论文部分内容阅读
[摘要]运用大数据、线上线下交互、深度机器学习等技术，设计了一种智能化商业融合技术框架，对无人值守店铺涉及的关键技术进行了分析。设计了视觉识别和身份认证、线上线下购物、白助支付、智能推荐、顾客及商品挖掘、数据整合交换等多个子系统，并构建了人脸数据库和大数据应用分布式数据库。
[关键词]无人值守；智能商业；融合平台
[中图分类号]TP391 [文献标识码]A [文章编号]1005-152X（2018）02-0114-04
1 前言
随着当前人工智能技术、深度学习技术、物联感知技术和视觉识别技术的发展，无人值守智能商业模式逐步发展起来。无人值守智能商业并非是指真正的“无人值守”，而是一种降低人力成本并实现更高的选购和支付效率，进行智能推荐，以实现更好的购物体验。这种模式可以减少商店人力成本，对消费者来说，自助购物让消费变得更加简单。
传统无人收银方式一般采用条形码或RFID白助收银方案，这两种方案不能有效解决盗窃和损坏问题，成本也较高。2016年年底亚马逊Amazon Go和深兰科技Take Go分别推出了无人商店解决方案，提出了“拿了就走”的购物体验，采用了目前如机器视觉、传感器融合技术、卷积神经网络、生物识别等技术，但存在着技术可靠性与稳定性、错位识别、身份确认等问题，并且整套系统固定成本过高。
根据当前技术成熟度、系统稳定性以及商业领域无人值守的实际需求，结合低成本、可推广等要求，本文运用大数据、深度机器学习、人像识别、互联网等技术，搭建无人值守智能商业平台技术框架。该技术平台将为零售业等提供新的销售商业模式和平台，为其转变经营方式、有效降低人员成本和运营成本，提供了可快速复制和推广的技术支撑。
2 系统目标
建立一种带有全新购物体验的技术平台，在大数据、人工智能的基础上实现人像识别认证系统、自助购物系统、大数据推荐系统、线上线下融合购物系统、自助支付系统、大数据分析系统等，对物联设备端进行改造升级，提供无人值守的商业销售模式，结合创新的金融手段，实现人、货、场的信息流的重构。以消费者为核心，融合线上线下资源，实现商品白助查询、白助支付，提供个性化的顾客购物体验，为商铺带来更多消费产品。
3 系统总体设计
该无人值守融合商业平台是一个基于大数据技术和深度学习技术的的分布式系统，是基于APP、白助设备、物联网设备、PC端系统等多渠道的应用平台，如图1所示。
其中，应用渠道层：主要作用是访问本系统相关通道和设备，包括APP、微信及小程序、白助购物设备、门禁系统、人像识别设备、PC端应用系统等。
应用系统层：在基础应用平台和支撑平台的基础上，根据业务逻辑，实现不同的应用服务和系统间的交互服务，并通过应用渠道层予以提供。主要应用包括人像库的建设、视觉识别和身份认证、线上购物平台、线下设备购物平台、融合购物、白助支付系统、智能推荐系统、顾客及商品大数据分析系统等。
基础应用组件层：提供应用系统访问的基础应用组件，包括人像比对、RFID技术、O2O技术框架、扫码技术、全文检索、支付平台对接等。
支撑平台：支撑平台为应用系统层中各类应用提供底层模块支撑，主要提供分布式大数据和深度学习平台支撑。
云计算和基础设施。通过部署分布式的、虚拟化的资源池环境，提供弹性的、快速运行的、安全的、可集中管理的云计算基础设施，满足应用系统大数据量的计算和分析要求。
4 顾客自动认证识别系统
首先通过多种方式建立商场的会员认证系统。例如，采用微信、支付宝扫码注册，或使用关联了支付功能的APP/微信小程序进行扫码注册，并上传照片，作为后续人脸识别认证、付款的基礎。注册后可实现身份认证、支付和商场绑定功能。
在商场人口采用具有深度学习功能的人脸识别系统完成身份认证和轨迹跟踪。在认证区域、商品区域等安装录像监控设备，对进入的顾客进行人像、行为和轨迹识别。自动识别出会员后，显示在店内的屏幕中。主要功能包括：
（1）顾客人脸库建设。通过照片采集、微信、支付宝等方式获取人脸图像特征数据并建立人脸库。存储的信息包括与人关联的结构化信息和非结构化的人脸图特征码。
（2）人脸图像检测和采集。采集设备拍摄和识别用户的人脸图像，能够应对不同的表情、外貌、遮挡情况和成像角度等。
（3）人脸图像处理。对不易辨认人像照片进行处理，包括人像偏转照片处理，低质量人像图片清晰化处理，非正常光照、外国人及少数民族照片的处理，以实现图像的光线补偿、灰度变换、几何校正、滤波以及锐化等。
（4）多算法管理平台。存储和调度不同的数据库和索引文件。提供两种或以上的核心算法对人脸数据进行叠加加工处理，目的是提高人脸检测能力和比对精度，并减少漏报、误报。
（5）人脸图像匹配与识别。对进出人员面部与人脸库的特征模板进行比较、对比和自动辨认。
（6）人脸比对引擎通过平台接口，获取管理模块任务指令，执行建模、模板加载、比对等各项任务。平台接口使用的是http restful接口，更易于实现缓存等机制。
5 线上线下融合购物系统
在实体店铺设置白助购物白助终端设备、购物PAD/手机移动终端设备，满足产品信息查看、产品位置指引、扫描识别、导购、智能推荐等需求。可与网上商城无缝对接、实时交换信息。支持个人通过互联网在网上查看、下单，在实体店确认商品并提货。
在实体店铺实施线上、线下信息互通融合，实现线上发现、预订、购买商品与线下体验消费的优势互补和互动，拓展全渠道、全天候互动消费。
线上商城采用成熟的在线购物系统，实现在线销售和在线购物服务。主要功能包括对商品、会员、订单、库存、优惠、支付等的管理。 在店铺部署店铺二维码、线上二维码、商品二维码等，激活实体店会员流量，线上线下全方位拓展顾客。
支持线上下单线下取货。实现手机APP、PC线上商城系统和门店销售系统的联网和数据实时交换，在线上进行产品调研和购买，在就近实体店完成取货。可节约人物成本、缩短取货流程，并实现仓储优化。
在物流配套中要考虑到第三方物流的多样和成熟，提供与物流系统的技术对接，建立信息共享平台，实现商流、信息流、资金流、物流的有机结合，使得顾客、物流企业、商家都能够掌握货物配送情况，并能够提供定制服务。
系统应具备O2O与电商的功能，支持进行O2O模式、线上商城模式，以及线下实体店零售模式，可实现商家、分店各种运行数据的分布式存储、计算和同步。
系统的后台系统能够灵活配置各种资源的管理，在后台实现对商品、销售、订单、库存、内容、客户等的管理。其中，商品管理实现商品信息的定义和上架、商品目录管理、商品类型管理、品牌管理、评论管理等。销售管理实现商品促销管理、礼券管理、关联及推荐管理。订单管理实现订单生成和处理、支付管理、结算管理。库存管理实现商品出入库管理、明细记录、备货发货、退换货等。内容管理实现商品及其他资源的页面上内容管理、广告管理、定制化网页。客户管理实现客户的生成、反馈、消息订阅、会员资格等管理。
6 自助支付系统
自助支付模式采用摄像头+传感器方式，通过计算用户行为及商品状态和位置，识别对用户“拿”、“放”等行为。该方式可实现无需支付，拿了就走的支付流程，但对算法能力要求高、成本高、存在计算量过大等问题。
推荐采用半自动的、支持多人白助支付的解决方案。商品配备IC标签或二维码标签，在商品识别区通过RFID识别技术、二维码识别技术进行识别或扫描结算并扣款。相关设备和系统包括白助支付设备、商品白助称重设备、白助结账设备和相关软件系统。
自助支付设备和系统可对购买的产品进行称重、扫描打印凭条、与微信支付宝等对接完成白助支付工作等操作。完成支付后能够出入安全防盗门。
商品白助称重设备和系统可提供白助包装和称重功能。顾客在白助包装和称重后，可选择对应商品种类打印价格标签。
通过白助结账设备和系统，顾客根据指示，用现金、购物卡、银行卡等付款，而称重、计价、收钱、找零这一系列步骤都由机器完成。
建立与微信、支付宝等第三方支付渠道的系统网关，与各个支付通道进行对接开发，实现聚合式快速、多渠道的支付。
7 智能推荐系统
建立顾客消费大数据智能推荐系统，根据后台建设的大数据分析系统，分析用户个人情况、购买行为、消费行为、产品销售情况、品牌情况等，结合用户情况，进行智能化推荐，满足线上线下精准购物需求。算法上主要采用协同过滤推荐算法、基于自适应查询推荐算法、基于聚类分析推荐算法和混合推荐算法，对商品和用户提取特征标签，推荐与其他用户具有共同喜好的其他商品，或者通过向量空间建模，根据用户和商品的特征标签的相似度，挖掘用户的喜好和需求，个性化推荐相似度高的产品。
8 商品和顾客智能分析
基于大数据分析技术，将平台线上线下产生的顾客数据、商品数据、交易数据、订单数据、库存、结算数据、操作日志、外部数据、行业数据等进行清理、加工和整合，形成商业智能数据大数据库，采用基础数据结构化和应用数据非结构化的存储和计算，形成基于hadoop的分布式大数据分析，满足大数量的并发查询、业务处理和商业的智能化分析。
通过智能视频人脸识别分析技术，区分顾客和店员，精准统计进出店铺的客流量数据，实现对店铺每日运营销售对比客流情况分析。识别定位顾客在店内活动轨迹，从年度、月度、周时间维度分析客流高峰，实现商品热点时间、空间分析。
根據人脸识别及系统获得顾客信息，实现顾客的年龄特征、性别特征、地域特征分析、消费行为分析、购物时间分析、购物地点分析、购物商品分析、兴趣点分析、顾客与商品关系等，对顾客进行特征刻画。从多个角度分析顾客购物体验状况，提供个性化的推荐建议。对年度、月度活跃顾客、新老顾客情况进行分析，为店铺精准定位客户群、调整产品定位、实施促销等提供有价值的数据和分析结果。
9 大数据支撑平台
基于Apache Hadoop的开源组件，针对商业智能领域实际要求建立大数据支撑平台，根据商业数据进行功能增强与性能优化，提供全面的数据存储和处理引擎。根据Hadoop生态链，提供线上线下各系统和数据接人和共享工具、分布式文件存储、分布式开源数据库、资源调度管理系统、分布式批处理框架、数据仓库工具、大规模并行数据分析处理引擎、分布式搜索引擎、分布式内存计算引擎等功能和模块。
根据电商数据应用特点，数据存储分别针对基础信息采用关系型集中式架构，保证基础信息数据完整性、安全性和可交换性。应用和动态信息采用分布式架构的数据存储技术，可确保大数据量数据处理的效率和弹性横向扩展。
本平台中人脸比对采用机器学习技术来训练模型，不断优化性能。人脸信息存在相似性、易变性，随着待识别人数的增加误判概率会增加，原有识别难以满足要求。深度学习采用深度神经网络模型进行学习，是各类图像识别的主流算法，被广泛用于人脸、车辆识别任务，具有模块化层叠结构。其中重要的卷积神经网络在原来多层神经网络的基础上，加入了特征学习部分，模仿人脑对信号分级处理。使用基于深度学习的核心比对算法，能够大幅降人脸识别低误报率、提高命中率。
10 结语
无人值守商业化是时代的趋势，社会走向的必然定律，是零售行业的的转变。结合当前的前沿技术，本文提出了无人值守智能商业融合平台的技术框架，设计了软件系统及客户端APP系统，对框架组成的各个子系统进行了设计和分析，阐述了其T作原理，具有先进性和可操作性，对于解决当前无人值守商业店铺的从概念到日常的落地提供了技术支撑。
[关键词]无人值守；智能商业；融合平台
[中图分类号]TP391 [文献标识码]A [文章编号]1005-152X（2018）02-0114-04
1 前言
随着当前人工智能技术、深度学习技术、物联感知技术和视觉识别技术的发展，无人值守智能商业模式逐步发展起来。无人值守智能商业并非是指真正的“无人值守”，而是一种降低人力成本并实现更高的选购和支付效率，进行智能推荐，以实现更好的购物体验。这种模式可以减少商店人力成本，对消费者来说，自助购物让消费变得更加简单。
传统无人收银方式一般采用条形码或RFID白助收银方案，这两种方案不能有效解决盗窃和损坏问题，成本也较高。2016年年底亚马逊Amazon Go和深兰科技Take Go分别推出了无人商店解决方案，提出了“拿了就走”的购物体验，采用了目前如机器视觉、传感器融合技术、卷积神经网络、生物识别等技术，但存在着技术可靠性与稳定性、错位识别、身份确认等问题，并且整套系统固定成本过高。
根据当前技术成熟度、系统稳定性以及商业领域无人值守的实际需求，结合低成本、可推广等要求，本文运用大数据、深度机器学习、人像识别、互联网等技术，搭建无人值守智能商业平台技术框架。该技术平台将为零售业等提供新的销售商业模式和平台，为其转变经营方式、有效降低人员成本和运营成本，提供了可快速复制和推广的技术支撑。
2 系统目标
建立一种带有全新购物体验的技术平台，在大数据、人工智能的基础上实现人像识别认证系统、自助购物系统、大数据推荐系统、线上线下融合购物系统、自助支付系统、大数据分析系统等，对物联设备端进行改造升级，提供无人值守的商业销售模式，结合创新的金融手段，实现人、货、场的信息流的重构。以消费者为核心，融合线上线下资源，实现商品白助查询、白助支付，提供个性化的顾客购物体验，为商铺带来更多消费产品。
3 系统总体设计
该无人值守融合商业平台是一个基于大数据技术和深度学习技术的的分布式系统，是基于APP、白助设备、物联网设备、PC端系统等多渠道的应用平台，如图1所示。
其中，应用渠道层：主要作用是访问本系统相关通道和设备，包括APP、微信及小程序、白助购物设备、门禁系统、人像识别设备、PC端应用系统等。
应用系统层：在基础应用平台和支撑平台的基础上，根据业务逻辑，实现不同的应用服务和系统间的交互服务，并通过应用渠道层予以提供。主要应用包括人像库的建设、视觉识别和身份认证、线上购物平台、线下设备购物平台、融合购物、白助支付系统、智能推荐系统、顾客及商品大数据分析系统等。
基础应用组件层：提供应用系统访问的基础应用组件，包括人像比对、RFID技术、O2O技术框架、扫码技术、全文检索、支付平台对接等。
支撑平台：支撑平台为应用系统层中各类应用提供底层模块支撑，主要提供分布式大数据和深度学习平台支撑。
云计算和基础设施。通过部署分布式的、虚拟化的资源池环境，提供弹性的、快速运行的、安全的、可集中管理的云计算基础设施，满足应用系统大数据量的计算和分析要求。
4 顾客自动认证识别系统
首先通过多种方式建立商场的会员认证系统。例如，采用微信、支付宝扫码注册，或使用关联了支付功能的APP/微信小程序进行扫码注册，并上传照片，作为后续人脸识别认证、付款的基礎。注册后可实现身份认证、支付和商场绑定功能。
在商场人口采用具有深度学习功能的人脸识别系统完成身份认证和轨迹跟踪。在认证区域、商品区域等安装录像监控设备，对进入的顾客进行人像、行为和轨迹识别。自动识别出会员后，显示在店内的屏幕中。主要功能包括：
（1）顾客人脸库建设。通过照片采集、微信、支付宝等方式获取人脸图像特征数据并建立人脸库。存储的信息包括与人关联的结构化信息和非结构化的人脸图特征码。
（2）人脸图像检测和采集。采集设备拍摄和识别用户的人脸图像，能够应对不同的表情、外貌、遮挡情况和成像角度等。
（3）人脸图像处理。对不易辨认人像照片进行处理，包括人像偏转照片处理，低质量人像图片清晰化处理，非正常光照、外国人及少数民族照片的处理，以实现图像的光线补偿、灰度变换、几何校正、滤波以及锐化等。
（4）多算法管理平台。存储和调度不同的数据库和索引文件。提供两种或以上的核心算法对人脸数据进行叠加加工处理，目的是提高人脸检测能力和比对精度，并减少漏报、误报。
（5）人脸图像匹配与识别。对进出人员面部与人脸库的特征模板进行比较、对比和自动辨认。
（6）人脸比对引擎通过平台接口，获取管理模块任务指令，执行建模、模板加载、比对等各项任务。平台接口使用的是http restful接口，更易于实现缓存等机制。
5 线上线下融合购物系统
在实体店铺设置白助购物白助终端设备、购物PAD/手机移动终端设备，满足产品信息查看、产品位置指引、扫描识别、导购、智能推荐等需求。可与网上商城无缝对接、实时交换信息。支持个人通过互联网在网上查看、下单，在实体店确认商品并提货。
在实体店铺实施线上、线下信息互通融合，实现线上发现、预订、购买商品与线下体验消费的优势互补和互动，拓展全渠道、全天候互动消费。
线上商城采用成熟的在线购物系统，实现在线销售和在线购物服务。主要功能包括对商品、会员、订单、库存、优惠、支付等的管理。 在店铺部署店铺二维码、线上二维码、商品二维码等，激活实体店会员流量，线上线下全方位拓展顾客。
支持线上下单线下取货。实现手机APP、PC线上商城系统和门店销售系统的联网和数据实时交换，在线上进行产品调研和购买，在就近实体店完成取货。可节约人物成本、缩短取货流程，并实现仓储优化。
在物流配套中要考虑到第三方物流的多样和成熟，提供与物流系统的技术对接，建立信息共享平台，实现商流、信息流、资金流、物流的有机结合，使得顾客、物流企业、商家都能够掌握货物配送情况，并能够提供定制服务。
系统应具备O2O与电商的功能，支持进行O2O模式、线上商城模式，以及线下实体店零售模式，可实现商家、分店各种运行数据的分布式存储、计算和同步。
系统的后台系统能够灵活配置各种资源的管理，在后台实现对商品、销售、订单、库存、内容、客户等的管理。其中，商品管理实现商品信息的定义和上架、商品目录管理、商品类型管理、品牌管理、评论管理等。销售管理实现商品促销管理、礼券管理、关联及推荐管理。订单管理实现订单生成和处理、支付管理、结算管理。库存管理实现商品出入库管理、明细记录、备货发货、退换货等。内容管理实现商品及其他资源的页面上内容管理、广告管理、定制化网页。客户管理实现客户的生成、反馈、消息订阅、会员资格等管理。
6 自助支付系统
自助支付模式采用摄像头+传感器方式，通过计算用户行为及商品状态和位置，识别对用户“拿”、“放”等行为。该方式可实现无需支付，拿了就走的支付流程，但对算法能力要求高、成本高、存在计算量过大等问题。
推荐采用半自动的、支持多人白助支付的解决方案。商品配备IC标签或二维码标签，在商品识别区通过RFID识别技术、二维码识别技术进行识别或扫描结算并扣款。相关设备和系统包括白助支付设备、商品白助称重设备、白助结账设备和相关软件系统。
自助支付设备和系统可对购买的产品进行称重、扫描打印凭条、与微信支付宝等对接完成白助支付工作等操作。完成支付后能够出入安全防盗门。
商品白助称重设备和系统可提供白助包装和称重功能。顾客在白助包装和称重后，可选择对应商品种类打印价格标签。
通过白助结账设备和系统，顾客根据指示，用现金、购物卡、银行卡等付款，而称重、计价、收钱、找零这一系列步骤都由机器完成。
建立与微信、支付宝等第三方支付渠道的系统网关，与各个支付通道进行对接开发，实现聚合式快速、多渠道的支付。
7 智能推荐系统
建立顾客消费大数据智能推荐系统，根据后台建设的大数据分析系统，分析用户个人情况、购买行为、消费行为、产品销售情况、品牌情况等，结合用户情况，进行智能化推荐，满足线上线下精准购物需求。算法上主要采用协同过滤推荐算法、基于自适应查询推荐算法、基于聚类分析推荐算法和混合推荐算法，对商品和用户提取特征标签，推荐与其他用户具有共同喜好的其他商品，或者通过向量空间建模，根据用户和商品的特征标签的相似度，挖掘用户的喜好和需求，个性化推荐相似度高的产品。
8 商品和顾客智能分析
基于大数据分析技术，将平台线上线下产生的顾客数据、商品数据、交易数据、订单数据、库存、结算数据、操作日志、外部数据、行业数据等进行清理、加工和整合，形成商业智能数据大数据库，采用基础数据结构化和应用数据非结构化的存储和计算，形成基于hadoop的分布式大数据分析，满足大数量的并发查询、业务处理和商业的智能化分析。
通过智能视频人脸识别分析技术，区分顾客和店员，精准统计进出店铺的客流量数据，实现对店铺每日运营销售对比客流情况分析。识别定位顾客在店内活动轨迹，从年度、月度、周时间维度分析客流高峰，实现商品热点时间、空间分析。
根據人脸识别及系统获得顾客信息，实现顾客的年龄特征、性别特征、地域特征分析、消费行为分析、购物时间分析、购物地点分析、购物商品分析、兴趣点分析、顾客与商品关系等，对顾客进行特征刻画。从多个角度分析顾客购物体验状况，提供个性化的推荐建议。对年度、月度活跃顾客、新老顾客情况进行分析，为店铺精准定位客户群、调整产品定位、实施促销等提供有价值的数据和分析结果。
9 大数据支撑平台
基于Apache Hadoop的开源组件，针对商业智能领域实际要求建立大数据支撑平台，根据商业数据进行功能增强与性能优化，提供全面的数据存储和处理引擎。根据Hadoop生态链，提供线上线下各系统和数据接人和共享工具、分布式文件存储、分布式开源数据库、资源调度管理系统、分布式批处理框架、数据仓库工具、大规模并行数据分析处理引擎、分布式搜索引擎、分布式内存计算引擎等功能和模块。
根据电商数据应用特点，数据存储分别针对基础信息采用关系型集中式架构，保证基础信息数据完整性、安全性和可交换性。应用和动态信息采用分布式架构的数据存储技术，可确保大数据量数据处理的效率和弹性横向扩展。
本平台中人脸比对采用机器学习技术来训练模型，不断优化性能。人脸信息存在相似性、易变性，随着待识别人数的增加误判概率会增加，原有识别难以满足要求。深度学习采用深度神经网络模型进行学习，是各类图像识别的主流算法，被广泛用于人脸、车辆识别任务，具有模块化层叠结构。其中重要的卷积神经网络在原来多层神经网络的基础上，加入了特征学习部分，模仿人脑对信号分级处理。使用基于深度学习的核心比对算法，能够大幅降人脸识别低误报率、提高命中率。
10 结语
无人值守商业化是时代的趋势，社会走向的必然定律，是零售行业的的转变。结合当前的前沿技术，本文提出了无人值守智能商业融合平台的技术框架，设计了软件系统及客户端APP系统，对框架组成的各个子系统进行了设计和分析，阐述了其T作原理，具有先进性和可操作性，对于解决当前无人值守商业店铺的从概念到日常的落地提供了技术支撑。