本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域，尤其涉及一種產(chǎn)品推薦度的評(píng)價(jià)方法、裝置及系統(tǒng)。

背景技術(shù)：

目前，產(chǎn)品在推出市場(chǎng)時(shí)都會(huì)進(jìn)行相關(guān)的目標(biāo)用戶調(diào)研，現(xiàn)有產(chǎn)品調(diào)研主要采用訪談或問卷形式進(jìn)行，根據(jù)用戶回答的系列相關(guān)問題來判斷用戶對(duì)產(chǎn)品的情緒態(tài)度，從而形成產(chǎn)品的推薦度調(diào)研報(bào)告。由于調(diào)研需要大量的有效樣本，并配合用戶有效的回答相關(guān)問題，需要耗費(fèi)的人力物力及時(shí)間成本都極高。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種產(chǎn)品推薦度的評(píng)價(jià)方法，其能解決對(duì)用戶進(jìn)行產(chǎn)品推薦的技術(shù)問題。

本發(fā)明的目的之二在于提供一種產(chǎn)品推薦度的評(píng)價(jià)裝置，其能解決對(duì)用戶進(jìn)行產(chǎn)品推薦的技術(shù)問題。

本發(fā)明的目的之三在于提供一種產(chǎn)品推薦度的評(píng)價(jià)系統(tǒng)，其能解決對(duì)用戶進(jìn)行產(chǎn)品推薦的技術(shù)問題。

本發(fā)明的目的之一采用如下技術(shù)方案實(shí)現(xiàn)：

一種產(chǎn)品推薦度的評(píng)價(jià)方法，包括以下步驟：

s1：建立人的面部識(shí)別模型庫(kù)；

s2：獲取人的面部識(shí)別信息及產(chǎn)品瀏覽時(shí)長(zhǎng)，所述面部識(shí)別信息包括人面部的當(dāng)前特征向量；

s3：根據(jù)面部識(shí)別信息與面部識(shí)別模型庫(kù)的比對(duì)結(jié)果以及產(chǎn)品瀏覽時(shí)長(zhǎng)得到用戶的推薦度數(shù)據(jù)。

進(jìn)一步地，所述步驟s1具體包括以下子步驟：

s11：獲取用戶情緒變化時(shí)的模型識(shí)別信息，所述模型識(shí)別信息包括模型特征向量，所述模型特征向量為模型特征點(diǎn)的位移變化；

s12：將推薦度區(qū)間定義為推薦、平靜和不推薦三個(gè)區(qū)間，并在不同推薦度區(qū)間存儲(chǔ)相對(duì)應(yīng)的模型特征向量集以形成人的面部識(shí)別模型庫(kù)。

進(jìn)一步地，所述模型特征點(diǎn)的數(shù)量為70至75之間的任意一數(shù)值。

進(jìn)一步地，所述步驟s3具體包括以下子步驟：

s301：將獲取到的當(dāng)前特征向量與面部識(shí)別模型庫(kù)中的模型特征向量集進(jìn)行比對(duì)以得比對(duì)結(jié)果；

s302：獲取相應(yīng)產(chǎn)品的產(chǎn)品瀏覽時(shí)長(zhǎng)；

s303：根據(jù)比對(duì)結(jié)果以及產(chǎn)品瀏覽時(shí)長(zhǎng)判斷所屬推薦度區(qū)間以得到用戶的推薦度數(shù)據(jù)。

進(jìn)一步地，所述面部識(shí)別信息包括識(shí)別過程中的開始特征向量和結(jié)束特征向量，所述步驟s3具體包括以下子步驟：

s31：根據(jù)獲取到的開始特征向量得到用戶的開始推薦度；

s32：根據(jù)獲取到的結(jié)束特征向量得到用戶的結(jié)束推薦度；

s33：根據(jù)結(jié)束推薦度與開始推薦度的變化得到用戶在識(shí)別過程中的推薦度數(shù)據(jù)。

本發(fā)明的目的之二采用如下技術(shù)方案實(shí)現(xiàn)：

一種產(chǎn)品推薦度的評(píng)價(jià)裝置，包括以下模塊：

模型建立模塊：用于建立人的面部識(shí)別模型庫(kù)；

信息獲取模塊：用于獲取人的面部識(shí)別信息以及產(chǎn)品瀏覽時(shí)長(zhǎng)，所述面部識(shí)別信息包括人面部的當(dāng)前特征向量；

推薦度獲取模塊：用于根據(jù)面部識(shí)別信息與面部識(shí)別模型庫(kù)的比對(duì)結(jié)果以及產(chǎn)品瀏覽時(shí)長(zhǎng)得到用戶的推薦度數(shù)據(jù)。

進(jìn)一步地，所述模型建立模塊具體包括以下子模塊：

模型特征獲取模塊：用于獲取用戶情緒變化時(shí)的模型識(shí)別信息，所述模型識(shí)別信息包括模型特征向量，所述模型特征向量為模型特征點(diǎn)的位移變化；

區(qū)間劃分模塊：用于將推薦度區(qū)間定義為推薦、平靜和不推薦三個(gè)區(qū)間，并在不同推薦度區(qū)間存儲(chǔ)相對(duì)應(yīng)的模型特征向量集以形成人的面部識(shí)別模型庫(kù)。

進(jìn)一步地，所述推薦度獲取模塊具體包括以下子模塊：

比對(duì)結(jié)果獲取模塊：用于將獲取到的當(dāng)前特征向量與面部識(shí)別模型庫(kù)中的模型特征向量集進(jìn)行比對(duì)以得比對(duì)結(jié)果；

時(shí)間獲取模塊：用于獲取相應(yīng)產(chǎn)品的產(chǎn)品瀏覽時(shí)長(zhǎng)；

結(jié)果判斷模塊：用于根據(jù)比對(duì)結(jié)果判斷所屬推薦度區(qū)間以得到用戶的推薦度數(shù)據(jù)。

進(jìn)一步地，所述面部識(shí)別信息包括識(shí)別過程中的開始特征向量和結(jié)束特征向量，所述推薦度獲取模塊具體包括以下子模塊：

開始推薦度獲取模塊：用于根據(jù)獲取到的開始特征向量得到用戶的開始推薦度；

結(jié)束推薦度獲取模塊：用于根據(jù)獲取到的結(jié)束特征向量得到用戶的結(jié)束推薦度；

推薦度計(jì)算模塊：用于根據(jù)結(jié)束推薦度與開始推薦度的變化得到用戶在識(shí)別過程中的推薦度數(shù)據(jù)。

本發(fā)明的目的之三采用如下技術(shù)方案實(shí)現(xiàn)：

一種產(chǎn)品推薦度的評(píng)價(jià)系統(tǒng)，包括執(zhí)行器，所述執(zhí)行器用于執(zhí)行上述任意一項(xiàng)所描述的產(chǎn)品推薦度的評(píng)價(jià)方法。

相比現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：

本發(fā)明通過攝像頭獲取用戶在接觸產(chǎn)品過程中的視頻圖像，利用圖像識(shí)別技術(shù)分析用戶的面部情緒變化狀態(tài)，結(jié)合用戶瀏覽產(chǎn)品的時(shí)間，對(duì)應(yīng)形成產(chǎn)品的推薦度數(shù)據(jù)，可以高效的進(jìn)行產(chǎn)品推薦度調(diào)研，節(jié)約時(shí)間人力成本，提高調(diào)研數(shù)據(jù)的準(zhǔn)確性。同時(shí)本系統(tǒng)能夠運(yùn)用在產(chǎn)品銷售、推薦環(huán)節(jié)，對(duì)目標(biāo)用戶進(jìn)行精準(zhǔn)營(yíng)銷。

附圖說明

圖1為本發(fā)明的產(chǎn)品推薦度的評(píng)價(jià)方法的流程圖；

圖2為本發(fā)明的產(chǎn)品推薦度的評(píng)價(jià)裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

下面，結(jié)合附圖以及具體實(shí)施方式，對(duì)本發(fā)明做進(jìn)一步描述，需要說明的是，在不相沖突的前提下，以下描述的各實(shí)施例之間或各技術(shù)特征之間可以任意組合形成新的實(shí)施例。

本發(fā)明主要包括：攝像頭和識(shí)別模塊。攝像頭：通過攝像頭獲取用戶在瀏覽各產(chǎn)品過程中的面部視頻圖像。識(shí)別模塊：包括識(shí)別模型和推薦度識(shí)別。利用建立好的識(shí)別模型對(duì)攝像頭獲取到的用戶的瀏覽產(chǎn)品行為視頻圖像進(jìn)行分析，根據(jù)用戶的面部持續(xù)情緒變化情況，瀏覽各產(chǎn)品的停留時(shí)間，對(duì)比識(shí)別模型計(jì)算產(chǎn)品推薦度。識(shí)別模型：通過對(duì)面部視頻圖像抽取關(guān)鍵幀、構(gòu)建面部關(guān)鍵點(diǎn)，對(duì)關(guān)鍵點(diǎn)進(jìn)行特征提?。粚?duì)在瀏覽產(chǎn)品過程中大量用戶的視頻進(jìn)行學(xué)習(xí)，根據(jù)面部表情情緒變化信息和瀏覽產(chǎn)品時(shí)間信息建立對(duì)應(yīng)推薦度各區(qū)間的訓(xùn)練集模版庫(kù)，作為推薦度識(shí)別模型。

如圖1所示，本發(fā)明提供了一種產(chǎn)品推薦度的評(píng)價(jià)方法，包括以下步驟：

s1：建立人的面部識(shí)別模型庫(kù)；所述步驟s1具體包括以下子步驟：

s11：獲取用戶情緒變化時(shí)的模型識(shí)別信息，所述模型識(shí)別信息包括模型特征向量，所述模型特征向量為模型特征點(diǎn)的位移變化；所述模型特征點(diǎn)的數(shù)量為70至75之間的任意一數(shù)值；在本實(shí)施例中采用72個(gè)關(guān)鍵點(diǎn)來對(duì)進(jìn)行面部特征的描述，人的面部結(jié)構(gòu)及五官形態(tài)組合在情緒變化時(shí)具有顯著特征。通過學(xué)習(xí)和不斷校正，根據(jù)面部的眉毛、眼睛、眼角、鼻子、鼻孔、嘴唇、顴骨等面部五官及各個(gè)組成部分的結(jié)構(gòu)、輪廓組合特點(diǎn)，查找出能夠體現(xiàn)人的臉部表情變化、且在各種光線投射外部環(huán)境影響下、人臉各角度偏移時(shí)、穩(wěn)定的72個(gè)關(guān)鍵點(diǎn)，基于72個(gè)關(guān)鍵點(diǎn)建立識(shí)別模型。

s12：將推薦度區(qū)間定義為推薦、平靜和不推薦三個(gè)區(qū)間，并在不同推薦度區(qū)間存儲(chǔ)相對(duì)應(yīng)的模型特征向量集以形成人的面部識(shí)別模型庫(kù)；用總體推薦度百分比來對(duì)應(yīng)各推薦度區(qū)間建立識(shí)別模型。數(shù)值越低表示推薦度越低，數(shù)值越大表示推薦度越高，即0-35為不推薦，35-65為平靜，65-100為推薦，完全不感興趣、甚至反感、不建議推薦趨近于0，非常感興趣、強(qiáng)烈推薦趨近于100；通過機(jī)器學(xué)習(xí)訓(xùn)練、分析大量服務(wù)對(duì)象的面部視頻，統(tǒng)計(jì)72個(gè)特征點(diǎn)在不同情緒變化時(shí)的點(diǎn)的坐標(biāo)數(shù)據(jù)，計(jì)算出他們?cè)诓煌榫w下的坐標(biāo)偏移量，形成描述面部情緒變化的特征向量，將上述特征向量對(duì)應(yīng)推薦、平靜、不推薦區(qū)間的模板庫(kù)存儲(chǔ)，從而建立推薦度識(shí)別模型，訓(xùn)練過程需要指定特征向量所對(duì)應(yīng)的推薦度區(qū)間，通過不斷比對(duì)模型的識(shí)別結(jié)果修整各區(qū)間的特征向量集；

s2：獲取人的面部識(shí)別信息及產(chǎn)品瀏覽時(shí)長(zhǎng)，所述面部識(shí)別信息包括人面部的當(dāng)前特征向量；產(chǎn)品瀏覽時(shí)長(zhǎng)為用戶提供一個(gè)判斷的維度，就是在用戶進(jìn)行識(shí)別判斷的時(shí)候不單單要考慮面部表情的信息，還要考慮相應(yīng)的時(shí)長(zhǎng)的問題，即是用戶表情是非常的滿意，但是當(dāng)用戶瀏覽的時(shí)間只有不到1s的時(shí)候，即表示用戶對(duì)該產(chǎn)品并不感興趣；

s3：根據(jù)面部識(shí)別信息與面部識(shí)別模型庫(kù)的比對(duì)結(jié)果以及產(chǎn)品瀏覽時(shí)長(zhǎng)得到用戶的推薦度數(shù)據(jù)。在具體的實(shí)施過程中可以有兩種不同方式來判斷用戶情緒狀態(tài)，第一種采用直接判斷用戶的情緒狀態(tài)的方式，所述步驟s3具體包括以下子步驟：

s301：將獲取到的當(dāng)前特征向量與面部識(shí)別模型庫(kù)中的模型特征向量集進(jìn)行比對(duì)以得到比對(duì)結(jié)果；根據(jù)相似度判斷出與當(dāng)前特征向量最接近的模型特征向量將得到的模型特征向量對(duì)應(yīng)到各推薦度區(qū)間去，然后得到一個(gè)推薦度百分比以進(jìn)行推薦度的判斷；

s302：獲取相應(yīng)產(chǎn)品的產(chǎn)品瀏覽時(shí)長(zhǎng)，對(duì)應(yīng)提取視頻中用戶瀏覽接觸不同產(chǎn)品時(shí)的時(shí)間，計(jì)算瀏覽時(shí)長(zhǎng)數(shù)據(jù)；用于從時(shí)間的維度去判斷用戶是否喜愛；該時(shí)間可以是一個(gè)固定的數(shù)值，當(dāng)大于該預(yù)設(shè)時(shí)間的時(shí)候，表示用戶對(duì)該產(chǎn)品感興趣，當(dāng)小于該預(yù)設(shè)時(shí)間的時(shí)候，表示用戶對(duì)該產(chǎn)品不感興趣；或者是可以設(shè)定一個(gè)時(shí)間范圍，比如5s到10s，小于該時(shí)間范圍的最小值，則表示用戶不感興趣，在這個(gè)區(qū)間內(nèi)，表示比較感興趣，如果大于該時(shí)間范圍的最大值，則表示用戶非常的感興趣；

s303：根據(jù)比對(duì)結(jié)果以及產(chǎn)品瀏覽時(shí)長(zhǎng)判斷所屬推薦度區(qū)間以得到用戶的推薦度數(shù)據(jù)。該推薦度數(shù)據(jù)即為用戶當(dāng)前的狀態(tài)是推薦的、是平靜的還是不推薦的；這種方式可以實(shí)時(shí)的顯示出用戶的當(dāng)前的對(duì)產(chǎn)品的喜愛狀態(tài)。

但是由于人的情緒是會(huì)隨著時(shí)間不斷變化的，并且在整個(gè)服務(wù)的過程中，人的情緒也會(huì)因?yàn)橄嚓P(guān)人員的態(tài)度而改變，不能單一考慮用戶的當(dāng)前的情緒就做出相應(yīng)的判斷，而是需要結(jié)合整個(gè)服務(wù)過程中用戶的情緒來做出相應(yīng)的判斷的；所述面部識(shí)別信息包括識(shí)別過程中的開始特征向量和結(jié)束特征向量，所述步驟s3具體包括以下子步驟：

s31：根據(jù)獲取到的開始特征向量得到用戶的開始推薦度；

s32：根據(jù)獲取到的結(jié)束特征向量得到用戶的結(jié)束推薦度；

s33：根據(jù)結(jié)束推薦度與開始推薦度的變化得到用戶在識(shí)別過程中的推薦度數(shù)據(jù)。以開始服務(wù)初期的推薦度識(shí)別結(jié)果作為識(shí)別初始數(shù)據(jù)依據(jù)，基于初始數(shù)據(jù)和用戶在服務(wù)過程中的推薦度變化數(shù)據(jù)，判斷整個(gè)服務(wù)過程中用戶的推薦度數(shù)據(jù)。

本發(fā)明的推薦度識(shí)別結(jié)果也可以用于銷售產(chǎn)品過程中，對(duì)銷售人員判斷用戶是否為產(chǎn)品的目標(biāo)用戶做輔助；在進(jìn)行識(shí)別之后，還可以統(tǒng)計(jì)分析識(shí)別到的推薦度結(jié)果數(shù)據(jù)，并將數(shù)據(jù)形成可視化分析報(bào)告。每個(gè)工作人員的賬號(hào)都對(duì)應(yīng)有各自的推薦度統(tǒng)計(jì)結(jié)果數(shù)據(jù)，對(duì)應(yīng)用戶賬號(hào)保存；同時(shí)也會(huì)統(tǒng)計(jì)分析各個(gè)時(shí)間周期的總體服務(wù)推薦度。管理員登錄后通過數(shù)據(jù)管理后臺(tái)查看各工作人員的推薦度統(tǒng)計(jì)結(jié)果數(shù)據(jù)，和總體推薦度分析報(bào)告；給后期的管理帶來了更大的方便。

本發(fā)明的工作原理：

在進(jìn)行產(chǎn)品推薦度調(diào)研時(shí)，在用戶在接觸、瀏覽各產(chǎn)品過程中，通過手機(jī)、電腦配置的攝像頭或產(chǎn)品展廳在不同產(chǎn)品前配置的攝像頭獲取用戶的面部視頻圖像；

服務(wù)器的識(shí)別模塊獲取攝像頭捕捉的用戶面部視頻圖像，提取用戶瀏覽、接觸各產(chǎn)品過程的面部情緒表情變化特征向量，計(jì)算瀏覽時(shí)長(zhǎng)，將上述數(shù)據(jù)信息比對(duì)識(shí)別模型，計(jì)算出各產(chǎn)品對(duì)應(yīng)該用戶的推薦度結(jié)果。通過海量用戶的推薦度結(jié)果信息，根據(jù)統(tǒng)計(jì)的用戶性別、年齡、職業(yè)信息，形成定位產(chǎn)品的目標(biāo)用戶群體分析報(bào)告。

因此，本發(fā)明的產(chǎn)品不僅僅可以應(yīng)用于通過電子產(chǎn)品對(duì)用戶進(jìn)行推薦的場(chǎng)景，通過電子產(chǎn)品上的攝像頭從而獲取用戶的狀態(tài)以得到推薦度數(shù)據(jù)；還可以結(jié)合相關(guān)銷售人員的服務(wù)來對(duì)用戶的情緒反應(yīng)作出判斷，保證了數(shù)據(jù)的客觀真實(shí)，更可以高效的進(jìn)行產(chǎn)品推薦度調(diào)研，節(jié)約時(shí)間人力成本，提高調(diào)研數(shù)據(jù)的準(zhǔn)確性。

如圖2所示，本發(fā)明提供了一種產(chǎn)品推薦度的評(píng)價(jià)裝置，包括以下模塊：

模型建立模塊：用于建立人的面部識(shí)別模型庫(kù)；所述模型建立模塊具體包括以下子模塊：

模型特征獲取模塊：用于獲取用戶情緒變化時(shí)的模型識(shí)別信息，所述模型識(shí)別信息包括模型特征向量，所述模型特征向量為模型特征點(diǎn)的位移變化；

區(qū)間劃分模塊：用于將推薦度區(qū)間定義為推薦、平靜和不推薦三個(gè)區(qū)間，并在不同推薦度區(qū)間存儲(chǔ)相對(duì)應(yīng)的模型特征向量集以形成人的面部識(shí)別模型庫(kù)；，所述模型特征點(diǎn)的數(shù)量為70至75之間的任意一數(shù)值；

信息獲取模塊：用于獲取人的面部識(shí)別信息以及產(chǎn)品瀏覽時(shí)長(zhǎng)，所述面部識(shí)別信息包括人面部的當(dāng)前特征向量；

推薦度獲取模塊：用于根據(jù)面部識(shí)別信息以及產(chǎn)品瀏覽時(shí)長(zhǎng)得到用戶的推薦度數(shù)據(jù)；在推薦度獲取的過程中有兩種不同的實(shí)現(xiàn)方式，第一種是所述推薦度獲取模塊具體包括以下子模塊：

比對(duì)結(jié)果獲取模塊：用于將獲取到的當(dāng)前特征向量與面部識(shí)別模型庫(kù)中的模型特征向量集進(jìn)行比對(duì)以得比對(duì)結(jié)果；

時(shí)間獲取模塊：用于獲取相應(yīng)產(chǎn)品的產(chǎn)品瀏覽時(shí)長(zhǎng)；

結(jié)果判斷模塊：用于根據(jù)比對(duì)結(jié)果判斷所屬推薦度區(qū)間以得到用戶的推薦度數(shù)據(jù)。

第二種是所述面部識(shí)別信息包括識(shí)別過程中的開始特征向量和結(jié)束特征向量，所述推薦度獲取模塊具體包括以下子模塊：

開始推薦度獲取模塊：用于根據(jù)獲取到的開始特征向量得到用戶的開始推薦度；

結(jié)束推薦度獲取模塊：用于根據(jù)獲取到的結(jié)束特征向量得到用戶的結(jié)束推薦度；

推薦度計(jì)算模塊：用于根據(jù)結(jié)束推薦度與開始推薦度的變化得到用戶在識(shí)別過程中的推薦度數(shù)據(jù)。

上述實(shí)施方式僅為本發(fā)明的優(yōu)選實(shí)施方式，不能以此來限定本發(fā)明保護(hù)的范圍，本領(lǐng)域的技術(shù)人員在本發(fā)明的基礎(chǔ)上所做的任何非實(shí)質(zhì)性的變化及替換均屬于本發(fā)明所要求保護(hù)的范圍。