一种车载相亲对象推荐方法、装置、设备及车辆与流程

1.本发明涉及数据处理技术领域，具体的说，涉及的是一种车载相亲对象推荐方法、装置、设备及车辆。


背景技术：

2.随着适龄未婚人群的持续增长，相亲机构出现了较大的市场，现有技术中相亲机构的相亲匹配方式通常是由“红娘”根据用户的条件提供相亲资源，但这种人工匹配的方式效率较低，无法满足广大适龄未婚人群的需求。


技术实现要素：

3.基于此，本发明提供了一种车载相亲对象推荐方法、装置、设备及车辆，以解决现有技术中人工相亲匹配效率低的问题，其能够通过获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，来生成目标用户画像并从相亲数据库中选出与目标用户画像匹配的推荐对象，提高了相亲匹配效率。
4.为实现上述目的，本发明实施例提供了一种车载相亲对象推荐方法，包括：
5.获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据；
6.根据所述行车数据，确定用户的行车风格信息；
7.根据所述应用数据，确定用户的应用偏向信息；
8.根据所述视频数据和所述重力数据，确定用户的外貌形态信息；
9.根据所述行车风格信息、所述应用偏向信息和所述外貌形态信息，生成目标用户画像；
10.根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户。
11.作为上述方案的改进，还包括：获取车载麦克风采集到的音频数据，根据所述音频数据确定用户的语言表达能力信息；
12.则所述目标用户画像具体通过以下方式生成：
13.根据所述行车风格信息、所述应用偏向信息、所述外貌形态信息和所述语言表达能力信息，生成目标用户画像。
14.作为上述方案的改进，所述行车数据至少包括油门刹车数据、车速车距数据、车辆内外温度差数据、车速与雨量数据、定位与导航数据、用户驾驶状态视频数据中的至少一种。
15.作为上述方案的改进，所述油门刹车数据包括自身车辆与其他车辆的车距大于预设宽松距离阈值下的油门和刹车的切换频率、油门的开合程度、刹车的开合程度；所述车速车距数据包括自身车辆分别与旁车、前车的第一车距数据，以及与所述第一车距数据对应的自身车辆的第一车速数据；所述车速与雨量数据包括雨量数据、与所述雨量数据对应的
自身车辆的第二车速数据；
16.则所述根据所述行车数据，确定用户的行车风格信息，具体包括：
17.基于预设的切换频率、开合程度与第一行车风格的映射关系，根据所述油门刹车数据确定第一目标行车风格；
18.基于预设的车距车速与第二行车风格的映射关系，根据所述车速车距数据确定第二目标行车风格；
19.基于预设的车辆内外温度差与第三行车风格的映射关系，根据所述车辆内外温度差数据确定第三目标行车风格；
20.基于预设的车速雨量与第四行车风格的映射关系，根据所述车速与雨量数据确定第四目标行车风格；
21.根据所述定位与导航数据计算自身车辆的偏离航向频率以及行驶路线特性，并基于预设的偏离航向频率与第五行车风格的映射关系确定第五目标行车风格，基于预设的行驶路线特性与第六行车风格的映射关系确定第六目标行车风格；
22.根据所述用户驾驶状态视频数据确定用户的眼睛开闭状态和头部姿态，并根据所述眼睛开闭状态和所述头部姿态确定用户的驾驶状态，基于预设的驾驶状态与第七行车风格的映射关系，确定第七目标行车风格；
23.基于预设的行车风格与性格倾向的映射关系，根据所述第一目标行车风格、所述第二目标行车风格、所述第三目标行车风格、所述第四目标行车风格、所述第五目标行车风格、第六目标行车风格和所述第七目标行车风格确定用户的性格倾向特征向量并将其设为用户的行车风格信息。
24.作为上述方案的改进，所述应用数据为车载中控屏数据，包括车机系统的驾驶设定数据、语音助理唤醒模式、音娱类数据中的至少一种。
25.作为上述方案的改进，所述外貌形态信息包括身高、体重、外貌特征；
26.所述根据所述视频数据和所述重力数据，确定用户的外貌形态信息，具体包括：
27.根据驾驶位摄像头采集的视频数据，结合获取的驾驶位座椅高度，计算用户的上半身身高；根据车外摄像头采集的视频数据和所述上半身身高，计算用户的身高；其中，所述车载摄像头包括所述驾驶位摄像头和所述车外摄像头；
28.根据所述驾驶位摄像头采集的视频数据提取用户的外貌特征；
29.根据设于驾驶位座椅的压力传感器检测到的用户的重力数据计算用户的体重。
30.作为上述方案的改进，所述根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，具体包括：
31.将所述目标用户画像录入相亲数据库，对所述相亲数据库中的所有用户画像进行聚类，得到若干类用户画像；
32.获取与所述目标用户对象同类的异性人群作为推荐对象。
33.为实现上述目的，本发明实施例还提供了一种车载相亲对象推荐装置，包括：
34.数据获取模块，用于获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据；
35.行车风格确定模块，用于根据所述行车数据，确定用户的行车风格信息；
36.应用偏向确定模块，用于根据所述应用数据，确定用户的应用偏向信息；
37.外貌形态确定模块，用于根据所述视频数据和所述重力数据，确定用户的外貌形态信息；
38.用户画像生成模块，用于根据所述行车风格信息、所述应用偏向信息和所述外貌形态信息，生成目标用户画像；
39.对象匹配模块，用于根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户。
40.为实现上述目的，本发明实施例还提供了一种车载相亲对象推荐设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的车载相亲对象推荐方法。
41.为实现上述目的，本发明实施例还提供了一种车辆，包括车辆本体和车载相亲对象推荐装置，所述车载相亲对象推荐装置用于执行如上述任一实施例所述的车载相亲对象推荐方法。
42.与现有技术相比，本发明实施例公开的车载相亲对象推荐方法、装置、设备及车辆，通过获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，以确定用户的行车风格信息、应用偏向信息和外貌形态信息，然后根据行车风格信息、应用偏向信息和外貌形态信息生成目标用户画像，最后在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户，提高了相亲匹配效率且保证了获取的用户数据的准确性，能够准确刻画出用户画像，进而提高了相亲匹配的准确性，从而提高了相亲成功率。
附图说明
43.为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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。
44.图1是本发明一实施例提供的一种车载相亲对象推荐方法的流程示意图；
45.图2是本发明一实施例提供的一种lstm网络结构示意图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.参见图1，是本发明一实施例提供的一种车载相亲对象推荐方法的流程示意图。
48.具体地，所述方法包括步骤s11～s16：
49.s11、获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据；
50.s12、根据所述行车数据，确定用户的行车风格信息；
51.s13、根据所述应用数据，确定用户的应用偏向信息；
52.s14、根据所述视频数据和所述重力数据，确定用户的外貌形态信息；
53.s15、根据所述行车风格信息、所述应用偏向信息和所述外貌形态信息，生成目标用户画像；
54.s16、根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户。
55.具体地，所述车载相亲对象推荐方法可以在云端执行，当在云端的服务器执行时，云端从终端设备处(如车端)获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，并根据获取的数据确定用户的行车风格信息、应用偏向信息和外貌形态信息，进而生成目标用户画像，最后在获取的相亲数据库查找与目标用户画像匹配的推荐对象，并将推荐对象下发到车端(中央控制单元)或用户移动设备端(如手机app)以供用户查看或者联系，下发时可通过语音反馈，当用户正在开车时，实时将匹配对象推送到车辆中控上进行推荐，如果车辆状态为离线，则将匹配对象推送到用户的手机上。车载相亲对象推荐方法也可以在车机执行，车机是安装于车辆里面的车载信息娱乐产品，能够实现人与车，车与外界的信息通讯。优选的，为了减少车端负担，所述方法一般在云端执行。
56.值得说明的是，本实施方式是基于车辆开发的相亲方式，其中的数据来源与车辆采集的数据，对于用户的性格分析考虑了多个方向的信息，包括了用户驾驶车辆的相关数据(行车数据)、用户对于车辆的应用的使用数据(中控屏的应用数据)、用户的外表形象的数据(车载摄像头拍摄的用户的视频以及驾驶位座椅的重力传感器检测的重力数据)，从多方面对用户进行性格分析且降低了数据作假的概率，使得得到的用户画像更加准确，提高了匹配的准确性。
57.示例性的，假设用户画像包括性格特征和外貌形态特征，性格特征的标签采用迈尔斯-布里格斯类型指标，用于表征用户的性格特征，迈尔斯－布里格斯类型指标包括四个维度的标签，分别为注意力方向(外倾型e和内倾型i)、认知方向(实感型s和直觉型n)、判断方式(思维型t和情感型f)和生活方式(判断型j和知觉型p)，那么用户画像的总类型数量为十六。
58.在本实施例中，通过获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，来生成目标用户画像并从相亲数据库中选出与目标用户画像匹配的推荐对象，提高了相亲匹配效率，且保证了获取的用户数据的准确性，能够准确刻画出用户画像，进而提高了相亲匹配的准确性，从而提高了相亲成功率。
59.在一种实施方式中，还包括：获取车载麦克风采集到的音频数据，根据所述音频数据确定用户的语言表达能力信息；
60.则所述目标用户画像具体通过以下方式生成：
61.根据所述行车风格信息、所述应用偏向信息、所述外貌形态信息和所述语言表达能力信息，生成目标用户画像。
62.具体地，本实施方式还添加了新的用于性格分析的信息，利用车载麦克风来采集音频数据，示例性的，车载麦克风包括车主位、乘客位麦克风，主要用于采集车主与车机、车主与乘客的对话信息，对于音频数据的处理过程包括语音识别、文本转换、文本分类、特征提取与性格分析。比如车主与车机的对话：比如经常向语音助理提出发散性问题或者吐槽
问题，代表车主较为看重可能性、喜欢探索新技能、收集新信息，性格特征为偏直觉型n人格；比如日常交谈中较多长句，主谓宾完整且语义明确，代表车主喜欢具体明确，注重细节，性格特征为实感型s人格。本实施方式通过对获取的数据进行分析，并确定对应的人格，再综合考虑得到的所有人格，得到最终的性格类型(目标用户画像)。
63.示例性的，利用语音识别系统算法模型对音频数据进行识别和语义特征提取，语音识别系统算法模型前端为信号处理，包括端点检测和声学特征提取等，端点检测可用短时能量和短时过零率描述，使用mel频率倒谱系数作为声学特征。后端处理有语言模型、声学模型和解码搜索。声学特征矢量经过训练得到声学模型,语言模型词的链式概率得到。结合语言模型和声学模型，利用最大后验概率(map)得到词向量，其公式为：
[0064][0065]
其中，p(w)为语言模型，为声学模型，为声学特征的概率。其语言模型采用长短期记忆循环神经网络(lstm-rnn)，最早的神经网络语言模型是基于前馈神经网络(feedforward neural network,fnn)实现的，初步实现了对长文本序列在低维连续空间的建模，但这种方法能够处理的文本长度依然受限于网络的输入长度，而后循环神经网络(recurrent neural network,rnn)为代表的语言模型利用循环结构则可以在理论上对无限长的文本建模，性能得到极大提升；而后基于长短期记忆循环神经网络(long short-term memory recurrent neural network,lstm-rnn)的语言模型则适当解决了rnn在长历史序列建模时梯度消失的问题。通过语言模型计算之后得到语义结果和语义特征，以用于性格分析。
[0066]
在一种实施方式中，所述行车数据至少包括油门刹车数据、车速车距数据、车辆内外温度差数据、车速与雨量数据、定位与导航数据、用户驾驶状态视频数据中的至少一种。在一种实施方式中，所述油门刹车数据包括自身车辆与其他车辆的车距大于预设宽松距离阈值下的油门和刹车的切换频率、油门的开合程度、刹车的开合程度；所述车速车距数据包括自身车辆分别与旁车、前车的第一车距数据，以及与所述第一车距数据对应的自身车辆的第一车速数据；所述车速与雨量数据包括雨量数据、与所述雨量数据对应的自身车辆的第二车速数据；
[0067]
则所述根据所述行车数据，确定用户的行车风格信息，具体包括：
[0068]
基于预设的切换频率、开合程度与第一行车风格的映射关系，根据所述油门刹车数据确定第一目标行车风格；
[0069]
基于预设的车距车速与第二行车风格的映射关系，根据所述车速车距数据确定第二目标行车风格；
[0070]
基于预设的车辆内外温度差与第三行车风格的映射关系，根据所述车辆内外温度差数据确定第三目标行车风格；
[0071]
基于预设的车速雨量与第四行车风格的映射关系，根据所述车速与雨量数据确定
第四目标行车风格；
[0072]
根据所述定位与导航数据计算自身车辆的偏离航向频率以及行驶路线特性，并基于预设的偏离航向频率与第五行车风格的映射关系确定第五目标行车风格，基于预设的行驶路线特性与第六行车风格的映射关系确定第六目标行车风格；
[0073]
根据所述用户驾驶状态视频数据确定用户的眼睛开闭状态和头部姿态，并根据所述眼睛开闭状态和所述头部姿态确定用户的驾驶状态，基于预设的驾驶状态与第七行车风格的映射关系，确定第七目标行车风格；
[0074]
基于预设的行车风格与性格倾向的映射关系，根据所述第一目标行车风格、所述第二目标行车风格、所述第三目标行车风格、所述第四目标行车风格、所述第五目标行车风格、第六目标行车风格和所述第七目标行车风格确定用户的性格倾向特征向量并将其设为用户的行车风格信息。
[0075]
具体地，通过油门传感器和刹车传感器检测油门状态和刹车状态，得到油门踏板和刹车踏板的行程数据，通过车速传感器检测车辆的行驶速度，通过车距传感器检测车辆与附近其他车辆(如前车、旁车)的距离，通过车外温度传感器检测车辆外部环境的温度，通过车内温度传感器检测车辆内部的温度，通过雨量传感器检测雨量，通过卫星定位传感器对车辆进行定位以获取车辆的位置信息，导航数据为车载导航系统生成的被用户选择的导航路线，通过驾驶位摄像头监测用户驾驶状态。
[0076]
示例性的，采用规则引擎来进行判断当前行为是否符合某一类性格模型，满足则赋予用户性格标签。假设用户驾龄超过预设年限(例如1年)，在车辆行驶过程中的车距大于预设宽松距离阈值时，油门与刹车的开合程度大于预设开合阈值，且油门和刹车的切换频率大于预设高频阈值时，代表车主驾驶风格犹豫不决，遇事不够果断，性格特征偏知觉型p人格，在车辆行驶过程中的车距大于预设宽松距离阈值时，油门与刹车的开合程度不大于预设开合阈值，或油门和刹车的切换频率不大于预设高频阈值时确定该数据对应的性格特征偏判断型j。根据车距车速数据计算出当前车速与车距是否足够安全，不同的车速对应不同的安全车距，安全状态对应的性格特征偏外倾型e人格，例如，如果右前方无车，车主向右侧变道却没有与右后方的车辆保持安全距离，导致右后方车辆紧急刹车才避免了碰撞，代表车主驾驶风格激进、容易冲动，性格特征为偏外倾型e人格。根据车内温度传感器和车辆外部环境的温度检测到的温度计算得到车辆内外温度差，当车厢内外的温度差较高时(大于预设的温差阈值)，代表车主对温度刺激不敏感且耐受性较好，性格特征为偏内向型i人格。如果雨量较大，可视距离较短而车速依然保持较快时，代表车主较为自信、对危险感知不敏感，性格特征偏较多主观意见，较少逻辑思考的情感型f人格。通过卫星定位传感器获取车辆的位置信息，生成车辆行驶轨迹，车辆行驶轨迹的起点和终点线路通常可以分为躲避拥堵、最短距离、最短时间、最短收费等几种类型，比如车主多次从不同起点与终点的的行驶线路，都选择了最短收费类型，代表其对价格敏感，且会在行驶前制定好行驶策略并执行，性格特征偏思考型t人格。通过卫星定位传感器获取车辆的位置信息，当车辆的位置信息不落在导航路线上，车主正常导航到目的地的过程中，离开了铺装路面路段，或者偏离导航路线来到湖、河、海、山、建筑等景色旁边(可通过车外摄像头拍摄并分析得出)，并下车欣赏美景或玩耍，性格特征为喜欢探索新环境、欣赏美好事物，偏知觉型p人格。根据用户驾驶状态视频数据确定用户的眼睛开闭状态和头部姿态，以确定用户的驾驶状态，比如用户眼
部合拢，频繁点头且没有与其他乘客产生动作交互，可知车主在打瞌睡，如果其行程较短(比如30分钟内)即出现瞌睡动作，性格特征偏不够谨慎、主观性较强的情感型f人格，比如采用动作识别算法计算连续图像数据，可知驾驶员头部视线离开正前方，转向副驾驶、后排或其他位置的时间过长(比如5秒以上)，且频繁发生，代表其注意力容易分散，性格特征偏知觉型p人格。用户的每一中类型的数据都对应有特定的行车风格，而每一种行车风格都有相对应的性格特征倾向，对每一类型的数据对应的性格特征倾向进行综合计算，形成性格倾向特征向量。
[0077]
以下对动作识别算法的原理进行简单介绍：为了消除人工设计过程的盲目性和差异性，考虑到卷积神经网络(cnn)提取的动作视频帧的深度特征无法准确有效表征交互行为的序列特性问题，本方案使用一种长短期记忆网络(lstm)与卷积神经网络(cnn)模型相结合的双人(人机)交互行为识别方法。可充分利用cnn和lstm的优势来提取和建模的长期相互关联特性，提高了交互行为识别准确率，并使用bows(bag of words)方法形成动作特征字典，最后使用随机森林分类器完成行为识别。处理流程可概括为：(1)首先在特征提取阶段，使用googlenet网络的改进版本inceptionv3深度卷积神经网络架构网络，增加网络深度和广度来提高深度神经网络的性能。并使用全连接层(fully-connected layer)的输出用作输入图像的深度特征表示。最终构成了googlenet 22层的深层模型，输出2048维深度特征向量。(2)在时序建模阶段，单纯地采用传统神经网络方法往往存在忽略时间信息或无法考虑上下文关联信息的问题。传统的递归神经网络(recurrent neural network，rnn)的环状结构的记忆能力较弱，只能学习短时间内上下文信息，而lstm是传统rnn的改进网络，主要用于改善传统rnn的弱记忆能力限制的问题。lstm网络结构如图2所示，图2给出了相同的单元如何在生成输出流的同时响应输入流，其中每个单元由3个门组成，即忘记门、输入门和输出门，输入门用来确定需要处理的信息，输出门用来选择输出通道。在数学上，lstm存储器单元在给定时刻的瞬时输出定义为：
[0078]ht
＝f(x
t
，h
t-1
)；
[0079]
式中：x
t
是当前输入量,h
t-1
是与前一时刻关联的记忆响应，f是lstm单元学习的非线性函数映射。本质上，lstm在当前时刻的输出是从初始时刻开始一直到上一时刻响应的递归函数。在整个识别过程中，将不同时间比例长度的未知动作类别的测试视频帧图像分别送入已经训练好的特征提取与时序建模相结合的识别模型，最终得到每类动作的检测分数，从而实现对交互行为的识别。识别结果使用随机森林分类器，对动作特征进行提取，转换成具体的动作信息，以用于对性格特征进行分析。
[0080]
在一种实施方式中，所述应用数据为车载中控屏数据，包括车机系统的驾驶设定数据、语音助理唤醒模式、音娱类数据中的至少一种。
[0081]
具体地，车载中控屏主要采集车机系统的驾驶设定、应用偏好、行为偏好等信息，可结合传感器数据、摄像头与麦克风数据进行综合分析，例如驾驶设定数据，驾驶模式被设置为经济模式，且长期驾驶中开启运动模式的时长占比低于一定幅度(比如5％以下)，油门踏板开度较大(比如超过70％)的次数占比低于一定幅度(比如5％以下)，代表车主性格沉稳、温和，偏内向型i人格；例如语音助理设定数据，使用自定义昵称、使用多种方式唤醒语音助理，代表车主好奇心强，喜欢探索新事物，性格特征为偏直觉型n人格；例如音娱类应用使用数据：比如有特定偏好的歌曲类型，且播放列表中歌曲数量并不多，重复播放次数很
高，性格特征为可做重复工作(不喜新)，能忍耐，偏感觉型s人格。
[0082]
在一种实施方式中，所述外貌形态信息包括身高、体重、外貌特征；
[0083]
所述根据所述视频数据和所述重力数据，确定用户的外貌形态信息，具体包括：
[0084]
根据驾驶位摄像头采集的视频数据，结合获取的驾驶位座椅高度，计算用户的上半身身高；根据车外摄像头采集的视频数据和所述上半身身高，计算用户的身高；其中，所述车载摄像头包括所述驾驶位摄像头和所述车外摄像头；
[0085]
根据所述驾驶位摄像头采集的视频数据提取用户的外貌特征；
[0086]
根据所述重力数据计算用户的体重。
[0087]
具体地，驾驶位摄像头采集的图像首先可供作为外貌数据，举例说明：通过采集不同角度、位置的头部图像数据，调用图像识别算法计算脸型、发型等外貌信息。驾驶位摄像头与车外摄像头采集的图像也可作为身高数据，举例说明，通过对座椅高度与车主正常坐姿的上半身高度对比，可以计算得知车主上半身的高度，结合车外摄像头采集的全身照中上下半身比例数据，可以较为精确的得知车主的真实身高数据。根据重力数据计算用户的体重。
[0088]
在一种实施方式中，所述根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，具体包括：
[0089]
将所述目标用户画像录入相亲数据库，对所述相亲数据库中的所有用户画像进行聚类，得到若干类用户画像；
[0090]
获取与所述目标用户对象同类的异性人群作为推荐对象。
[0091]
具体地，采用层次聚类算法，对人群进行按照相似度分类的过程，采用标签扩散与基于聚类的扩散方式实现，并提供两两之间的性格相似度得分。其中，关于相似度得分统计的方式，采用广义的jaccard相似系数(jaccard similarity coefficient)进行表示，其公式为：
[0092][0093]
从上文描述的人群聚类算法计算结果中获得相似人群的数据，确定推荐对象，匹配的原则可以是采用性格相似度方式匹配，此种方式为默认匹配策略，通常以相似人群中两两推荐的方式，可以满足个性相似，三观符合的相亲对象；也可以采用互斥性格标签方式排除匹配，此种方式通常用于有明显性格互斥，心理学上不建议成为长期伴侣的两人，比如感觉型s人格与直觉型n人格之间不会进行匹配。
[0094]
在一种实施方式中，动作识别算法模型计算连续图像数据，可知驾驶员头部视线离开正前方，转向副驾驶、后排或其他位置的时间过长(比如5秒以上)，且频繁发生，代表其注意力容易分散，性格特征偏知觉型p人格。
[0095]
进一步地，用户还可通过手机应用或者车端中控屏上传兴趣爱好信息以及相亲对象偏好，包括身高要求、年龄要求、收入要求、性格要求等，通过https协议上传到云端数据库中，作为相亲对象匹配算法的数据来源之一，在聚类后的同类人群中选择与符合相亲对象偏好的人。
[0096]
进一步地，在步骤s11之前，用户需进行注册，可以使用手机号码激活车载智能座舱，并同时激活手机app，在app中上传车主本人的基本信息，例如真实姓名、性别、出生年、户籍地址等相亲所需信息、驾驶证信息、个人收入区间等，默认情况下用户购车的时候，通过4s店上传车主本人的基本信息且不可修改，以保证数据的准确性，通过https协议上传到云端数据库中，作为相亲对象匹配算法的数据来源之一。
[0097]
相较于现有技术，本发明实施例公开的车载相亲对象推荐方法通过获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，以确定用户的行车风格信息、应用偏向信息和外貌形态信息，然后根据行车风格信息、应用偏向信息和外貌形态信息生成目标用户画像，最后在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户，提高了相亲匹配效率且保证了获取的用户数据的准确性，能够准确刻画出用户画像，进而提高了相亲匹配的准确性，从而提高了相亲成功率。
[0098]
本发明实施例还提供了一种车载相亲对象推荐装置，包括：
[0099]
数据获取模块，用于获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据；
[0100]
行车风格确定模块，用于根据所述行车数据，确定用户的行车风格信息；
[0101]
应用偏向确定模块，用于根据所述应用数据，确定用户的应用偏向信息；
[0102]
外貌形态确定模块，用于根据所述视频数据和所述重力数据，确定用户的外貌形态信息；
[0103]
用户画像生成模块，用于根据所述行车风格信息、所述应用偏向信息和所述外貌形态信息，生成目标用户画像；
[0104]
对象匹配模块，用于根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户。
[0105]
值得说明的是，具体的车载相亲对象推荐装置的工作过程可参考上述实施例中所述车载相亲对象推荐方法的工作过程，在此不再赘述。
[0106]
与现有技术相比，本发明实施例公开的车载相亲对象推荐方法、装置、设备及车辆，通过获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据，以确定用户的行车风格信息、应用偏向信息和外貌形态信息，然后根据行车风格信息、应用偏向信息和外貌形态信息生成目标用户画像，最后在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户，提高了相亲匹配效率且保证了获取的用户数据的准确性，能够准确刻画出用户画像，进而提高了相亲匹配的准确性，从而提高了相亲成功率。
[0107]
本发明实施例还提供一种车辆，所述车辆包括车辆本体和上述任一实施例所述的车载相亲对象推荐装置，所述车载相亲对象推荐装置用于执行任一实施例所述的车载相亲对象推荐方法。
[0108]
本发明一实施例还提供的一种车载相亲对象推荐设备，所述车载相亲对象推荐设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述车载相亲对象推荐方法实施例中的步骤，例如图1中所述的步骤s11～s16；或者，所述处理器执行所述计算机程序时实现上述各
装置实施例中各模块的功能。
[0109]
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车载相亲对象推荐装置中的执行过程。例如，所述计算机程序可以被分割成多个模块，各模块具体功能如下：
[0110]
数据获取模块，用于获取行车数据、中控屏的应用数据、车载摄像头拍摄的视频数据和设于车辆座椅的重力传感器检测到的重力数据；
[0111]
行车风格确定模块，用于根据所述行车数据，确定用户的行车风格信息；
[0112]
应用偏向确定模块，用于根据所述应用数据，确定用户的应用偏向信息；
[0113]
外貌形态确定模块，用于根据所述视频数据和所述重力数据，确定用户的外貌形态信息；
[0114]
用户画像生成模块，用于根据所述行车风格信息、所述应用偏向信息和所述外貌形态信息，生成目标用户画像；
[0115]
对象匹配模块，用于根据所述目标用户画像，在获取的相亲数据库中查找与所述目标用户画像匹配的推荐对象，以将所述推荐对象推送给用户。
[0116]
各个模块具体的工作过程可参考上述实施例所述的车载相亲对象推荐装置的工作过程，在此不再赘述。
[0117]
所述车载相亲对象推荐装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车载相亲对象推荐装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车载相亲对象推荐设备的示例，并不构成对车载相亲对象推荐装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车载相亲对象推荐装置还可以包括输入输出设备、网络接入设备、总线等。
[0118]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述车载相亲对象推荐装置的控制中心，利用各种接口和线路连接整个车载相亲对象推荐装置的各个部分。
[0119]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述车载相亲对象推荐装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0120]
其中，所述车载相亲对象推荐装置集成的模块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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0121]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。