CN111860347A - 物品信息的调整方法和装置及电子装置 - Google Patents
物品信息的调整方法和装置及电子装置 Download PDFInfo
- Publication number
- CN111860347A CN111860347A CN202010714466.3A CN202010714466A CN111860347A CN 111860347 A CN111860347 A CN 111860347A CN 202010714466 A CN202010714466 A CN 202010714466A CN 111860347 A CN111860347 A CN 111860347A
- Authority
- CN
- China
- Prior art keywords
- team
- target
- information
- picture
- attribute
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
本发明公开了一种物品信息的调整方法和装置及电子装置。其中,该方法包括:获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品,达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
Description
技术领域
本发明涉及信息技术领域,具体而言,涉及一种物品信息的调整方法和装置及电子装置。
背景技术
在高校食堂里,排队人数集中在某些窗口是高校食堂较普遍的情况——有的窗口“门庭若市”,有的窗口“门可罗雀”,这种情况不仅会导致食堂后厨效率下降,也给那些饱受排队困扰的人带来不悦的就餐体验。通过统计各窗口的排队人数,来有针对性地调整各窗口的配菜,是一个解决排队集中化的有效方法。
要解决排队和窗口配菜的优化问题,必须对各窗口队伍的数据信息进行采集,然后再针对队伍的信息进行规律挖掘和分析。队伍信息中最直观的属性就是排队人数,根据各窗口的排队人数可以推断比较受欢迎的物品从而进行各窗口物品的分配,促进排队人员的分流。
当前在食堂场景下的人数统计方法主要有用刷卡次数统计、红外传感器记录以及图像处理方法。刷卡次数统计以及红外传感器记录虽然直接有效,但有很多不便;刷卡统计缺乏实时性而且依赖学生的个人信息;红外传感器也无法实时地统计排队人数,只能够一个人一个人统计,而且获得的队伍属性有限。图像处理进行人数统计可以解决实时获取人数的问题,传统方法中有诸如采用基于HOG特征加SVM分类器进行人头区域的判定并统计的算法,但传统方法计算量大而且只得到人数这一个属性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种物品信息的调整方法和装置及电子装置,以至少解决现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
根据本发明实施例的一个方面,提供了一种物品信息的调整方法,包括:获取目标图片,其中,所述目标图片是对应目标窗口的目标队伍的图片;将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息,其中,所述属性信息至少包括以下之一:所述目标队伍中的对象数量、所述目标队伍中的每个对象的性别信息以及所述每个对象的肤色信息,所述队伍属性模型是通过训练样本图片训练得到的;根据所述属性信息调整所述目标窗口对应的物品。
根据本发明实施例的另一方面,还提供了一种物品信息的调整装置,包括:获取单元,用于获取目标图片,其中,所述目标图片是对应目标窗口的目标队伍的图片;输出单元,用于将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息,其中,所述属性信息至少包括以下之一:所述目标队伍中的对象数量、所述目标队伍中的每个对象的性别信息以及所述每个对象的肤色信息,所述队伍属性模型是通过训练样本图片训练得到的;调整单元,用于根据所述属性信息调整所述目标窗口对应的物品。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述物品信息的调整方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的物品信息的调整方法。
在本发明实施例中,通过获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品,达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的物品信息的调整方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的物品信息的调整方法的流程图;
图3是根据本发明实施例的一种可选的基于深度学习的食堂窗口排队队伍属性统计方法的流程图;
图4是根据本发明实施例的一种可选的队伍属性统计模型训练的示意图;
图5是根据本发明实施例的一种可选的物品信息的调整装置的结构示意图;
图6是根据本发明实施例的一种可选的物品信息的调整方法的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种物品信息的调整方法,可选地,作为一种可选的实施方式,上述物品信息的调整方法可以但不限于应用于如图1所示的硬件环境中,其中,该硬件环境可以包括但不限于终端设备102、网络110及服务器112。
其中,上述终端设备102中可以包括但不限于:人机交互屏幕104,处理器106及存储器108。人机交互屏幕104用于通过人机交互接口获取人机交互指令,还用于呈现目标图片;处理器106用于响应上述人机交互指令,输出该目标图片中队伍的属性信息。存储器108用于存储目标图片,及目标图片中队伍的属性信息。这里服务器可以包括但不限于:数据库114及处理引擎116,处理引擎116用于调用数据库114中存储的目标速度区间,将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品,达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
具体过程如以下步骤:在终端设备102中。如步骤S102-S108,获取该目标图片,并将该目标图片通过网络110发送服务器112。在服务器112将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品。然后将上述确定出的结果返回终端设备102。
然后,如步骤S102-S108,终端设备102获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品,达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
可选地,在本实施例中,上述物品信息的调整方法可以但不限于应用于服务器112中,运行在终端设备102中,该终端设备102可以但不限于为手机、平板电脑、笔记本电脑、PC机等支持运行应用客户端的终端设备。上述服务器112和终端设备102可以但不限于通过网络实现数据交互,上述网络可以包括但不限于无线网络或有线网络。其中,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,作为一种可选的实施方式,如图2所示,上述物品信息的调整方法包括:
步骤S202,获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片。
步骤S204,将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的。
步骤S206,根据属性信息调整目标窗口对应的物品。
可选的,本实施例的方案中可以包括但不限于食堂窗口的排队场景,窗口对应的物品可以是菜品,即根据排队窗口的队伍属性信息调整该窗口对外售卖的菜品。还可以应用商场购物排队的场景中,该窗口对应的物品可以是化妆品或衣物,根据窗口排队队伍属性确定该窗口售卖的物品的存储数量,方便用户排队窗口是可以购买到物品,进而提高该物品的贩卖量,避免排队人数较多的情况下,该物品已经不够贩卖情况,或者需要购买者等从其他商店将该物品调过来的时间,进而方便商家根据排队的人数提前对物品数量进行调整。
其中,在本实施例中,可以获取排队队伍中人头数量,队伍中的性别,以及该队伍中的排队人的肤色信息,根据该肤色信息确定该队伍中所属的人种信息。
以学校餐厅排队窗口为例说明,根据图片信息识别出该队伍中存在20人在排队,其中男性人数为15人,女生人数为5人,其中,队伍中的人数全是黄色皮肤的亚洲人,窗口的售卖人员可以根据队伍的属性信息,结合历史信息,可以增加该窗口售卖的馒头,进而确保队伍中每个人都可以购买到馒头。
以商店排队窗口为例说明,根据图片信息识别出队伍中存在15人在排队,其中男性人数为5人,女生人数为10人,其中,队伍中的人数全是黄色皮肤的亚洲人,窗口的售卖人员可以根据队伍的属性信息,结合历史信息,可以增加该窗口售卖的奶茶,进而确保队伍中每个人都可以购买到奶茶。
可选的,在本实施例中,将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息之前,可以包括:
获取样本图片训练集,对样本训练集中的每个样本图片中的队伍的属性信息、以及队伍中的对象位置信息进行标注,得到标注数据;
将标注数据输入预设队伍属性模型中,得到评估矩阵,其中,评估矩阵用于预测队伍属性;
根据评估矩阵与样本图片中的队伍属性信息构建损失函数;
在损失函数收敛于预定条件的情况下,确定预设队伍属性信息为队伍属性模型。
需要说明的是,根据属性信息调整目标窗口对应的物品,可以包括以下之一:
在队伍属性信息中的对象数量大于第一预定阈值的情况下,增加目标窗口对应的物品;
在队伍属性信息中的性别信息中的男性对象数量大于第二预定阈值的情况下,增加目标窗口对应的物品。
为了售卖物品的人员及时了解队伍的人数以及男女比例等信息,将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,可以包括:显示目标队伍中的对象的数量、性别比例信息以及不同肤色对象之间的比例信息。根据队伍的属性信息调整窗口中售卖的物品。
为了更准确的获取排队队伍中的每个对象的属性信息,获取目标图片之后,还可以包括:对目标图片进行预处理,其中,预处理包括以下之一:对目标图片进行清晰度处理、对目标图片大小进行剪裁处理。
通过本申请提供的实施例,获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;根据属性信息调整目标窗口对应的物品,达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
作为一种可选的实施例,本申请还提供了一种基于深度学习的食堂窗口排队队伍属性统计方法。
在本实施例中,建立队伍属性统计模型,该模型用于人头检测、对应个体性别人种分类;将样本图片和样本属性输入模型,基于损失函数训练并调整所述特征提取模型的参数,获得优化后的队伍属性统计模型;对优化后的模型输入任意一张图,获得图片中队伍的人数、性别及人种属性,根据属性进行菜品调整。
如图3所示,基于深度学习的食堂窗口排队队伍属性统计方法的流程图。具体的实现过程如下:
步骤S301,建立队伍属性统计模型,具体为:对所述队伍属性模型输入一张图片和图片中队伍的已知属性以及人头坐标,得到一个评估矩阵,代表模型对图片中队伍的属性统计的预测;
可以理解为,对所述队伍属性模型输入一张图片和图片中队伍的已知属性以及人头坐标,得到三个评估矩阵(或称作一个评估张量),代表模型对图片中队伍的属性统计的预测。
需要说明的是,在步骤S301中,如图4所示,队伍属性统计模型训练的示意图。Faster-RCNN以VGG网络为卷积backbone。每层卷积层的运算是一样的,不一样的是每层卷积层获取的数据不同。设上一层卷积层的输出向量为X,下一层卷积层所做计算为其中W表示卷积核的参数,表示卷积在输入数据上作用的区域,b是该层的偏置,f是激活函数。在卷积结构之后,接两层全连接层,即FC,若卷积结构最终输出向量为X,全连接层所做计算为Y=(WX+b),其中W表示该层的权重参数,b表示该层的偏置,f为激活函数。输入原图和标签到属性统计模型中。本发明实施例中,对应原图,通过卷积和rpn层后生成一个n*512维的特征矩阵,然后将该特征矩阵输入到三个全连接分支,回归分支输出一个n行4列的评估矩阵,代表n个人头box的x,y,w,h;性别分支输出n行2列的评估矩阵,代表n个人性别的是与否,人种分支输出n行4列的评估矩阵,代表n个人的4个可能种族(黄、白、黑其他)。具体地,如图5所示,各全连接分支的FC1都是一个全连接层,在本发明实施例中,有512个节点,FC2是一个只有两个或四个节点的全连接层,最后性别人种分支接一个softmax层进行分类,回归分支直接得到4节点的评估向量。softmax函数为其中Si表示第i个节点的概率值,ej表示第j个节点向量值。在分类分支中,将S101获取到的特征张量输入FC1,经过FC1、FC2和softmax,得到一个代表分类概率的特征张量;在回归分支中,将S101获取到的特征张量输入FC1,经过FC1、FC2得到一个代表boundingBox的x,y,w,h的特征向量。上述过程为建立了属性统计模型。
步骤S302,更新队伍属性统计模型的参数,具体为:用输入图片的队伍的真实信息和模型给出的预测信息构建损失函数,通过反向传播算法进行模型参数的更新;
接着,更新模型参数,步骤S302,回归分支采用L2损失函数,分类分支采用softmax交叉熵损失函数。
步骤S303,重复步骤2直到损失函数满足预期设定值,得到最终优化完成的队伍属性统计模型;
在步骤S303重复步骤S302,直至loss的值满足预期值。
上述步骤S301至步骤S303,是模型训练的过程,获得训练好的队伍属性统计模型。
步骤S304,对所述队伍属性统计模型输入一张图片,模型输出一个评估矩阵,代表模型对队伍属性统计的预测;
基于所述队伍属性统计模型,获取输入图片的回归矩阵、性别矩阵和人种矩阵,矩阵中每一行对应对队伍中的一个人。
也就是说,在输入任意一张原始图片时,通过本实施例的方案,能够在图片中检测出人头的位置并对其性别人种进行分类。
步骤S305,基于得到队伍属性统计,进行各窗口的调整优化。
本实施例的方案,对于在实时视频图像采集系统中可行性很高,速度和精度较传统方法有很大提升,且因为网络模型可用不同数据集进行训练,因此具有良好的泛化性。
通过本申请提供的实施例,实时统计排队的人数、性别比、人种比属性时可行性很高。基于深度学习卷积神经网络的方法可以更准确地提取图片特征,采用人数加性别比加人种比这三种属性,比以往单独用人数来调整窗口分配更富有针对性,使得调整效果更好。
本实施例中的方案较之其他方法,利用训练好的模型可以很大的提高速度,且能保证图片中人头判定准确,人数统计结果精确;可对统计队伍中除人数以外的属性,扩展性大,除了提取性别、人种、人数属性外,还可根据数据集扩展出更多属性;可保证排队人的隐私信息,不进行人脸识别,也不获取身份等隐私信息。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述物品信息的调整方法的物品信息的调整装置。如图5所示,该装置包括:获取单元51,输出单元53以及调整单元55。
获取单元51,用于获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片。
输出单元53,用于将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的。
调整单元55,用于根据属性信息调整目标窗口对应的物品。
可选的,在本实施例中,上述装置可以包括:
获取单元,用于将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息之前。获取样本图片训练集,对样本训练集中的每个样本图片中的队伍的属性信息、以及队伍中的对象位置信息进行标注,得到标注数据;
得到单元,用于将标注数据输入预设队伍属性模型中,得到评估矩阵,其中,评估矩阵用于预测队伍属性;
构建单元,用于根据评估矩阵与样本图片中的队伍属性信息构建损失函数;
确定单元,用于在损失函数收敛于预定条件的情况下,确定预设队伍属性模型为队伍属性模型。
可选的,在本实施例中,上述调整单元55,可以包括以下之一:
第一增加模块,用于在队伍属性信息中的对象数量大于第一预定阈值的情况下,增加目标窗口对应的物品;
第二增加模块,用于在队伍属性信息中的性别信息中的男性对象数量大于第二预定阈值的情况下,增加目标窗口对应的物品。
可选的,在本实施例中,上述调整单元55,可以包括:
显示模块,用于显示目标队伍中的对象的数量、性别比例信息以及不同肤色对象之间的比例信息。
通过本申请提供的实施例,获取单元51获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;输出单元53将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;调整单元55根据属性信息调整目标窗口对应的物品。达到了根据队伍中的对象数据、队伍中的对象的性别信息以及对象的肤色调整窗口中对应的物品的目的,从而避免了现有技术中仅根据队伍中的对象的数量确定该窗口的物品,进而解决了现有技术中,无法准确的调整窗口对应的物品信息的技术问题。
作为一种可选的实施例,上述装置还可以包括:
预处理单元,用于获取目标图片之后,对目标图片进行预处理,其中,预处理包括以下之一:对目标图片进行清晰度处理、对目标图片大小进行剪裁处理;
输入单元,用于将处理后的目标图片输入到队伍属性模型中。
根据本发明实施例的又一个方面,还提供了一种用于实施上述物品信息的调整方法的电子装置,如图6所示,该电子装置包括存储器602和处理器604,该存储器602中存储有计算机程序,该处理器604被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;
S2,将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;
S3,根据属性信息调整目标窗口对应的物品。
可选地,本领域普通技术人员可以理解,图6所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图6中所示更多或者更少的组件(如网络接口等),或者具有与图6所示不同的配置。
其中,存储器602可用于存储软件程序以及模块,如本发明实施例中的物品信息的调整方法和装置对应的程序指令/模块,处理器604通过运行存储在存储器602内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的物品信息的调整方法。存储器602可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器602可进一步包括相对于处理器604远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器602具体可以但不限于用于存储目标图片、队伍属性信息。作为一种示例,如图6所示,上述存储器602中可以但不限于包括上述物品信息的调整装置中的获取单元51、输出单元53以及调整单元55。此外,还可以包括但不限于上述物品信息的调整装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置606用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置606包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置606为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器608,用于显示上述队伍的属性信息;和连接总线610,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标图片,其中,目标图片是对应目标窗口的目标队伍的图片;
S2,将目标图片输入到队伍属性模型中,输出目标队伍的属性信息,其中,属性信息至少包括以下之一:目标队伍中的对象数量、目标队伍中的每个对象的性别信息以及每个对象的肤色信息,队伍属性模型是通过训练样本图片训练得到的;
S3,根据属性信息调整目标窗口对应的物品。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅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,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种物品信息的调整方法,其特征在于,包括:
获取目标图片,其中,所述目标图片是对应目标窗口的目标队伍的图片;
将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息,其中,所述属性信息至少包括以下之一:所述目标队伍中的对象数量、所述目标队伍中的每个对象的性别信息以及所述每个对象的肤色信息,所述队伍属性模型是通过训练样本图片训练得到的;
根据所述属性信息调整所述目标窗口对应的物品。
2.根据权利要求1所述的方法,其特征在于,将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息之前,所述方法包括:
获取样本图片训练集,对所述样本训练集中的每个样本图片中的队伍的属性信息、以及所述队伍中的对象位置信息进行标注,得到标注数据;
将所述标注数据输入预设队伍属性模型中,得到评估矩阵,其中,所述评估矩阵用于预测所述队伍属性;
根据所述评估矩阵与所述样本图片中的队伍属性信息构建损失函数;
在所述损失函数收敛于预定条件的情况下,确定所述预设队伍属性模型为所述队伍属性模型。
3.根据权利要求1所述的方法,其特征在于,根据所述属性信息调整所述目标窗口对应的物品,包括以下之一:
在所述队伍中的对象数量大于第一预定阈值的情况下,增加所述目标窗口对应的物品;
在所述队伍中的男性对象数量大于第二预定阈值的情况下,增加所述目标窗口对应的物品。
4.根据权利要求1所述的方法,其特征在于,将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息,包括:
显示所述目标队伍中的对象的数量、性别比例信息以及不同肤色对象的比例信息。
5.根据权利要求1所述的方法,其特征在于,获取所述目标图片之后,所述方法还包括:
对所述目标图片进行预处理,其中,所述预处理包括以下之一:对所述目标图片进行清晰度处理、对所述目标图片大小进行剪裁处理;
将处理后的目标图片输入到所述队伍属性模型中。
6.一种物品信息的调整装置,其特征在于,包括:
获取单元,用于获取目标图片,其中,所述目标图片是对应目标窗口的目标队伍的图片;
输出单元,用于将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息,其中,所述属性信息至少包括以下之一:所述目标队伍中的对象数量、所述目标队伍中的每个对象的性别信息以及所述每个对象的肤色信息,所述队伍属性模型是通过训练样本图片训练得到的;
调整单元,用于根据所述属性信息调整所述目标窗口对应的物品。
7.根据权利要求6所述的装置,其特征在于,所述装置包括:
获取单元,用于将所述目标图片输入到队伍属性模型中,输出所述目标队伍的属性信息之前,获取样本图片训练集,对所述样本训练集中的每个样本图片中的队伍的属性信息、以及所述队伍中的对象位置信息进行标注,得到标注数据;
得到单元,用于将所述标注数据输入预设队伍属性模型中,得到评估矩阵,其中,所述评估矩阵用于预测所述队伍属性的预测;
构建单元,用于根据所述评估矩阵与所述样本图片中的队伍属性信息构建损失函数;
确定单元,用于在所述损失函数收敛于预定条件的情况下,确定所述预设队伍属性模型为所述队伍属性模型。
8.根据权利要求6所述的装置,其特征在于,所述调整单元,包括以下之一:
第一增加模块,用于在所述队伍属性信息中的对象数量大于第一预定阈值的情况下,增加所述窗口对应的物品;
第二增加模块,用于在所述队伍属性信息中的性别信息中的男性对象数量大于第二预定阈值的情况下,增加所述目标窗口对应的物品。
9.根据权利要求6所述的装置,其特征在于,所述输出单元,包括:
显示模块,用于显示所述目标队伍中的对象的数量、性别比例信息以及不同肤色对象之间的比例信息。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
预处理单元,用于获取所述目标图片之后,对所述目标图片进行预处理,其中,所述预处理包括以下之一:对所述目标图片进行清晰度处理、对所述目标图片大小进行剪裁处理;
输入单元,用于将处理后的目标图片输入到所述队伍属性模型中。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714466.3A CN111860347A (zh) | 2020-07-21 | 2020-07-21 | 物品信息的调整方法和装置及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714466.3A CN111860347A (zh) | 2020-07-21 | 2020-07-21 | 物品信息的调整方法和装置及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860347A true CN111860347A (zh) | 2020-10-30 |
Family
ID=72950819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010714466.3A Pending CN111860347A (zh) | 2020-07-21 | 2020-07-21 | 物品信息的调整方法和装置及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860347A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139040A (zh) * | 2015-10-13 | 2015-12-09 | 商汤集团有限公司 | 一种排队状态信息检测方法及其系统 |
CN108446896A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108537941A (zh) * | 2018-03-30 | 2018-09-14 | 深圳市零度智控科技有限公司 | 银行排队叫号方法及系统、服务器及存储介质 |
CN109840982A (zh) * | 2019-01-02 | 2019-06-04 | 京东方科技集团股份有限公司 | 排队推荐方法及装置、计算机可读存储介质 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN209149412U (zh) * | 2019-01-22 | 2019-07-23 | 重庆工程职业技术学院 | 食堂用管理装置 |
CN111414812A (zh) * | 2020-03-03 | 2020-07-14 | 平安科技(深圳)有限公司 | 人体属性识别方法、系统、计算机设备及存储介质 |
-
2020
- 2020-07-21 CN CN202010714466.3A patent/CN111860347A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139040A (zh) * | 2015-10-13 | 2015-12-09 | 商汤集团有限公司 | 一种排队状态信息检测方法及其系统 |
CN108446896A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108537941A (zh) * | 2018-03-30 | 2018-09-14 | 深圳市零度智控科技有限公司 | 银行排队叫号方法及系统、服务器及存储介质 |
CN109840982A (zh) * | 2019-01-02 | 2019-06-04 | 京东方科技集团股份有限公司 | 排队推荐方法及装置、计算机可读存储介质 |
CN209149412U (zh) * | 2019-01-22 | 2019-07-23 | 重庆工程职业技术学院 | 食堂用管理装置 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN111414812A (zh) * | 2020-03-03 | 2020-07-14 | 平安科技(深圳)有限公司 | 人体属性识别方法、系统、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
寿翌辰等: "基于机器视觉技术的排队人数识别系统", 电子制作, no. 12 * |
江若莹等: "基于消费数据的食堂排队预测系统的研究", 华中师范大学学报(自然科学版), no. 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11175790B2 (en) | System and method for providing real-time product interaction assistance | |
CN107993131B (zh) | 穿搭推荐方法、装置、服务器和存储介质 | |
US20220157036A1 (en) | Method for generating virtual character, electronic device, and storage medium | |
CN112017015B (zh) | 一种商品信息推荐的方法、相关装置、设备及存储介质 | |
CN107798027B (zh) | 一种信息热度预测方法、信息推荐方法及装置 | |
CN106776619A (zh) | 用于确定目标对象的属性信息的方法和装置 | |
JP2020522072A (ja) | 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体 | |
WO2019137485A1 (zh) | 一种业务分值的确定方法、装置及存储介质 | |
CN107301578A (zh) | 获取以及识别客户信息的方法及其装置 | |
US20170178144A1 (en) | Synchronized communication platform | |
CN108959323A (zh) | 视频分类方法和装置 | |
CN107302492A (zh) | 社交软件的交友请求方法、服务器、客户端装置和系统 | |
CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
CN103854206B (zh) | 一种分析人群特征的方法和设备 | |
CN111582979A (zh) | 服饰搭配推荐方法和装置及电子设备 | |
EP3857468A1 (en) | Recommendation method and system and method and system for improving a machine learning system | |
KR101397951B1 (ko) | 미니 홈피 형식의 미용 정보 포털 사이트 운영 시스템 | |
US11842457B2 (en) | Method for processing slider for virtual character, electronic device, and storage medium | |
CN108596646B (zh) | 一种融合人脸属性分析的服装搭配推荐方法 | |
KR102592129B1 (ko) | 인공지능에 기반한 사용자 맞춤형 의류 추천시스템 | |
CN110276283B (zh) | 图片识别方法、目标识别模型训练方法及装置 | |
CN111860347A (zh) | 物品信息的调整方法和装置及电子装置 | |
CN109858448A (zh) | 一种零售场景下的物品识别方法及设备 | |
CN112749711B (zh) | 视频获取方法和装置及存储介质 | |
KR20210112258A (ko) | 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치 |
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 |