服务评分方法及相关装置与流程

1.本申请涉及数据处理技术领域，具体涉及一种服务评分方法及相关装置。


背景技术：

2.随着互联网兴起，在交易完成后用户会通过网上平台针对卖家进行评价，但存在一些卖家通过刷单或者好评返利等手段，使得自身经营的店铺评价远高于实际服务应有的评价，最终导致评价信息虚假的情况；当前网络平台无法检测出卖家是否动用了上述手段，导致网络平台上虚假信息泛滥。


技术实现要素：

3.本申请实施例提供了一种服务评分方法及相关装置，有利于提升信息获取的效率和网络平台中服务评价的真实性。
4.第一方面，本申请实施例提供一种服务评分方法，所述方法包括：
5.获取n张待处理图像，所述待处理图像均包括第一类型人物和第二类型人物，n为正整数；
6.识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；
7.根据所述每张图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；
8.根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
9.第二方面，本申请实施例提供一种服务评分装置，应用于服务器，所述服务评分装置包括处理单元和通信单元，其中，
10.所述处理单元，用于通过所述通信单元获取n张待处理的图像，所述待处理图像包括第一类型人物和第二类型人物，n为正整数；以及用于识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；以及用于根据所述每张图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据，所述属性数据包括以下至少一种特征的数据：表情，头部姿态，肢体动作；以及用于根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
11.第三方面，本申请实施例提供一种服务器，包括控制器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述控制器执行，上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
12.第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
13.第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
14.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像均包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
附图说明
15.为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
16.图1是本申请实施例提供的一种服务评分系统的架构示意图；
17.图2a是本申请实施例提供的一种服务评分方法的流程示意图；
18.图2b是本申请实施例提供的一种服务评分生成的流程的示意图；
19.图3是本申请实施例提供的另一种服务评分方法的流程示意图；
20.图4是本申请实施例提供的另一种服务评分方法的流程示意图；
21.图5是本申请实施例提供的一种电子设备的结构示意图；
22.图6是本申请实施例提供的一种服务评分装置的功能单元组成框图。
具体实施方式
23.为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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。
24.本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
25.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和
隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
26.下面对本申请实施例进行详细介绍。
27.请参阅图1，图1是本申请实施例提供的一种服务评分系统的架构示意图，其中包括服务器110和与服务器110通信连接的至少一个摄像头120；服务器110可实时的获取至少一个摄像头120的图像；当检测到任意一个摄像头120捕捉到的画面满足预设置的条件时，服务器110获取录像或者多张图像，再根据录像或者多张图像中人物的状态特征生成服务评分。
28.其中，服务器可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能手环、计步器等)、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，ue)，移动台(mobile station，ms)，终端设备(terminal device)等等。为方便描述，上面提到的设备统称为电子设备。
29.请参阅图2a，图2a是本申请实施例提供了一种服务评分方法的流程示意图，应用于服务器。如图所示，本服务评分方法包括：
30.步骤201，服务器获取n张待处理图像，
31.其中，n为正整数；所述n张图像中的每张图像均包括第一类型人物和第二类型人物。
32.其中，所述服务器与至少一个摄像头通信连接，所述获取n张待处理图像，包括：通过所述至少一个摄像头检测到所述摄像头的取景范围内的至少一个团体，所述至少一个团体中的每个团体至少包括两个人物；确定所述至少一个团体中的目标团体，所述目标团体包括所述第一类型人物和所述第二类型人物；获取所述目标团体的视频或图像；根据所述目标团体的视频或图像生成所述n张图像。其中，确定所述至少一个团体中的目标团体的具体步骤可以是：若检测到第一团体中包括穿着特定服装的人员以及穿着非特定服装的人员，则确定第一团体为目标团体；或者根据人脸识别功能确定团体中包括预先录入人脸信息的服务人员以及未录入人脸信息的人员，则确定第一团体包括目标团体。其中，服务器可获取所述目标团体的视频，并每隔预设时长提取视频中的一张图像，提取n次，则可以得到n张待处理的图像；或者服务器每隔预设时长存储一张图像，存储n次，得到最终需要的n张待处理的图像；使得服务器无需存储过多数据，节省了服务器的存储空间，提升了图像的读取速度，提升了图像处理的速率。
33.步骤202，服务器识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物。
34.其中，所述第一类型人物为服务人员。服务器可提前存储服务人员的人脸数据，在识别图像中的人物时，获取每张图像中的人脸数据；将每张图像中的人脸数据与本端存储的服务人员的人脸数据进行比较，若确定出图像中第一人脸数据与存储的服务人员的人脸数据吻合，则确定第一人脸数据对应的人物为第一类型人物，若确定出图像中第二人脸数据与存储的服务人员的人脸数据不吻合，则确定第二人脸数据对应的人物为第二类型人物。或者，根据每张图像中人物的穿着判断人物属于第一人物或者第二人物，若图像中的人物穿着为指定的服装或者人物随身携带有特定的标记(如袖标、胸章、发带等)则确定为第一类型人物，反之，则确定图像中的人物为第二类型人物。
35.步骤203，服务器根据所述待处理图像中的所述第一类型人物和所述第二类型人
物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据。
36.其中，每张图像对应可生成第一类型人物的一个属性数据和第二类型人物的一个属性数据。其中，所述属性数据包括以下至少一种特征的数据：表情，头部姿态，肢体动作。其中，服务器可根据人物的面部的属性数据确定出人物的表情；根据头部相较于水平面伸展的角度确定出头部姿态；根据四肢及躯干构成的形状确定人物的肢体动作。具体的：服务器可以将所述n张图像中所述第一类型人物的n张图像和所述第二类型人物的n张图像输入基于深度神经网络的属性识别网络，得到所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据。其中，属性识别网络可首先检测出每张图像中的人物；再确定人物各个部位的形状，根据各个部位的形状和训练得到的数据确定出人物的头部姿态，肢体动作。属性识别网络可确定出每个人物的脸部特征(可包括嘴部形状，眼神，脸部肌肉，眉毛形状)，根据脸部特征和训练得到的数据得到当前当前处理的图像中人物的表情，如大笑，微笑，平静，苦闷等。具体的，属性识别网络可以是卷积神经网络模型，该模型包括：卷积层，池化层，全连接层；其中，卷积层与池化层连接，池化层与全连接层连接，将人物的图像输入到模型中后，通过多个卷积层的卷积处理和多个池化层的池化处理，以及全连接层中神经元的共享权值，得到人物的静态结构特征信息；计算静态结构特征与预设类型的属性类型(及预设的表情，头部姿态，肢体动作)的匹配度，在匹配度大于预设阈值的情况下确定人物图像对应的属性数据中包括该属性类型。
37.步骤204，服务器根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
38.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
39.在一个可能的示例中，所述识别所述待处理图像中的所述第一类型人物和所述第二类型人物，包括：确定每张所述待处理图像中每个人物的服装图像；获取所述服装图像包括的像素信息；根据所述像素信息判断所述服装图像中是否存在预设类型的标识；若是，则确定所述服装图像对应的人物为所述第一类型人物；若否，则确定所述服装图像对应的人物为所述第二类型人物。
40.其中，服装图像可以是服务人员穿着的统一的服装也可以是穿着的标记(如袖章、胸章等)；服务器根据图像中像素的rgb值确定出颜色构成的形状，在形状与预设的形状相似度大于预设阈值时，确定对应的人物为服务人员。
41.可见，本示例中，服务器可根据像素信息识别人物的服装，精确的定位出服务人员和客户，保证了最终生成的服务评分的准确性。
42.在一个可能的示例中，所述识别所述待处理图像中的所述第一类型人物和所述第二类型人物，包括：获取每张所述待处理图像中的至少两个人物所在的位置信息；根据所述
位置信息确定所述至少两个人物中在预设位置区域的人物为所述第一类型人物，在所述预设位置区域之外的人物为所述第二类型人物。
43.举例来说，针对于设置有柜台的服务区域，由于服务人员与客户通常均站在柜台的两侧来挑选商品，因此可根据图像中人物所在的位置区域确定人物为第一类型人物或第二类型人物。
44.可见，本示例中，服务器可根据人物的位置信息快速的确定人物的类型，提升了确定人物类型的速率，进而提升了服务器图像处理的速率。
45.在一个可能的示例中，所述根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分，包括：将所述n个属性数据和所述第二类型人物的n个属性数据输入基于深度神经网络的交互关系预测网络，得到所述第一类型人物的第一状态特征和所述第二类型人物的第二状态特征，状态特征包括n个子状态，所述n个子状态中每个子状态是根据对应的一个属性数据生成的；根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值；根据所述第二状态特征包括的n个子状态和预设的第二分值对应关系计算得到第二评分值；根据所述第一评分值和所述第二评分值计算得到所述服务评分。
46.其中，交互关系预测网络可将人物的肢体动作，头部姿态和脸部表情结合起来与训练得到的数据进行匹配，得到每张待处理图像中人物的子状态(及人物的状态，人物状态可以包括：温暖，友好，信任，主导，冷漠，敌对)；例如第一头部姿态+第一肢体动作+第一表情，与训练数据中的第一人物相符，且训练数据中第一人物的状态为友好，则当前图像中人物的子状态为友好。其中，温暖，友好，信任，主导，敌对，冷漠，每一种状态对应一个分值，例如：温暖1.0分，友好0.8分，信任0.6分，主导0.4分，冷漠0.2分，敌对0分；其中，第一类型人物和第二类型人物在每种状态下匹配的分值可以不同，例如上述分值匹配关系可以是第一类型人物对应的分值匹配关系，第二类型人物的分值匹配关系可以是：温暖1.5分，友好1.0分，信任0.8分，主导0.4分，冷漠0分，敌对0分；具体的分值可由根据实际需求进行设置调整。根据第一类型人物的分值匹配关系和第一类型人物的n个子状态计算得到第一评分值；同理，根据第二类型人物的分值匹配关系和第二类型人物的n个子状态计算得到第二评分值。再根据预设分值计算策略结合第一评分值和第二评分值计算得到服务评分；具体的可以是第一评分值与第二评分值相加，也可以是：第一预设权重*第一评分值+第二预设权重*第二评分值＝服务评分。具体的，本申请实施例中交互关系预测网络可以是由bert(bidirectional encoder representation from transformers)模型训练得到的。具体的，可将属性数据的文本输入到训练完成的bert模型中，bert模型针对属性数据进行处理，得到子状态对应的语义特征，输出语义特征的文本，将语义特征的文本输入到解码器，解码器输出子状态的通用文本(及当前服务器运行的人类语言，如中文，英文等)。
47.可见，本示例中，服务器可结合第一类型人物和第二类型人物的状态特征确定出最终的服务评分，使得根据服务人员和客户的表现快速的生成服务评分，提高了获取服务评分的效率；且由于服务评分是根据人物的实际表现确定的，提升了最终得到的服务评分的真实性。
48.在一个可能的示例中，所述根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值，包括：以所述第一状态特征包括的n个子状态为查询
标识，查询所述第一分值对应关系，得到所述n个子状态中每个子状态的评估值；计算所述n个子状态的所述评估值的平均值，得到所述第一评分值。
49.可见，本示例中，服务器可根据预设的分值对应关系确定出每个状态对应的分值，以便于根据分值计算得到服务评分。
50.具体的，本申请实施例中生成服务评分的整体流程如图2b所示，包括：服务场景图片，将服务场景图片输入到身份识别网络，身份识别网络识别出服务人员和顾客；将服务人员和顾客的图像分别输入到对应的属性识别网络，属性识别网络根据服务人员和顾客的图像得到表情，头部姿态和肢体动作；将服务人员的表情，头部姿态和肢体动作输入到服务人员对应的交互关系预测网络，得到服务人员的状态；将顾客的表情，头部姿态和肢体动作输入到顾客对应的交互关系预测网络，得到顾客的状态，根据服务人员的状态和顾客的状态计算得到服务评分。
51.与所述图2a所示的实施例一致的，请参阅图3，图3是本申请实施例提供的一种服务评分方法的流程示意图，应用于服务器。如图所示，本服务评分方法包括：
52.步骤301，服务器通过至少一个摄像头检测到所述摄像头的取景范围内的至少一个团体。
53.步骤302，服务器确定所述至少一个团体中的目标团体。
54.步骤303，服务器获取所述目标团体的视频或图像。
55.步骤304，服务器根据所述目标团体的视频或图像生成n张待处理图像。
56.步骤305，服务器确定每张所述待处理图像中每个人物的服装图像。
57.步骤306，服务器获取所述服装图像包括的像素信息；
58.步骤307，服务器根据所述像素信息判断所述服装图像中是否存在预设类型的标识；若是，则确定所述服装图像对应的人物为所述第一类型人物；若否，则确定所述服装图像对应的人物为所述第二类型人物。
59.步骤308，服务器根据所述n张图像确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据。
60.步骤309，服务器根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
61.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
62.与所述图2a、图3所示的实施例一致的，请参阅图4，图4是本申请实施例提供的一种服务评分方法的流程示意图，应用于服务器。如图所示，本服务评分方法包括：
63.步骤401，服务器获取n张待处理的图像，所述待处理图像均包括第一类型人物和第二类型人物。
64.步骤402，服务器获取所述待处理图像中的至少两个人物所在的位置信息。
65.步骤403，服务器根据所述位置信息确定所述至少两个人物中在预设位置区域的人物为所述第一类型人物，在所述预设位置区域之外的人物为所述第二类型人物。
66.步骤404，服务器将所述n张图像中所述第一类型人物的n张图像和所述第二类型人物的n张图像输入基于深度神经网络的属性识别网络，得到所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据。
67.步骤405，服务器将所述n个属性数据和所述第二类型人物的n个属性数据输入基于深度神经网络的交互关系预测网络，得到所述第一类型人物的第一状态特征和所述第二类型人物的第二状态特征，状态特征包括n个子状态，所述n个子状态中每个子状态是根据对应的一个属性数据生成的。
68.步骤406，服务器根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值。
69.步骤407，服务器根据所述第二状态特征包括的n个子状态特征和预设的第二分值对应关系计算得到第二评分值。
70.步骤408，服务器根据所述第一评分值和所述第二评分值计算得到所述服务评分。
71.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像均包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
72.与所述图2a、图3、图4所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种服务器500的结构示意图，如图所示，所述服务器500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521，其中，所述一个或多个程序521被存储在上述存储器520中，并且被配置由上述应用处理器510执行，所述一个或多个程序521包括用于执行以下步骤的指令；
73.获取n张待处理图像，所述待处理图像包括第一类型人物和第二类型人物，n为正整数；
74.识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；
75.根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；
76.根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
77.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像均包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像
中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
78.在一个可能的示例中，所述服务器与至少一个摄像头通信连接，在所述获取n张待处理图像方面，所述程序中的指令具体用于执行以下操作：通过所述至少一个摄像头检测到所述摄像头的取景范围内的至少一个团体，所述至少一个团体中的每个团体至少包括两个人物；确定所述至少一个团体中的目标团体，所述目标团体包括所述第一类型人物和所述第二类型人物；获取所述目标团体的视频或图像；根据所述目标团体的视频或图像生成所述n张图像。
79.在一个可能的示例中，在所述识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物方面，所述程序中的指令具体用于执行以下操作：确定所述待处理图像中每个人物的服装图像；获取所述服装图像包括的像素信息；根据所述像素信息判断所述服装图像中是否存在预设类型的标识；若是，则确定所述服装图像对应的人物为所述第一类型人物；若否，则确定所述服装图像对应的人物为所述第二类型人物。
80.在一个可能的示例中，在所述识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物方面，所述程序中的指令具体用于执行以下操作：获取所述待处理图像中的至少两个人物所在的位置信息；根据所述位置信息确定所述至少两个人物中在预设位置区域的人物为所述第一类型人物，在所述预设位置区域之外的人物为所述第二类型人物。
81.在一个可能的示例中，在所述根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分方面，所述程序中的指令具体用于执行以下操作：将所述n个属性数据和所述第二类型人物的n个属性数据输入基于深度神经网络的交互关系预测网络，得到所述第一类型人物的第一状态特征和所述第二类型人物的第二状态特征，状态特征包括n个子状态，所述n个子状态中每个子状态是根据对应的一个属性数据生成的；根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值；根据所述第二状态特征包括的n个子状态和预设的第二分值对应关系计算得到第二评分值；根据所述第一评分值和所述第二评分值计算得到所述服务评分。
82.在一个可能的示例中，在所述根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值方面，所述程序中的指令具体用于执行以下操作：以所述第一状态特征包括的n个子状态为查询标识，查询所述第一分值对应关系，得到所述n个子状态中每个子状态的评估值；计算所述n个子状态的所述评估值的平均值，得到所述第一评分值。
83.上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条
件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
84.本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个控制单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
85.图6是本申请实施例中所涉及的服务评分装置600的功能单元组成框图。该服务评分装置600应用于服务器，服务评分装置600包括处理单元601和通信单元602，其中：
86.所述处理单元601，用于通过所述通信单元602获取n张待处理图像，所述待处理图像包括第一类型人物和第二类型人物，n为正整数；以及用于识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；以及用于根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；以及用于根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。
87.其中，所述服务评分装置600还可以包括存储单元603，所述存储单元603用于存储电子设备的程序代码和数据。所述处理单元601可以是处理器，所述通信单元602可以是触控显示屏或者收发器，所述存储单元603可以是存储器。
88.可以看出，本申请实施例中，服务器首先获取n张待处理图像，所述待处理图像均包括第一类型人物和第二类型人物，n为正整数；其次，识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物，所述第一类型人物为服务人员；根据所述待处理图像中的所述第一类型人物和所述第二类型人物确定所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据；根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分。可见，本申请实施例中服务器可根据获取到的图像分析得到服务评分，提升了获取服务评分的速度和效率；同时，服务器根据图像中人物的特征生成服务评分，保证了服务评分的真实性，避免了虚假评价信息的泛滥。
89.在一个可能的示例中，所述服务器与至少一个摄像头通信连接，在所述获取n张待处理图像方面，所述处理单元601具体用于：通过所述至少一个摄像头检测到所述摄像头的取景范围内的至少一个团体，所述至少一个团体中的每个团体至少包括两个人物；确定所述至少一个团体中的目标团体，所述目标团体包括所述第一类型人物和所述第二类型人物；获取所述目标团体的视频或图像；根据所述目标团体的视频或图像生成所述n张图像。
90.在一个可能的示例中，在所述识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物方面，所述处理单元601具体用于：确定所述待处理图像中每个人物的服装图像；获取所述服装图像包括的像素信息；根据所述像素信息判断所述服装图像中是否存在预设类型的标识；若是，则确定所述服装图像对应的人物为所述第一类型人物；若否，则确定所述服装图像对应的人物为所述第二类型人物。
91.在一个可能的示例中，在所述识别每张所述待处理图像中的所述第一类型人物和所述第二类型人物方面，所述处理单元601具体用于：获取所述待处理图像中的人物所在的位置信息；根据所述位置信息确定所述m个人物中在预设位置区域的人物为所述第一类型
人物，在所述预设位置区域之外的人物为所述第二类型人物。
92.在一个可能的示例中，在所述根据所述第一类型人物的n个属性数据和所述第二类型人物的n个属性数据生成服务评分方面，所述处理单元601具体用于：将所述n个属性数据和所述第二类型人物的n个属性数据输入基于深度神经网络的交互关系预测网络，得到所述第一类型人物的第一状态特征和所述第二类型人物的第二状态特征，状态特征包括n个子状态，所述n个子状态中每个子状态是根据对应的一个属性数据生成的；根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值；根据所述第二状态特征包括的n个子状态特征和预设的第二分值对应关系计算得到第二评分值；根据所述第一评分值和所述第二评分值计算得到所述服务评分。
93.在一个可能的示例中，在所述根据所述第一状态特征包括的n个子状态和预设的第一分值对应关系计算得到第一评分值方面，所述处理单元601具体用于：以所述第一状态特征包括的n个子状态为查询标识，查询所述第一分值对应关系，得到所述n个子状态中每个子状态的评估值；计算所述n个子状态的所述评估值的平均值，得到所述第一评分值。
94.本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括移动终端。
95.本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括移动终端。
96.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
97.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
98.在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
99.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
100.另外，在本申请各个实施例中的各功能单元可以集成在一个控制单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
101.上述集成的单元如果以软件功能单元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器中。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全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
102.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
103.以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。