一种门脸头图挑选方法、装置、服务器和存储介质与流程

本发明实施例涉及人工智能技术领域，尤其涉及一种门脸头图挑选方法、装置、服务器和存储介质。

背景技术：

近年来，随着互联网及人工智能技术的广泛普及，地图已经成为人们出行前决策的最重要参考依据之一，而地图上的任一兴趣点(Point of Interest，POI)下都有很多的图片，且该图片的来源有很多种，如用户贡献的、外业采集的或互联网上获取的等；类型也有很多，如店外的门脸图片、店内的环境图片、菜式图片、服务图片等。但是当人们用手机进行查看时，由于界面的限制，在手机的交互展上，一个兴趣点的详情页上最多只能展示一张图片，且这张图片位于详情页中的最顶上，是该兴趣点的门脸图以及表达的直接入口，给用户出行决策提供了极大的参考意见。因此如何挑选这张图片非常重要，也是地图详情团队的痛点。

目前主要采用以下两种方式来挑选兴趣点的门脸图：(1)人工选择，采用外包形式按照部门经理指定的标准一个个筛选，目前对于少量重要度高的兴趣点采用该方式进行作业。(2)直接使用外业人员定向拍摄的图片作为兴趣点的门脸图，具体的，由于外业采集人员采集兴趣点数据的时候会拍摄兴趣点的门脸情况，因此是比较高质量的门脸数据。

但是，对于第一种人工选择即使在使用外包的情况下，也需要大量的人员成本，同时外包的质量不太可控制，无法保证最终的效果。对于第二种实现方法虽然比较简单，但是目前外业采集拍摄过的图片不能覆盖全部的POI，且这种方法回收的图片主要目的是采集数据，并不一定是最适合做门脸头图展示。所以，目前在产品上，仍然有大量的兴趣点数据没有门脸头图，或者门脸头图并不是最优。

技术实现要素：

本发明实施例提供一种门脸头图挑选方法、装置、服务器和存储介质，降低了人工成本，且覆盖范围广，对所有的兴趣点都适用，有效的解决了当前大部分目前线上兴趣点没有门脸头图的情况。

第一方面，本发明实施例提供了一种门脸头图挑选方法，该方法包括：

采用门脸图分类器对兴趣点的至少一张图片作处理，得到所述至少一张图片是门脸图的概率，其中所述门脸图分类器是依据门脸样本图预先训练得到的；

依据所述至少一张图片是门脸图的概率，从所述至少一张图片中筛选得到所述兴趣点的门脸头图。

第二方面，本发明实施例还提供了一种门脸头图挑选装置，该装置包括：

门脸图处理模块，用于采用门脸图分类器对兴趣点的至少一张图片作处理，得到所述至少一张图片是门脸图的概率，其中所述门脸图分类器是依据门脸样本图预先训练得到的；

门脸头图确定模块，用于依据所述至少一张图片是门脸图的概率，从所述至少一张图片中筛选得到所述兴趣点的门脸头图。

第三方面，本发明实施例还提供了一种服务器，该服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面中任一所述的门脸头图挑选方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一所述的门脸头图挑选方法。

本发明实施例提供一种门脸头图挑选方法、装置、服务器和存储介质，通过采用预先训练好的门脸图分类器对任一兴趣点下的至少一张图片进行处理，可得到每张门脸图的概率，依据所述概率对门脸图进行筛选，即可得到该兴趣点的门脸头图。该方法降低了人工成本，且覆盖范围广，对所有的兴趣点都适用，有效的解决了当前大部分目前线上兴趣点没有门脸头图的情况。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例一中提供的一种门脸头图挑选方法的流程图；

图2是本发明实施例二中提供的一种门脸头图挑选方法的流程图；

图3是本发明实施例二中提供的一种门脸头图挑选方法的结构示意图；

图4是本发明实施例三中提供的一种门脸头图挑选装置的结构框图；

图5是本发明实施例四中提供的一种服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

实施例一

图1为本发明实施例一提供的一种门脸头图挑选方法的流程图，本实施例可适用于基于人工智能为兴趣点选择门脸头图的情况，该方法可以由本发明实施例提供的门脸头图挑选装置/服务器/计算机可读存储介质来执行，该装置/服务器/计算机可读存储介质可采用软件和/或硬件的方式实现。参见图1，该方法具体包括：

S110，采用门脸图分类器对兴趣点的至少一张图片作处理，得到至少一张图片是门脸图的概率，其中门脸图分类器是依据门脸样本图预先训练得到的。

其中，兴趣点即“信息点”，是导航软件商收录的可直接在导航软件上查找到相应目的地的点。如电子地图上显示的景点、政府机构、公司、商场、饭馆等气泡图标都表示兴趣点。大多数兴趣点对于用户来说是一个未知的地点，而门脸图是一个兴趣点的真实写照和身份象征，且位于兴趣点详情页的最顶上，是该兴趣点表达的直接入口，因此为一个兴趣点选择出具有代表性的门脸图十分重要。

目前采用人工选择或直接使用外业人员定向拍摄的图片作为兴趣点的门脸图等方法，需要大量的人员成本，同时质量不太可控制，无法保证最终的效果，也无法保证所采集的图片覆盖全部的兴趣点。

因此，为了能够自动准确的从许多图片中挑选出门脸图且适用于所有的兴趣点，本实施例采用人工智能技术如对神经网络模型进行训。由于神经网络中的卷积神经网络在图像识别领域，其特有的权值共享网络结构，很大程度上降低了模型复杂度，减少了权值数量，可直接将多维图像作为输入数据展开训练，有效避免了传统识别算法中复杂的特征提取和数据重建过程。因此，本实施例优选采用对深度卷积神经网络进行训练，得到门脸图分类器。

门脸样本图是指一个兴趣点的多张门脸图，该门脸图可选自外业采集的图片、用户贡献或互联网上获取的等，由于外业采集的图片一定是门脸图，因此优选的，门脸样本图选自外业采集的图片。

具体的，把大量的门脸样本图作为训练集，输入到深度卷积神经网络中对其进行训练，通过各样本训练之后，得到门脸图分类器。当把一个兴趣点的一张图片输入到该门脸图分类器中，模型会结合该模型现有的参数，对输入图片，做出一个判断，并输出该图片是门脸图的概率。

S120，依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸头图。

其中，门脸头图是一个兴趣点多张门脸图中最具有代表性的图片，可以是根据门脸图分类器输出结果按照一定的规则筛选的图片。例如，如果一个兴趣点有多张门脸图片的话，则按门脸图分类器输出的概率从大到小排序，选取概率大的作为门脸头图；如果概率大的并列有几张图片，则可随机取一张作为门脸头图。

示例性的，依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸头图的具体操作过程可以是：依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸图；从兴趣点的门脸图中筛选一张作为兴趣点的门脸头图。

本发明实施例提供的门脸头图挑选方法，通过采用预先训练好的门脸图分类器对任一兴趣点下的至少一张图片进行处理，可得到每张门脸图的概率，依据所述概率对门脸图进行筛选，即可得到该兴趣点的门脸头图。该方法降低了人工成本，且覆盖范围广，对所有的兴趣点都适用，有效的解决了当前大部分目前线上兴趣点没有门脸头图的情况。

实施例二

图2为本发明实施例二提供的一种门脸头图挑选方法的流程图，图3为本发明实施例二提供的一种门脸头图挑选方法的结构示意图。本实施例在上述实施例的基础上，引入用户的行为，进一步对采用门脸图分类器确定的兴趣点的门脸头图进行用户的满意度验证。具体的，参见图2和图3，该方法包括：

S210，采用门脸图分类器对兴趣点的至少一张图片作处理，得到至少一张图片是门脸图的概率，其中门脸图分类器是依据门脸样本图预先训练得到的。

S220，依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸图。

S230，从兴趣点的门脸图中筛选一张作为兴趣点的门脸头图。

S240，以设定时间周期获取用户对兴趣点所在页面的浏览日志。

其中，设定时间周期是指预先设定好的以整数天为周期进行循环，可根据实际情况进行修正。浏览日志是指用户的点击行为信息和其他访问的汇总，反应了用户对兴趣点的关注度，可以包括用户对兴趣点的浏览次数、评论等。可选的，以一周为时间周期，从用户在兴趣点所在页面的浏览日志中对用户行为进行挖掘。

S250，采用用户满意判断模型，依据浏览日志中包含的浏览行为确定用户对兴趣点的门脸头图的满意度。

其中，满意度也可称“满意指数”，用于反应用户期望值与用户体验的匹配程度，可以根据用户的浏览行为进行判定，示例性的，浏览日志中包含如下至少一种浏览行为：点击详情页，点击门脸头图，点击评论区，查看电话，查看其他详情信息，检索其他兴趣点和地图拖动查看等。

为了判断用户对选出的兴趣点的门脸头图的满意度一般可采用神经网络模型进行判断，但是神经网络模型不能很好的描述用户状态的转换，而马尔科夫模型能够描述从一个状态往另外一个状态转换的概率有多大。具体的，浏览日志中包含多种浏览行为，使用马尔科夫模型能够描述不同用户浏览行为状态之间转换的概率，因而采用马尔科夫模型作用户满意判断模型的效果较好。因此，本实施例优选用户满意判断模型是基于马尔科夫模型训练得到的。具体的，让挑选出的门脸头图和人工挑选的高质量门脸头图进行匹配，将用户反应好的门脸图所对应的浏览日志作为正样本，其它的作为负样本，将正样本和负样本作为训练集，输入到马尔科夫模型中进行训练以构建用户满意判断模型。其中，正样本和负样本组成的训练集可称浏览日志训练集。

当把由门脸图分类器挑选出的门脸头图对应的浏览日志输入到用户满意度判断模型后，模型就会根据已有的参数，对该输入样本进行训练，得到满意指数，满意指数可用星级来表示。例如，非常满意用五星表示，依次往后排列。

S260，若用户对兴趣点的门脸头图的满意度低于满意度阈值，则重新确定该兴趣点的门脸头图。

其中，满意度阈值是用户对一物体满意的最低标准，如满意度最高为五星，满意度阈值为三星，即低于三星表示用户不满意。

为了选出一个兴趣点下最优质的门脸头图，当用户满意度判断模型的输出结果低于预先设定的满意度阈值时，可以将该张门脸头图照片删除，重新将该兴趣点下的图片输入到门脸图分类器中进行处理筛选出新的一张门脸头图，再依据用户满意度判断模型进行满意度判断等反复迭代，直到选出最优质的兴趣点的门脸头图为止。即可以依据用户满意度对门脸图分类器进行再处理。

示例性的，在采用用户满意判断模型，依据浏览日志中包含的浏览行为确定用户对兴趣点的门脸头图的满意度之后，还可以包括：如果用户对兴趣点的门脸头图的满意度大于等于满意度阈值，则将该门脸头图作为该兴趣点的最优质门脸头图。

本发明实施例提供的门脸头图挑选方法，通过门脸图分类器对任一兴趣点下的至少一张图片进行处理得到每张门脸图的概率，依据所述概率对门脸图进行筛选，得到该兴趣点的门脸头图之后，采用用户满意判断模型对门脸图分类器筛选得到的兴趣点的门脸头图进一步依据用户的行为进行满意度判定。该方法降低了人工成本，且覆盖范围广，对所有的兴趣点都适用，有效的解决了当前大部分目前线上兴趣点没有门脸头图的情况。同时，通过结合用户行为，能更有效的筛选出最优质的门脸头图数据，提升了用户体验。

实施例三

图4为本发明实施例三提供的一种门脸头图挑选装置的结构框图，该装置可执行本发明任意实施例所提供的门脸头图挑选方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置可以包括：

门脸图处理模块410，用于采用门脸图分类器对兴趣点的至少一张图片作处理，得到至少一张图片是门脸图的概率，其中门脸图分类器是依据门脸样本图预先训练得到的；

门脸头图确定模块420，用于依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸头图。

本发明实施例提供的门脸头图挑选装置，通过采用预先训练好的门脸图分类器对任一兴趣点下的至少一张图片进行处理，可得到每张门脸图的概率，依据所述概率对门脸图进行筛选，即可得到该兴趣点的门脸头图，降低了人工成本，且覆盖范围广，对所有的兴趣点都适用有效的解决了当前大部分目前线上兴趣点没有门脸头图的情况。

可选的，门脸头图确定模块420具体可以包括：依据至少一张图片是门脸图的概率，从至少一张图片中筛选得到兴趣点的门脸图；从兴趣点的门脸图中筛选一张作为兴趣点的门脸头图。

示例性的，上述装置还可以包括：

浏览日志获取模块，用于在依据所述至少一张图片是门脸图的概率，从所述至少一张图片中筛选得到所述兴趣点的门脸头图后，以设定时间周期获取用户对兴趣点所在页面的浏览日志；

满意度确定模块，用于采用用户满意判断模型，依据浏览日志中包含的浏览行为确定用户对兴趣点的门脸头图的满意度。

示例性的，浏览日志中包含如下至少一种浏览行为：点击详情页，点击门脸头图，点击评论区，查看电话，查看其他详情信息，检索其他兴趣点和地图拖动查看。

可选的，用户满意判断模型是基于马尔科夫模型训练得到的。

示例性的，上述装置还可以包括：

门脸头图重新确定模块，用于依据浏览日志中包含的浏览行为确定用户对兴趣点的门脸头图的满意度之后，若用户对所述兴趣点的门脸头图的满意度低于满意度阈值，则重新确定该兴趣点的门脸头图。

实施例四

图5为本发明实施例四提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器12的框图。图5显示的服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，该服务器12以通用计算设备的形式表现。该服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图5中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的门脸头图挑选方法。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述实施例中任一的门脸头图挑选方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

上述实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间的相同或相似的部分互相参见即可。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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。