CN111339991A - 一种人体属性识别方法及装置 - Google Patents

Abstract

本申请公开了一种人体属性识别方法及装置，该方法包括：在获取到待识别的目标图像后，可以从待识别的目标图像中提取出表征目标顾客的图像特征，其中，目标图像指的是目标顾客的逛店图像，然后，将该图像特征输入至预先构建的人体属性识别模型，从而可利用该模型识别出目标顾客的人体属性。可见，本申请通过将提取出的表征待识别的目标图像的图像特征输入至预先构建的人体属性识别模型，可以快速、准确地识别出目标顾客的人体属性(如年龄、姿态等)，进而可以根据目标顾客的这些人体属性为其进行准确的定向商品推荐，促成一些潜在的交易。而不再通过引导顾客注册成为品牌会员的方式来为顾客进行产品推荐，推荐的针对性更强、准确率更高。

Description

一种人体属性识别方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种人体属性识别方法及装置。

背景技术

伴随着社会经济的不断高速发展，目前我国已具有数以万计的购物商场和超市等线下购物场所，对于其中的实体零售店来说，由于难以将顾客的线下逛店行为转化为数字化数据进行分析，导致难以对每一位客户进行准确的定向推荐，只能根据店铺整体运营情况，对销售策略进行泛泛的调整，相比于线上零售来说，在运营策略的多样性和精确性上，存在很大的劣势。因此，如何将顾客的逛店行为进行数字化处理和更深度的分析，以便于进行准确的定向商品推荐，成了许多线下商家的强烈需求。

目前对于线下顾客来说，商家通常是引导顾客注册成为其品牌会员，再对顾客的每次购买行为进行分析，以产生有针对性的广告和优惠。这就导致了两个问题的出现：一是只能对已经发生了的交易进行数据分析。然而交易行为只占顾客所有逛店行为的一部分。如何利用顾客的其他逛店行为促成一些潜在的交易是难以实现的；二是只能对已经注册成会员的顾客进行交易数据分析。而注册成会员的顾客本身就具有一定程度的共通性，比如，都倾向于购买某品牌的衣服。在利用这些数据对店铺整体运营情况进行分析时，由于这些数据缺乏足够的代表性，其产生的结论也可能产生一定的偏颇。

发明内容

有鉴于此，本申请实施例提供一种人体属性方法及装置，能够灵活、准确地识别出顾客的人体属性(如年龄、姿态等)。

为解决上述问题，本申请实施例提供的技术方案如下：

第一方面，本申请实施例提供了一种人体属性识别方法，包括：

获取待识别的目标图像，所述目标图像为目标顾客的逛店图像；

从所述目标图像中，提取表征所述目标顾客的图像特征；

将从所述目标图像中提取的图像特征输入至预先构建的人体属性识别模型，以识别出所述目标顾客的人体属性。

可选的，所述从所述目标图像中，提取表征所述目标图像的图像信息的图像特征，包括：

利用基于快速区域的卷积网络Faster-RCNN对所述目标图像进行检测，通过池化层输出所述图像特征。

可选的，所述人体属性识别模型的数量为至少一个，且，

不同的人体属性识别模型基于相同的所述图像特征分别输出对应的人体属性。

可选的，构建所述人体属性识别模型，包括：

获取顾客的人体属性训练图像；

提取所述顾客的人体属性训练图像的图像特征；

根据所述顾客的人体属性训练图像的图像特征以及所述顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成所述人体属性识别模型。

可选的，所述初始人体属性识别模型包括全连阶层和非线性变换层。

可选的，所述方法还包括：

获取顾客的人体属性验证图像；

提取所述顾客的人体属性验证图像的图像特征；

将所述顾客的人体属性验证图像的图像特征输入所述人体属性识别模型，获得所述顾客的人体属性验证图像的识别结果；

当所述顾客的人体属性验证图像的识别结果与所述顾客的人体属性验证图像对应的标记结果不一致时，将所述顾客的人体属性验证图像重新作为所述顾客的人体属性训练图像，对所述人体属性识别模型进行更新。

第二方面，本申请提供一种人体属性识别装置，包括：

第一获取单元，用于获取待识别的目标图像，所述目标图像为目标顾客的逛店图像；

第一提取单元，用于从所述目标图像中，提取表征所述目标顾客的图像特征；

人体属性识别模型，用于基于所述第一提取单元输出的图像特征，识别出所述目标顾客的人体属性。

可选的，所述第一提取单元具体用于：

利用基于快速区域的卷积网络Faster-RCNN对所述目标图像进行检测，通过池化层输出所述图像特征。

可选的，所述人体属性识别模型数量为至少一个，且，

不同的人体属性识别模型基于相同的所述图像特征分别输出对应的人体属性。

可选的，所述装置还包括：

第二获取单元，用于获取顾客的人体属性训练图像；

第二提取单元，用于提取所述顾客的人体属性训练图像的图像特征；

训练单元，用于根据所述顾客的人体属性训练图像的图像特征以及所述顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成所述人体属性识别模型。

可选的，所述初始人体属性识别模型包括全连阶层和非线性变换层。

可选的，所述装置还包括：

第三获取单元，用于获取顾客的人体属性验证图像；

第三提取单元，用于提取所述顾客的人体属性验证图像的图像特征；

获得单元，用于将所述顾客的人体属性验证图像的图像特征输入所述人体属性识别模型，获得所述顾客的人体属性验证图像的识别结果；

更新单元，用于当所述顾客的人体属性验证图像的识别结果与所述顾客的人体属性验证图像对应的标记结果不一致时，将所述顾客的人体属性验证图像重新作为所述顾客的人体属性训练图像，对所述人体属性识别模型进行更新。

本申请实施例还提供了一种人体属性识别设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述人体属性识别方法中的任意一种实现方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述人体属性识别方法中的任意一种实现方式。

本申请实施例提供的一种人体属性识别方法及装置，在获取到待识别的目标图像后，可以从待识别的目标图像中提取出表征目标顾客的图像特征，其中，目标图像指的是目标顾客的逛店图像，然后，将该图像特征输入至预先构建的人体属性识别模型，从而可利用该模型识别出目标顾客的人体属性。可见，本申请实施例通过将提取出的表征待识别的目标图像的图像特征输入至预先构建的人体属性识别模型，可以快速、准确地识别出目标顾客的人体属性(如年龄、姿态等)，进而可以根据目标顾客的这些人体属性为其进行准确的定向商品推荐，促成一些潜在的交易。而不再通过引导顾客注册成为品牌会员的方式来为顾客进行产品推荐，推荐的针对性更强、准确率更高。

并且，本申请实施例还可以将提取出的图像特征同时输入至预先构建的多种类型的人体属性识别模型，以同时获得目标顾客的多种人体属性。由于其中每一类型人体属性识别模型都是相互独立的，且可以基于相同的图像特征对同一目标顾客进行不同维度的识别，所以可以在同一检测器后端根据实际需求随时增加或减少不同类型的人体属性识别模型来识别出各自不同类型的人体属性，无需重复获取不同类型的图像特征，也无需重新标注训练数据，即。本申请提供的技术方案相对于传统的用于识别的网络模型，在识别需求改变时，无需重新训练检测器，仅对应实际需求选择不同类型的人体属性识别模型进行识别即可，方案整体具有很好的可扩展性。

附图说明

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。

图1为本申请实施例提供的一种人体属性识别方法的流程示意图；

图2为本申请实施例提供的将从目标图像中提取的图像特征输入至预先构建的人体属性识别模型以识别出目标顾客的人体属性的示意图；

图3为本申请实施例提供的构建人体属性识别模型的流程示意图；

图4为本申请实施例提供的验证人体属性识别模型的流程示意图；

图5为本申请实施例提供的一种人体属性识别装置的组成示意图。

具体实施方式

随着电子商务的快速发展，线上零售领域已经能够很好地利用客户的点击、浏览和购买等行为对客户的潜在购买意愿进行分析，进而为客户提供精准的产品推荐，促成更多的商品交易。但对于实体零售店来说，由于难以将顾客的线下逛店行为转化为数字化数据进行分析，导致难以对每一位客户进行准确的定向推荐，只能根据店铺整体运营情况，对销售策略进行泛泛的调整，相比于线上零售来说，在运营策略的多样性和精确性上，存在很大的劣势。

为解决上述缺陷，本申请实施例提供了一种人体属性识别方法，在获取到待识别的目标图像后，可以从待识别的目标图像中提取出表征目标顾客的图像特征，其中，目标图像指的是目标顾客的逛店图像，然后，将该图像特征输入至预先构建的人体属性识别模型，从而可利用该模型识别出目标顾客的人体属性。可见，本申请实施例通过将提取出的表征待识别的目标图像的图像特征输入至预先构建的人体属性识别模型，可以快速、准确地识别出目标顾客的人体属性(如年龄、姿态等)，进而可以根据目标顾客的这些人体属性为其进行准确的定向商品推荐，促成一些潜在的交易。而不再通过引导顾客注册成为品牌会员的方式来为顾客进行产品推荐，推荐的针对性更强、准确率更高。

为使本申请实施例的目的、技术方案和优点更加清楚，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，都属于本申请保护的范围。

第一实施例

参见图1，为本实施例提供的一种人体属性识别方法的流程示意图，该方法包括以下步骤：

S101：获取待识别的目标图像，其中，目标图像为目标顾客的逛店图像。

在本实施例中，将需要进行人体属性识别的线下顾客定义为目标顾客，并将目标顾客的逛店图像定义为待识别的目标图像。需要说明的是，本实施例不限制目标图像的获取方式，比如，目标图像可以通过布置在商场、店铺中的监控摄像头拍摄得到、或通过商场、店铺中的其他人员利用其它摄像设备(比如智能手机)拍摄得到等。

S102：从目标图像中，提取表征目标顾客的图像特征。

在本实施例中，通过步骤S101获取到目标顾客的目标图像后，可以利用现有或未来出现的图像特征提取方法对其进行处理，比如，可以利用神经网络模型对目标图像进行检测，以从目标图像中提取出能够表征目标顾客的特征，这里将该特征定义为图像特征，该图像特征中应携带对应目标图像中目标顾客的全部图像信息，比如，图像特征可以包括目标图像中目标顾客对应的人体图像特征。

其中，在本实施例的一种实现方式中，可以利用基于快速区域的卷积网络Faster-RCNN对目标图像进行检测，并通过池化层输出图像特征。

在本实现方式中，通过步骤S101获取到待识别的目标图像后，并不能直接用于识别顾客的人体属性(如年龄、姿态、性别等)，而是需要提取目标图像的图像特征，在特征提取过程中，可以采用Faster-RCNN检测网络对目标图像每一个候选框匹配其对应的图像特征(feature map)，用以表征其属性，其中，候选框指的是目标图像中待识别物体占据的方框图像位置，比如目标顾客所在的人体方框图。进而可以利用提取出的目标图像的图像特征，执行后续步骤S103。需要说明的是，采用Faster-RCNN检测网络对目标图像进行检测的过程与现有采用Faster-RCNN进行图像检测的过程一致，具体实现过程在此不再赘述。

S103：将从目标图像中提取的图像特征输入至预先构建的人体属性识别模型，以识别出目标顾客的人体属性。

在本实施例中，通过步骤S102提取出表征目标顾客的图像特征后，可以将这些图像特征输入至预先构建的人体属性识别模型中，从而识别出目标顾客的人体属性。

具体来讲，通过步骤S102提取出目标图像的图像特征后，可以将该特征输入不同类型的人体属性识别模型，各个模型会分别输出一个表征目标顾客的不同人体属性分类的一组向量，向量中每一维度的值可以为区间[0,1]中的一个数值，且每一维度的值分别代表了该目标顾客的对应人体属性属于各个预设属性类型的概率值。此时，可将其中最大概率值对应的属性类型作为识别出的该目标顾客的对应人体属性类型。

在本实施例的一种实现方式中，通过Faster-RCNN对目标图像进行检测，提取出表征目标顾客的图像特征并通过池化层(Pooling layers)输出后，可以该图像特征输入至至少一种预先构建的人体属性识别模型，以识别出目标顾客的至少一种人体属性。

具体来讲，可以根据实际需要识别出的人体属性，选择对应类型的人体属性识别模型连接到Faster-RCNN的Pooling layers之后，这样，可以利用各种不同类型的人体属性识别模型同时对Pooling layers输出的图像特征进行识别，以同时获得顾客的多种不同类型的人体属性(如年龄、性别、姿态等)。

这样，可以根据实际需求，随时对应选择不同类型的人体属性识别模型连接到对Faster-RCNN的Pooling layer之后，来同时进行多种不同类型人体属性的识别，在此过程中，仅需要锁定住该Faster-RCNN中的已有参数并进行人体属性识别模型的类型调整，即可获得带有人体属性分类能力的新型Faster-RCNN检测器，提高了Faster-RCNN检测器的可拓展性。

举例说明：如图2所示，假设人体属性识别模型1为“年龄”识别模型，人体属性识别模型2为“姿态”识别模型，并将“年龄”这种人体属性划分为“老年、中年、……、幼年”这7种预设的类型，以及将“姿态”这种人体属性划分为“站立、坐下、……、前倾”这n种预设的类型，在将Pooling layers输出的图像特征同时输入这两种人体属性识别模型后，人体属性识别模型1的输出向量为s＝[0.9,0.05,0.1,0.08,0.04,0.14,0.17]，人体属性识别模型n的输出n维向量为s＝[0.03,0.12,...,0.91]。其中，“年龄”这种人体属性对应的输出向量中第一维度的值0.9最高，“姿态”这种人体属性对应的输出向量中第n维度的值0.91最高，因此，“年龄”这种人体属性对应的输出向量中第一维度对应的年龄类型即为该目标顾客的年龄类型，即目标顾客为老年人。“姿态”这种人体属性对应的输出向量中第n维度对应的姿态类型作为该目标顾客的姿态类型，即目标顾客处于身体前倾的状态。

这样，本申请实施例可以将Faster-RCNN的Pooling layers输出的图像特征同时输入至预先构建的多种类型的人体属性识别模型，以同时获得目标顾客的多种人体属性。由于其中每一类型人体属性识别模型都是相互独立的，且可以基于相同的图像特征对同一目标顾客进行不同维度的识别，所以可以在同一Faster-RCNN检测器后端根据实际需求随时增加或减少不同类型的人体属性识别模型来识别出各自不同类型的人体属性，无需重复获取不同类型的图像特征，也无需重新标注训练数据，即。本申请实施例相对于传统的用于识别的网络模型，在识别需求改变时，无需重新训练Faster-RCNN检测器，仅对应实际需求选择不同类型的人体属性识别模型进行识别即可，方案整体具有很好的可扩展性。

进一步，在判断出的顾客的各个类型的人体属性后，可根据识别出的顾客的这些人体属性进行准确的定向商品推荐，促成更多潜在的的商品交易。例如，当判断出一位老年顾客在珠宝柜台处于身体“前倾”的姿态时，可分析出该顾客可能对该珠宝柜台的产品有购买意愿，则进一步可以将该柜台的珠宝产品有针对性的推荐给这位老年顾客。

需要说明的是，为实现本步骤S103，需要预先构建至少一个人体属性识别模型，具体构建过程可参见后续第二实施例的相关介绍。

综上，本实施例提供的一种人体属性识别方法，在获取到待识别的目标图像后，可以从待识别的目标图像中提取出表征目标顾客的图像特征，其中，目标图像指的是目标顾客的逛店图像，然后，将该图像特征输入至预先构建的人体属性识别模型，从而可利用该模型识别出目标顾客的人体属性。可见，本申请实施例通过将提取出的表征待识别的目标图像的图像特征输入至预先构建的人体属性识别模型，可以快速、准确地识别出目标顾客的人体属性(如年龄、姿态等)，进而可以根据目标顾客的这些人体属性为其进行准确的定向商品推荐，促成一些潜在的交易。而不再通过引导顾客注册成为品牌会员的方式来为顾客进行产品推荐，推荐的针对性更强、准确率更高。

第二实施例

本实施例将对第一实施例中提及的人体属性识别模型的具体构建过程进行介绍。利用该预先构建的人体属性识别模型，可以准确、快速地识别出线下顾客的人体属性。

参见图3，其示出了本实施例提供的构建人体属性识别模型的流程示意图，该流程包括以下步骤：

S301：获取顾客的人体属性训练图像。

在本实施例中，为了构建人体属性识别模型，需要预先进行大量的准备工作，首先，需要收集顾客的人体属性状态训练图像，比如，可以预先收集100幅顾客的人体属性图像，并将收集到的顾客的每一幅图像分别作为样本图像数据，并预先通过人工标注出这些样本图像表征的顾客的人体属性类型，用以训练对应类型的人体属性识别模型。比如，以人体属性“年龄”为例，可以预先收集100幅顾客的人体属性图像作为样本图像，并预先人工标注出这些样本图像表征的顾客是属于“老年”、“中年”或“青年”等年类型，用以训练人体属性为“年龄”的人体属性识别模型。

S302：提取顾客的人体属性训练图像的图像特征。

在本实施例中，通过步骤S301获取到顾客的人体属性训练图像后，并不能直接用于训练生成人体属性识别模型，而是需要提取出顾客的人体属性训练图像的图像特征，用以表征其属性，在特征提取过程中，可以利用Faster-RCNN检测网络进行提取，进而可以利用提取出的顾客的人体属性训练图像的图像特征，训练得到人体属性识别模型。

S303：根据顾客的人体属性训练图像的图像特征以及顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成人体属性识别模型。

在本实施例中，通过步骤S302提取出顾客的人体属性训练图像的图像特征后，进一步的，可以根据该顾客的人体属性训练图像的图像特征以及顾客的人体属性训练图像对应的人体属性标记结果对初始人体属性识别模型进行训练，进而生成人体属性识别模型。

其中，在本实施例的一种实现方式中，为了简化模型结构，加快模型的运行速度，初始人体属性识别模型可以包括全连阶层和非线性变换层。全连阶层的输出维度(logits)应与该初始人体属性识别模型对应的人体属性分类的标签个数相等，如图2所示，在识别顾客的年龄时，该全连阶层可以输出一个7维向量。

需要说明的是，在模型训练过程中，在确定出初始人体属性识别模型结构后，进一步可以依次从模型训练数据中提取一幅样本图像数据，进行多轮模型训练，直到满足训练结束条件为止，此时，即生成人体属性识别模型。

具体地，在进行本轮训练时，可以将第一实施例中的目标图像替换为本轮提取的样本图像数据，通过当前的初始人体属性识别模型，按照第一实施例中的执行过程，便可以识别出该样本图像数据表征的顾客的人体属性类型。具体地，按照上述第一实施例中的步骤S101-S103，便可以在对样本图像数据进行特征提取后，通过识别模型输出一个多维的识别向量，该识别向量中的每一维向量元素值均是区间[0,1]中的一个数值。然后，可以将识别向量与对应的人工标注结果的转换向量进行比较，并根据二者的差异对模型参数进行更新，比如差值变化幅度很小，则停止模型参数的更新，完成人体属性识别模型的训练，生成一个训练好的人体属性识别模型。

或者，也可以在对样本图像数据进行特征提取后，将损失函数(如交叉熵函数)作为模型的优化目标，通过误差反向传播算法对模型参数进行不断更新，在更新过程中，可以通过多次迭代的方式对模型参数进行更新，当达到预设的收敛目标(即交叉熵函数达到预设值)时，停止迭代，完成模型参数的更新，得到训练完成的人体属性识别模型。

通过上述实施例，可以利用顾客的人体属性训练图像训练生成人体属性识别模型，则进一步的，可以利用顾客的人体属性验证图像对生成的人体属性识别模型进行验证。

下面结合附图对本申请实施例提供的对人体属性识别模型进行验证的过程进行介绍。

参见图4，其示出了本申请实施例提供的验证人体属性识别模型的流程示意图，如图4所示，该方法包括：

S401：获取顾客的人体属性验证图像。

在实际应用中，为了实现对人体属性识别模型进行验证，首先需要获取顾客的人体属性验证图像，其中，顾客的人体属性验证图像指的是可以用来对人体属性识别模型进行验证的顾客逛店图像，在获取到顾客的人体属性验证图像后，可继续执行后续步骤S402。

S402：提取顾客的人体属性验证图像的图像特征。

在实际应用中，通过步骤S401获取到顾客的人体属性验证图像后，并不能直接用于验证识别模型，而是需要提取顾客的人体属性验证图像的图像特征，用以表征其属性，在特征提取过程中，可以利用Faster-RCNN检测网络进行提取，进而可以利用提取出的顾客的人体属性验证图像的图像特征，验证得到的人体属性识别模型。

S403：将顾客的人体属性验证图像的图像特征输入人体属性识别模型，获得顾客的人体属性验证图像的识别结果。

在具体实现过程中，通过步骤S402提取出顾客的人体属性验证图像的图像特征后，进一步的，可以将顾客的人体属性验证图像的图像特征输入人体属性识别模型，获得顾客的人体属性验证图像的识别结果，用以执行后续步骤S404。

S404：当顾客的人体属性验证图像的识别结果与顾客的人体属性验证图像对应的标记结果不一致时，将顾客的人体属性验证图像重新作为顾客的人体属性训练图像，对人体属性识别模型进行更新。

在实际应用中，通过步骤S403获得到顾客的人体属性验证图像的识别结果后，若顾客的人体属性验证图像的识别结果与顾客的人体属性验证图像对应的人工标注结果不一致，则可以将该顾客的人体属性验证图像重新作为顾客的人体属性训练图像，对人体属性识别模型进行更新。

通过上述实施例，可以利用顾客的人体属性验证图像对人体属性识别模型进行有效验证，当顾客的人体属性验证图像的识别结果与顾客的人体属性验证图像对应的人工标注结果不一致时，可以及时调整、更新人体属性识别模型，进而有助于提高识别模型的识别精度和准确性。

此外，在模型训练时，还可以将训练出的不同类型的人体属性识别模型连接到现有的普通检测器(如Faster-RCNN检测网络)的池化层之后，以根据池化层输出的图像特征同时识别出顾客的多种不同类型的人体属性(如年龄、性别、姿态等)。这样，可以根据实际需求随时增加或减少不同类型的人体属性识别模型来同时进行不同类型人体属性的识别，这样，仅需要锁定住该检测器中的已有参数并进行人体属性识别模型的类型调整，即可获得带有人体属性分类能力的新型检测器，提高了检测器的可拓展性。

综上，利用本实施例训练而成的人体属性识别模型，可以利用表征目标图像的图像信息的图像特征，准确识别出目标顾客的人体属性，进一步将线下顾客的逛店行为信息数字化，为商家分析自身运营状况以及分析顾客潜在购买意愿提供了更细粒度的信息，以便于商家能够为顾客提供更精准的定向商品推荐，促成更多潜在的商品交易。

第三实施例

本实施例将对一种人体属性识别装置进行介绍，相关内容请参见上述方法实施例。

参见图5，为本实施例提供的一种人体属性识别装置的组成示意图，该装置包括：

第一获取单元501，用于获取待识别的目标图像，所述目标图像为目标顾客的逛店图像；

第一提取单元502，用于从所述目标图像中，提取表征所述目标图像的图像信息的图像特征；

人体属性识别模型503，用于基于所述第一提取单元502输出的图像特征，识别出所述目标顾客的人体属性。

在本实施例的一种实现方式中，所述第一提取单元502具体用于：

利用基于快速区域的卷积网络Faster-RCNN对所述目标图像进行检测，通过池化层输出所述图像特征。

在本实施例的一种实现方式中，所述人体属性识别模型数量为至少一个，且，

不同的人体属性识别模型基于相同的所述图像特征分别输出对应的人体属性。

在本实施例的一种实现方式中，所述装置还包括：

第二获取单元，用于获取顾客的人体属性训练图像；

第二提取单元，用于提取所述顾客的人体属性训练图像的图像特征；

训练单元，用于根据所述顾客的人体属性训练图像的图像特征以及所述顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成所述人体属性识别模型。

在本实施例的一种实现方式中，所述初始人体属性识别模型包括全连阶层和非线性变换层。

在本实施例的一种实现方式中，所述装置还包括：

第三获取单元，用于获取顾客的人体属性验证图像；

第三提取单元，用于提取所述顾客的人体属性验证图像的图像特征；

获得单元，用于将所述顾客的人体属性验证图像的图像特征输入所述人体属性识别模型，获得所述顾客的人体属性验证图像的识别结果；

更新单元，用于当所述顾客的人体属性验证图像的识别结果与所述顾客的人体属性验证图像对应的标记结果不一致时，将所述顾客的人体属性验证图像重新作为所述顾客的人体属性训练图像，对所述人体属性识别模型进行更新。

综上，本实施例提供的一种人体属性识别装置，在获取到待识别的目标图像后，可以从待识别的目标图像中提取出表征其图像信息的图像特征，其中，目标图像指的是目标顾客的逛店图像，然后，将该图像特征输入至预先构建的人体属性识别模型，从而可利用该模型识别出目标顾客的人体属性。可见，本申请实施例通过将提取出的表征待识别的目标图像的图像特征输入至预先构建的人体属性识别模型，可以快速、准确地识别出目标顾客的人体属性(如年龄、姿态等)，进而可以根据目标顾客的这些人体属性为其进行准确的定向商品推荐，促成一些潜在的交易。而不再通过引导顾客注册成为品牌会员的方式来为顾客进行产品推荐，推荐的针对性更强、准确率更高。

并且，本申请实施例还可以将提取出的图像特征同时输入至预先构建的多种类型的人体属性识别模型，以同时获得目标顾客的多种人体属性。由于其中每一类型人体属性识别模型都是相互独立的，且可以基于相同的图像特征对同一目标顾客进行不同维度的识别，所以可以在同一检测器后端根据实际需求随时增加或减少不同类型的人体属性识别模型来识别出各自不同类型的人体属性，无需重复获取不同类型的图像特征，也无需重新标注训练数据，即。本申请提供的技术方案相对于传统的用于识别的网络模型，在识别需求改变时，无需重新训练检测器，仅对应实际需求选择不同类型的人体属性识别模型进行识别即可，方案整体具有很好的可扩展性。

进一步地，本申请实施例还提供了一种人体属性识别设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述人体属性识别方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述人体属性识别方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例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，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种人体属性识别方法，其特征在于，包括：

获取待识别的目标图像，所述目标图像为目标顾客的逛店图像；

从所述目标图像中，提取表征所述目标顾客的图像特征；

将从所述目标图像中提取的图像特征输入至人体属性识别模型，以识别出所述目标顾客的人体属性。

2.根据权利要求1所述的方法，其特征在于，所述从所述目标图像中，提取表征所述目标顾客的图像特征，包括：

利用基于快速区域的卷积网络Faster-RCNN对所述目标图像进行检测，通过池化层输出所述图像特征。

3.根据权利要求1或2所述的方法，其特征在于，

所述人体属性识别模型的数量为至少一个，且，

不同的人体属性识别模型基于相同的所述图像特征分别输出对应的人体属性。

4.根据权利要求1所述的方法，其特征在于，构建所述人体属性识别模型，包括：

获取顾客的人体属性训练图像；

提取所述顾客的人体属性训练图像的图像特征；

根据所述顾客的人体属性训练图像的图像特征以及所述顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成所述人体属性识别模型。

5.根据权利要求4所述的方法，其特征在于，所述初始人体属性识别模型包括全连阶层和非线性变换层。

6.根据权利要求4至5任一项所述的方法，其特征在于，所述方法还包括：

获取顾客的人体属性验证图像；

提取所述顾客的人体属性验证图像的图像特征；

将所述顾客的人体属性验证图像的图像特征输入所述人体属性识别模型，获得所述顾客的人体属性验证图像的识别结果；

当所述顾客的人体属性验证图像的识别结果与所述顾客的人体属性验证图像对应的标记结果不一致时，将所述顾客的人体属性验证图像重新作为所述顾客的人体属性训练图像，对所述人体属性识别模型进行更新。

7.一种人体属性识别装置，其特征在于，包括：

第一获取单元，用于获取待识别的目标图像，所述目标图像为目标顾客的逛店图像；

第一提取单元，用于从所述目标图像中，提取表征所述目标顾客的图像特征；

人体属性识别模型，用于基于所述第一提取单元输出的图像特征，识别出所述目标顾客的人体属性。

8.根据权利要求7所述的装置，其特征在于，所述第一提取单元具体用于：

利用基于快速区域的卷积网络Faster-RCNN对所述目标图像进行检测，通过池化层输出所述图像特征。

9.根据权利要求7或8所述的装置，其特征在于，

所述人体属性识别模型数量为至少一个，且，

不同的人体属性识别模型基于相同的所述图像特征分别输出对应的人体属性。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二获取单元，用于获取顾客的人体属性训练图像；

第二提取单元，用于提取所述顾客的人体属性训练图像的图像特征；

训练单元，用于根据所述顾客的人体属性训练图像的图像特征以及所述顾客的人体属性训练图像对应的人体属性识别标签对初始人体属性识别模型进行训练，生成所述人体属性识别模型。

11.根据权利要求10所述的装置，其特征在于，所述初始人体属性识别模型包括全连阶层和非线性变换层。

12.根据权利要求10至11任一项所述的装置，其特征在于，所述装置还包括：

第三获取单元，用于获取顾客的人体属性验证图像；

第三提取单元，用于提取所述顾客的人体属性验证图像的图像特征；

获得单元，用于将所述顾客的人体属性验证图像的图像特征输入所述人体属性识别模型，获得所述顾客的人体属性验证图像的识别结果；

更新单元，用于当所述顾客的人体属性验证图像的识别结果与所述顾客的人体属性验证图像对应的标记结果不一致时，将所述顾客的人体属性验证图像重新作为所述顾客的人体属性训练图像，对所述人体属性识别模型进行更新。

13.一种人体属性识别设备，其特征在于，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-6任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-6任一项所述的方法。

Images