劉慧娟，趙東明

(1.天津廣播影視職業(yè)學(xué)院 天津300112；2.中國移動通信集團天津有限公司 天津300020)

0 引 言

在商場或店鋪做商品營銷時，店內(nèi)營業(yè)人員大多是在店外進行商品展示或隨機下發(fā)消息向客戶推薦，并不能根據(jù)客戶在廳店內(nèi)的姿態(tài)變化，來確定用戶是否對商品感興趣，其結(jié)果是工作人員往往在做無用功，并沒有吸引到潛在的客戶，從而失去了很多商機。傳統(tǒng)的營銷方式還是基于問詢、解答的模式，缺乏新技術(shù)應(yīng)用下針對性強、智能化的業(yè)務(wù)新方式。為了促進商品銷售，提升廳店人員的工作效率和吸引更多的客戶，可以基于人體姿態(tài)的分析輔助廳店人員進行場景化營銷和個性化推薦。本文基于人體姿態(tài)估計開發(fā)了用戶偏好分析系統(tǒng)，重點解決廳店中用戶偏好分析不準(zhǔn)確造成的商機流失問題。

隨著人工智能的技術(shù)成熟，卷積神經(jīng)網(wǎng)絡(luò)(CNN)技術(shù)在計算機視覺方面的應(yīng)用發(fā)展速度極快，人體姿態(tài)估計在行為估計、人機交互、異常檢測等方面有著廣闊的應(yīng)用前景。該系統(tǒng)將人體姿態(tài)估計技術(shù)引入到廳店零售環(huán)節(jié)，通過對用戶肢體形態(tài)進行分析，判斷用戶對商品的偏好及情緒，進而輔助廳店人員進行場景化接觸營銷和個性化推薦，對廳店運營效率提升很有幫助。

1 人體姿態(tài)估計

基于人體姿態(tài)的估計進行客戶偏好分析，關(guān)鍵在于人體特征點的定位。其核心是人體骨架模型由肢體上的特征點(關(guān)節(jié))決定，與人臉上的五官特征點定位非常相似(圖1)。在樣本圖片上標(biāo)注人體骨架點，可用于訓(xùn)練CNN模型，從而進行特征點的定位。

為解決上述問題，本文提供了一種基于人體姿態(tài)估計的用戶偏好分析和推薦方法，核心流程包括：①關(guān)節(jié)點位置數(shù)據(jù)采樣；②計算特征向量；③關(guān)鍵幀提?。虎苣Ｐ陀?xùn)練與測試，根據(jù)測試結(jié)果對用戶喜好進行分類；⑤根據(jù)喜好分類結(jié)果，進行個性化的推薦服務(wù)。

圖1 人體姿態(tài)示意圖Fig.1 Human body posture diagram

1.1 關(guān)節(jié)點位置數(shù)據(jù)采樣

以監(jiān)控系統(tǒng)拍攝的人體圖像為依據(jù)(圖1)，從中提取出圖像中每幀人體關(guān)節(jié)點位置坐標(biāo)，即根據(jù)監(jiān)控系統(tǒng)拍攝到的圖像，對圖像中每幀人體進行姿態(tài)估計，得到人體頭部、脖頸、左肩、右肩、左手肘、右手肘、左手腕、右手腕、尾椎、左臀部、右臀部、左膝蓋、右膝蓋、左腳踝和右腳踝這15個關(guān)節(jié)點的位置坐標(biāo)。

圖2 人體形體關(guān)鍵點采樣Fig.2 Key point sampling of human posture

1.2 計算特征向量

利用提取的各關(guān)節(jié)點 3D坐標(biāo)計算人體關(guān)節(jié)點之間的角度作為人體動作識別的特征，從一幀圖像的關(guān)節(jié)位置中計算出的15個角度組成的特征向量為：

1.3 關(guān)鍵幀提取

在一個動作視頻序列中為了概括反映該動作的圖像幀，需要體現(xiàn)動作視頻中具有代表意義的關(guān)鍵姿態(tài)。因此關(guān)鍵幀的提取能夠最大限度地使該行為區(qū)別于其他類型的行為，同時減少數(shù)據(jù)存儲空間的使用。但是考慮到動作執(zhí)行、動作速率不一致問題，采用 K-均值聚類算法進行聚類，提取出相似數(shù)據(jù)的聚類中心，然后進行關(guān)鍵幀提取。

具體提取步驟如下：

②計算每一個樣本(i)x到每一個聚類質(zhì)心的距離最小值，D取最小值時，表示將其歸為 j類，即

進行聚類前，K-means算法需要規(guī)定聚類個數(shù)，且初始聚類中心選取具有隨機性，如數(shù)據(jù)集中的動作(擺手、搖頭、試戴等)，以及這些動作幅度大小都需要予以統(tǒng)一的規(guī)定。完成關(guān)鍵幀提取后，形成可識別的客戶偏好基礎(chǔ)特征。

2 客戶偏好分析

2.1 用戶喜好的分類

人體姿態(tài)識別過程包括對數(shù)據(jù)的預(yù)處理、構(gòu)造3D卷積神經(jīng)網(wǎng)絡(luò)和分類訓(xùn)練過程，最終輸出結(jié)果。算法流程圖如圖3所示。

圖3 基于人體姿態(tài)估計的客戶偏好分析流程圖Fig.3 Customer preference analysis based on human posture estimation

①在預(yù)處理階段，將提取的關(guān)鍵幀圖像大小統(tǒng)一到120×160像素，得到統(tǒng)一大小尺寸下的圖像；

②對圖像進行均分，分成 5份，其中第 1～4份為訓(xùn)練集，第5份作為測試集；

③將訓(xùn)練集數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行模型訓(xùn)練，得到表現(xiàn)好的模型，然后將測試集數(shù)據(jù)輸入到模型中得到測試分類結(jié)果。

根據(jù)聚類算法提前約定的規(guī)則，將測試結(jié)果劃分到對應(yīng)的類中，從而判斷用戶行為?；谌梭w姿態(tài)估計，首先基于 CNN來進行客戶對商品感興趣程度的分類，再基于精確肢體(如手部、頭部)的動作捕捉，可以進一步推斷用戶對商品的喜好，是不感興趣的搖頭、擺手以及猶豫不決地在廳店內(nèi)駐留，還是感興趣試戴，精準(zhǔn)把控客戶對商品的感知。

2.2 根據(jù)喜好進行個性化的推薦服務(wù)

面向廳店的人體姿態(tài)分析和推薦系統(tǒng)，基于高清攝像頭和人工智能圖像處理程序，利用 CNN卷積神經(jīng)網(wǎng)絡(luò)不斷優(yōu)化識別模型，結(jié)合行為、形態(tài)、姿態(tài)的估計算法，判別客戶對某一類商品的偏好情緒，通過客戶對商品的喜好程度，輔助廳店人員進行場景化營銷和個性化推薦，從而提升廳店的零售轉(zhuǎn)化率和客戶體驗價值。整體流程如圖4所示。

圖4 客戶偏好分析的業(yè)務(wù)推薦流程Fig.4 Business recommendation process for customer preference analysis

廳店高清攝像頭采集店內(nèi)顧客的圖像后，立即根據(jù)姿態(tài)進行估計，根據(jù)模型輸出的結(jié)果判斷其所處的分類結(jié)果，從而得出用戶對商品的喜好程度。系統(tǒng)將客戶的喜好推斷結(jié)果實時地傳送到廳店人員的手機上，廳店人員收到消息后，立刻行動。廳店人員根據(jù)用戶對商品的喜好程度結(jié)果，先是進行主動式的某一商品介紹，然后利用實物或者是手持終端設(shè)備為用戶進行詳細(xì)的商品展示。最后，根據(jù)客戶對商品的反應(yīng)，注冊客戶的用戶資料，錄入廳店的會員庫，為客戶做后續(xù)的推薦服務(wù)。

3 應(yīng)用與實踐

基于人體姿態(tài)估計的客戶偏好分析系統(tǒng)能夠有效減少客戶特征點的數(shù)量級，把人體行為轉(zhuǎn)換成十幾維的特征點，降低了模型輸入的復(fù)雜度，完成快速的算法輸出，便于廳店人員做出實時的業(yè)務(wù)推薦舉措。在下一階段工作中，將拓展人體姿態(tài)分析模型，將客戶表情、客戶動作識別功能納入智慧營銷，有效拓展應(yīng)用范圍。

該系統(tǒng)在保護用戶隱私的前提下，能夠完成智能化的業(yè)務(wù)推薦，提高了廳店人員的工作效率，并且能夠幫助廳店人員挖掘潛在的客戶，提高經(jīng)濟效益，有極大的實用價值。其立足天津移動營銷進行了使用推廣，已應(yīng)用于天津移動兩個智慧營業(yè)廳，支撐營銷人員基于客戶實時感知場景進行現(xiàn)場營銷。驗證表明可以有效提升現(xiàn)場營銷效率，節(jié)省客戶選購時間，提升了產(chǎn)品推薦成功率，在新零售背景下、流動式營銷場景下，都有極大應(yīng)用潛力。

4 結(jié) 語

本文開發(fā)了一套面向廳店的人體姿態(tài)分析和推薦系統(tǒng)，基于高清攝像頭和人工智能圖像處理程序。利用 CNN卷積神經(jīng)網(wǎng)絡(luò)不斷優(yōu)化識別模型，結(jié)合行為、形態(tài)、姿態(tài)的估計算法，判別出客戶對某一類商品的偏好情緒，通過客戶對商品的喜好程度，輔助廳店人員進行場景化營銷和個性化推薦，從而提升廳店的零售轉(zhuǎn)化率和客戶體驗價值。