基于人工智能和视觉感知的市场营销推荐方法及系统

摘要

本发明涉及市场营销技术领域，具体涉及一种基于人工智能和视觉感知的市场营销推荐方法及系统。方法包括：根据获取的商场RGB图像，得到人体关键点信息图和实例分割图；根据人体关键点信息图，得到人群密度，从而得到距离阈值；根据人体关键点信息图与实例分割图，得到匹配结果图；根据距离阈值与匹配结果图，对RGB图像内的顾客进行分组；根据实例分割图，得到每个顾客的RGB图像；根据各组内每个顾客的RGB图像得到各组内每个顾客的主题特征，并以此得到各组对应的小组主题特征；为各组匹配与小组主题特征一致的商铺。本发明为每个小组自动地匹配与之风格一致的店铺并推荐给顾客，可以有效的节省顾客的时间，提高顾客的购物体验。

权利要求

1.一种基于人工智能和视觉感知的市场营销推荐方法，其特征在于，该方法包括以下步骤：

获取商场RGB图像，根据所述RGB图像，得到对应的人体关键点信息图；根据人体关键点信息图，得到对应的人群密度，并根据人群密度得到对应的距离阈值；

根据所述RGB图像，得到对应的实例分割图，并根据人体关键点信息图与对应的实例分割图，得到匹配结果图；根据所述距离阈值与所述匹配结果图，对RGB图像内的顾客进行分组；

根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度；

根据所述实例分割图，得到各组内每个顾客的RGB图像；根据各组内每个顾客的RGB图像和对应的遮挡程度得到各组内每个顾客的主题特征，并根据各组内每个顾客的主题特征，得到各组对应的小组主题特征；

根据各组对应的小组主题特征为各组匹配与小组主题特征一致的商铺。

2.根据权利要求1所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，所述根据人体关键点信息图，得到对应的人群密度的方法包括：根据所述人体关键点信息图，得到头部关键点的数量；

根据头部关键点的数量与RGB图像对应的真实区域面积，计算对应的人群密度，所述人群密度的计算公式为：

其中， 为头部关键点数量，为RGB图像对应的真实区域面积，为对应的人群密度。

3.根据权利要求1所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，所述计算出每个顾客的遮挡程度的方法包括：根据所述匹配结果图，得到各组内每个顾客特定关键点的关键点数量与关键点种类，所述特定关键点包括：左右肩、左右肘、左右手、左右髋、左右膝、左右脚；

根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度，计算公式为：

其中，为顾客的遮挡程度， 为顾客的关键点类别数， 为顾客的关键点总数。

4.根据权利要求1所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，所述得到各组对应的小组主题特征的方法包括：将所述各组内每个顾客的RGB图像输入到训练好的穿搭风格检测网络中，得到各组内每个顾客对应的各种风格的分类得分；

将各组内每个顾客对应的各种风格的分类得分与遮挡程度相乘，得到各组内每个顾客的主题特征；

计算各组内所有顾客对应的主题特征的平均值，得到各小组主题特征。

5.根据权利要求4所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，所述穿搭风格检测网络是根据特征提取损失函数监督训练得来的,所述特征提取损失函数的表达式如下：

其中， 为特征提取损失值， 为顾客对应的Mask区域面积， 为穿搭风格检测网络没有学习到特征的区域面积， 为穿搭风格检测网络已经学习到特征的区域面积。

6.根据权利要求1所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，为RGB图像内的顾客进行分组的方法包括：根据所述匹配结果图，得到每个顾客的双脚关键点；

根据所述每个顾客的双脚关键点，得到每个顾客的位置信息；

根据所述每个顾客的位置信息与所述距离阈值，利用DBSCAN密度聚类算法对RGB图像内的顾客进行分组。

7.根据权利要求1所述的基于人工智能和视觉感知的市场营销推荐方法，其特征在于，所述根据各组对应的小组主题特征为各组匹配与小组主题特征一致的商铺的方法包括：获取商铺主题特征；

根据所述小组主题特征与商铺主题特征，得到特征距离；

将对应特征距离最小的商铺作为与小组主题特征一致的商铺。

8.一种基于人工智能和视觉感知的市场营销推荐系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1‑7任一项所述的基于人工智能和视觉感知的市场营销推荐方法。

说明书

基于人工智能和视觉感知的市场营销推荐方法及系统

技术领域

[0001] 本发明涉及市场营销技术领域，具体涉及一种基于人工智能和视觉感知的市场营销推荐方法及系统。

背景技术

[0002] 随着人们生活水平的不断提高，各种大型商场层出不穷，其中包含的商铺也越来越多样化，由于商场楼层不是很多，但是每层的面积都比较大，因此每层会分布着很多类型
的商铺。

[0003] 在很多大型商场内，只是对不同楼层划分了不同产品的销售区域，比如1楼层为服装区，但是对于商铺却没有细致划分。对于商场内的服装区，各个商铺所售衣服的风格有所
差异，因此顾客在选购符合自己穿衣风格的服装时往往会毫无目的的浏览过众多商铺，从
而浪费了顾客很多的时间，大大降低了顾客在商场内的购物体验。

发明内容

[0004] 为了解决顾客在商场内的购物体验较差的问题，本发明的目的在于提供一种基于人工智能和视觉感知的市场营销推荐方法及系统，所采用的技术方案具体如下：

[0005] 第一方面，本发明一个实施例提供了一种基于人工智能和视觉感知的市场营销推荐方法包括以下步骤：

[0006] 获取商场RGB图像，根据所述RGB图像，得到对应的人体关键点信息图；根据人体关键点信息图，得到对应的人群密度，并根据人群密度得到对应的距离阈值；

[0007] 根据所述RGB图像，得到对应的实例分割图，并根据人体关键点信息图与对应的实例分割图，得到匹配结果图；根据所述距离阈值与所述匹配结果图，对RGB图像内的顾客进
行分组；

[0008] 根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度；

[0009] 根据所述实例分割图，得到各组内每个顾客的RGB图像；根据各组内每个顾客的RGB图像和对应的遮挡程度得到各组内每个顾客的主题特征，并根据各组内每个顾客的主
题特征，得到各组对应的小组主题特征；

[0010] 根据各组对应的小组主题特征为各组匹配与小组主题特征一致的商铺。

[0011] 第二方面，本发明另一个实施例提供了一种基于人工智能和视觉感知的市场营销推荐系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上
述所述的基于人工智能和视觉感知的市场营销推荐方法。

[0012] 优选的，所述根据人体关键点信息图，得到对应的人群密度的方法包括：

[0013] 根据所述人体关键点信息图，得到头部关键点的数量；

[0014] 根据头部关键点的数量与RGB图像对应的真实区域面积，计算对应的人群密度，所述人群密度的计算公式为：

[0015]

[0016] 其中， 为头部关键点数量，为RGB图像对应的真实区域面积，为对应的人群密度。

[0017] 优选的，所述计算出每个顾客的遮挡程度的方法包括：

[0018] 根据所述匹配结果图，得到各组内每个顾客特定关键点的关键点数量与关键点种类，所述特定关键点包括：左右肩、左右肘、左右手、左右髋、左右膝、左右脚；

[0019] 根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度，计算公式为：

[0020]

[0021] 其中，为顾客的遮挡程度， 为顾客的关键点类别数， 为顾客的关键点总数。

[0022] 优选的，所述得到各组对应的小组主题特征的方法包括：

[0023] 将所述各组内每个顾客的RGB图像输入到训练好的穿搭风格检测网络中，得到各组内每个顾客对应的各种风格的分类得分；

[0024] 将各组内每个顾客对应的各种风格的分类得分与遮挡程度相乘，得到各组内每个顾客的主题特征；

[0025] 计算各组内所有顾客对应的主题特征的平均值，得到各小组主题特征。

[0026] 优选的，所述穿搭风格检测网络是根据特征提取损失函数监督训练得来的,所述特征提取损失函数的表达式如下：

[0027]

[0028] 其中， 为特征提取损失值， 为顾客对应的Mask区域面积， 为穿搭风格检测网络没有学习到特征的区域面积， 为穿搭风格检测网络已经学习到特征的区域面
积。

[0029] 优选的，所述为RGB图像内的顾客进行分组的方法包括：

[0030] 根据所述匹配结果图，得到每个顾客的双脚关键点；

[0031] 根据所述每个顾客的双脚关键点，得到每个顾客的位置信息；

[0032] 根据所述每个顾客的位置信息与所述距离阈值，利用DBSCAN密度聚类算法对RGB图像内的顾客进行分组。

[0033] 优选的，所述根据各组对应的小组主题特征为各组匹配与小组主题特征一致的商铺的方法包括：

[0034] 获取商铺主题特征；

[0035] 根据所述小组主题特征与商铺主题特征，得到特征距离；

[0036] 将对应特征距离最小的商铺作为与小组主题特征一致的商铺。

[0037] 本发明实施例具有如下有益效果：

[0038] 本发明根据获取到的商场RGB图像对顾客进行分组,然后得到各组内每个顾客的主题特征，根据每个顾客的主题特征得到各组对应的小组主题特征，最后为各组匹配与小
组主题特征一致的商铺。所述主题特征反映的是顾客的穿衣风格，而小组主题特征表示的
是某一小组整体的穿衣风格，若小组主题特征与店铺主题特征一致，则说明该店铺与该小
组顾客的风格越匹配，可以为该小组顾客推荐该店铺。本发明能够为每个小组顾客自动地
匹配与之风格一致的店铺并推荐给顾客，这样节省了顾客寻找符合自己穿衣风格的商铺的
时间，大大地提高了顾客的购物体验。

附图说明

[0039] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，
还可以根据这些附图获得其它附图。

[0040] 图1为本发明一个实施例所提供的一种基于人工智能和视觉感知的市场营销推荐方法的流程图。

具体实施方式

[0041] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能和视觉感知的市场营销
推荐方法及系统进行详细说明如下。

[0042] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0043] 为了解决顾客在商场内的购物体验较差的问题，本发明的主要构思是：本发明根据获取到的商场RGB图像对顾客进行分组,然后得到各组内每个顾客的主题特征，根据每个
顾客的主题特征得到各组对应的小组主题特征，最后为各组匹配与小组主题特征一致的商
铺。小组主题特征体现的是某一小组整体的穿衣风格。本发明实现了为每个购物小组匹配
与之风格一致的店铺并推荐给顾客，这样极大地节省了顾客寻找符合自己穿衣风格的商铺
的时间，大大地提高了顾客的购物体验。

[0044] 下面结合附图具体的说明本发明所提供的一种基于人工智能和视觉感知的市场营销推荐方法及系统的具体方案。

[0045] 基于人工智能和视觉感知的市场营销推荐方法实施例

[0046] 如图1所示，本实施例的基于人工智能和视觉感知的市场营销推荐方法包括以下步骤：

[0047] 步骤S1，获取商场RGB图像，根据所述RGB图像，得到对应的人体关键点信息图，根据人体关键点信息图，得到对应的人群密度，并根据所人群密度得到对应的距离阈值。

[0048] 本实施例利用商场内的监控相机采集商场RGB图像，通过采集到的RGB图像来对后续的过程进行分析，其具体分为以下几个子步骤：

[0049] 步骤S1‑1，根据所述RGB图像，得到对应的人体关键点信息图。

[0050] 本实施例将采集到的RGB图像输入到关键点检测网络，得到人体关键点信息图。关键点检测网络为Encoder‑Decoder（Encoder为编码器，Decoder为解码器）结构，其中，
Encoder对输入的RGB图像进行卷积和下采样的操作，从而提取图像中的特征获得特征图，
Decoder对获得的特征图进行上采样操作，从而得到与输入图像等大的关键点热图，在关键
点热图中用高斯热斑来标记人体关键点的位置。本实施例将最终输出的结果记为人体关键
点信息图。

[0051] 所述关键点检测网络的训练过程如下：

[0052] 本实施例将监控相机采集的RGB图像作为训练集，然后人为的给训练集中各图像中的关键点的位置打标签，具体打标签的过程为：采用高斯卷积核对RGB图像中人体关键点
的位置进行处理，形成高斯热斑，从而获得标签数据。将训练集输入到待训练网络中进行训
练，然后将输出的结果与各图像对应的标签数据进行对比，以判断网络的训练程度。本实施
例将训练集图像和标签数据均进行归一化操作，以提高网络训练的速度，同时采用均方差
形式的损失函数来不断迭代、训练网络。

[0053] 本实施例选定的人体关键点为头部、左右肩、左右肘、左右手、左右髋、左右膝和左右脚，共11个人体关键点。在输出结果中，每一个关键点的检测结果对应一个通道，所以本
实施例中关键点检测网络的输出结果为11通道的人体关键点信息图。

[0054] 步骤S1‑2，根据人体关键点信息图，得到对应的人群密度。

[0055] 得到人体关键点信息图像后，本实施例从获取到的人体关键点信息图中提取出头部关键点对应的通道，并进行峰值点统计，从而得到当前相机视角下的头部关键点的数量；
由于相机位姿固定，因此可以得到监控相机视野所能覆盖的真实面积，也可以说是RGB图像
对应真实区域面积。

[0056] 由于商城内人员流动较大，导致商场内不同区域的人群密度差异较大，因此本实施例以相机视角为单位获得局部区域的人群密度，从而可以获得准确的人群密度信息，以
保证后续顾客分组的准确性。

[0057] 本实施例根据头部关键点的数量与RGB图像对应的真实区域面积，计算对应的人群密度，人群密度指的是单位面积内顾客的数量，可以体现出当前RGB图像对应的区域内顾
客的聚集程度，人群密度越大表示顾客聚集程度越大。其中头部关键点数量体现的是当前
区域内的顾客数量，头部关键点数量越多，则人群密度越大，因此头部关键点数量与人群密
度呈正相关关系。利用数学建模的方法拟合出头部关键点数量、真实区域面积与人群密度
之间的函数关系，得到人群密度的计算公式为：

[0058]

[0059] 其中， 为头部关键点数量，为RGB图像对应的真实区域面积，为对应的人群密度。

[0060] 步骤S1‑3，根据所述人群密度得到对应的距离阈值。

[0061] 为了后续对顾客进行分组，本实施例根据人群密度获取距离阈值，后续以该距离阈值为区域半径来进行分组操作，人群密度体现的是当前区域内人群的密集程度，由于本
实施例中各小组内的顾客为结伴而行的人，因此小组内顾客之间的距离会很近且距离也不
会有太大的变化，但是对于不是结伴而来的非组内顾客，当人群密度较小时，组内顾客与非
组内顾客之间的距离相对较大，可以采用一个相对较大的距离阈值来区分组内顾客和非组
内顾客；当人群密度较大时，组内顾客与非组内顾客之间的距离相对较小，可以采用一个相
对较小的距离阈值来区分组内顾客和非组内顾客。所述距离阈值是每一个RGB图像对应视
角下的距离阈值，其中人群密度与距离阈值呈负相关关系。利用数学模型的方法拟合出距
离阈值与人群密度之间的函数关系，得到的距离阈值的计算公式为：

[0062]

[0063] 其中， 为距离阈值，为自然常数。

[0064] 步骤S2，根据所述RGB图像，得到对应的实例分割图，并根据人体关键点信息图与对应的实例分割图，得到匹配结果图；根据所述距离阈值与所述匹配结果图，对RGB图像内
的顾客进行分组。

[0065] 该步骤的目的是实现顾客分组并得到各组顾客中每位顾客的遮挡程度，具体通过以下几个子步骤实现：

[0066] 步骤S2‑1，根据人体关键点信息图与对应的实例分割图，得到匹配结果图。

[0067] 本实施例利用 函数对关键点检测网络输出的结果进行处理，从而得到每个人体关键点的位置信息。但是考虑到商场内顾客的姿态信息很复杂，因此为了避免
人体关键点的错误匹配对顾客分组造成影响，本发明将获得到的RGB图像输入到实例分割
网络（比如mask‑rcnn、center mask等实例分割网络）中得到对应实例分割图，然后利用实
例分割图来辅助完成人体关键点匹配。由于关键点检测网络的输出图像与实例分割得到的
图像尺寸相同，所以各像素点的位置是一一对应的。将获得的人体关键点位置信息图映射
至实例分割图中，位于同一实例中的关键点为同一顾客的人体关键点，实现了人体关键点
的匹配，从而得到准确的人体关键点的匹配结果图。

[0068] 实例分割网络为Encoder‑Decoder结构，输入为相机采集的RGB图像，输出结果为每一个顾客的实例分割结果。本发明中实例分割网络的训练集为商场内监控相机采集到的
RGB图像，其利用损失函数对网络训练的过程为公知技术，在此不再赘述。

[0069] 步骤S2‑2，对RGB图像内的顾客进行分组。

[0070] 本发明考虑到在商城购物的顾客大多数是结伴而行的，因此为了获得准确地人性化推荐结果，本发明对顾客进行分组操作，来确定结伴而行的人数，然后以组为单位获得推
荐结果。对顾客进行分组操作的具体过程为：

[0071] 首先从中匹配结果图中提取出每个顾客的双脚关键点，并对提取到的双脚关键点进行分析，从而获得顾客的位置信息。本实施例考虑到遮挡的情况，会导致有些顾客可以检
测到双脚关键点，有些顾客只能检测到一只脚的关键点，因此若可以检测到顾客双脚的关
键点，则进一步得到双脚关键点连线的中点，使该中点的位置作为顾客的位置信息；若只能
检测到一只脚的关键点，则直接将该关键点的位置作为顾客的位置信息。

[0072] 其次，根据每个顾客的位置信息与步骤S1‑3获得的距离阈值，利用DBSCAN密度聚类算法对RGB图像内的顾客进行分组。具体实施方式为：随机选择一个顾客的位置信息作为
中心点，设定邻域范围为半径为 的圆，在邻域范围内的顾客被划分为一组；当邻域范围内
的顾客数目为0时，则该中心顾客自为一组，并且随机选择未被分类的顾客的位置信息作为
新的中心点进行密度聚类操作，直至遍历完所有顾客的位置信息，从而得到RGB图像对应视
角下的顾客分组结果。

[0073] 步骤S3，根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度。

[0074] 本发明考虑到在实际的场景中会存在遮挡的情况，而遮挡会对后续提取顾客全局特征的过程产生影响，因此本实施例根据匹配结果图得到顾客的遮挡程度。具体实施过程
为：

[0075] 首先，根据上述得到的匹配结果图，得到各组内每个顾客特定关键点的关键点数量与关键点种类，所述特定关键点包括：左右肩、左右肘、左右手、左右髋、左右膝、左右脚。

[0076] 其次，根据各组内每个顾客的关键点类别数与关键点总数，计算出每个顾客的遮挡程度，遮挡程度表示的是顾客被遮挡的比例，遮挡程度越大表示顾客被遮挡的地方越多。

[0077] 其中，关键点类别数与遮挡程度呈负相关关系，也就是说能够检测到的关键点类别越多，表示可以获得的该顾客的全局信息就越多，即仅仅检测到顾客左侧或右侧所有的
关键点，就可以获得到顾客穿搭风格的全局信息，则遮挡程度越小，比如：只要能检测到双
脚关键点中的一个，就可以获得该顾客所穿鞋子的特征；而关键点与遮挡程度也呈负相关
关系，但是关键点类别数对遮挡程度的影响比关键点总数对遮挡程度的影响要大。

[0078] 利用数学模型的方法拟合出关键点类别数、关键点总数与遮挡程度之间的函数关系，得到的遮挡程度的计算公式为：

[0079]

[0080] 其中，为顾客的遮挡程度，取值范围为[0,1]， 为顾客的关键点类别数， 为顾客的关键点总数。

[0081] 步骤S4，根据所述实例分割图，得到各组内每个顾客的RGB图像；根据各组内每个顾客的RGB图像和对应的遮挡程度得到各组内每个顾客的主题特征，并根据各组内每个顾
客的主题特征，得到各组对应的小组主题特征。

[0082] 本实施例的步骤S4具体分为以下几个子步骤实现：

[0083] 步骤S4‑1，得到各组内每个顾客的RGB图像。

[0084] 首先根据实例分割图得到每个顾客的Mask图像，该Mask图像为一个二值图，其中顾客区域的像素值为1，其余区域的像素值为0。

[0085] 然后将得到的每个顾客的Mask图像与原始RGB图像相乘，来屏蔽掉无关工况，从而得到每一位顾客的RGB图像。

[0086] 步骤S4‑2，得到各组内每个顾客的主题特征以及各组对应的小组主题特征。

[0087] 本实施例将各组内每个顾客的RGB图像入到训练好的穿搭风格检测网络中，得到各组内每个顾客对应的各种风格的分类得分。其中穿搭风格检测网络是Encoder+FC结构。

[0088] 本实施例对穿搭风格网络的训练过程为：

[0089] 将每一个顾客的RGB图像作为训练集，然后人为的为训练集图像打上标签，其中标签数据为穿搭风格类别标签。本发明将穿搭风格分为日系风、韩风、法式风、欧美风以及英
伦风五类，给每张图像打上对应的类别编号，并转换为one‑hot编码，从而得到穿搭风格类
别标签。对于穿搭风格的分类，在实际过程中可根据需要自行设定。

[0090] 将训练集图像输入到待训练的穿搭风格网络中，Encoder对输入的图像进行特征提取，得到特征图（future map），然后将提取到的特征拍平（flatten）为一维向量，再经过
FC层得到穿搭风格的分类结果。

[0091] 对于Encoder提取到的特征图，利用GAP对future map进行处理得到CAM显著性图，所述GAP为全局平均池化，是CAM算法的常用方法之一。其中显著性图可以反应Encoder提取
到的特征所关注的区域，显著性图为与输入图像等大的灰度图，灰度值反应的是Encoder对
该区域的关注度，灰度值越大则表示该区域关注度越高。

[0092] 为了确保Encoder可以学习到顾客的全局特征，得到准确的输出结果，本发明利用显著性图作为监督信息，构建出CAM损失函数，也可以称为特征提取损失函数。其中构建CAM
损失函数的方法为：

[0093] 利用最大类间方差法获得阈值，用该阈值对显著性图进行阈值分割得到二值图 ，将二值图 与该顾客对应的Mask区域进行异或操作，得到显著性图在顾客Mask区域之外的
连通域信息，将其面积记为 ，即没有学习到特征的区域面积， 值越接近于0表示网络性
能越好；再将二值图 与该顾客对应的Mask区域取交集，得到显著性图在顾客Mask区域之
内的连通域信息，将其面积记为 ，即已经学习到特征的区域面积，所述顾客对应的Mask区
域的面积记为 ，当 越接近1表示网络获取全局信息的能力越强。则构建的CAM损失
函数如下：

[0094]

[0095] 其中 为CAM损失值，损失函数越小表示，表示网络学习的越好。

[0096] 本实施例有CAM损失函数监督网络训练保证网络可以提取到顾客的全局信息，用风格分类损失函数监督穿搭风格分类的结果，所述风格分类损失函数可以采用交叉熵函
数，则穿搭风格检测网络的最终损失函数 的计算公式如下：

[0097]

[0098] 其中， 为风格分类损失值，为整个网络的损失值。穿搭风格检测网络利用梯度下降法来不断迭代、训练网络。

[0099] 得到各组内每个顾客对应的各种风格的分类得分后，将各组内每个顾客对应的各种风格的分类得分与遮挡程度 相乘，并将相乘的结果进行归一化操作，得到各组内每个
顾客的主题特征。所述主题特征是一个1行5列的特征向量，分别为5种穿搭风格的得分，并
且5种穿搭风格的得分之和要为1。

[0100] 得到各组内每个顾客的主题特征后，计算各组内所有顾客对应的主题特征的平均值，得到各小组主题特征，小组主题特征体现的是小组整体的穿衣风格，是基于小组内每个
顾客的主题特征得到的，小组主题特征同样为一个1行5列的特征向量。各小组的小组主题
特征用于后续得到最佳推荐结果。

[0101] 步骤S5，根据各组对应的小组主题特征为各组匹配与小组主题特征一致的商铺。

[0102] 首先获取商场内每一个商铺的主题特征，记为商铺主题特征，该商铺主题特征是由各个店铺的老板给出的。

[0103] 然后根据获得的每组的小组主题特征和每一个商铺的商铺主题特征，计算每组的小组主题特征与所有商铺主题特征的 距离，记为特征距离，特征距离越小表示匹配度越
高，即小组整体风格与商铺的风格越一致。特征距离的计算公式为：

[0104]

[0105] 其中 为特征距离， 为对应的小组主题特征， 为对应的商铺主题特征。

[0106] 得到每组的小组主题特征与所有商铺主题特征的特征距离后，将特征距离按照从小到大的顺序将商铺进行排序，得到最终的推荐结果。

[0107] 对于特征距离一致的商铺，本实施例基于步骤S1‑2的方法得到每个店铺的人群密度，若店铺人群密度越大，则表示该店铺越受欢迎，则该店铺的排名就越靠前。

[0108] 本实施例根据获取到的商场RGB图像对顾客进行分组,然后得到各组内每个顾客的主题特征，根据每个顾客的主题特征得到各组对应的小组主题特征，最后为各组匹配与
小组主题特征一致的商铺。所述主题特征反映的是顾客的穿衣风格，而小组主题特征表示
的是某一小组整体的穿衣风格，若小组主题特征与店铺主题特征一致，则说明该店铺与该
小组顾客的风格越匹配，可以为该小组顾客推荐该店铺。本发明能够为每个小组顾客自动
地匹配与之风格一致的店铺并推荐给顾客，这样节省了顾客寻找符合自己穿衣风格的商铺
的时间，大大的提高了顾客的购物体验。

[0109] 基于人工智能和视觉感知的市场营销推荐系统实施例

[0110] 本实施例基于人工智能和视觉感知的市场营销推荐系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于人工智能和视觉感知
的市场营销推荐方法。

[0111] 由于基于人工智能和视觉感知的市场营销推荐方法已经在基于人工智能和视觉感知的市场营销推荐方法实施例中进行了说明，所以本实施例不再对基于人工智能和视觉
感知的市场营销推荐方法进行赘述。

[0112] 需要说明的是： 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护
范围之内。