一种客户满意度判别方法及装置

摘要

本发明提出了一种客户满意度判别方法及装置，涉及客户满意度领域。一种客户满意度判别方法，包括如下步骤：（1）样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的作为负训练样本；（2）多尺度加强：对正训练样本和负训练样本进行多尺度图像加强处理；（3）多尺度表征：对加强处理后的图像进行多尺度金字塔分解，在不同尺度下提取SIFT特征后融合。本发明能够判别客户是否满意，并且满足金融机构的需求。

权利要求

1.一种客户满意度判别方法，其特征在于，包括如下步骤：(1)样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的作为负训练样本；

(2)多尺度加强：对正训练样本和负训练样本进行多尺度图像加强处理，具体包括采集样本时同时记录样本的客户身份，并且利用图像识别技术识别正训练样本和负训练样本的客户身份，从而利用记录客户身份与图像识别结果相比较，得到身份识别错误的正训练样本和负训练样本，从而将相似度较高的正训练样本和负训练样本的区别特征进行多尺度加强处理；

(3)多尺度表征：对加强处理后的图像进行多尺度金字塔分解，在不同尺度下提取SIFT特征后融合；

(4)聚类算法判定：输入经过加强和表征的待检测图像时，多次挑选的正训练样本和负训练样本进行K‑means聚类计算，一半以上次数被判定客户满意图片，则将所述待检测图像最终判定为客户满意图片，否则判定为客户不满意图片；

步骤(4)中，利用K‑means聚类算法对其进行判别的具体操作步骤如下：(a)从正训练样本和负训练样本中分别选取任意一个初始聚类中心；

(b)计算每个样本到各所述聚类中心的距离，将每个样本归簇到其距离最近的聚类中心；

(c)对每个簇，以该簇所有样本的均值作为新的聚类中心；

(d)重复步骤(c),直到聚类中心不再变化或不再显著变化；

(e)若待检测图像被聚类为正样本类别，将其判定为客户满意图像；若待检测图像被聚类为负样本类别，将其判定为客户不满意图像，利用聚类算法的不同分类次数进行多次判断，得到正训练样本数量比负训练样本数量更多表示待检测图像为客户满意图像，否则为不满意图像，利用聚类算法的不同分类次数进行多次判断。

2.如权利要求1所述的一种客户满意度判别方法，其特征在于，步骤(4)中，3次挑选正训练样本和负训练样本进行K‑means聚类计算，待检测图像有2次及以上被判定为客户满意图片，则将其最终判定为客户满意图片，否则判定为客户不满意图片。

3.如权利要求1所述的一种客户满意度判别方法，其特征在于，步骤(4)中，每次挑选不同数量的一组正训练样本和负训练样本，每组正训练样本和负训练样本的数量相同。

4.如权利要求3所述的一种客户满意度判别方法，其特征在于，步骤(4)中：第一次挑选

100张正训练样本和100张负训练样本，第二次挑选300张正训练样本和300张负训练样本，第3次挑选500张正训练样本和500张负训练样本。

5.如权利要求4所述的一种客户满意度判别方法，其特征在于，步骤(2)多尺度加强处理具体操作步骤如下：利用多个尺度的高斯模糊，再和原图做减法，获得不同程度的细节信息，然后把这些细节信息加权到原图中。

6.如权利要求5所述的一种客户满意度判别方法，其特征在于，所述细节信息采用SSE图像算法优化实现多尺度图像的细节提升。

7.如权利要求1所述的一种客户满意度判别方法，其特征在于，步骤(3)中，所述多尺度表征的具体操作步骤如下：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。

8.一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1‑7中任一项所述的方法。

说明书

一种客户满意度判别方法及装置

技术领域

[0001] 本发明涉及客户满意度识别领域，具体而言，涉及一种客户满意度判别方法及装置。

背景技术

[0002] 当今社会，金融机构发挥着非常重要的作用，网络化也大大简化了金融机构的办理流程，客户的满意度直接影响着金融机构的长远发展。由于监管、安全等方面的需要，金
融单位往往可以较容易地采集客户的图像。因此，如何利用图像对客户满意度进行判别有
很好的实际应用价值。

[0003] 因此，目前建立一种能够判别客户是否满意的方法是一项非常有意义且亟待解决的工作。

发明内容

[0004] 本发明的目的在于提供一种客户满意度判别方法，其能够判别客户是否满意，并且满足金融机构的需求。

[0005] 本发明的另一目的在于提供一种客户满意度判别装置，其能够判别客户是否满意，并且满足金融机构的需求。

[0006] 本发明的实施例是这样实现的：

[0007] 第一方面：本申请实施例提供一种客户满意度判别方法，包括如下步骤：

[0008] （1）样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的作为负训练样本；

[0009] （2）多尺度加强：对正训练样本和负训练样本进行多尺度图像加强处理；

[0010] （3）多尺度表征：对加强处理后的图像进行多尺度金字塔分解，在不同尺度下提取SIFT特征后融合；

[0011] （4）聚类算法判定：输入经过加强和表征的待检测图像时，多次挑选的正训练样本和负训练样本进行K‑means聚类计算，一半以上次数被判定客户满意图片，则将所述待检测
图像最终判定为客户满意图片，否则判定为客户不满意图片。

[0012] 在本发明的一些实施例中，上述步骤（4）中，利用K‑means聚类算法对其进行判别的具体操作步骤如下：

[0013] （a）从正训练样本和负训练样本中分别选取任意一个初始聚类中心；

[0014] （b）计算每个样本到各所述聚类中心的距离，将每个样本归簇到其距离最近的聚类中心；

[0015] （c）对每个簇，以该簇所有样本的均值作为新的聚类中心；

[0016] （d）重复步骤（c）,直到聚类中心不再变化或不再显著变化；

[0017] （e）若待检测图像被聚类为正样本类别，我们将其判定为客户满意图像；若待检测图像被聚类为负样本类别，我们将其判定为客户不满意图像。

[0018] 在本发明的一些实施例中，上述步骤（4）中，3次挑选正训练样本和负训练样本进行K‑means聚类计算，待检测图像有2次及以上被判定为客户满意图片，则将其最终判定为
客户满意图片，否则判定为客户不满意图片。

[0019] 在本发明的一些实施例中，上述步骤（4）中，每次挑选不同数量的一组正训练样本和负训练样本，每组正训练样本和负训练样本的数量相同。

[0020] 在本发明的一些实施例中，上述步骤（4）中：第一次挑选100张正训练样本和100张负训练样本，第二次挑选300张正训练样本和300张负训练样本，第3次挑选500张正训练样
本和500张负训练样本。

[0021] 在本发明的一些实施例中，上述步骤（2）中，还包括如下操作步骤：分别记录正训练样本和负训练样本的客户身份，根据图像识别技术识别多个正训练样本和负训练样本的
相同客户，识别出的多个正训练样本和负训练样本根据所述客户身份进行分类，将不同类
型的区别特征进行多尺度加强处理。

[0022] 在本发明的一些实施例中，上述步骤（2）多尺度加强处理具体操作步骤如下：利用多个尺度的高斯模糊，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
式把这些细节信息加权到原图中。

[0023] 在本发明的一些实施例中，上述细节信息采用SSE图像算法优化实现多尺度图像的细节提升。

[0024] 在本发明的一些实施例中，上述步骤（3）中，所述多尺度表征的具体操作步骤如下：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。

[0025] 第二方面：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的方法。

[0026] 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：

[0027] 本申请实施例提供一种客户满意度判别方法，包括如下步骤：（1）样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的
作为负训练样本；（2）多尺度加强：对正训练样本和负训练样本进行多尺度图像加强处理；
（3）多尺度表征：对加强处理后的图像进行多尺度金字塔分解，在不同尺度下提取SIFT特征
后融合；（4）聚类算法判定：输入经过加强和表征的待检测图像时，多次挑选的正训练样本
和负训练样本进行K‑means聚类计算，一半以上次数被判定客户满意图片，则将所述待检测
图像最终判定为客户满意图片，否则判定为客户不满意图片。

[0028] 针对第一方面：本申请实施例通过人工选取满意客户的面部图像作为正训练样本，不满意客户的面部图像作为负训练样本，便于从金融机构获取的面部图片中采集样本
进行大数据分析；通过对正训练样本和负训练样本进行多尺度图像加强处理，并且通过多
尺度金字塔分解后提取SIFT特征实现特征表征，从而得到满意客户和不满意客户的识别因
素；通过挑选正训练样本和负训练样本进行K‑means聚类计算，从而对待检测图像的类型进
行判断，得到客户是否满意的结果，并且多次挑选样本进行对比，得到更准确的判别结果。
本发明能够实现对客户是否满意的判别，满足金融机构的发展需求。

[0029] 第二方面：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的方法。

[0030] 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

[0031] 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。

[0032] 图1为本发明实施例1一种客户满意度判别方法的流程示意图；

[0033] 图2为本发明实施例1步骤（4）的流程示意图。

具体实施方式

[0034] 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。

[0035] 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。

[0036] 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。

[0037] 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。

[0038] 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。

[0039] 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。

[0040] 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

[0041] 请参阅图1 图2，图1 图2所示为本申请实施例提供的一种客户满意度判别方法的~ ~
流程示意图。一种客户满意度判别方法，包括如下步骤：

[0042] （1）样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的作为负训练样本；

[0043] （2）多尺度加强：对正训练样本和负训练样本进行多尺度图像加强处理；

[0044] （3）多尺度表征：对加强处理后的图像进行多尺度金字塔分解，在不同尺度下提取SIFT特征后融合；

[0045] （4）聚类算法判定：输入经过加强和表征的待检测图像时，多次挑选的正训练样本和负训练样本进行K‑means聚类计算，一半以上次数被判定客户满意图片，则将所述待检测
图像最终判定为客户满意图片，否则判定为客户不满意图片。

[0046] 详细的，人工选取部分满意客户的面部图像作为正训练样本，不满意客户的面部图像作为负训练样本，其中可以利用客户的外貌和表情等特征分析客户是否满意。详细的，
正训练样本和负训练样本中均包括多个客户的面部图像，并且正训练样本和负训练样本中
均包含同一个客户的多个面部图像，提高对客户满意程度识别的准确性。详细的，多尺度图
像加强处理、多尺度表征和K‑means聚类算法均为现有技术，在此不必做具体限定。详细的，
待检测图像可以通过与正训练样本和负训练样本进行K‑means聚类计算，从而识别待检测
图像的客户满意程度。详细的，待检测图像可以与正训练样本以及负训练样本分别进行多
次比较。可选的，每次挑选的用于比较待检测图像的正训练样本和负训练样本可以相同或
不同，并且每次挑选的数量也可以不同。可选的，多次挑选正训练样本和负训练样本对待检
测图像进行判别时，一半次数以上的被判定为客户满意图片，则待检测图像被最终被判定
为客户满意图片，否则被判定为客户不满意图片。

[0047] 在本发明的一些实施例中，上述步骤（4）中，利用K‑means聚类算法对其进行判别的具体操作步骤如下：

[0048] （a）从正训练样本和负训练样本中分别选取任意一个初始聚类中心；

[0049] （b）计算每个样本到各所述聚类中心的距离，将每个样本归簇到其距离最近的聚类中心；

[0050] （c）对每个簇，以该簇所有样本的均值作为新的聚类中心；

[0051] （d）重复步骤（c）,直到聚类中心不再变化或不再显著变化；

[0052] （e）若待检测图像被聚类为正样本类别，我们将其判定为客户满意图像；若待检测图像被聚类为负样本类别，我们将其判定为客户不满意图像。

[0053] 详细的，从正训练样本和负训练样本中分别选取一个作为初始聚类中心，从而利用初始聚类中心将所有样本进行分类，并且以所有样本的均值作为归簇的聚类中心，并且
将每个簇分别利用聚类算法进行多次分类，从而根据待检测图像与每个簇的聚类中心的距
离，将待检测图像聚类到其中一个或多个簇中，从而根据聚类为正训练样本还是负训练样
本，判定待检测图像为客户满意图像还是客户不满意图像。并且得到正训练样本数量比负
训练样本数量更多表示待检测图像为客户满意图像，否则为不满意图像。可选的，可以利用
聚类算法的不同分类次数进行多次判断。通过上述方案能够根据待检测图像判断客户是否
满意，提高判定结果的准确性。

[0054] 在本发明的一些实施例中，上述步骤（4）中，3次挑选正训练样本和负训练样本进行K‑means聚类计算，待检测图像有2次及以上被判定为客户满意图片，则将其最终判定为
客户满意图片，否则判定为客户不满意图片。挑选次数为三次可以减少计算结果，进一步节
省计算资源，提高识别效率。

[0055] 在本发明的一些实施例中，上述步骤（4）中，每次挑选不同数量的一组正训练样本和负训练样本，每组正训练样本和负训练样本的数量相同。

[0056] 详细的，步骤（4）的（a）中每次挑选的一组聚类中心数量不同，并且每组聚类中心的正训练样本和负训练样本的数量相同，从而可以从采集样本中合理的判断待检测图像与
正训练样本以及负训练样本的相似性。可选的，步骤（1）中采集的正训练样本和负训练样本
的样本数量或类型可以相同，其中类型可以为同样的客户群体或者向客户提供的业务项。

[0057] 在本发明的一些实施例中，上述步骤（4）中：第一次挑选100张正训练样本和100张负训练样本，第二次挑选300张正训练样本和300张负训练样本，第3次挑选500张正训练样
本和500张负训练样本。

[0058] 在本发明的一些实施例中，上述步骤（2）中，还包括如下操作步骤：分别记录正训练样本和负训练样本的客户身份，根据图像识别技术识别多个正训练样本和负训练样本的
相同客户，识别出的多个正训练样本和负训练样本根据所述客户身份进行分类，将不同类
型的区别特征进行多尺度加强处理。

[0059] 详细的，采集样本时同时记录样本的客户身份，并且利用图像识别技术识别正训练样本和负训练样本的客户身份，从而利用记录客户身份与图像识别结果相比较，得到身
份识别错误的正训练样本和负训练样本，从而将相似度较高的正训练样本和负训练样本的
区别特征进行加强处理，提高对识别待检测图像满意度判别的准确度。

[0060] 在本发明的一些实施例中，上述步骤（2）多尺度加强处理具体操作步骤如下：利用多个尺度的高斯模糊，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
式把这些细节信息加权到原图中。

[0061] 详细的，利用多个尺度的高斯模糊与原图做减法，从而对具有实际价值的细节信息增强，从而利用一定的组合方式把这些加强信息融合到原图，提高了原图识别的准确性。

[0062] 在本发明的一些实施例中，上述细节信息采用SSE图像算法优化实现多尺度图像的细节提升。

[0063] 在本发明的一些实施例中，上述步骤（3）中，所述多尺度表征的具体操作步骤如下：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，实现了图像表征，从而利用表征特征分析客户是否满意的关键原因。

[0064] 实施例2

[0065] 请参阅图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
述的方法。

[0066] 其中，该存储器、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1所提供的客户满意度判别方法。
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。

[0067] 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‑Only 
Memory，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。

[0068] 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102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。

[0069] 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。

[0070] 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。

[0071] 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。

[0072] 综上所述，本申请实施例提供的一种客户满意度判别方法，包括如下步骤：

[0073] （1）样本采集：人工选取部分满意客户的面部图像的作为正训练样本，人工选取部分不满意客户的面部图像的作为负训练样本；（2）多尺度加强：对正训练样本和负训练样本
进行多尺度图像加强处理；（3）多尺度表征：对加强处理后的图像进行多尺度金字塔分解，
在不同尺度下提取SIFT特征后融合；（4）聚类算法判定：输入经过加强和表征的待检测图像
时，多次挑选的正训练样本和负训练样本进行K‑means聚类计算，一半以上次数被判定客户
满意图片，则将所述待检测图像最终判定为客户满意图片，否则判定为客户不满意图片。

[0074] 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。