面向汽车销售的潜在顾客计算机视觉分析方法研究

发布时间：2022-02-21 23:49

　　在汽车销售行业中,顾客资源是销售业绩中重要的组成部分。而如何去甄别潜在顾客,如何收集潜在目标客户的基本资料是汽车销售的关键所在。随着计算机视觉技术的高速发展,人脸检测、人脸跟踪、人脸识别技术被广泛应用于门禁、监控、智慧门店等各个领域。在无需人工干扰的前提下,如何利用计算机视觉方法,获取客户来店频次、停留时间、停留区域等购买意向信息,从而对顾客进行精准的产品介绍与服务,达到潜在客户的识别和分析,这对建立潜在客户消费信息、实现精准营销具有显著的意义。本文是以长安汽车4s店实际项目为研究背景,利用计算机视觉分析方法甄别潜在客户的基本信息为需求导向,主要包括以下几个方面的内容:（1）人脸检测:提出基于肤色模型与改进的AdaBoost算法相结合的人脸检测方法。该方法通过判断采集的人脸图像是否需要光照补偿,将图像由RGB色彩空间转换为肤色聚类特性和分布规律较好的YCbCr色彩空间,并建立高斯模型并对图像进行形态学处理与形状筛选,从而得到含有人脸的候选区域。再将得到的人脸候选区域由改进后的AdaBoost算法进行人脸检测,得到最终的人脸检测结果。实验结果表明,该方法能有效降低人脸误检率、提高人脸检测... 

【文章来源】：重庆理工大学重庆市

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1.绪论
    1.1 课题的背景、目标及意义
    1.2 国内外研究现状
        1.2.1 人脸检测
        1.2.2 人脸跟踪
        1.2.3 人脸识别
    1.3 论文的主要工作及结构
        1.3.1 论文主要工作
        1.3.2 论文结构
2.汽车销售店进店顾客的人脸自适应检测算法研究
    2.1 引言
    2.2 基于肤色特征的人脸检测
        2.2.1 颜色空间
        2.2.2 肤色区域模型
        2.2.3 图像预处理及肤色分隔
    2.3 基于AdaBoost算法的人脸检测
        2.3.1 Harr-like矩阵特征
        2.3.2 积分图
        2.3.3 分类器的设计
        2.3.4 级联分类器结构
    2.4 基于肤色特征与AdaBoost算法相结合的顾客人脸检测方法
    2.5 实验结果分析
    2.6 本章小结
3.汽车销售店进店顾客的人脸跟踪算法研究
    3.1 引言
    3.2 常用的人脸跟踪算法及其优缺点
    3.3 进店顾客人脸跟踪算法
        3.3.1 进店顾客跟踪的关键问题研究
        3.3.2 TLD算法
    3.4 改进的TLD算法
        3.4.1 LBP算法
        3.4.2 Kalman滤波器算法
        3.4.3 改进的TLD算法实现
    3.5 TLD自适应跟踪潜在客户维度信息提取
        3.5.1 区域维度信息提取
    3.6 实验结果及分析
    3.7 本章小结
4.无标签身份客户信息研究
    4.1 引言
    4.2 无标签顾客身份识别
        4.2.1 无标签潜在客户身份识别的关键问题研究
        4.2.2 人脸识别算法研究
        4.2.3 人脸图像预处理
        4.2.4 人脸特征提取
        4.2.5 SVM分类器
    4.3 汽车销售店潜在顾客身份识别算法实现
    4.4 实验结果与分析
    4.5 本章小结
5.潜在客户甄别系统的实现
    5.1 系统总体架构
    5.2 系统实现
        5.2.1 系统开发环境
        5.2.2 系统详细设计
    5.3 系统运行界面
    5.4 本章小结
6.总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
个人简历、在学期间发表的学术论文及取得的研究成果


【参考文献】：
期刊论文
[1]基于深度学习检测器的多角度人脸关键点检测[J]. 赵兴文,杭丽君,宫恩来,叶锋,丁明旭.  光电工程. 2020(01)
[2]基于稠密卷积神经网络的遥感图像自动色彩校正[J]. 朱思捷,雷斌,吴一戎.  中国科学院大学学报. 2019(01)
[3]改进Fast-RCNN的双目视觉车辆检测方法[J]. 张琦,胡广地,李雨生,赵鑫.  应用光学. 2018(06)
[4]残差网络在婴幼儿哭声识别中的应用[J]. 谢湘,张立强,王晶.  电子与信息学报. 2019(01)
[5]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天.  哈尔滨理工大学学报. 2018(02)
[6]融合图像显著性与特征点匹配的形变目标跟踪[J]. 杨勇,闫钧华,井庆丰.  中国图象图形学报. 2018(03)
[7]基于“大T”型区域的AdaBoost人脸检测算法[J]. 李晶惠,叶学义,夏胡云,叶枫.  软件导刊. 2017(10)
[8]基于AFSA和PSO融合优化的AdaBoost人脸检测算法[J]. 任克强,高晓林,谢斌.  小型微型计算机系统. 2016(04)
[9]基于主动视觉的人脸检测与跟踪算法研究[J]. 董恩增,闫胜旭,佟吉钢.  系统仿真学报. 2015(05)
[10]基于混合观测模型的粒子滤波跟踪算法[J]. 吴桐,王玲,李钟敏,何凡.  计算机工程与应用. 2016(06)

硕士论文
[1]基于AdaBoost的视频人脸检测[D]. 李晶惠.杭州电子科技大学 2017
[2]基于改进肤色模型的AdaBoost人脸检测算法研究[D]. 林欣.陕西科技大学 2015
[3]基于改进的肤色模型和CPSO-AdaBoost算法的人脸检测[D]. 闫斌.新疆大学 2014
[4]基于肤色模型和AdaBoost算法的人脸检测研究[D]. 王琳琳.长安大学 2014
[5]基于肤色和改进的AdaBoost人脸检测算法研究[D]. 李瑞淇.西安电子科技大学 2014



本文编号：3638263