CN111723730A - 对目标对象的数量进行预测的方法及相关设备 - Google Patents

对目标对象的数量进行预测的方法及相关设备 Download PDF

Info

Publication number
CN111723730A
CN111723730A CN202010559689.7A CN202010559689A CN111723730A CN 111723730 A CN111723730 A CN 111723730A CN 202010559689 A CN202010559689 A CN 202010559689A CN 111723730 A CN111723730 A CN 111723730A
Authority
CN
China
Prior art keywords
target
target area
attribute information
target object
information corresponding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010559689.7A
Other languages
English (en)
Other versions
CN111723730B (zh
Inventor
黄文强
季蕴青
胡路苹
胡玮
黄雅楠
胡传杰
浮晨琪
李蚌蚌
申亚坤
徐晨敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010559689.7A priority Critical patent/CN111723730B/zh
Publication of CN111723730A publication Critical patent/CN111723730A/zh
Application granted granted Critical
Publication of CN111723730B publication Critical patent/CN111723730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种对目标对象的数量进行预测的方法及相关设备，该方法通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息；将每一个第一识别装置识别到的每一个目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到目标区域内的目标对象数量；由于目标对象数量识别模型是通过目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的，相较于现有技术有考虑到第一识别装置的识别误差，以及考虑到了多个第一识别装置分别识别出的目标对象的属性信息之间的差异，预测得到了更为精准的目标区域的目标对象数量。

Description

对目标对象的数量进行预测的方法及相关设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种对目标对象的数量进行预测的方法及相关设备。
背景技术
现有技术中，许多银行网点为了实现网点人流量分析、网点客户信息识别等目的，经常需要对网点内的客户数量进行统计。目前，主要通过摄像头抓拍识别网点客户数量的方式，来统计网点内的客户数量。
但在网点人数较多、有遮挡物影响以及光照条件较差的情况下，现有的摄像头抓拍识别客户数量的方式准确度会比较低，无法满足银行网点的需求。
发明内容
基于上述现有技术的不足，本申请提供了一种对目标对象的数量进行预测的方法及相关设备，以实现提高预测目标对象的数量的准确度。
为了实现上述目的，现提出的方案如下：
本申请第一方面公开了一种对目标对象的数量进行预测的方法，包括：
通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息；
获取每一个所述第一识别装置分别识别到的每一个所述目标对象对应的属性信息；
将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到所述目标区域内的目标对象数量；其中，所述目标对象数量识别模型通过所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。
可选地，在上述对目标对象的数量进行预测的方法中，所述目标区域为目标网点；所述目标对象对应的属性信息包括：用于说明所述目标对象是否为所述目标网点的重要客户的信息；
其中，所述预测得到所述目标区域内的目标对象数量之后，还包括：
将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量输入至分析模型中，由所述分析模型根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数量，并在所述目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在所述目标区域内未识别出的重要客户数量小于或等于所述阈值时，输出不启动所述第二识别装置的分析结果；其中，所述第二识别装置用于识别所述目标网点内的每一个目标对象对应的属性信息；所述第二识别装置的识别准确率高于所述第一识别装置；
若所述分析结果为启动所述第二识别装置，则控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息。
可选地，在上述对目标对象的数量进行预测的方法中，所述根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数值，包括：
根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，确定出所述目标区域内已识别出的重要客户数量；
将预测得到的所述目标区域内的目标对象数量乘以预设的重要客户比例值，计算得到预测的所述目标区域内的重要客户数量；
将预测的所述目标区域内的重要客户数量与所述目标区域内已识别出的重要客户数量作差，计算得到所述目标区域内未识别出的重要客户数量。
可选地，在上述对目标对象的数量进行预测的方法中，所述目标对象数量识别模型的构建方法，包括：
构建训练数据集；其中，所述训练数据集包括：所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息；
将所述训练数据集中每一个所述第一识别装置识别到的所述目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的所述目标区域内的目标对象数量；
利用所述神经网络模型预测的所述目标区域内的目标对象数量与所述训练数据集中对应的所述目标区域的历史实际目标对象数量之间的误差，不断调整所述神经网络模型中的参数，直至调整后的所述神经网络模型预测的所述目标区域内的目标对象数量与对应的所述目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，将调整后的所述神经网络模型确定为目标对象数量识别模型。
可选地，在上述对目标对象的数量进行预测的方法中，所述通过第一识别装置识别目标区域内的多个目标对象各自对应的属性信息，包括：
通过人脸图像识别设备获取目标区域内的多个目标对象各自对应的人脸图像，分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息；
或者，
通过射频接收设备获取目标区域内的多个目标对象各自对应的射频芯片所发送的射频信号，分别利用每一个所述目标对象对应的射频信号识别出每一个所述目标对象对应的属性信息。
可选地，在上述对目标对象的数量进行预测的方法中，所述控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息，包括：
控制所述目标网点的智能机器人启动，通过所述智能机器人内置的热传感器确定出所述目标网点内的每一个所述目标对象的位置，并由所述智能机器人分别向每一个所述目标对象所在的位置拍摄每一个所述目标对象的人脸图像；
分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息。
本申请第二方面公开了一种对目标对象的数量进行预测的装置，包括：
识别单元，用于通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息；
获取单元，用于获取每一个所述第一识别装置分别识别到的每一个所述目标对象对应的属性信息；
预测单元，用于将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到所述目标区域内的目标对象数量；其中，所述目标对象数量识别模型通过所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。
可选地，在上述对目标对象的数量进行预测的装置中，所述目标区域为目标网点；所述目标对象对应的属性信息包括：用于说明所述目标对象是否为所述目标网点的重要客户的信息；
其中，所述对目标对象的数量进行预测的装置，还包括：
分析单元，用于将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量输入至分析模型中，由所述分析模型根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数量，并在所述目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在所述目标区域内未识别出的重要客户数量小于或等于所述阈值时，输出不启动所述第二识别装置的分析结果；其中，所述第二识别装置用于识别所述目标网点内的每一个目标对象对应的属性信息；所述第二识别装置的识别准确率高于所述第一识别装置；
控制单元，用于若所述分析结果为启动所述第二识别装置，则控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息。
可选地，在上述对目标对象的数量进行预测的装置中，所述分析单元执行根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数值时，用于：
根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，确定出所述目标区域内已识别出的重要客户数量；将预测得到的所述目标区域内的目标对象数量乘以预设的重要客户比例值，计算得到预测的所述目标区域内的重要客户数量；将预测的所述目标区域内的重要客户数量与所述目标区域内已识别出的重要客户数量作差，计算得到所述目标区域内未识别出的重要客户数量。
可选地，在上述对目标对象的数量进行预测的装置中，还包括：
构建单元，用于构建训练数据集；其中，所述训练数据集包括：所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息；
输入单元，用于将所述训练数据集中每一个所述第一识别装置识别到的所述目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的所述目标区域内的目标对象数量；
调整单元，用于利用所述神经网络模型预测的所述目标区域内的目标对象数量与所述训练数据集中对应的所述目标区域的历史实际目标对象数量之间的误差，不断调整所述神经网络模型中的参数，直至调整后的所述神经网络模型预测的所述目标区域内的目标对象数量与对应的所述目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，将调整后的所述神经网络模型确定为目标对象数量识别模型。
可选地，在上述对目标对象的数量进行预测的装置中，所述识别单元执行通过第一识别装置识别目标区域内的多个目标对象各自对应的属性信息时，用于：
通过人脸图像识别设备获取目标区域内的多个目标对象各自对应的人脸图像，分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息；或者，通过射频接收设备获取目标区域内的多个目标对象各自对应的射频芯片所发送的射频信号，分别利用每一个所述目标对象对应的射频信号识别出每一个所述目标对象对应的属性信息。
可选地，在上述对目标对象的数量进行预测的装置中，所述控制单元，包括：
控制子单元，用于控制所述目标网点的智能机器人启动，通过所述智能机器人内置的热传感器确定出所述目标网点内的每一个所述目标对象的位置，并由所述智能机器人分别向每一个所述目标对象所在的位置拍摄每一个所述目标对象的人脸图像；
识别子单元，用于分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息。
本申请第三方面公开了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请第四方面公开了一种设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
从上述技术方案可以看出，本申请实施例提出的对目标对象的数量进行预测的方法中，通过将每一个第一识别装置分别识别到的目标区域内每一个目标对象各自对应的属性信息输入至目标对象数量识别模型中，由目标数量识别模型预测得到目标区域内的目标对象数量。由于目标对象数量识别模型是通过目标区域的历史实际目标数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的，因此目标对象数量识别模型考虑到了第一识别装置识别出的目标对象数量与实际目标对象数量之间的误差，以及考虑到了多个第一识别装置分别识别出的目标对象的属性信息之间的差异，预测得到了更为精准的目标区域的目标对象数量。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提出的一种对目标对象的数量进行预测的方法的流程示意图；
图2为本申请实施例提出的一种目标对象数量识别模型的构建方法的流程示意图；
图3为本申请实施例提出的一种第二识别装置的控制方法的流程示意图；
图4为本申请实施例提出的一种预测目标区域内的未识别出的重要客户数量的方法的流程示意图；
图5为本申请实施例提出的一种通过第二识别装置进行识别的方法的流程示意图；
图6为本申请实施例提出的一种对目标对象的数量进行预测的装置的结构示意图。
具体实施方式
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。
现有技术中，许多银行网点为了实现网点人流量分析、网点客户信息识别等目的，经常需要对网点内的客户数量进行统计。例如，一些银行网点为了提高服务质量，会在客户进入网点时，使用人脸识别等技术自动识别进入网点的客户的客户信息，以确认当前进入网点的客户是否为重要客户，进而主动为重要客户提供相应的服务。为了避免出现漏识别重要客户的客户信息的情况，银行网点还会使用摄像头抓拍的方式对网点内的客户数量进行统计，以确认有多少客户的客户信息没有被识别出来，进而在未识别出的客户数量较多的情况下启动准确率更高的识别机器做进一步的识别。
然而，在网点人数较多、有遮挡物影响以及光照条件较差的情况下，现有的摄像头抓拍识别客户数量的方式准确度会比较低，无法满足银行网点的需求。
针对上述问题，本申请实施例提出了一种对目标对象的数量进行预测的方法及相关设备，以实现提高预测目标对象的数量的准确率。
参阅图1，本申请实施例公开了一种对目标对象的数量进行预测的方法，具体包括以下步骤：
S101、通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息。
其中，第一识别装置指的是用于识别目标区域内的多个目标对象各自对应的属性信息的装置。目标区域指的是特定的某个区域。目标对象指的是在目标区域内的人或者物。目标对象的属性信息指的是目标对象所特有的信息。
例如，第一识别装置可以是射频接收装置，目标区域可以是网点，目标对象可以是进入网点的客户，属性信息可以包括客户的身份证、客户在银行网点办理过的业务，客户是否为重要客户的信息等。即执行步骤S101时，能够通过多个射频接收装置分别接收到走进网点内的客户所携带的射频芯片卡发出的射频信号，进而分别通过接收到的射频信号识别出客户的属性信息。又例如，第一识别装置还可以是带有摄像头的物体识别装置，目标区域还可以是超市售卖区，目标对象可以是超市内的货品，属性信息可以是货品的标识码。即执行步骤S101时，可以通过多个摄像头分别获取到超市售卖区内的当前未被客户买下的货品的图像，进而分别根据图像识别出货品的标识码。
需要说明的是，多个第一识别装置既可以是多个相同的识别装置，也可以是具有不同识别原理的不同的识别装置。多个识别装置所识别到的目标区域内的多个目标对象各自对应的属性信息既可能完全相同，也可能存在有不同。
可选地，在本申请一具体实施例中，对于一个第一识别装置而言，通过第一识别装置识别目标区域内的多个目标对象各自对应的属性信息，可以包括：
通过人脸图像识别设备获取目标区域内的多个目标对象各自对应的人脸图像，分别利用每一个目标对象对应的人脸图像识别出每一个目标对象对应的属性信息。或者，通过射频接收设备获取目标区域内的多个目标对象各自对应的射频芯片所发送的射频信号，分别利用每一个目标对象对应的射频信号识别出每一个目标对象对应的属性信息。
具体的，如果目标对象是人的话，可以通过人脸图像设备中携带的摄像装置拍摄到目标区域内的目标对象的人脸图像。由于系统内预先存储有目标对象的人脸图像与目标对象的属性信息之间的对应关系。因此通过人脸图像就可识别出了目标对象对应的属性信息。
或者，如果目标对象带有能够发出射频信号的射频芯片卡时，可以在射频芯片卡内写入目标对象对应的属性信息。进而通过射频接收设备接收射频芯片卡所发出的射频信号，然后通过射频信号识别出目标对象对应的属性信息。例如，当目标区域为网点时，可以将网点客户所使用的银行卡制作成具有射频芯片的银行卡，进而当网点客户持银行卡走进网点时，就能够被射频接收装置识别出网点客户的属性信息。
还需要说明的是，步骤S101既可以是实时执行，即通过多个第一识别装置分别实时识别目标区域内的多个目标对象各自对应的属性信息，也可以是周期性的执行，即通过多个第一识别装置，分别周期性的识别目标区域内的多个目标对象各自对应的属性信息。
S102、获取每一个第一识别装置分别识别到的每一个目标对象对应的属性信息。
将每一个第一识别装置分别识别到的每一个目标对象对应的属性信息进行获取。由于每一个第一识别装置均是对目标区域内的目标对象的属性信息进行识别，因此在每一个第一识别装置的识别准确度均非常高的情况下，每一个识别装置能够识别的每一个目标对象对应的属性信息可能均是相同的。例如，网点内当前共有客户A、客户B以及客户C这三名客户。通过摄像头A识别到了网点内共有客户A、客户B以及客户C，其中客户C对应的属性信息说明了客户C是一个重要客户。而通过摄像头B识别出的属性信息与摄像头A相同。然而如果存在有识别准确度不是很高的第一识别装置时，那么多个第一识别装置所识别出的属性信息就可能存在差异。例如，网点内当前共有客户A、客户B以及客户C，通过摄像头A识别到了网点内共有客户A、客户D以及客户C，且识别出的属性信息说明客户C为重要客户。而通过摄像头B识别到了网点内有客户A、客户B以及客户E，且识别出的属性信息说明当前没有重要客户。即摄像头A和摄像头B均不能完全正确识别出当前网点内的客户。
通过获取到的每一个第一识别装置分别识别到的每一个目标对象对应的属性信息中，可以知道所有的第一识别装置均识别出来的目标对象对应的属性信息有哪些，还可以知道所有的第一识别装置所识别出来的不相同的目标对象对应的属性信息有哪些，还可以知道每一个识别装置所识别出来的目标对象的数量等。因此相较于现有的直接通过摄像头抓拍识别目标对象的数量的方式，通过获取到的每一个第一识别装置分别识别到的每一个目标对象对应的属性信息，可以从多个第一识别装置分别识别出的目标对象的属性信息之间的差异中，更准确的预测出目标区域内的目标对象的数量，具体通过步骤S103实现。
S103、将每一个第一识别装置识别到的每一个目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到目标区域内的目标对象数量。
其中，目标对象数量识别模型通过目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。目标区域的历史实际目标对象数量，指的是目标区域在多个历史时间点各自对应的实际目标对象数量。而对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息指的是在对应的历史时间点，多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息。例如去年1月1日9:00整，某网点的历史实际目标对象数量共有7人，而网点内安装的2个第一识别装置中，其中一个第一识别装置识别到了6个目标对象的属性信息，而另一个则识别到了5个目标对象的属性信息。
通过目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的目标对象数量识别模型，能够考虑到第一识别装置的识别准确度，以及能够在考虑到多个第一识别装置所识别到的属性信息的差异下，预测得到准确的目标区域内的目标对象数量。其中，用于训练目标对象数量识别模型的数据越多，预测得到目标区域内的目标对象数量的准确度也会越高。
现有技术中，网点为了提高服务质量，会在网点内安装摄像头，通过摄像头获取进入网点内的客户的人脸图像，进而通过客户的人脸图像识别出客户所对应的属性信息，通过客户的属性信息即可知道客户是否为重要客户。如果进入网点的客户为重要客户，网点工作人员则会主动为重要客户提供相应的优质服务，例如主动引导重要客户进入贵宾室等待或者优先办理重要客户的业务等。然而，由于可能会存在有部分客户的属性信息没有被识别出来的情况，为了了解当前存在漏识别的客户数量，会通过摄像头抓拍来是被当前网点内的客户数量。例如，摄像头当前抓拍到网点内共有4名客户，但仅识别出了3名客户对应的属性信息，那么即可知道漏识别了1名客户，进而启动准确率更高的识别机器再次识别客户对应的属性信息。
然而，在网点人数较多、有遮挡物影响以及光照条件较差的情况下，现有的摄像头抓拍识别客户数量的方式准确度会比较低，例如可能网点当前共有20名客户，但摄像头抓拍仅识别到有17名客户。由于识别出的客户数量并不准确，进而也不能准确知道遗漏识别的客户数量，无法满足银行网点的需求。
而本申请实施例中，由于目标对象数量识别模型是通过目标区域的历史实际目标数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的，因此目标对象数量识别模型考虑到了第一识别装置识别出的目标对象数量与实际目标对象数量之间的误差，以及考虑到了多个第一识别装置分别识别出的目标对象的属性信息之间的差异，进而预测得到了更为精准的目标区域的目标对象数量。
需要说明的是，本申请实施例中的目标对象数量识别模型除了可以用于识别进入网点内的客户的数量，还可以用于识别进入商场的客户的数量，还可以用于识别超市内货品的数量等等。本申请实施例所使用的应用场景有很多，包括但不限于本申请实施例所提出的内容。
可选地，参阅图2，在本申请一具体实施例中，目标对象数量识别模型的构建方法，包括：
S201、构建训练数据集。
其中，训练数据集包括：目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息。训练数据集内的数据量越大，训练出来的模型准确度也会越高。考虑到最终训练出来的目标对象数量识别模型需能够考虑到第一识别装置的识别误差，因此步骤S201中的多个第一识别装置与图1示出的步骤S101中提及到的多个第一识别装置需相同。
S202、将训练数据集中每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的目标区域内的目标对象数量。
其中，训练数据集中每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息为在每一个历史时间点下的每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息。具体的，针对每一个历史时间点，将训练数据集中在该历史时间点下每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的在该历史时间点下目标区域内的目标对象数量。
例如，训练数据集中总共收集了去年1月1日上午9:00、去年1月2日上午10:00以及去年1月3日上午11：00这三个时间点的历史数据。则会将去年1月1日上午9:00、去年1月2日上午10:00以及去年1月3日上午11：00下的每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息分别输入至神经网络模型中，预测得到去年1月1日上午9:00、去年1月2日上午10:00以及去年1月3日上午11：00下的目标区域内的目标对象数量。
S203、利用神经网络模型预测的目标区域内的目标对象数量与训练数据集中对应的目标区域的历史实际目标对象数量之间的误差，不断调整神经网络模型中的参数，直至调整后的神经网络模型预测的目标区域内的目标对象数量与对应的目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，将调整后的神经网络模型确定为目标对象数量识别模型。
神经网络模型所预测的目标区域内的目标对象数量，与训练数据集中的对应的目标区域的历史实际目标对象数量之间存在有误差，不断调整神经网络模型中的参数，使得神经网络模型所预测的目标区域内的目标对象数量，与训练数据集中的对应的目标区域的历史实际目标对象数量之间存在的误差不断减小，直至调整后的神经网络模型预测的目标区域内的目标对象数量与对应的目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，认为当前调整后的神经网络模型能够准确预测出目标区域内的目标对象数量，因此将调整后的神经网络模型确定为目标对象数量识别模型。
可选地，为了减少对神经网络模型中的参数进行调整的次数，可以将神经网络模型中的待优化权值、待优化阈值以及适应度代入至遗传算法中，得到神经网络模型的最优权值和最优阈值。
其中，神经网络模型中的待优化权值和待优化阈值为神经网络模型中的参数。神经网络模型的适应度为神经网络模型的权值为待优化权值、且神经网络模型的阈值为待优化阈值时所输出的目标区域内的目标对象数量与对应的历史实际目标对象数量之间的误差。待优化权值可以为任意的一个数值，待优化阈值也可以为任意的一个数值。将神经网络模型的权值设置为待优化权值、且将阈值设置为待优化阈值后，分别向设置好的神经网络模型中输入训练数据集中的每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息，得到模型输出的目标区域内的目标对象数量。然后将神经网络模型在权值设置为待优化权值、以及阈值设置为待优化阈值情况下所得到的目标区域内的目标对象数量与对应的目标区域的历史实际目标对象数量之间的误差值，作为适应度，将待优化权值、待优化阈值、以及适应度代入至遗传算法中以求取最优解(即最优权值和最优阈值)。
遗传算法中求取得到的最优权值和最优阈值，能够使得神经网络模型在将权值设置为最优权值、以及将阈值设置为最优阈值的情况下，所输出的目标区域内的目标对象数量与训练数据集中对应的目标区域的历史实际目标对象数量非常接近。因此，将遗传算法求得的最优权值作为神经模型的初始权值、以及将最优阈值作为神经网络模型的初始阈值，能够减少对神经网络模型的训练次数，只需对模型的权值和阈值进行较少次数的调整，即可得到满足要求的模型(即目标对象数量识别模型)。
可选地，参阅图3，若目标区域为目标网点，目标对象对应的属性信息包括：用于说明目标对象是否为目标网点的重要客户的信息，则执行步骤S103之后，还包括：
S301、将每一个第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量输入至分析模型中，由分析模型根据每一个第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量，得到目标区域内未识别出的重要客户数量，并在目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在目标区域内未识别出的重要客户数量小于或等于阈值时，输出不启动第二识别装置的分析结果。
其中，第二识别装置用于识别目标网点内的每一个目标对象对应的属性信息，第二识别装置的识别准确率高于第一识别装置。第二识别装置与第一识别装置的功能相同，但第二识别装置的识别准确率高于第一识别装置。出于成本、以及识别效率等原因考虑，优先使用成本较低且识别效率较高的第一识别装置对目标网点内的目标对象对应的属性信息进行识别，但当分析模型分析出当前目标网点中的第一识别装置漏识别的未识别出的重要客户数量过多(即目标区域内未识别出的重要客户数量大于阈值时)，就需要启动第二识别装置做进一步的识别，以使得进入目标网点的大部分重要客户都能得到网点工作人员主动提供的更优质服务。而如果分析模型分析出当前目标网点中的第一识别装置漏识别的未识别出的重要客户数量较少(即目标区域内未识别出的重要客户数量小于或等于阈值)时，则不需要启动第二识别装置。其中，阈值可根据目标网点的具体服务质量要求设置。分析模型得到是否应启动第二识别装置的分析结果后，将分析结果输出。
需要说明的是，是否应触发启动第二识别装置的判断条件可根据实际需求进行设定，包括但不限于使用目标区域内未识别出的重要客户数量与阈值进行比较的判断条件。
可选地，参阅图4，在本申请一具体实施例中，执行步骤S301中的根据每一个第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量，得到目标区域内未识别出的重要客户数值，可包括以下步骤：
S401、根据每一个第一识别装置识别到的每一个目标对象对应的属性信息，确定出目标区域内已识别出的重要客户数量。
根据每一个第一识别装置识别到每一个目标对象对应属性信息的差异，可以确定出目标区域内已识别出的重要客户数量。而根据每一个第一识别装置识别到的每一个目标对象对应的属性信息，确定出目标区域内已识别出的重要客户数量确定出目标区域内已识别出的重要客户数量的方式有很多，例如，可以设定为将所有第一识别装置均识别到重要客户取交集，确定为目标区域内已识别出的重要客户数量。
举例说明，如果总共有两个第一识别装置，其中一个第一识别装置识别出了客户A、客户B以及客户C各自对应的属性信息，其中，客户A为重要客户，而另一个识别装置识别出了客户A、客户B以及客户D各自对应的属性信息，其中客户A和客户D为重要客户，那么则认为目标区域内已识别出的重要客户仅有客户A，客户D有可能是误识别出的，因此确定出的已识别出的重要客户数量为1。
又例如，可以设定为将所有第一识别装置分别识别到的重要客户取并集，确定出目标区域内已识别出的重要客户数量。
举例说明，如果总共有两个第一识别装置，其中一个第一识别装置识别出了客户A、客户B以及客户C各自对应的属性信息，其中，客户A为重要客户，而另一个识别装置识别出了客户A、客户B以及客户D各自对应的属性信息，其中客户A和客户D为重要客户，那么则认为目标区域内已识别出的重要客户为客户A和客户D，因此确定出的已识别出的重要客户数量为2。
S402、将预测得到的目标区域内的目标对象数量乘以预设的重要客户比例值，计算得到预测的目标区域内的重要客户数量。
其中，预设的重要客户比例值指的是目标区域内重要客户占所有目标对象的比例。通过图1示出的步骤S103所预测得到的目标区域内的目标对象数量再乘以预设的重要客户比例值，预测出了目标区域内的重要客户数量。
预设的重要客户比例值可以是一个预设的固定值，也可以是一个按照当前目标网点条件而设定的值。举例说明，可以通过经验设定在不同天气情况、不同日期等影响条件下所对应的重要客户比例值。比如，在周末时间的话，重要客户空闲的较多，那么对应的重要客户比例值也会比较高，在下雨天的情况下，由于天气较差，对应的重要客户比例值可能会较低。
需要说明的是，步骤S401和步骤S402执行的先后顺序并不影响本申请实施例的实现。
S403、将预测的目标区域内的重要客户数量与目标区域内已识别出的重要客户数量作差，计算得到目标区域内未识别出的重要客户数量。
由于预测的目标区域内的重要客户数量，是根据准确度较高的目标对象数量识别模型所预测的目标区域内的目标对象数量所得到的，因此预测的目标区域内的重要客户数量的准确度较高，能够用作衡量当前是否有未识别出的重要客户的标准。将预测的目标区域内的重要客户数量与目标区域内已识别出的重要客户数量作差后，所计算得到的目标区域内未识别出的重要客户数量能够代表着当前通过第一识别装置漏识别出的重要客户的数量。
S302、若分析结果为启动第二识别装置，则控制第二识别装置启动，通过第二识别装置识别目标区域内的每一个所述目标对象对应的属性信息。
若分析模型输出的分析结果为启动第二识别装置，则说明当前未识别出的重要客户数量较多，因此需控制识别准确度更高的第二识别装置启动，进一步识别目标区域内每一个目标对象对应的属性信息。
可选地，若分析结果为不应启动第二识别装置，则说明当前未识别出的重要客户数量较少，因此可不控制第二识别装置启动，直接依据当前第一识别装置所识别出的重要客户，针对性的给予更优质的服务。
可选地，参阅图5，在本申请一具体实施例中，执行步骤S302的一种实施方式，包括：
S501、控制目标网点的智能机器人启动，通过智能机器人内置的热传感器确定出目标网点内的每一个目标对象的位置，并由智能机器人分别向每一个目标对象所在的位置拍摄每一个目标对象的人脸图像。
即第二识别装置可以是目标网点的智能机器人，而该智能机器人识别目标对象对应的属性信息的过程为，通过智能机器人内置的热传感器确定出目标网点内的每一个目标对象的位置，然后分别向每一个目标对象所在的位置拍摄每一个目标对象的人脸图像。其中，智能机器人分别向每一个目标对象所在的位置拍摄每一个目标对象的人脸图像的具体方式有很多，例如，可以是智能机器人分别移动到每一个目标对象所在的位置，对目标对象的人脸进行拍摄，得到每一个目标对象的人脸图像。也可以是智能机器人分别根据每一个目标对象所在的位置调整摄像头的拍摄角度，然后向每一个目标对象所在的位置拍摄每一个目标对象的人脸图像。
S502、分别利用每一个目标对象对应的人脸图像识别出每一个目标对象对应的属性信息。
由于智能网点机器人是针对每一个目标对象所在的位置进行的拍摄，因此获取到的每一个目标对象的人脸图像更加地清晰准确，因此识别出的每一个目标对象对应的属性信息也更为准确，不容易出现误识别、或者识别不出属性信息的情况。
本申请实施例提出的对目标对象的数量进行预测的方法中，通过将每一个第一识别装置分别识别到的目标区域内每一个目标对象各自对应的属性信息输入至目标对象数量识别模型中，由目标数量识别模型预测得到目标区域内的目标对象数量。由于目标对象数量识别模型是通过目标区域的历史实际目标数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的，因此目标对象数量识别模型考虑到了第一识别装置识别出的目标对象数量与实际目标对象数量之间的误差，以及考虑到了多个第一识别装置分别识别出的目标对象的属性信息之间的差异，预测得到了更为精准的目标区域的目标对象数量。
参阅图6，基于上述本申请实施例提出的对目标对象的数量进行预测的方法，本申请实施例对应公开了一种对目标对象的数量进行预测的装置，包括：识别单元601、获取单元602以及预测单元603。
识别单元601，用于通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息。
可选地，在本申请一具体实施例中，识别单元601执行通过第一识别装置识别目标区域内的多个目标对象各自对应的属性信息时，用于：
通过人脸图像识别设备获取目标区域内的多个目标对象各自对应的人脸图像，分别利用每一个目标对象对应的人脸图像识别出每一个目标对象对应的属性信息，或者，通过射频接收设备获取目标区域内的多个目标对象各自对应的射频芯片所发送的射频信号，分别利用每一个目标对象对应的射频信号识别出每一个目标对象对应的属性信息。
获取单元602，用于获取每一个第一识别装置分别识别到的每一个目标对象对应的属性信息。
预测单元603，用于将每一个第一识别装置识别到的每一个目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到目标区域内的目标对象数量。其中，目标对象数量识别模型通过目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。
可选地，在本申请一具体实施例中，目标区域为目标网点，目标对象对应的属性信息包括：用于说明目标对象是否为目标网点的重要客户的信息。其中，对目标对象的数量进行预测的装置，还包括：分析单元和控制单元。
分析单元，用于将每一个第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量输入至分析模型中，由分析模型根据每一个所述第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量，得到目标区域内未识别出的重要客户数量，并在目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在目标区域内未识别出的重要客户数量小于或等于阈值时，输出不启动第二识别装置的分析结果。其中，第二识别装置用于识别目标网点内的每一个目标对象对应的属性信息，第二识别装置的识别准确率高于第一识别装置。
可选地，在本申请一具体实施例中，分析单元执行根据每一个第一识别装置识别到的每一个目标对象对应的属性信息、以及预测得到的目标区域内的目标对象数量，得到目标区域内未识别出的重要客户数值时，用于：
根据每一个第一识别装置识别到的每一个目标对象对应的属性信息，确定出目标区域内已识别出的重要客户数量。将预测得到的目标区域内的目标对象数量乘以预设的重要客户比例值，计算得到预测的目标区域内的重要客户数量，将预测的目标区域内的重要客户数量与目标区域内已识别出的重要客户数量作差，计算得到目标区域内未识别出的重要客户数量。
控制单元，用于若分析结果为启动第二识别装置，则控制第二识别装置启动，通过第二识别装置识别所述目标区域内的每一个目标对象对应的属性信息。
可选地，在本申请一具体实施例中，控制单元，包括：控制子单元和识别子单元。
控制子单元，用于控制目标网点的智能机器人启动，通过智能机器人内置的热传感器确定出目标网点内的每一个所述目标对象的位置，并由智能机器人分别向每一个目标对象所在的位置拍摄每一个目标对象的人脸图像。
识别子单元，用于分别利用每一个目标对象对应的人脸图像识别出每一个目标对象对应的属性信息。
可选地，在本申请一具体实施例中，对目标对象的数量进行预测的装置还包括：构建单元、输入单元以及调整单元。
构建单元，用于构建训练数据集。其中，训练数据集包括：目标区域的历史实际目标对象数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息。
输入单元，用于将训练数据集中每一个第一识别装置识别到的目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的目标区域内的目标对象数量。
调整单元，用于利用神经网络模型预测的目标区域内的目标对象数量与训练数据集中对应的目标区域的历史实际目标对象数量之间的误差，不断调整神经网络模型中的参数，直至调整后的神经网络模型预测的目标区域内的目标对象数量与对应的目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，将调整后的神经网络模型确定为目标对象数量识别模型。
上述本申请实施例公开的对目标对象的数量进行预测的装置中的各个单元具体的原理和执行过程，与上述本申请实施例公开的对目标对象的数量进行预测的方法相同，可参见上述本申请实施例公开的对目标对象的数量进行预测的方法中相应的部分，这里不再进行赘述。
本申请实施例提出的对目标对象的数量进行预测的装置中，预测单元603通过将每一个第一识别装置分别识别到的目标区域内每一个目标对象各自对应的属性信息输入至目标对象数量识别模型中，由目标数量识别模型预测得到目标区域内的目标对象数量。由于目标对象数量识别模型是通过目标区域的历史实际目标数量、以及对应的多个第一识别装置分别识别到的目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到的，因此目标对象数量识别模型考虑到了第一识别装置识别出的目标对象数量与实际目标对象数量之间的误差，以及考虑到了多个第一识别装置分别识别出的目标对象的属性信息之间的差异，预测得到了更为精准的目标区域的目标对象数量。
本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现以上各方法实施例提供的对目标对象的数量进行预测的方法。
本申请实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以上各方法实施例提供的对目标对象的数量进行预测的方法。
专业技术人员能够实现或使用本发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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。
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。

Claims (10)

1.一种对目标对象的数量进行预测的方法，其特征在于，包括：
通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息；
获取每一个所述第一识别装置分别识别到的每一个所述目标对象对应的属性信息；
将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到所述目标区域内的目标对象数量；其中，所述目标对象数量识别模型通过所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述目标区域为目标网点；所述目标对象对应的属性信息包括：用于说明所述目标对象是否为所述目标网点的重要客户的信息；
其中，所述预测得到所述目标区域内的目标对象数量之后，还包括：
将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量输入至分析模型中，由所述分析模型根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数量，并在所述目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在所述目标区域内未识别出的重要客户数量小于或等于所述阈值时，输出不启动所述第二识别装置的分析结果；其中，所述第二识别装置用于识别所述目标网点内的每一个目标对象对应的属性信息；所述第二识别装置的识别准确率高于所述第一识别装置；
若所述分析结果为启动所述第二识别装置，则控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息。
3.根据权利要求2所述的方法，其特征在于，所述根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数值，包括：
根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，确定出所述目标区域内已识别出的重要客户数量；
将预测得到的所述目标区域内的目标对象数量乘以预设的重要客户比例值，计算得到预测的所述目标区域内的重要客户数量；
将预测的所述目标区域内的重要客户数量与所述目标区域内已识别出的重要客户数量作差，计算得到所述目标区域内未识别出的重要客户数量。
4.根据权利要求1所述的方法，其特征在于，所述目标对象数量识别模型的构建方法，包括：
构建训练数据集；其中，所述训练数据集包括：所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息；
将所述训练数据集中每一个所述第一识别装置识别到的所述目标区域内的目标对象对应的属性信息输入至神经网络模型中，得到预测的所述目标区域内的目标对象数量；
利用所述神经网络模型预测的所述目标区域内的目标对象数量与所述训练数据集中对应的所述目标区域的历史实际目标对象数量之间的误差，不断调整所述神经网络模型中的参数，直至调整后的所述神经网络模型预测的所述目标区域内的目标对象数量与对应的所述目标区域的历史实际目标对象数量之间的误差满足预设的收敛条件时，将调整后的所述神经网络模型确定为目标对象数量识别模型。
5.根据权利要求1所述的方法，其特征在于，所述通过第一识别装置识别目标区域内的多个目标对象各自对应的属性信息，包括：
通过人脸图像识别设备获取目标区域内的多个目标对象各自对应的人脸图像，分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息；
或者，
通过射频接收设备获取目标区域内的多个目标对象各自对应的射频芯片所发送的射频信号，分别利用每一个所述目标对象对应的射频信号识别出每一个所述目标对象对应的属性信息。
6.根据权利要求2所述的方法，其特征在于，所述控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息，包括：
控制所述目标网点的智能机器人启动，通过所述智能机器人内置的热传感器确定出所述目标网点内的每一个所述目标对象的位置，并由所述智能机器人分别向每一个所述目标对象所在的位置拍摄每一个所述目标对象的人脸图像；
分别利用每一个所述目标对象对应的人脸图像识别出每一个所述目标对象对应的属性信息。
7.一种对目标对象的数量进行预测的装置，其特征在于，包括：
识别单元，用于通过多个第一识别装置，分别识别目标区域内的多个目标对象各自对应的属性信息；
获取单元，用于获取每一个所述第一识别装置分别识别到的每一个所述目标对象对应的属性信息；
预测单元，用于将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息，输入至目标对象数量识别模型中，预测得到所述目标区域内的目标对象数量；其中，所述目标对象数量识别模型通过所述目标区域的历史实际目标对象数量、以及对应的多个所述第一识别装置分别识别到的所述目标区域内的目标对象对应的属性信息对神经网络模型进行训练得到。
8.根据权利要求7所述的装置，其特征在于，所述目标区域为目标网点；所述目标对象对应的属性信息包括：用于说明所述目标对象是否为所述目标网点的重要客户的信息；
其中，所述对目标对象的数量进行预测的装置，还包括：
分析单元，用于将每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量输入至分析模型中，由所述分析模型根据每一个所述第一识别装置识别到的每一个所述目标对象对应的属性信息、以及预测得到的所述目标区域内的目标对象数量，得到所述目标区域内未识别出的重要客户数量，并在所述目标区域内未识别出的重要客户数量大于阈值时，输出应启动第二识别装置的分析结果，在所述目标区域内未识别出的重要客户数量小于或等于所述阈值时，输出不启动所述第二识别装置的分析结果；其中，所述第二识别装置用于识别所述目标网点内的每一个目标对象对应的属性信息；所述第二识别装置的识别准确率高于所述第一识别装置；
控制单元，用于若所述分析结果为启动所述第二识别装置，则控制所述第二识别装置启动，通过所述第二识别装置识别所述目标区域内的每一个所述目标对象对应的属性信息。
9.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
10.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
CN202010559689.7A 2020-06-18 2020-06-18 对目标对象的数量进行预测的方法及相关设备 Active CN111723730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010559689.7A CN111723730B (zh) 2020-06-18 2020-06-18 对目标对象的数量进行预测的方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010559689.7A CN111723730B (zh) 2020-06-18 2020-06-18 对目标对象的数量进行预测的方法及相关设备

Publications (2)

Publication Number Publication Date
CN111723730A true CN111723730A (zh) 2020-09-29
CN111723730B CN111723730B (zh) 2023-08-22

Family

ID=72567453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010559689.7A Active CN111723730B (zh) 2020-06-18 2020-06-18 对目标对象的数量进行预测的方法及相关设备

Country Status (1)

Country Link
CN (1) CN111723730B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807260A (zh) * 2021-09-17 2021-12-17 北京百度网讯科技有限公司 数据处理方法、装置、电子设备和存储介质
CN117765480A (zh) * 2024-02-20 2024-03-26 天科院环境科技发展（天津）有限公司 一种道路沿线野生动物迁徙预警方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018045350A (ja) * 2016-09-13 2018-03-22 Kddi株式会社 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法
WO2018210131A1 (zh) * 2017-05-16 2018-11-22 清华大学 邀请行为预测方法、装置及存储介质
CN109447960A (zh) * 2018-10-18 2019-03-08 神州数码医疗科技股份有限公司 一种对象识别方法和装置
CN109784323A (zh) * 2019-01-21 2019-05-21 北京旷视科技有限公司 图像识别的方法、装置、电子设备和计算机存储介质
CN109902865A (zh) * 2019-02-20 2019-06-18 广州视源电子科技股份有限公司 人流量安全性的识别方法、装置、计算机设备和存储介质
CN110033449A (zh) * 2019-04-15 2019-07-19 苏州金唯智生物科技有限公司 电泳图的识别方法、装置、设备及存储介质
CN110232827A (zh) * 2019-05-27 2019-09-13 武汉万集信息技术有限公司 自由流收费车型识别方法、装置及系统
CN110555416A (zh) * 2019-09-06 2019-12-10 杭州睿琪软件有限公司 一种植物识别方法及装置
CN110619400A (zh) * 2018-06-19 2019-12-27 北京京东振世信息技术有限公司 用于生成订单信息的方法和装置
CN111126697A (zh) * 2019-12-24 2020-05-08 范士喜 人员情况预测方法、装置、设备及存储介质
CN111275228A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 预测方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018045350A (ja) * 2016-09-13 2018-03-22 Kddi株式会社 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法
WO2018210131A1 (zh) * 2017-05-16 2018-11-22 清华大学 邀请行为预测方法、装置及存储介质
CN110619400A (zh) * 2018-06-19 2019-12-27 北京京东振世信息技术有限公司 用于生成订单信息的方法和装置
CN109447960A (zh) * 2018-10-18 2019-03-08 神州数码医疗科技股份有限公司 一种对象识别方法和装置
CN111275228A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 预测方法、装置、电子设备及存储介质
CN109784323A (zh) * 2019-01-21 2019-05-21 北京旷视科技有限公司 图像识别的方法、装置、电子设备和计算机存储介质
CN109902865A (zh) * 2019-02-20 2019-06-18 广州视源电子科技股份有限公司 人流量安全性的识别方法、装置、计算机设备和存储介质
CN110033449A (zh) * 2019-04-15 2019-07-19 苏州金唯智生物科技有限公司 电泳图的识别方法、装置、设备及存储介质
CN110232827A (zh) * 2019-05-27 2019-09-13 武汉万集信息技术有限公司 自由流收费车型识别方法、装置及系统
CN110555416A (zh) * 2019-09-06 2019-12-10 杭州睿琪软件有限公司 一种植物识别方法及装置
CN111126697A (zh) * 2019-12-24 2020-05-08 范士喜 人员情况预测方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YISHENG LV: "Traffic Flow Prediction With Big Data A Deep Learning Approach" *
刘玮: "基于用户行为特征的微博转发预测研究" *
李美玲: "基于目标对象的最佳中继协作频谱感知方案" *
李锋: "基于BP神经网络的设备维修人员训练数量预测方法研究" *
罗浩: "基于深度学习的行人重识别研究进展" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807260A (zh) * 2021-09-17 2021-12-17 北京百度网讯科技有限公司 数据处理方法、装置、电子设备和存储介质
CN113807260B (zh) * 2021-09-17 2022-07-12 北京百度网讯科技有限公司 数据处理方法、装置、电子设备和存储介质
CN117765480A (zh) * 2024-02-20 2024-03-26 天科院环境科技发展（天津）有限公司 一种道路沿线野生动物迁徙预警方法及系统
CN117765480B (zh) * 2024-02-20 2024-05-10 天科院环境科技发展（天津）有限公司 一种道路沿线野生动物迁徙预警方法及系统

Also Published As

Publication number Publication date
CN111723730B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
US20230206685A1 (en) Decreasing lighting-induced false facial recognition
US9147128B1 (en) Machine learning enhanced facial recognition
US10249013B2 (en) Method and system for wireless payment of public transport fare
CN110751675B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
JP5807635B2 (ja) 動線検出システム、動線検出方法および動線検出プログラム
CN111723730A (zh) 对目标对象的数量进行预测的方法及相关设备
US11704782B2 (en) Computerized image analysis for automatically determining wait times for a queue area
US11200406B2 (en) Customer flow statistical method, apparatus and device
CN107169861A (zh) 网点销售服务系统及方法
CN113420682A (zh) 车路协同中目标检测方法、装置和路侧设备
CN110022529B (zh) 基于两种传感模式的目标区域人数统计的方法和装置
EP3249919A1 (en) Image processing apparatus, image processing method, and program
CN111178116A (zh) 无人售货方法、监控摄像机及系统
CN110473426A (zh) 停车管理方法、装置、计算机设备及存储介质
WO2021022795A1 (zh) 人脸识别过程中的欺诈行为检测方法、装置及设备
JP2016157165A (ja) 人物特定システム
JP5618295B2 (ja) 認証システム及び認証の信頼度の判定方法
CN116401895B (zh) 用于电力营销管理系统的信息处理方法及系统
WO2021082548A1 (zh) 活体检测方法、装置、服务器和人脸识别设备
KR101988639B1 (ko) 음식점 예약 시스템 및 방법
CN110505438B (zh) 一种排队数据的获取方法和摄像机
CN113095110B (zh) 人脸数据动态入库的方法、装置、介质及电子设备
WO2020213284A1 (ja) 画像処理装置、画像処理方法及びプログラム
CN114299503A (zh) 车牌识别方法、装置、电子设备及存储介质
CN112995582A (zh) 监控设备的控制方法、装置、及服务器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant