CN112257650A - 一种乘客画像方法、装置、存储介质及电子设备 - Google Patents

一种乘客画像方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112257650A
CN112257650A CN202011219017.8A CN202011219017A CN112257650A CN 112257650 A CN112257650 A CN 112257650A CN 202011219017 A CN202011219017 A CN 202011219017A CN 112257650 A CN112257650 A CN 112257650A
Authority
CN
China
Prior art keywords
passenger
target
network
class
classification
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.)
Withdrawn
Application number
CN202011219017.8A
Other languages
English (en)
Inventor
朱文和
余程鹏
王博
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.)
Nanjing Leading Technology Co Ltd
Original Assignee
Nanjing Leading Technology Co 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 Nanjing Leading Technology Co Ltd filed Critical Nanjing Leading Technology Co Ltd
Priority to CN202011219017.8A priority Critical patent/CN112257650A/zh
Publication of CN112257650A publication Critical patent/CN112257650A/zh
Withdrawn legal-status Critical Current

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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例公开了一种乘客画像方法、装置、存储介质及电子设备。该方法包括：获取目标乘客图像；将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。本技术方案，可以从多维度对乘客建立乘客画像，提高乘客画像的准确率。

Description

一种乘客画像方法、装置、存储介质及电子设备
技术领域
本申请实施例涉及深度学习技术领域，尤其涉及一种乘客画像方法、装置、存储介质及电子设备。
背景技术
出行安全一直是人们关系的话题。随着人工智能技术的发展，使用人工智能技术能让出行更安全。
乘客画像系统是公共出行特别是网约车等新型出行工具所需要建立的安全系统的一部分。建立乘客画像，能够第一时间识别乘客的基本信息。为社会安全提供有用信息。
目前，利用深度学习技术建立乘客画像只能识别乘客的年龄以及性别等，信息单一，很难对乘客建立准确的乘客画像。
发明内容
本申请实施例提供一种乘客画像方法、装置、存储介质及电子设备，可以从多维度对乘客建立乘客画像，提高乘客画像的准确率。
第一方面，本申请实施例提供了一种乘客画像方法，该方法包括：
获取目标乘客图像；
将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
第二方面，本申请实施例提供了一种乘客画像装置，该装置包括：
目标乘客图像获取模块，用于获取目标乘客图像；
目标特征图获取模块，用于将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
标签特征值获取模块，用于采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
目标乘客画像获取模块，用于将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的乘客画像方法。
第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的乘客画像方法。
本申请实施例所提供的技术方案，获取目标乘客图像；将目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，目标特征图包括目标乘客的二分类特征和多分类特征；采用第一分支网络对二分类特征进行处理，以及，采用第二分支网络对多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；将二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。本技术方案，可以从多维度对乘客建立乘客画像，提高乘客画像的准确率。
附图说明
图1是本申请实施例一提供的乘客画像方法的流程图；
图2是本申请实施例二提供的乘客画像过程的示意图；
图3是本申请实施例三提供的乘客画像装置的结构示意图；
图4是本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的乘客画像方法的流程图，本实施例可适用于对乘客进行画像的情况，该方法可以由本申请实施例所提供的乘客画像装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于用于乘客画像的智能终端等设备中。
如图1所示，所述乘客画像方法包括：
S110、获取目标乘客图像。
在本实施例中，目标乘客图像可以是网约车乘客的图像。可以是图片，也可以是视频等。
在本实施例中，可以由网约车上的摄像头获取不同角度的目标乘客画像。例如，可以获得目标乘客的正面图像，也可以获得侧面图像。其中，目标乘客画像可以是一个或者多个。
S120、将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征。
在本实施例中，目标特征图可以是包括目标乘客特征的图像。例如，可以包括目标乘客的性别特征或者年龄特征等。
在本实施例中，二分类特征可以是只有两种分类的特征。例如，性别特征的分类可以是女或者男。
在本实施例中，多分类特征可以是有多种分类的特征。例如，年龄特征的分类可以是儿童、青年、中年以及老年。
在本实施例中，网络模型的主干网络可以是用于对目标乘客图像进行特征提取的网络。可以采用深度学习中的一些常用网络进行特征提取。
可以理解的，获取到目标乘客图像，然后将目标乘客图像输入至网络模型的主干网络，网络模型的主干网络对目标乘客图像进行特征提取，获得目标特征图。
在本技术方案中，可选的，所述主干网络包括YOLO网络。
在本实施例中，YOLO网络是一个可以一次性预测多个位置和类别的卷积神经网络能够实现端到端的目标检测和识别。
采用YOLO网络对目标乘客图像进行特征提取，速度快，背景误检率低，且通用性强。
在本技术方案中，可选的，所述二分类特征至少包括性别、是否戴墨镜、是否有纹身、是否留胡须以及是否化妆；
所述多分类特征至少包括乘客年龄段、衣着式样、发型以及包的类型；其中，所述乘客年龄段的分类包括儿童、青年、中年以及老年；所述衣着式样的分类包括商务、休闲、制服以及潮流；所述发型的分类包括长发、短发、光头以及板寸；所述包的类型的分类包括公文包、双肩包、单肩包以及挎包。
在本实施例中，将目标乘客图像中的特征分为二分类特征和多分类特征，从9个特征维度对目标乘客图像进行描述。可选的，目标乘客图像中的特征包括但不限于这9个特征。通过从9个维度对目标乘客图像进行特征提取，可以更加准确的描述目标乘客画像，提高了画像的准确率。
S130、采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值。
在本实施例中，二分类标签特征值可以是用0和1进行表示。例如，性别特征中女用0表示，性别男用1表示。多分类标签特征值可以用0、1、2和3进行表示，可以根据多分类标签的标签个数进行划分。例如，年龄特征中儿童用0表示、青年用1表示、中年用2表示以及老年用3表示。可选的，二分类标签特征值和多分类标签特征值可以根据图像特征进行自定义。
在本实施例中，第一分支网络和第二分支网络可以是深度学习中的一些网络。例如，可以是卷积神经网络或者循环神经网络等。其中，卷积神经网络可以用于处理类似网格结构的数据，循环神经网络可以用于处理序列数据。
在本实施例中，目标特征图是由二分类特征和多分类特征构成的，则需要采用不同的网络对二分类特征和多分类特征进行处理，然后将处理结果分别用二分类标签特征值和多分类标签特征值的形式进行表示。
在本实施例中，采用第一分支网络对二分类特征进行处理，以及，采用第二分支网络对多分类特征进行处理时，应该使得损失函数最优。其中，损失函数应该是二分类特征损失和多分类特征损失之和。
可选的，二分类损失函数包括：
Figure BDA0002761421490000061
其中，yi表示真实标签
Figure BDA0002761421490000062
表示预测值，N表示二分类的标签数目。
多分类损失函数包括是：
Figure BDA0002761421490000063
其中，x^class表示正确类别对应的输入，xij表示不正确类别的输入。N表示多分类的标签数目，C为每个标签类别。
在本技术方案中，可选的，所述第一分支网络包括第一Resnet18网络；其中，所述第一Resnet18网络包括第一骨干层、第一全连接层和第一输出层，所述第一骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第一全连接层的输入节点数为1000，输出节点为5；所述第一输出层包括Sigmoid函数。
在本实施例中，Resnet18网络是深度学习中常用的网络，Resnet18网络中数字代表的是网络的深度，即18指定的是带有权重的18层，包括卷积层和全连接层。具有轻量、高效以及准确率高的特点，比较适用于嵌入式设备。
在本实施例中，Sigmoid函数可以用于隐层神经元输出，取值范围为(0，1)，它可以将一个实数映射到(0，1)的区间，可以用来做二分类。具有平滑、易于求导的特点。
在本实施例中，第一全连接层的输出节点与二分类特征的个数有关。可以理解的，二分类特征有5个，则全连接层的输出节点为5。
通过对第一分支网络进行构建，可以对目标特征图中的二分类特征进行提取，提取效率高，且准确率高。
在本技术方案中，可选的，所述第二分支网络包括第二Resnet18网络；其中，所述第二Resnet18网络包括第二骨干层、第二全连接层和第二输出层，所述第二骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第二全连接层的输入节点数为1000，输出节点为4；所述第二输出层包括Softmax函数。
在本实施例中，softmax函数，又称归一化指数函数。可以将多分类的结果以概率的形式展现出来，常用于多分类特征的提取。
在本实施例中，第二全连接层的输出节点与多分类特征的个数有关。可以理解的，多分类特征有4个，则全连接层的输出节点为4。
通过对第二分支网络进行构建，可以对目标特征图中的多分类特征进行提取，提取效率高，且准确率高。
S140、将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
在本实施例中，目标乘客画像可以是由标签特征值构成的。例如，可以用[0，1，1]进行表示，也可以是用[1，1，3，0，3，0，0，0，1]进行表示。其中，目标乘客画像可以是由多个维度的标签特征值构成的。
在本实施例中，将二分类标签特征值和多分类标签特征值进行组合可以是将二分类标签特征值和多分类标签特征值按照特征顺序进行组合。例如，二分类标签特征值为0和1，多分类标签特征值为2和3，可以按照[0，1，2，3]顺序表示目标乘客画像，也可以按照[0，2，1，3]的顺序表示目标乘客画像。可选的，将二分类标签特征值和多分类标签特征值进行组合可以根据需求进行设定。
本申请实施例所提供的技术方案，获取目标乘客图像；将目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，目标特征图包括目标乘客的二分类特征和多分类特征；采用第一分支网络对二分类特征进行处理，以及，采用第二分支网络对多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；将二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。通过执行本技术方案，可以从多维度对乘客建立乘客画像，提高乘客画像的准确率。
实施例二
图2是本申请实施例二提供的乘客画像过程的示意图，本实施例二在实施例一的基础上进行进一步地优化。具体优化为：根据所述目标乘客画像，对目标乘客进行实时关注其中，未在本实施例中详尽描述的内容详见实施例一。如图2所示，该方法包括以下步骤：
S210、获取目标乘客图像。
S220、将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征。
S230、采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值。
S240、将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
S250、根据所述目标乘客画像，为目标乘客提供定制化服务。
在本实施例中，在获得目标乘客画像之后，可以根据提供的目标乘客画像对目标乘客信息进行分析，然后根据分析结果，为目标乘客提供定制化服务。例如，目标乘客画像为[1，1，3，0，3，0，0，0，1]，则根据提供的目标乘客画像对目标乘客信息进行分析，可以确定该目标乘客是一个穿着长裙、化妆以及背着挎包的年轻长发女乘客，则后台系统就可以根据分析结果，对该目标乘客进行实时关注，以提高该目标乘客的出行安全。
本申请实施例所提供的技术方案，获取目标乘客图像；将目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，目标特征图包括目标乘客的二分类特征和多分类特征；采用第一分支网络对二分类特征进行处理，以及，采用第二分支网络对多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；将二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。在获得目标乘客画像之后，根据目标乘客画像，为目标乘客提供定制化服务。通过执行本技术方案，可以从多维度对乘客建立乘客画像，提高乘客画像的准确率。且可以提高网约车的运营。
实施例三
图3是本申请实施例三提供的乘客画像装置的结构示意图，如图3所示，乘客画像装置包括：
目标乘客图像获取模块310，用于获取目标乘客图像；
目标特征图获取模块320，用于将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
标签特征值获取模块330，用于采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
目标乘客画像获取模块340，用于将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
在本技术方案中，可选的，所述第一分支网络包括第一Resnet18网络；其中，所述第一Resnet18网络包括第一骨干层、第一全连接层和第一输出层，所述第一骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第一全连接层的输入节点数为1000，输出节点为5；所述第一输出层包括Sigmoid函数。
在本技术方案中，可选的，所述第二分支网络包括第二Resnet18网络；其中，所述第二Resnet18网络包括第二骨干层、第二全连接层和第二输出层，所述第二骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第二全连接层的输入节点数为1000，输出节点为4；所述第二输出层包括Softmax函数。
在本技术方案中，可选的，所述主干网络包括YOLO网络。
在本技术方案中，可选的，所述二分类特征至少包括性别、是否戴墨镜、是否有纹身、是否留胡须以及是否化妆；
所述多分类特征至少包括乘客年龄段、衣着式样、发型以及包的类型；其中，所述乘客年龄段的分类包括儿童、青年、中年以及老年；所述衣着式样的分类包括商务、休闲、制服以及潮流；所述发型的分类包括长发、短发、光头以及板寸；所述包的类型的分类包括公文包、双肩包、单肩包以及挎包。
在本技术方案中，可选的，所述装置还包括：
定制化服务模块，用于根据所述目标乘客画像，为目标乘客提供定制化服务。上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种乘客画像方法，该方法包括：
获取目标乘客图像；
将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的乘客画像操作，还可以执行本申请任意实施例所提供的乘客画像方法中的相关操作。
实施例五
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的乘客画像装置。图4是本申请实施例五提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器420执行，使得所述一个或多个处理器420实现本申请实施例所提供的乘客画像方法，该方法包括：
获取目标乘客图像；
将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
当然，本领域技术人员可以理解，处理器420还实现本申请任意实施例所提供的乘客画像方法的技术方案。
图4显示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本申请实施例中的乘客画像方法对应的程序指令。
存储装置410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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。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。
输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备，可以达到从多维度对乘客建立乘客画像，提高乘客画像的准确率的目的。
上述实施例中提供的乘客画像装置、存储介质及电子设备可执行本申请任意实施例所提供的乘客画像方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的乘客画像方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种乘客画像方法，其特征在于，包括：
获取目标乘客图像；
将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
2.根据权利要求1所述的方法，其特征在于，所述第一分支网络包括第一Resnet18网络；其中，所述第一Resnet18网络包括第一骨干层、第一全连接层和第一输出层，所述第一骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第一全连接层的输入节点数为1000，输出节点为5；所述第一输出层包括Sigmoid函数。
3.根据权利要求1所述的方法，其特征在于，所述第二分支网络包括第二Resnet18网络；其中，所述第二Resnet18网络包括第二骨干层、第二全连接层和第二输出层，所述第二骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第二全连接层的输入节点数为1000，输出节点为4；所述第二输出层包括Softmax函数。
4.根据权利要求1所述的方法，其特征在于，所述主干网络包括YOLO网络。
5.根据权利要求1所述的方法，其特征在于，所述二分类特征至少包括性别、是否戴墨镜、是否有纹身、是否留胡须以及是否化妆；
所述多分类特征至少包括乘客年龄段、衣着式样、发型以及包的类型；其中，所述乘客年龄段的分类包括儿童、青年、中年以及老年；所述衣着式样的分类包括商务、休闲、制服以及潮流；所述发型的分类包括长发、短发、光头以及板寸；所述包的类型的分类包括公文包、双肩包、单肩包以及挎包。
6.根据权利要求1所述的方法，其特征在于，在获得由至少两个维度标签特征值表示的目标乘客画像之后，所述方法还包括：
根据所述目标乘客画像，为目标乘客提供定制化服务。
7.一种乘客画像装置，其特征在于，包括：
目标乘客图像获取模块，用于获取目标乘客图像；
目标特征图获取模块，用于将所述目标乘客图像输入至网络模型的主干网络，得到主干网络输出的目标特征图；其中，所述目标特征图包括目标乘客的二分类特征和多分类特征；
标签特征值获取模块，用于采用第一分支网络对所述二分类特征进行处理，以及，采用第二分支网络对所述多分类特征进行处理，获得二分类标签特征值和多分类标签特征值；
目标乘客画像获取模块，用于将所述二分类标签特征值和多分类标签特征值进行组合，获得由至少两个维度标签特征值表示的目标乘客画像。
8.根据权利要求7所述的装置，其特征在于，所述第一分支网络包括第一Resnet18网络；其中，所述第一Resnet18网络包括第一骨干层、第一全连接层和第一输出层，所述第一骨干层的过滤器数目为512，卷积核为3，激活函数为Relu，步长为1；所述第一全连接层的输入节点数为1000，输出节点为5；所述第一输出层包括Sigmoid函数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的乘客画像方法。
10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的乘客画像方法。
CN202011219017.8A 2020-11-04 2020-11-04 一种乘客画像方法、装置、存储介质及电子设备 Withdrawn CN112257650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219017.8A CN112257650A (zh) 2020-11-04 2020-11-04 一种乘客画像方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219017.8A CN112257650A (zh) 2020-11-04 2020-11-04 一种乘客画像方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN112257650A true CN112257650A (zh) 2021-01-22

Family

ID=74269018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219017.8A Withdrawn CN112257650A (zh) 2020-11-04 2020-11-04 一种乘客画像方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112257650A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408482A (zh) * 2021-07-13 2021-09-17 杭州联吉技术有限公司 一种训练样本的生成方法及生成装置
CN113743236A (zh) * 2021-08-11 2021-12-03 交控科技股份有限公司 乘客画像分析方法、装置、电子设备和计算机可读存储介质
CN114782764A (zh) * 2022-06-22 2022-07-22 每日互动股份有限公司 一种用户画像的生成方法、装置、计算机设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408482A (zh) * 2021-07-13 2021-09-17 杭州联吉技术有限公司 一种训练样本的生成方法及生成装置
CN113408482B (zh) * 2021-07-13 2023-10-10 杭州联吉技术有限公司 一种训练样本的生成方法及生成装置
CN113743236A (zh) * 2021-08-11 2021-12-03 交控科技股份有限公司 乘客画像分析方法、装置、电子设备和计算机可读存储介质
CN114782764A (zh) * 2022-06-22 2022-07-22 每日互动股份有限公司 一种用户画像的生成方法、装置、计算机设备及存储介质
CN114782764B (zh) * 2022-06-22 2022-09-30 每日互动股份有限公司 一种用户画像的生成方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN106709461B (zh) 基于视频的行为识别方法及装置
CN112257650A (zh) 一种乘客画像方法、装置、存储介质及电子设备
CN107169454B (zh) 一种人脸图像年龄估算方法、装置及其终端设备
US9224071B2 (en) Unsupervised object class discovery via bottom up multiple class learning
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN107526785A (zh) 文本分类方法及装置
Qin et al. Distracted driver detection based on a CNN with decreasing filter size
CN111160350B (zh) 人像分割方法、模型训练方法、装置、介质及电子设备
Huo et al. Vehicle type classification and attribute prediction using multi-task RCNN
CN112784929B (zh) 一种基于双元组扩充的小样本图像分类方法及装置
US20210019593A1 (en) Efficient inferencing with piecewise pointwise convolution
CN111160217B (zh) 一种行人重识别系统对抗样本生成方法及系统
CN109117879A (zh) 图像分类方法、装置及系统
CN111597870A (zh) 一种基于注意力机制与多任务学习的人体属性识别方法
CN102999635A (zh) 语义可视搜索引擎
US11966829B2 (en) Convolutional artificial neural network based recognition system in which registration, search, and reproduction of image and video are divided between and performed by mobile device and server
CN109858412A (zh) 一种基于混合卷积神经网络的唇语识别方法
CN109376613A (zh) 基于大数据和深度学习技术的视频智能监控系统
CN107944398A (zh) 基于深度特征联合表示图像集人脸识别方法、装置和介质
John et al. Real-time hand posture and gesture-based touchless automotive user interface using deep learning
CN114078243A (zh) 基于循环图卷积网络的驾驶员驾驶行为识别方法及系统
CN111931628A (zh) 人脸识别模型的训练方法、装置及相关设备
Terziyan et al. Causality-aware convolutional neural networks for advanced image classification and generation
CN113553918B (zh) 一种基于脉冲主动学习的机打发票字符识别方法
CN113870863A (zh) 声纹识别方法及装置、存储介质及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210122

WW01 Invention patent application withdrawn after publication