征后的训练样本进行训练,得到客户满意度决策模型;
模型判别:输入经过加强处理和图像表征后的待检测图像时,利用所述客户满意度决策模型判别客户满意度;
分析结果:当所述客户满意度的得分较高时,将所述待检测图像判定为客户满意图像;当所述客户满意度的得分较低时,将所述待检测图像判定为客户不满意图像;当所述客户满意度的得分在分类边缘部分时,利用图像金字塔后验匹配算法进行二次判定。
在本发明的一些实施例中,所述加强处理中包括如下步骤:对图像进行3个不同尺度的高斯模糊;将模糊后的图像分别和原图做减法,得到不同程度的细节信息;将不同程度的细节信息加权到原图中,得到含有丰富细节信息的加强图像。
在本发明的一些实施例中,所述结果分析中,利用所述图像金字塔后验匹配算法进行二次判定包括如下步骤:将得分在分类边缘部分的待检测图像进行多尺度分解,计算不同尺度下的图像分别与正训练样本以及负训练样本的样本均值的相似度,根据相似度大小判定是否为客户满意图像。
在本发明的一些实施例中,所述多尺度分解包括将图像分解成大尺度、中尺度和小尺度。
在本发明的一些实施例中,所述结果分析中包括如下步骤:图像经过多尺度分解后,若图像与正训练样本的样本均值相似度较高,则判定为客户满意图像,若图像与负训练样本的样本均值相似度较高,则判定为客户不满意图像。
在本发明的一些实施例中,所述结果分析中包括如下步骤:计算多尺度分解后图像与正训练样本的样本均值的第一欧式距离,计算多尺度分解后图像与负训练样本的样本均值的第二欧式距离,若所述第一欧式距离大于所述第二欧式距离,判定图像为客户满意图像,否则判定为客户不满意图像。
在本发明的一些实施例中,所述结果分析中包括如下步骤:待检测图像有2次及以上被判定为客户满意图像,则将其最终判定为客户满意图像;否则将其判定为客户不满意图像。
在本发明的一些实施例中,所述一种基于图像金字塔匹配后验的客户满意度判别方法,还包括如下步骤:根据所有客户的到场次数采集客户满意图像和客户不满意图像,采集不同所述客户身份的客户满意度,根据所述客户满意度大小删除不同客户的客户满意图像或客户不满意图像。
在本发明的一些实施例中,所述一种基于图像金字塔匹配后验的客户满意度判别方法,还包括如下步骤:当所述客户满意度较高时,删除所述客户身份的客户不满意图像;当所述客户满意度较低时,删除所述客户身份的客户满意图像;当所述客户满意度中等时,删除所述客户身份的客户满意图像超出或少于客户不满意图像的部分。
第二方面,本申请实施例提供一种客户满意度判别装置,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现如第一方面所述判别方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
第一方面,本申请实施例提供一种基于图像金字塔匹配后验的客户满意度判别方法,包括如下步骤:
采集样本:将部分满意客户的面部图像的作为正训练样本,将部分不满意客户的面部图像的作为负训练样本;
加强处理:对选取的正训练样本和负训练样本进行多尺度图像加强处理;
图像表征:对加强处理后的图像进行SIFT特征提取;
机器学习:利用SVM模型对表征后的训练样本进行训练,得到客户满意度决策模型;
模型判别:输入经过加强处理和图像表征后的待检测图像时,利用所述客户满意度决策模型判别客户满意度;
分析结果:当所述客户满意度的得分较高时,将所述待检测图像判定为客户满意图像;当所述客户满意度的得分较低时,将所述待检测图像判定为客户不满意图像;当所述客户满意度的得分在分类边缘部分时,利用图像金字塔后验匹配算法进行二次判定。
针对第一方面:本申请实施例通过采集满意客户的面部图像作为样本,将不满意客户的面部图像作为负训练样本,从而对样本通过多尺度加强处理,并且利用SIFT特征提取对多尺度图像的特征进行表征,利用SVM模型对表征后的训练样本进行训练,从而利用满意客户和不满意客户的多组特征得到客户满意度决策模型;利用客户满意度决策模型识别待检测图像的多组特征,从而判断待检测图像的客户满意度;通过客户满意度的分数大小能够判定待检测图像是否为客户满意图像,提高了客户满意判断的准确性;通过客户满意度得分大小范围的分类判断客户满意度是否位于分类边缘部分,从而利用图像金字塔后验匹配算法多尺度分析后进行二次判定,减少了图像识别客户满意度判断的误差。本发明能够在金融业务的办理时对采集图像的客户满意度进行准确判断。
第二方面,本申请实施例提供一种客户满意度判别装置,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现如第一方面所述判别方法。
针对第二方面:其与第一方面的工作原理以及有益效果相同,在此不必重复描述。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例1一种基于图像金字塔匹配后验的客户满意度判别方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“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,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,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申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“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申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例提供的一种基于图像金字塔匹配后验的客户满意度判别方法的流程示意图。一种基于图像金字塔匹配后验的客户满意度判别方法,包括如下步骤:
采集样本:将部分满意客户的面部图像的作为正训练样本,将部分不满意客户的面部图像的作为负训练样本;
加强处理:对选取的正训练样本和负训练样本进行多尺度图像加强处理;
图像表征:对加强处理后的图像进行SIFT特征提取;
机器学习:利用SVM模型对表征后的训练样本进行训练,得到客户满意度决策模型;
模型判别:输入经过加强处理和图像表征后的待检测图像时,利用所述客户满意度决策模型判别客户满意度;
分析结果:当所述客户满意度的得分较高时,将所述待检测图像判定为客户满意图像;当所述客户满意度的得分较低时,将所述待检测图像判定为客户不满意图像;当所述客户满意度的得分在分类边缘部分时,利用图像金字塔后验匹配算法进行二次判定。
详细的,步骤采集样本中,将部分满意客户的面部图像作为正训练样本,将部分不满意客户的面部图像作为负训练样本。其中,满意客户和不满意客户可以为不同客户或相同客户,并且其中用于判断客户满意程度的因素可以人为根据客户身份提前录入,也可以人为根据客户图像识别客户满意程度将满意客户和不满意客户的面部图像进行分类。
详细的,步骤加强处理中,多尺度图像加强处理的可以使用三个尺度的高斯模糊,再和原图做减法,获得不同程度的细节信息,然后通过一定的组合方式把这些细节信息融合到原图中,从而得到加强原图信息。气质,可以采用SSE图像算法优化实现多尺度图像的细节提升。
详细的,步骤图像表征中,利用SIFT算法对多尺度图像提取SIFT特征在不同尺度空间上查找特征点,并计算出特征点的方向,实现图像的第一次表征,从而利用表征特征分析对满意客户和不满意客户的关键原因。
详细的,步骤机器学习中,利用SVM算法对表征后的训练样本分为两类,得到决定客户满意度的满意度决策模型。
详细的,步骤模型判别中,待检测的图像经过加强处理和图像标注后输入客户满意度决策模型,从而根据满意客户和不满意客户分析出待检测图像的客户满意度结果。
详细的,步骤分析结果中,判断客户满意度的得分是否较高,其中当得分较高时将待检测图像判定为客户满意图像,当客户满意度较低时判定为客户不满意图像。并且当客户满意度得分居中时,利用图像金字塔以不同分辨率对图像进行分析。可选的,在进行高斯金字塔运算时,拉普拉斯金字塔通过差分图像的方式采集高斯滤波和下采样过程中丢失的很多高频信号。比如,拉普拉斯金字塔的第0层,就是原始图像和原始图像下采样(Reduce)后再次上采样(Expand)的图像的差值。
本发明通过满意客户和不满意客户的面部图像作为训练样本,并且将样本进行多尺度加强后进行特征提取,生成客户满意度决策模型,进而对待检测图像的客户满意度进行分析,分析后利用客户满意度大小判断是否为客户满意图像,其中若无法区分客户满意度分数大小则利用图像金字塔匹配算法对待检测图像进行再次判定,得到是否为客户满意图像或是否为客户不满意图像的结果,从而对待检测图像进行多维度检测,减少图像识别时由于面部表情和长相识别产生的误差,提高了利用图像判断客户是否满意的准确性。其中,还可以识别正训练样本和负训练样本中同时存在的同一客户的不同特征,准确判断出当前待检测图像中客户是否满意。
在本发明的一些实施例中,所述加强处理中包括如下步骤:对图像进行3个不同尺度的高斯模糊;将模糊后的图像分别和原图做减法,得到不同程度的细节信息;将不同程度的细节信息加权到原图中,得到含有丰富细节信息的加强图像。
详细的,加强处理利用三个不同尺度下的高斯模糊后,提取出图像中的重要特征并加权到图像中,提高图像识别的准确性。
在本发明的一些实施例中,所述结果分析中,利用所述图像金字塔后验匹配算法进行二次判定包括如下步骤:将得分在分类边缘部分的待检测图像进行多尺度分解,计算不同尺度下的图像分别与正训练样本以及负训练样本的样本均值的相似度,根据相似度大小判定是否为客户满意图像。
详细的,通过多尺度分解待检测图像,并分别比较图像和客户满意图像以及客户不满意图像的相似性,从而进一步判断待检测图像是否为客户满意图像或客户不满意图像。
在本发明的一些实施例中,所述多尺度分解包括将图像分解成大尺度、中尺度和小尺度。
在本发明的一些实施例中,所述结果分析中包括如下步骤:图像经过多尺度分解后,若图像与正训练样本的样本均值相似度较高,则判定为客户满意图像,若图像与负训练样本的样本均值相似度较高,则判定为客户不满意图像。
在本发明的一些实施例中,所述结果分析中包括如下步骤:计算多尺度分解后图像与正训练样本的样本均值的第一欧式距离,计算多尺度分解后图像与负训练样本的样本均值的第二欧式距离,若所述第一欧式距离大于所述第二欧式距离,判定图像为客户满意图像,否则判定为客户不满意图像。
详细的,利用欧式距离大小判断相似度,其中当第一欧式距离较大时判定待检测图像为客户满意图像,当第一欧式距离较小时且当第二欧式距离较大时,判定待检测图像为客户不满意图像。其中,当第一欧式距离和第二欧式距离均较小时,可以比较第一欧式距离和第二欧式距离的大小,从而当第一欧式距离大于第二欧式距离时,判定图像为客户满意图像,而当第一欧式距离小于第二欧式距离时,判定为客户不满意图像。
在本发明的一些实施例中,所述结果分析中包括如下步骤:待检测图像有2次及以上被判定为客户满意图像,则将其最终判定为客户满意图像;否则将其判定为客户不满意图像。
详细的,待检测图像分成三个尺度后分别与样本进行比较,根据相似度被判断是否为客户满意图像,其中在三个尺度下两次以上被判定客户满意图像时,则最终判定待检测图像为客户满意图像,而两次以上被判定为客户不满意图像时,则最终判定待检测图像为客户不满意图像。
在本发明的一些实施例中,所述一种基于图像金字塔匹配后验的客户满意度判别方法,还包括如下步骤:根据所有客户的到场次数采集客户满意图像和客户不满意图像,采集不同所述客户身份的客户满意度,根据所述客户满意度大小删除不同客户的客户满意图像或客户不满意图像。
详细的,当客户办理金融业务或者其他业务时,根据客户到场次数采集客户满意图像和客户不满意图像,从而多次光顾的客户可以根据每次的满意程度进行记录。详细的,可以通过图像识别技术识别客户满意图像和不满意图像的客户身份,从而采集的不同客户的满意图像或不满意图像。其中,客户满意度可以通过各个客户填写的资料进行收集,从而人为删除采集或分类错误的图像。可选的,当客户满意度较高时,可以删除对应客户身份的客户不满意图像,当客户满意度较低时,可以删除其不满意图像,从而利用更新后的图像建立客户满意度决策模型。可选的,客户满意度由百分比表示,根据不同客户的客户满意度删除一定数量的客户满意图像或客户不满意图像,使得客户的客户满意图像或不满意图像占该客户所有图像的比例与客户满意度的大小相符,便于随着不同客户的满意度变化而更新采集的图像。
在本发明的一些实施例中,所述一种基于图像金字塔匹配后验的客户满意度判别方法,还包括如下步骤:当所述客户满意度较高时,删除所述客户身份的客户不满意图像;当所述客户满意度较低时,删除所述客户身份的客户满意图像;当所述客户满意度中等时,删除所述客户身份的客户满意图像超出或少于客户不满意图像的部分。
详细的,当客户满意度中等时,使得客户的满意图像与不满意图像数量相同,防止由于不满意图像和满意图像不同导致识别误差。
实施例2
本申请实施例提供一种客户满意度判别装置,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现如第一方面所述判别方法。
其中,存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,如本申请实施例所提供的一种客户满意度判别装置对应的程序指令/模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,流程图中的每个方框、以及流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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。
综上所述,本申请实施例提供的一种基于图像金字塔匹配后验的客户满意度判别方法以及实现该方法的装置:通过采集满意客户的面部图像作为样本,将不满意客户的面部图像作为负训练样本,从而对样本通过多尺度加强处理,并且利用SIFT特征提取对多尺度图像的特征进行表征,利用SVM模型对表征后的训练样本进行训练,从而利用满意客户和不满意客户的多组特征得到客户满意度决策模型;利用客户满意度决策模型识别待检测图像的多组特征,从而判断待检测图像的客户满意度;通过客户满意度的分数大小能够判定待检测图像是否为客户满意图像,提高了客户满意判断的准确性;通过客户满意度得分大小范围的分类判断客户满意度是否位于分类边缘部分,从而利用图像金字塔后验匹配算法多尺度分析后进行二次判定,从而进行进一步准确分析,减少图像识别客户满意度判断的误差。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,包括如下步骤:
采集样本:将部分满意客户的面部图像的作为正训练样本,将部分不满意客户的面部图像的作为负训练样本;
加强处理:对选取的正训练样本和负训练样本进行多尺度图像加强处理;
图像表征:对加强处理后的图像进行SIFT特征提取;
机器学习:利用SVM模型对表征后的训练样本进行训练,得到客户满意度决策模型;
模型判别:输入经过加强处理和图像表征后的待检测图像时,利用所述客户满意度决策模型判别客户满意度;
分析结果:当所述客户满意度的得分较高时,将所述待检测图像判定为客户满意图像;当所述客户满意度的得分较低时,将所述待检测图像判定为客户不满意图像;当所述客户满意度的得分在分类边缘部分时,利用图像金字塔后验匹配算法进行二次判定;
利用所述图像金字塔后验匹配算法进行二次判定包括如下步骤:将得分在分类边缘部分的待检测图像进行多尺度分解,计算不同尺度下的图像分别与正训练样本以及负训练样本的样本均值的相似度,根据相似度大小判定是否为客户满意图像。
2.如权利要求1所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,所述加强处理中包括如下步骤:对图像进行3个不同尺度的高斯模糊;将模糊后的图像分别和原图做减法,得到不同程度的细节信息;将不同程度的细节信息加权到原图中,得到含有丰富细节信息的加强图像。
3.如权利要求1所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,所述多尺度分解包括将图像分解成大尺度、中尺度和小尺度。
4.如权利要求3所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,所述分析结果中包括如下步骤:图像经过多尺度分解后,若图像与正训练样本的样本均值相似度较高,则判定为客户满意图像,若图像与负训练样本的样本均值相似度较高,则判定为客户不满意图像。
5.如权利要求4所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,所述分析结果中包括如下步骤:计算多尺度分解后图像与正训练样本的样本均值的第一欧式距离,计算多尺度分解后图像与负训练样本的样本均值的第二欧式距离,若所述第一欧式距离大于所述第二欧式距离,判定图像为客户满意图像,否则判定为客户不满意图像。
6.如权利要求1所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,所述分析结果中包括如下步骤:待检测图像有2次及以上被判定为客户满意图像,则将其最终判定为客户满意图像;否则将其判定为客户不满意图像。
7.如权利要求1所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,还包括如下步骤:根据所有客户的到场次数采集客户满意图像和客户不满意图像,采集不同客户身份的客户满意度,根据所述客户满意度大小删除不同客户的客户满意图像或客户不满意图像。
8.如权利要求1所述一种基于图像金字塔匹配后验的客户满意度判别方法,其特征在于,还包括如下步骤:当所述客户满意度较高时,删除所述客户身份的客户不满意图像;当所述客户满意度较低时,删除所述客户身份的客户满意图像;当所述客户满意度中等时,删除所述客户身份的客户满意图像超出或少于客户不满意图像的部分。
9.一种客户满意度判别装置,其特征在于,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-8中任一项所述判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496610.5A CN113516165B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图像金字塔匹配后验的客户满意度判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496610.5A CN113516165B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图像金字塔匹配后验的客户满意度判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516165A CN113516165A (zh) | 2021-10-19 |
CN113516165B true CN113516165B (zh) | 2023-10-10 |
Family
ID=78064053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496610.5A Active CN113516165B (zh) | 2021-05-07 | 2021-05-07 | 一种基于图像金字塔匹配后验的客户满意度判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516165B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722712A (zh) * | 2012-01-02 | 2012-10-10 | 西安电子科技大学 | 基于连续度的多尺度高分辨图像目标检测方法 |
CN104268562A (zh) * | 2014-09-15 | 2015-01-07 | 武汉大学 | 一种有效多尺度纹理识别方法 |
CN104598900A (zh) * | 2015-02-26 | 2015-05-06 | 张耀 | 一种人体识别方法以及装置 |
WO2019015641A1 (zh) * | 2017-07-19 | 2019-01-24 | 阿里巴巴集团控股有限公司 | 模型的训练方法、数据相似度的确定方法、装置及设备 |
CN111753119A (zh) * | 2020-06-28 | 2020-10-09 | 中国建设银行股份有限公司 | 一种图像搜索方法、装置、电子设备及存储介质 |
CN112733886A (zh) * | 2020-12-24 | 2021-04-30 | 西人马帝言(北京)科技有限公司 | 样本图像的处理方法、装置、设备及存储介质 |
-
2021
- 2021-05-07 CN CN202110496610.5A patent/CN113516165B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722712A (zh) * | 2012-01-02 | 2012-10-10 | 西安电子科技大学 | 基于连续度的多尺度高分辨图像目标检测方法 |
CN104268562A (zh) * | 2014-09-15 | 2015-01-07 | 武汉大学 | 一种有效多尺度纹理识别方法 |
CN104598900A (zh) * | 2015-02-26 | 2015-05-06 | 张耀 | 一种人体识别方法以及装置 |
WO2019015641A1 (zh) * | 2017-07-19 | 2019-01-24 | 阿里巴巴集团控股有限公司 | 模型的训练方法、数据相似度的确定方法、装置及设备 |
CN111753119A (zh) * | 2020-06-28 | 2020-10-09 | 中国建设银行股份有限公司 | 一种图像搜索方法、装置、电子设备及存储介质 |
CN112733886A (zh) * | 2020-12-24 | 2021-04-30 | 西人马帝言(北京)科技有限公司 | 样本图像的处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113516165A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113138982B (zh) | 一种大数据清洗方法 | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN114581207A (zh) | 一种面向电商平台的商品图像大数据精准推送方法及系统 | |
CN114241484B (zh) | 一种面向社交网络的图像大数据精准检索方法及系统 | |
CN112948671A (zh) | 基于大数据和人工智能的业务处理方法及业务处理系统 | |
CN111652319A (zh) | 一种布匹缺陷检测方法及装置 | |
CN116562991A (zh) | 面向元宇宙电商平台的商品大数据信息识别方法及系统 | |
CN113313217B (zh) | 一种基于鲁棒性模板的倾角文字精准识别方法及系统 | |
CN115171125A (zh) | 数据异常的检测方法 | |
CN113221696A (zh) | 一种图像识别方法、系统、设备及存储介质 | |
CN113516165B (zh) | 一种基于图像金字塔匹配后验的客户满意度判别方法 | |
CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
CN117113403A (zh) | 一种数据脱敏的方法、装置、电子设备及存储介质 | |
CN117392577A (zh) | 用于司法视频场景中行为识别方法、存储介质及电子设备 | |
CN115690434A (zh) | 一种基于专家场去噪结果优选的噪声图像识别方法及系统 | |
CN115439079A (zh) | 项目分类方法及装置 | |
CN115713630A (zh) | 基于人工智能的低质量盖章图像大数据识别方法及系统 | |
CN112907306B (zh) | 一种客户满意度判别方法及装置 | |
CN113657180A (zh) | 一种车辆识别方法、服务器和计算机可读存储介质 | |
CN113239031A (zh) | 一种大数据去噪处理方法 | |
CN113239381A (zh) | 一种数据安全加密方法 | |
CN113256402A (zh) | 风险控制规则确定方法、装置和电子设备 | |
CN112633250A (zh) | 一种人脸识别检测实验方法及装置 | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 |
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 |