CN117391746A - 一种基于置信网络的智慧酒店顾客感知分析方法和系统 - Google Patents
一种基于置信网络的智慧酒店顾客感知分析方法和系统 Download PDFInfo
- Publication number
- CN117391746A CN117391746A CN202311387650.1A CN202311387650A CN117391746A CN 117391746 A CN117391746 A CN 117391746A CN 202311387650 A CN202311387650 A CN 202311387650A CN 117391746 A CN117391746 A CN 117391746A
- Authority
- CN
- China
- Prior art keywords
- customer
- dishes
- customers
- dining
- video
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 230000008447 perception Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 69
- 230000006872 improvement Effects 0.000 claims abstract description 35
- 230000001815 facial effect Effects 0.000 claims abstract description 31
- 230000008451 emotion Effects 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000036544 posture Effects 0.000 claims abstract description 4
- 235000012054 meals Nutrition 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 10
- 206010063659 Aversion Diseases 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000002996 emotional effect Effects 0.000 claims description 8
- 230000008921 facial expression Effects 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000003012 network analysis Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Game Theory and Decision Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及感知分析技术领域,是一种基于置信网络的智慧酒店顾客感知分析方法和系统,具体方法包括:通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;计算评估不同年龄段顾客对菜品的消费体验度和偏好度;计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。本发明解决了传统现有技术中仅依赖于问卷进行酒店服务的反馈调整,局限性较大、顾客反馈时效性差且酒店服务的改进自动化低的问题。
Description
技术领域
本发明涉及感知分析技术领域,是一种基于置信网络的智慧酒店顾客感知分析方法和系统。
背景技术
智慧酒店是应用先进科技和智能化技术于酒店运营管理的新兴酒店经营模式。它利用物联网、人工智能、大数据分析等技术,将酒店的各个环节连接起来,实现更加智能、高效和个性化的服务。除了通过智能科技给顾客提供更加舒适的住店体验,此外通过智慧科技给酒店管理者提供实时反馈建议,可以帮助酒店经营者提供更加个性化和贴心的服务,提高客户满意度,同时基于顾客感知分析的高度自动化反馈建议系统,能减少智慧酒店的人工成本,从而提高酒店的效率和服务质量。
在现有已公开的发明技术中,如申请公开号为CN114638545A的专利公开了一种智能化酒店品牌管理系统,包括:宣传模块,用于酒店品牌的全方位宣传,为品牌提升模块提供数据支持;品牌提升模块,信息采集单元用于酒店预订及用户信息采集,并生成入住码;订单管理单元用于订单信息进行统计和显示;监测单元用于对信息采集单元所采集的用户信息进行监控确认及扫码乘坐电梯;客房管理单元用于客房的物品管理及能源管理;自主服务单元用于提供酒店相关服务内容;投资单元用于通过资金的扶持来提升品牌影响力;评价模块用于酒店使用后续运行时的评价,评价模块评价后反馈给订单管理单元,将酒店使用的情况反馈给自助服务单元,用于提高管理质量,通过宣传模块将得出的宣传数据提供给品牌提升模块。
上述专利中存在评价与反馈的可靠性差的问题,其中评价模块收集酒店使用后续运行时的评价,但评价的可靠性和客观性可能存在问题且评价结果可能受到个人偏好、不公正竞争等因素的影响,服务改进反馈时效性差,主观性强。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对传统现有技术中仅依赖于问卷进行酒店服务的反馈调整,局限性较大、顾客反馈时效性差且酒店服务的改进自动化低的问题,提出了一种基于置信网络的智慧酒店顾客感知分析方法和系统。
为了达到上述目的,本发明一种基于置信网络的智慧酒店顾客感知分析方法的技术方案包括如下步骤:
S1:通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
S2:根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
S3:构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
S4:根据S3,计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
S5:通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
具体的,所述当日顾客就餐全过程的视频的捕捉和采集包括:顾客刷房卡取餐并移动至餐桌就餐到顾客用餐完成起身离开餐饮区的全过程视频,其中,顾客取餐时间点t1、顾客开始就餐时间点t2、顾客结束就餐时间点t3、顾客进行刷房卡取餐时所用房卡的房间号为a、顾客进行刷房卡取餐时所选菜品的编号为b。
具体的,所述顾客和菜品的目标检测和跟踪包括如下具体步骤和方法:
S201:通过视频分解单元OpenCV对当日顾客就餐全过程的视频进行视频分解处理,获得一系列连续帧数的画面;
S202:通过差分标记单元,对当日顾客就餐全过程的视频中的每一帧画面中顾客面部、顾客手臂和顾客所选菜品进行边框标注处理,构成跟踪数据准备集,其中顾客面部被标记为红色边框,顾客手臂被标记为绿色边框,顾客所选菜品被标记为黄色边框;
S203:通过迭代训练单元,根据跟踪数据准备集对目标识别检测器进行迭代训练;
S204:通过训练完成的目标识别检测器对顾客和顾客所选菜品进行识别检测,并在路径跟踪单元中通过卡曼滤波跟踪算法对检测到的顾客和顾客所选菜品进行运动路径跟踪处理,根据相似帧之间的相似程度,进行帧数连接处理;
S205:通过视频叠加单元,将对当日顾客就餐全过程的视频的跟踪结果叠加入当日顾客就餐全过程的原始视频中,获得当日顾客就餐全过程的跟踪视频。
具体的,所述顾客所属年龄段和菜品所属窗口的筛选包括:根据顾客进行刷房卡取餐时所用房卡的房间号a,在智慧酒店顾客入住登记信息库中,筛选房间号a的房间入住的顾客的年龄为c,当c∈[10(i-1),10i]时,顾客所属年龄段为i,其中,i∈{1,2...10};根据顾客进行刷房卡取餐时所选菜品的编号b,在智慧酒店餐饮菜品信息库中,筛选菜品的编号b的菜品所属的出餐窗口为j,其中j∈{1,2...B},B为智慧酒店餐饮区出餐窗口的总数。
具体的,所述深度置信网络包括:可见层、三个隐藏层、输出层,其中,输出层包括50个输出节点,每个隐藏层中包括2000个神经元节点,且各个神经元节点之间是全连接的,第一个隐藏层中的神经元节点用于学习顾客手臂的姿态信息,第二个隐藏层中的神经元节点用于学习顾客面部表情信息,第三个隐藏层用于对前两个隐藏层学习到的信息进行降维处理。
具体的,所述手臂姿态和面部情感状态的识别分析包括如下具体步骤:
S301:对当日顾客就餐全过程的跟踪视频进行时间间隔为10s的序列分割,获得n个时长相等的视频序列,其中每段视频序列的帧数为m;
S302:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客手臂进行局部特征的提取,包括顾客手臂的抬起次数z,抬起高度h,每段视频中的连续帧的帧数为m1,其中相邻帧的画面中,顾客手臂抬起高度之差小于h0时,判断这两个相邻帧为连续帧;
S303:根据S302,计算顾客就餐全过程的姿态流畅度δ;
S304:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客面部情感状态进行局部特征的提取,比对CK+面部表情识别数据库,对当前帧数的画面的顾客面部情感状态进行状态判别并分类输出,并对顾客面部情感状态进行评分;其中顾客状态包括惊讶、高兴、中性、厌恶4类,惊讶的评分为4分、高兴的评分为3分、中性的评分为2分、厌恶的评分为1分。
具体的,所述S303中,姿态流畅度的计算策略如下:
具体的,所述顾客对菜品的消费体验度和偏好度的计算策略如下:
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的消费体验度μi,j的计算策略为:
其中,α1为就餐速度的权重因子;α2为就餐姿态流畅度的权重因子;α3为计算消费体验度时,顾客年龄段的权重因子;α4为计算消费体验度时,菜品所属的出餐窗口的权重因子;
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的偏好度ηi,j的计算策略为:
其中,U为当日所有年龄段顾客的总人数;
si为第i个年龄段的当日就餐顾客的人数;
为第i个年龄段的当日就餐顾客的面部情感状态评分的均值;
β1为顾客面部情感状态的权重因子;β2为计算偏好度时,顾客年龄段的权重因子;β3为计算偏好度时,菜品所属的出餐窗口的权重因子。
具体的,所述不同种类菜品的改进系数的计算策略如下:
具体的,所述餐饮区服务的改进建议包括:
当0≤θj≤0.8时,对第j个出餐窗口的菜品进行培训整改,并减少该窗口的菜品数量;
当0.8<θj≤1.5时,对第j个出餐窗口的菜品继续进行监测分析;
当θj>1.5时,对第j个出餐窗口的菜品,针对消费体验度μi,j最大的年龄段的顾客,在其登记入住期间进行菜品的推广营销,并增加该窗口的菜品数量。
另外,本发明一种基于置信网络的智慧酒店顾客感知分析系统包括如下模块:
视频捕捉采集模块、目标检测与跟踪模块、深度置信网络分析模块、满意度评估模块和服务建议输出模块;
所述视频捕捉采集模块通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
所述目标检测与跟踪模块根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
所述深度置信网络分析模块用于构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
所述满意度评估模块用于计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
所述服务建议输出模块通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
与现有技术相比,本发明的技术效果如下:
1、本发明通过捕捉采集当日顾客就餐全过程的视频,进行顾客对智慧酒店餐饮区菜品的感知预测分析,相比于传统的问卷或问答式感知反馈,反馈数据实时性强,视频可以实时捕捉顾客的反应,反映当下的情况,便于智慧酒店迅速对服务方式进行改进。
2、本发明构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析,这种综合信息的分析可以提供更全面、准确的洞察,帮助餐饮区了解顾客的需求和满意度,且相较于传统的问卷或问答式感知反馈,此种分析方法是非侵入式的,减少了酒店运营服务过程中对顾客的打扰,同时通过深度置信网络分析顾客手臂姿态和面部情感状态的数据,可以进行大规模的数据挖掘和分析,寻找潜在的关联和规律。
3、本发明计算了不同类别菜品的改进系数,不同类别菜品的改进系数是客观且有依据的评估指标,减少了服务改进的主观性判断,提高了改进措施的准确性和有效性。
4、本发明输出对智慧酒店的餐饮区服务的改进建议包括计算不同窗口菜品偏好度来控制当日菜品的备餐数量,优化了智慧酒店的运营管理和菜品库存管理,降低运营成本,提高了酒店餐饮区利润和效率;同时,在不同年龄段的顾客登记入住期间,可进行其可能偏好的菜品的针对性营销,可以提高顾客满意度,增强了酒店口碑和顾客忠诚度,可实现智慧酒店利益最大化。
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发明的一些实施例,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它的附图。
其中:
图1为本发明的一种基于置信网络的智慧酒店顾客感知分析方法的流程示意图;
图2为本发明的一种基于置信网络的智慧酒店顾客感知分析系统的结构示意图;
图3为本发明的一种顾客和菜品的目标检测和跟踪模块的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一:
如图1、3所示,本发明实施例的一种基于置信网络的智慧酒店顾客感知分析方法,如图1所示,包括如下具体步骤:
以一个年龄为57岁的中年男性入住智慧酒店的过程为例,对其在智慧酒店餐饮区就餐过程进行感知分析,具体步骤如下:
S1:通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
所述当日顾客就餐全过程的视频的捕捉和采集包括:顾客刷房卡取餐并移动至餐桌就餐到顾客用餐完成起身离开餐饮区的全过程视频,其中,顾客取餐时间点t1、顾客开始就餐时间点t2、顾客结束就餐时间点t3、顾客进行刷房卡取餐时所用房卡的房间号为a、顾客进行刷房卡取餐时所选菜品的编号为b。
该顾客进行刷房卡取餐时所用房卡的房间号为008;该顾客当日进行刷房卡取餐时所选菜品的编号为11。
S2:根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
如图3所示,所述顾客和菜品的目标检测和跟踪包括如下具体步骤和方法:
S201:通过视频分解单元OpenCV对当日顾客就餐全过程的视频进行视频分解处理,获得一系列连续帧数的画面;
S202:通过差分标记单元,对当日顾客就餐全过程的视频中的每一帧画面中顾客面部、顾客手臂和顾客所选菜品进行边框标注处理,构成跟踪数据准备集,其中顾客面部被标记为红色边框,顾客手臂被标记为绿色边框,顾客所选菜品被标记为黄色边框;
S203:通过迭代训练单元,根据跟踪数据准备集对目标识别检测器进行迭代训练;
S204:通过训练完成的目标识别检测器对顾客和顾客所选菜品进行识别检测,并在路径跟踪单元中通过卡曼滤波跟踪算法对检测到的顾客和顾客所选菜品进行运动路径跟踪处理,根据相似帧之间的相似程度,进行帧数连接处理;
S205:通过视频叠加单元,将对当日顾客就餐全过程的视频的跟踪结果叠加入当日顾客就餐全过程的原始视频中,获得当日顾客就餐全过程的跟踪视频。
所述顾客所属年龄段和菜品所属窗口的筛选包括:根据顾客进行刷房卡取餐时所用房卡的房间号a,在智慧酒店顾客入住登记信息库中,筛选房间号a的房间入住的顾客的年龄为c,当c∈[10(i-1),10i]时,顾客所属年龄段为i,其中,i∈{1,2...10};根据顾客进行刷房卡取餐时所选菜品的编号b,在智慧酒店餐饮菜品信息库中,筛选菜品的编号b的菜品所属的出餐窗口为j,其中j∈{1,2...B},B为智慧酒店餐饮区出餐窗口的总数。
其中,顾客所属年龄段为6,所选菜品所属的出餐窗口为3;
该智慧酒店餐饮区出餐窗口的总数为18。
S3:构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
所述深度置信网络包括:可见层、三个隐藏层、输出层,其中,输出层包括50个输出节点,每个隐藏层中包括2000个神经元节点,且各个神经元节点之间是全连接的,第一个隐藏层中的神经元节点用于学习顾客手臂的姿态信息,第二个隐藏层中的神经元节点用于学习顾客面部表情信息,第三个隐藏层用于对前两个隐藏层学习到的信息进行降维处理。
所述手臂姿态和面部情感状态的识别分析包括如下具体步骤:
S301:对当日顾客就餐全过程的跟踪视频进行时间间隔为10s的序列分割,获得n个时长相等的视频序列,其中每段视频序列的帧数为m;
S302:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客手臂进行局部特征的提取,包括顾客手臂的抬起次数z,抬起高度h,每段视频中的连续帧的帧数为m1,其中相邻帧的画面中,顾客手臂抬起高度之差小于h0时,判断这两个相邻帧为连续帧;
S303:根据S302,计算顾客就餐全过程的姿态流畅度δ;
S304:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客面部情感状态进行局部特征的提取,比对CK+面部表情识别数据库,对当前帧数的画面的顾客面部情感状态进行状态判别并分类输出,并对顾客面部情感状态进行评分;其中顾客状态包括惊讶、高兴、中性、厌恶4类,惊讶的评分为4分、高兴的评分为3分、中性的评分为2分、厌恶的评分为1分。
所述S303中,姿态流畅度的计算策略如下:
其中,该顾客就餐过程的姿态流畅度δ=8.47。
S4:根据S3,计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
所述顾客对菜品的消费体验度和偏好度的计算策略如下:
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的消费体验度μi,j的计算策略为:
其中,α1为就餐速度的权重因子;α2为就餐姿态流畅度的权重因子;α3为计算消费体验度时,顾客年龄段的权重因子;α4为计算消费体验度时,菜品所属的出餐窗口的权重因子;
其中,α1=0.2,α2=0.18,α3=0.47,α4=0.99;
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的偏好度ηi,j的计算策略为:
其中,U为当日所有年龄段顾客的总人数;
si为第i个年龄段的当日就餐顾客的人数;
为第i个年龄段的当日就餐顾客的面部情感状态评分的均值;
β1为顾客面部情感状态的权重因子;β2为计算偏好度时,顾客年龄段的权重因子;β3为计算偏好度时,菜品所属的出餐窗口的权重因子;
其中,β1=3.21,β2=2.78,β3=1.67,β4=2.56。
S5:通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
所述不同种类菜品的改进系数的计算策略如下:
所述餐饮区服务的改进建议包括:
当0≤θj≤0.8时,对第j个出餐窗口的菜品进行培训整改,并减少该窗口的菜品数量;
当0.8<θj≤1.5时,对第j个出餐窗口的菜品继续进行监测分析;
当θj>1.5时,对第j个出餐窗口的菜品,针对消费体验度μi,j最大的年龄段的顾客,在其登记入住期间进行菜品的推广营销,并增加该窗口的菜品数量。
该顾客所选就餐菜品的改进系数为:θ3=0.78;对第3个出餐窗口的菜品进行培训整改,并减少该窗口的菜品数量。
实施例二:
如图2、3所示,本发明实施例的一种基于置信网络的智慧酒店顾客感知分析系统,如图2所示,包括如下模块:
视频捕捉采集模块、目标检测与跟踪模块、深度置信网络分析模块、满意度评估模块和服务建议输出模块;
以一个年龄22岁的青年女性入住智慧酒店的过程为例,对其在智慧酒店餐饮区就餐过程进行感知分析,具体步骤如下:
所述视频捕捉采集模块通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
所述当日顾客就餐全过程的视频的捕捉和采集包括:顾客刷房卡取餐并移动至餐桌就餐到顾客用餐完成起身离开餐饮区的全过程视频,其中,顾客取餐时间点t1、顾客开始就餐时间点t2、顾客结束就餐时间点t3、顾客进行刷房卡取餐时所用房卡的房间号为a、顾客进行刷房卡取餐时所选菜品的编号为b。
该顾客进行刷房卡取餐时所用房卡的房间号为003;该顾客当日进行刷房卡取餐时所选菜品的编号为22。
所述目标检测与跟踪模块根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
如图3所示,所述顾客和菜品的目标检测和跟踪包括如下具体步骤和方法:
S201:通过视频分解单元OpenCV对当日顾客就餐全过程的视频进行视频分解处理,获得一系列连续帧数的画面;
S202:通过差分标记单元,对当日顾客就餐全过程的视频中的每一帧画面中顾客面部、顾客手臂和顾客所选菜品进行边框标注处理,构成跟踪数据准备集,其中顾客面部被标记为红色边框,顾客手臂被标记为绿色边框,顾客所选菜品被标记为黄色边框;
S203:通过迭代训练单元,根据跟踪数据准备集对目标识别检测器进行迭代训练;
S204:通过训练完成的目标识别检测器对顾客和顾客所选菜品进行识别检测,并在路径跟踪单元中通过卡曼滤波跟踪算法对检测到的顾客和顾客所选菜品进行运动路径跟踪处理,根据相似帧之间的相似程度,进行帧数连接处理;
S205:通过视频叠加单元,将对当日顾客就餐全过程的视频的跟踪结果叠加入当日顾客就餐全过程的原始视频中,获得当日顾客就餐全过程的跟踪视频。
所述顾客所属年龄段和菜品所属窗口的筛选包括:根据顾客进行刷房卡取餐时所用房卡的房间号a,在智慧酒店顾客入住登记信息库中,筛选房间号a的房间入住的顾客的年龄为c,当c∈[10(i-1),10i]时,顾客所属年龄段为i,其中,i∈{1,2...10};根据顾客进行刷房卡取餐时所选菜品的编号b,在智慧酒店餐饮菜品信息库中,筛选菜品的编号b的菜品所属的出餐窗口为j,其中j∈{1,2...B},B为智慧酒店餐饮区出餐窗口的总数。
其中,顾客所属年龄段为3,所选菜品所属的出餐窗口为6;
该智慧酒店餐饮区出餐窗口的总数为14。
所述深度置信网络分析模块用于构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
所述深度置信网络包括:可见层、三个隐藏层、输出层,其中,输出层包括50个输出节点,每个隐藏层中包括2000个神经元节点,且各个神经元节点之间是全连接的,第一个隐藏层中的神经元节点用于学习顾客手臂的姿态信息,第二个隐藏层中的神经元节点用于学习顾客面部表情信息,第三个隐藏层用于对前两个隐藏层学习到的信息进行降维处理。
所述手臂姿态和面部情感状态的识别分析包括如下具体步骤:
S301:对当日顾客就餐全过程的跟踪视频进行时间间隔为10s的序列分割,获得n个时长相等的视频序列,其中每段视频序列的帧数为m;
S302:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客手臂进行局部特征的提取,包括顾客手臂的抬起次数z,抬起高度h,每段视频中的连续帧的帧数为m1,其中相邻帧的画面中,顾客手臂抬起高度之差小于h0时,判断这两个相邻帧为连续帧;
S303:根据S302,计算顾客就餐全过程的姿态流畅度δ;
S304:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客面部情感状态进行局部特征的提取,比对CK+面部表情识别数据库,对当前帧数的画面的顾客面部情感状态进行状态判别并分类输出,并对顾客面部情感状态进行评分;其中顾客状态包括惊讶、高兴、中性、厌恶4类,惊讶的评分为4分、高兴的评分为3分、中性的评分为2分、厌恶的评分为1分。
所述S303中,姿态流畅度的计算策略如下:
其中,该顾客就餐过程的姿态流畅度δ=13.88。
所述满意度评估模块用于计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
所述顾客对菜品的消费体验度和偏好度的计算策略如下:
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的消费体验度μi,j的计算策略为:
其中,α1为就餐速度的权重因子;α2为就餐姿态流畅度的权重因子;α3为计算消费体验度时,顾客年龄段的权重因子;α4为计算消费体验度时,菜品所属的出餐窗口的权重因子;
其中,α1=0.18,α2=0.33,α3=0.47,α4=0.86;
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的偏好度ηi,j的计算策略为:
其中,U为当日所有年龄段顾客的总人数;
si为第i个年龄段的当日就餐顾客的人数;
为第i个年龄段的当日就餐顾客的面部情感状态评分的均值;
β1为顾客面部情感状态的权重因子;β2为计算偏好度时,顾客年龄段的权重因子;β3为计算偏好度时,菜品所属的出餐窗口的权重因子;
其中,β1=2.21,β2=3.04,β3=2.67,β4=2.56。
所述服务建议输出模块通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
所述不同种类菜品的改进系数的计算策略如下:
所述餐饮区服务的改进建议包括:
当0≤θj≤0.8时,对第j个出餐窗口的菜品进行培训整改,并减少该窗口的菜品数量;
当0.8<θj≤1.5时,对第j个出餐窗口的菜品继续进行监测分析;
当θj>1.5时,对第j个出餐窗口的菜品,针对消费体验度μi,j最大的年龄段的顾客,在其登记入住期间进行菜品的推广营销,并增加该窗口的菜品数量。
该顾客所选就餐菜品的改进系数为:θ6=2.86;对第6个出餐窗口的菜品,针对消费体验度μi,6最大的年龄段的顾客,在其登记入住期间进行菜品的推广营销,并增加该窗口的菜品数量。
综上实施例,与现有技术相比,本发明的技术效果如下:
1、本发明通过捕捉采集当日顾客就餐全过程的视频,进行顾客对智慧酒店餐饮区菜品的感知预测分析,相比于传统的问卷或问答式感知反馈,反馈数据实时性强,视频可以实时捕捉顾客的反应,反映当下的情况,便于智慧酒店迅速对服务方式进行改进。
2、本发明构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析,这种综合信息的分析可以提供更全面、准确的洞察,帮助餐饮区了解顾客的需求和满意度,且相较于传统的问卷或问答式感知反馈,此种分析方法是非侵入式的,减少了酒店运营服务过程中对顾客的打扰,同时通过深度置信网络分析顾客手臂姿态和面部情感状态的数据,可以进行大规模的数据挖掘和分析,寻找潜在的关联和规律。
3、本发明计算了不同类别菜品的改进系数,不同类别菜品的改进系数是客观且有依据的评估指标,减少了服务改进的主观性判断,提高了改进措施的准确性和有效性。
4、本发明输出对智慧酒店的餐饮区服务的改进建议包括计算不同窗口菜品偏好度来控制当日菜品的备餐数量,优化了智慧酒店的运营管理和菜品库存管理,降低运营成本,提高了酒店餐饮区利润和效率;同时,在不同年龄段的顾客登记入住期间,可进行其可能偏好的菜品的针对性营销,可以提高顾客满意度,增强了酒店口碑和顾客忠诚度,可实现智慧酒店利益最大化。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于:所述方法包括如下具体步骤:
S1:通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
S2:根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
S3:构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
S4:根据S3,计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
S5:通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
2.根据权利要求1所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述当日顾客就餐全过程的视频的捕捉和采集包括:顾客刷房卡取餐并移动至餐桌就餐到顾客用餐完成起身离开餐饮区的全过程视频,其中,顾客取餐时间点t1、顾客开始就餐时间点t2、顾客结束就餐时间点t3、顾客进行刷房卡取餐时所用房卡的房间号为a、顾客进行刷房卡取餐时所选菜品的编号为b。
3.根据权利要求2所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述顾客和菜品的目标检测和跟踪包括如下具体步骤和方法:
S201:通过视频分解单元OpenCV对当日顾客就餐全过程的视频进行视频分解处理,获得一系列连续帧数的画面;
S202:通过差分标记单元,对当日顾客就餐全过程的视频中的每一帧画面中顾客面部、顾客手臂和顾客所选菜品进行边框标注处理,构成跟踪数据准备集,其中顾客面部被标记为红色边框,顾客手臂被标记为绿色边框,顾客所选菜品被标记为黄色边框;
S203:通过迭代训练单元,根据跟踪数据准备集对目标识别检测器进行迭代训练;
S204:通过训练完成的目标识别检测器对顾客和顾客所选菜品进行识别检测,并在路径跟踪单元中通过卡曼滤波跟踪算法对检测到的顾客和顾客所选菜品进行运动路径跟踪处理,根据相似帧之间的相似程度,进行帧数连接处理;
S205:通过视频叠加单元,将对当日顾客就餐全过程的视频的跟踪结果叠加入当日顾客就餐全过程的原始视频中,获得当日顾客就餐全过程的跟踪视频。
4.根据权利要求3所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述顾客所属年龄段和菜品所属窗口的筛选包括:根据顾客进行刷房卡取餐时所用房卡的房间号a,在智慧酒店顾客入住登记信息库中,筛选房间号a的房间入住的顾客的年龄为c,当c∈[10(i-1),10i]时,顾客所属年龄段为i,其中,i∈{1,2...10};根据顾客进行刷房卡取餐时所选菜品的编号b,在智慧酒店餐饮菜品信息库中,筛选菜品的编号b的菜品所属的出餐窗口为j,其中j∈{1,2...B},B为智慧酒店餐饮区出餐窗口的总数。
5.根据权利要求4所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述深度置信网络包括:可见层、三个隐藏层、输出层,其中,输出层包括50个输出节点,每个隐藏层中包括2000个神经元节点,且各个神经元节点之间是全连接的,第一个隐藏层中的神经元节点用于学习顾客手臂的姿态信息,第二个隐藏层中的神经元节点用于学习顾客面部表情信息,第三个隐藏层用于对前两个隐藏层学习到的信息进行降维处理。
6.根据权利要求5所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述手臂姿态和面部情感状态的识别分析包括如下具体步骤:
S301:对当日顾客就餐全过程的跟踪视频进行时间间隔为10s的序列分割,获得n个时长相等的视频序列,其中每段视频序列的帧数为m;
S302:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客手臂进行局部特征的提取,包括顾客手臂的抬起次数z,抬起高度h,每段视频中的连续帧的帧数为m1,其中相邻帧的画面中,顾客手臂抬起高度之差小于h0时,判断这两个相邻帧为连续帧;
S303:根据S302,计算顾客就餐全过程的姿态流畅度δ;
S304:通过深度置信网络中的受限玻尔兹曼机对n个时长相等的视频序列中顾客面部情感状态进行局部特征的提取,比对CK+面部表情识别数据库,对当前帧数的画面的顾客面部情感状态进行状态判别并分类输出,并对顾客面部情感状态进行评分;其中顾客状态包括惊讶、高兴、中性、厌恶4类,惊讶的评分为4分、高兴的评分为3分、中性的评分为2分、厌恶的评分为1分。
7.根据权利要求6所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述S303中,姿态流畅度的计算策略如下:
8.根据权利要求7所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述顾客对菜品的消费体验度和偏好度的计算策略如下:
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的消费体验度μi,j的计算策略为:
其中,α1为就餐速度的权重因子;α2为就餐姿态流畅度的权重因子;α3为计算消费体验度时,顾客年龄段的权重因子;α4为计算消费体验度时,菜品所属的出餐窗口的权重因子;
第i个年龄段的当日就餐顾客对第j个出餐窗口的菜品的偏好度ηi,j的计算策略为:
其中,U为当日所有年龄段顾客的总人数;
si为第i个年龄段的当日就餐顾客的人数;
为第i个年龄段的当日就餐顾客的面部情感状态评分的均值;
β1为顾客面部情感状态的权重因子;β2为计算偏好度时,顾客年龄段的权重因子;β3为计算偏好度时,菜品所属的出餐窗口的权重因子。
其中,所述不同种类菜品的改进系数的计算策略如下:
9.根据权利要求8所述的一种基于置信网络的智慧酒店顾客感知分析方法,其特征在于,所述餐饮区服务的改进建议包括:
当0≤θj≤0.8时,对第j个出餐窗口的菜品进行培训整改,并减少该窗口的菜品数量;
当0.8<θj≤1.5时,对第j个出餐窗口的菜品继续进行监测分析;
当θj>1.5时,对第j个出餐窗口的菜品,针对消费体验度μi,j最大的年龄段的顾客,在其登记入住期间进行菜品的推广营销,并增加该窗口的菜品数量。
10.一种基于置信网络的智慧酒店顾客感知分析系统,其基于如权利要求1-9任一项所述的一种基于置信网络的智慧酒店顾客感知分析方法实现,其特征在于,所述系统包括以下模块:
视频捕捉采集模块、目标检测与跟踪模块、深度置信网络分析模块、满意度评估模块和服务建议输出模块;
所述视频捕捉采集模块通过智慧酒店餐饮区覆盖的摄像头,捕捉采集当日顾客就餐全过程的视频;
所述目标检测与跟踪模块根据顾客就餐全过程的视频,对顾客和菜品分别进行目标检测和跟踪,并筛选出顾客所属年龄段和菜品所属窗口;
所述深度置信网络分析模块用于构建深度置信网络,对当日不同年龄段顾客用餐过程中的手臂姿态和面部情感状态进行识别分析;
所述满意度评估模块用于计算评估不同年龄段顾客对菜品的消费体验度和偏好度;
所述服务建议输出模块通过消费体验度和偏好度的数值,计算不同类别菜品的改进系数,输出对智慧酒店的餐饮区服务的改进建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387650.1A CN117391746B (zh) | 2023-10-25 | 2023-10-25 | 一种基于置信网络的智慧酒店顾客感知分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387650.1A CN117391746B (zh) | 2023-10-25 | 2023-10-25 | 一种基于置信网络的智慧酒店顾客感知分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391746A true CN117391746A (zh) | 2024-01-12 |
CN117391746B CN117391746B (zh) | 2024-06-21 |
Family
ID=89467943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311387650.1A Active CN117391746B (zh) | 2023-10-25 | 2023-10-25 | 一种基于置信网络的智慧酒店顾客感知分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391746B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103024A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种用户评价信息采集方法及装置 |
CN107480622A (zh) * | 2017-08-07 | 2017-12-15 | 深圳市科迈爱康科技有限公司 | 微表情识别方法、装置及存储介质 |
CN108509893A (zh) * | 2018-03-28 | 2018-09-07 | 深圳创维-Rgb电子有限公司 | 基于微表情识别的影视评分方法、存储介质及智能终端 |
CN109191180A (zh) * | 2018-08-06 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 评价的获取方法及装置 |
CN109784185A (zh) * | 2018-12-18 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 基于微表情识别的客户餐饮评价自动获取方法及装置 |
KR102125526B1 (ko) * | 2019-07-16 | 2020-06-22 | (주)부엉이에프엔비 | 가맹점 운영 지원 서버 및 시스템 |
CN114038037A (zh) * | 2021-11-09 | 2022-02-11 | 合肥工业大学 | 基于可分离残差注意力网络的表情标签修正和识别方法 |
CN115862091A (zh) * | 2022-11-09 | 2023-03-28 | 暨南大学 | 基于Emo-ResNet的面部表情识别方法、装置、设备和介质 |
-
2023
- 2023-10-25 CN CN202311387650.1A patent/CN117391746B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103024A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种用户评价信息采集方法及装置 |
CN107480622A (zh) * | 2017-08-07 | 2017-12-15 | 深圳市科迈爱康科技有限公司 | 微表情识别方法、装置及存储介质 |
CN108509893A (zh) * | 2018-03-28 | 2018-09-07 | 深圳创维-Rgb电子有限公司 | 基于微表情识别的影视评分方法、存储介质及智能终端 |
CN109191180A (zh) * | 2018-08-06 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 评价的获取方法及装置 |
CN109784185A (zh) * | 2018-12-18 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 基于微表情识别的客户餐饮评价自动获取方法及装置 |
KR102125526B1 (ko) * | 2019-07-16 | 2020-06-22 | (주)부엉이에프엔비 | 가맹점 운영 지원 서버 및 시스템 |
CN114038037A (zh) * | 2021-11-09 | 2022-02-11 | 合肥工业大学 | 基于可分离残差注意力网络的表情标签修正和识别方法 |
CN115862091A (zh) * | 2022-11-09 | 2023-03-28 | 暨南大学 | 基于Emo-ResNet的面部表情识别方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
刘岩等: "基于情感分析的酒店顾客满意度评估", 计算机应用与软件, no. 02, 12 February 2020 (2020-02-12), pages 60 - 66 * |
Also Published As
Publication number | Publication date |
---|---|
CN117391746B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897670B (zh) | 一种基于计算机视觉的快递暴力分拣识别方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN102473238B (zh) | 用于图像分析的系统和方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN112115963B (zh) | 一种基于迁移学习生成无偏见深度学习模型的方法 | |
CN110119689A (zh) | 一种基于多任务迁移学习的人脸美丽预测方法 | |
CN110532900A (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN104732413A (zh) | 一种智能个性化视频广告推送方法及系统 | |
CN108416314B (zh) | 图片重要人脸检测方法 | |
CN106934018A (zh) | 一种基于协同过滤的医生推荐系统 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN112801000B (zh) | 一种基于多特征融合的居家老人摔倒检测方法及系统 | |
CN107563343A (zh) | 基于人脸识别技术的FaceID数据库的自我完善方法和系统 | |
CN111539351B (zh) | 一种多任务级联的人脸选帧比对方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN112395442A (zh) | 移动互联网上的低俗图片自动识别与内容过滤方法 | |
CN114360067A (zh) | 一种基于深度学习的动态手势识别方法 | |
CN109117774A (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN116311497A (zh) | 一种基于机器视觉的隧道工人异常行为检测方法及系统 | |
CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
CN117391746B (zh) | 一种基于置信网络的智慧酒店顾客感知分析方法和系统 | |
CN112818740A (zh) | 一种用于智能面试的心理素质维度评价方法及装置 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN116994295A (zh) | 基于灰度样本自适应选择门的野生动物类别识别方法 | |
CN110991243A (zh) | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 |
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 |