CN115565117B - 数据处理方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例提供一种数据处理方法、装置、设备及存储介质。该方法包括：获取对应于商品陈列处的图像的图像数据，图像包括顾客出店时的图像；基于图像数据对图像进行购物袋检测，以检测图像中的购物袋；对检测出的购物袋进行特征提取，得到购物袋的购物袋特征；基于购物袋的购物袋特征，识别购物袋是否是商品陈列处使用的购物袋，以得到目标数量，目标数量包括第一目标数量，第一目标数量是顾客出店时携带的商品陈列处使用的购物袋的数量；基于目标数量，确定顾客是否存在购买行为。本申请能够减少购买行为的误识别，提高识别购买行为的准确率。

Description

数据处理方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。

背景技术

飞单问题是商场和品牌运营非常关注的重要问题，为了发现飞单问题，通常需要检测顾客是否存在购买行为。

目前，可以检测顾客进店时提袋数量和出店时提袋数量，并根据该顾客的进店时提袋数量和出店时提袋数量，确定该顾客是否存在购买行为，具体的，如果出店时提袋数量多于进店时提袋数量，则确定该顾客存在购买行为，否则确定该顾客未存在购买行为。

然而，这样的方式，存在识别购买行为的准确率较低的问题。

发明内容

本申请实施例提供一种数据处理方法、装置及设备，用以解决现有技术中识别购买行为的准确率较低的问题。

第一方面，本申请实施例提供一种数据处理方法，包括：

获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

对检测出的购物袋进行特征提取，得到所述购物袋的购物袋特征；

基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量；

基于所述目标数量，确定所述顾客是否存在购买行为。

第二方面，本申请实施例提供一种数据处理装置，包括：

获取模块，用于获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

检测模块，用于基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

提取模块，用于对检测出的购物袋进行特征提取，以得到所述购物袋的购物袋特征；

识别模块，用于基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量；

确定模块，用于基于所述目标数量，确定所述顾客是否存在购买行为。

第三方面，本申请实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如第一方面中任一项所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被执行时，实现如第一方面中任一项所述的方法。

本申请实施例还提供一种计算机程序，当所述计算机程序被计算机执行时，用于实现如第一方面任一项所述的方法。

在本申请实施例中，可以获取对应于商品陈列处的图像的图像数据，图像包括顾客出店时的图像，基于图像数据对图像进行购物袋检测以检测图像中的购物袋，对检测出的购物袋进行特征提取得到购物袋的购物袋特征，基于购物袋的购物袋特征识别购物袋是否是商品陈列处使用的购物袋以得到包括第一目标数量的目标数量，第一目标数量是顾客进店时携带的商品陈列处使用的购物袋的数量，基于目标数量确定顾客是否存在购买行为，实现了通过判断顾客离开商品陈列处时携带的购物袋是否是该商品陈列处销售商品时使用的购物袋，来识别顾客在该商品陈列处是否存在购买行为，能够减少购买行为的误识别，提高识别购买行为的准确率。

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一简单地介绍，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为本申请实施例的应用场景示意图；

图2为本申请一实施例提供的数据处理方法的流程示意图；

图3为本申请另一实施例提供的数据处理方法的流程示意图；

图4为本申请一实施例提供的专柜出入口处的镜头画面的示意图；

图5为本申请一实施例提供的自动构建购物袋特征库的方法的流程示意图；

图6为本申请另一实施例提供的自动构建购物袋特征库的方法的流程示意图；

图7为本申请一实施例提供的数据处理装置的结构示意图；

图8为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

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作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。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。在没有更多限制情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

为了方便本领域技术人员理解本申请实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。

百货商场、购物中心的主要收入来源是专柜租金。在租金收入占比较大的服饰、珠宝、美妆等品类中，租金与专柜销售额存在正相关的关系。专柜经营者为了少支付租金，可能会瞒报部分销售收入。

为了获取和保留客源，专柜品牌方也有意愿引导顾客违规使用自有的销售渠道，如应用程序（APP）、小程序或导购个人微信，而不使用商场渠道。这样对商场来说，不仅损失了租金，而且失去了未来对这些顾客的销售机会。

另外，销售人员也可能为了个人私利，让顾客直接付钱给自己，再使用自己的会员卡代顾客进行支付，使用积分、返券获利，或者等待商场促销打折时再通过商场销售系统入账，利用价差获利。

所有这些不使用商场提供的销售渠道进行的飞单行为，都会对商场的经营产生严重影响。其中，商场专柜飞单是指品牌专柜、门店的销售人员将部分销售订单信息不录入商场的销售管理系统，或者，在部分商品销售时不使用商场提供的收银设备，导致商场无法获得完整的销售信息，从而在专柜租金、分成方面蒙受损失。

为了发现飞单风险，目前商场经营者最常使用的方法是人工暗访，在暗访人员购买过程中发现销售人员的飞单行为，保留证据，但这种方法效率低，人工成本高，覆盖范围和持续时间有限。也有一些商场的运营人员会从监控录像中观察、记录顾客购买行为，与销售系统中的记录进行对比，但这种方法同样需要人工检查大量监控视频，成本很高。所以，使用技术手段自动发现飞单风险能够为购百行业带来巨大价值，而自动发现飞单风险通常需要识别顾客是否存在购买行为。

目前，是通过顾客进出店提的购物袋的数量（可以简称为提袋数量）的变化来识别是否存在购买行为，如果出店时提袋数量大于进店提袋数量时，就认为存在购买行为。基于视频图像检测提袋数量，理论上可以解决购买行为识别的问题，然后经过与销售记录对比，可实现飞单风险识别。但在实际应用中，提袋数量检测的算法难以实现准确检测。由于存在视角问题，遮挡问题，以及购物袋品类的多样性，容易发生购物袋的漏检、误检，从而无法准确识别购买行为。

例如，假设顾客未购物，进店时已携带一个购物袋，放在身体一侧，如果监控相机安装在偏离顾客进出店行进方向的位置，那么由于身体遮挡，容易出现，顾客进店时未检测到购物袋，出店时行进方向相反，不存在遮挡，才检测到购物袋。按照通过提袋数量的变化来识别是否存在购买行为的方案，这时就会发生购物行为的误检。即使监控相机安装角度理想，或者部署多部相机并将检测结果融合，也无法解决多个购物袋相互遮挡的问题。由于相互遮挡情况的变化，如果顾客进店时检测到的身上携带的购物袋的数量少于出店时检测到的数量，即使顾客在店内没有购买行为，也会产生购物行为误检，购物行为误检会直接导致飞单风险的误检。

因此，如何提高识别购买行为的准确率成为目前亟待解决的技术问题。

图1为本申请一实施例提供的数据处理方法的应用场景示意图，如图1所示，该应用场景中可以包括商品陈列处11、拍摄装置12和电子设备13。其中，商品陈列处11是指能够用于进行商品陈列的任意类型的地点，示例性的，商品陈列处可以为商场专柜或商家门店等。拍摄装置12可以用于采集顾客进出商品陈列处11的数据。电子设备13可以获取拍摄装置12采集到的数据，并基于拍摄装置12采集的数据确定顾客是否存在购买行为。示例性的，电子设备13可以为服务器，例如可以是物理服务器、云服务器、虚拟服务器等。

为了解决识别购买行为的准确率较低的技术问题，在本申请实施例中，可以获取对应于商品陈列处的图像的图像数据，图像包括顾客出店时的图像，基于图像数据对图像进行购物袋检测以检测图像中的购物袋，对检测出的购物袋进行特征提取得到购物袋的购物袋特征，基于购物袋的购物袋特征识别购物袋是否是商品陈列处使用的购物袋以得到包括第一目标数量的目标数量，第一目标数量是顾客进店时携带的商品陈列处使用的购物袋的数量，基于目标数量确定顾客是否存在购买行为，实现了通过判断顾客离开商品陈列处时携带的购物袋是否是该商品陈列处销售商品时使用的购物袋，来识别顾客在该商品陈列处是否存在购买行为，能够减少购买行为的误识别，提高识别购买行为的准确率。

由于增加了识别是否是商品陈列处使用的购物袋的步骤，购买行为识别错误的情况可以得到显著改善，从而显著提高飞单风险识别的精度。

例如，假设顾客未购物，进店时已携带一个购物袋，放在身体一侧，如果监控相机安装在偏离顾客进出店行进方向的位置，那么由于身体遮挡，容易出现，顾客进店时未检测到购物袋，出店时行进方向改变，不存在遮挡，才检测到购物袋。如果仅依据进店没有购物袋，出店有购物袋，就会发生购买行为的误检。而采用本方案，只要出店时的购物袋不被误识别为本专柜使用的购物袋，就不会发生购买行为的误检。

又例如，由于多个购物袋会发生相互遮挡。如果顾客进店时检测到的身上携带的目标数量少于出店时检测到的数量，仅比较进出店购物袋检测数量差异，即使顾客在店内没有购买行为，也会产生购物行为误检。而采用本方案，只要出店时增加的购物袋不被误识别为本专柜使用的购物袋，就不会发生购物行为的误检。

需要说明的是，图1中是以拍摄装置12采集数据为例，可以理解的是，在其他实施例中在电子设备13具备图像采集功能时也可以由电子设备13采集数据。

需要说明的是，本申请实施例提供的方法可以应用于商场、门店等零售场景，可以用于识别这些场景中是否存在购买行为，一个实施例中，可以应用在商场中，用于识别商场中的顾客是否存在购买行为，由于在识别顾客是否存在购买行为时利用了图像/视频技术，而图像/视频技术属于数字技术（Digital Technology），因此本申请实施例提供的方法能够赋能商场数字化。

需要说明的是，本申请实施例提供的方法是基于商品陈列处在销售商品时，会使用种类有限的、自己品牌的购物袋来包装所销售的商品，给顾客拿走这一假设实现的，而这个假设也是普遍成立的。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突情况下，下述的实施例及实施例中的特征可以相互组合。

图2为本申请一实施例提供的数据处理方法的流程示意图，本实施例可以应用于图1中的电子设备13，具体可以由电子设备13的处理器执行。如图2所示，本实施例的方法可以包括：

步骤21，获取对应于商品陈列处的图像的图像数据，图像包括顾客出店时的图像；

步骤22，基于图像数据对图像进行购物袋检测，以检测图像中的购物袋；

步骤23，对检测出的购物袋进行特征提取，得到购物袋的购物袋特征；

步骤24，基于购物袋的购物袋特征，识别购物袋是否是该商品陈列处使用的购物袋，以得到目标数量，目标数量包括第一目标数量，第一目标数量是顾客出店时携带的该商品陈列处使用的购物袋的数量；

步骤25，基于目标数量，确定顾客是否存在购买行为。

本申请实施例中，可以先获取对应于商品陈列处的图像的图像数据，其中的图像可以是视频中的视频帧图像，也可以拍摄的照片图像，图像可以包括顾客出店时的图像，具体可以包括该顾客出店时的一个或多个图像。可选的，考虑到可能存在顾客进入某一商品陈列处时携带有该商品陈列处使用的购物袋的情况，还可以获取对应于该商品陈列处的该顾客进店时的图像。

示例性的，可以采用顾客跟踪的方式，获取顾客进店时的图像和出店时的图像。如图3所示，可以先在步骤31中进行顾客跟踪，再在步骤32中进行进出店轨迹提取，以得到顾客进店时的图像和出店时的图像。

在步骤31中，可以在监控视频中对每个到店顾客进行轨迹跟踪。例如，可以采用基于检测的跟踪（tracking-by-detection）算法的多目标跟踪策略，即可以先在每帧画面中检测所有人体目标，形成检测框，然后对每个人体检测框提取人体再识别（re-identification，ReID）特征，最后根据ReID特征的相似性，将属于同一个身份的目标人在不同视频帧中的检测框关联起来，形成运动轨迹。如果针对同一商品陈列处安装有多个监控相机，或者，如果顾客在某个监控相机中出现过多次，每次出现都形成了独立的轨迹片段，那么还可以根据ReID特征的相似性，将属于同一个身份的目标人形成的所有轨迹片段关联到一起，形成完整的轨迹。

在实际应用中，由于存在顾客以外的目标人，如店员、外卖员、保洁人员等，为了减少干扰，提高购买行为识别的准确率，还可以将这些目标人过滤掉，只保留顾客的轨迹。由于顾客以外的目标人一般都会穿着统一制服，所以可以收集穿着统一制服的图像作为正样本，以及大量普通顾客图像作为负样本，训练图片分类器，识别这些需要过滤的目标人。其中，图片分类器的输入可以为基于人体检测框提取的人体图像，输出可以为是否是需要过滤的目标人的结果。可以理解的是，被识别为需要过滤的目标人，可以不再进行步骤32的处理。

示例性的，在步骤32中，可以从顾客在店内形成的完整轨迹中提取出顾客进店时的轨迹片段和出店时的轨迹片段。一种可以实现的方法是：可以把顾客完整轨迹中对应时间最早的K1帧即作为进店轨迹片段，对应时间最晚的K2帧即作为出店轨迹片段，其中K1和K2均为大于或等于1的整数，K1和K2可以相等也可以不相等。另一种可以实现的方法是：以商品陈列处为专柜为例，如图4所示，可以在专柜出入口处的镜头画面上手工标注一条门线线段（图4中的虚线），并根据实际情况，将这条线段的上、下定义为专柜内、外；在顾客的完整轨迹中，检测框下边缘中点（可以看作人的脚底位置）从线段一侧移动到另一侧的前后K1或K2帧，就是进店或出店轨迹片段，其中从外到内移动的是进店轨迹片段，从内到外移动的是出店轨迹片段。

本申请实施例中，在获取到对应于商品陈列处的图像的图像数据之后，可以基于图像数据对图像进行购物袋检测，以检测图像中的购物袋。

其中，对于获取到的顾客出店时的图像，可以对出店时的图像进行购物袋检测，以检测顾客出店时的图像中的购物袋。在获取到的图像还包括顾客进店时的图像的情况下，还可以对顾客进店时的图像进行购物袋检测，以检测顾客进店时的图像中的购物袋。需要说明的是，在出店时的图像为多个的情况下，可以对该多个图像中的每个图像均进行购物袋检测；在进店时的图像为多个的情况下，可以对该多个图像中的每个图像均进行购物袋检测。

一个实施例中，可以利用购物袋检测器对图像进行购物袋检测，不同品牌的商品陈列处对应的购物袋分类器可以是同一个。其中，购物袋检测器可以基于目标检测算法实现，购物袋即为目标。购物袋检测器的输入可以为基于人体检测框提取的人体图像，购物袋检测器的输出可以包括购物袋的坐标，从而可以得到购物袋检测框。购物袋检测器可以使用大量手工标注了购物袋包围框的人体图片训练得到。

示例性的，如图3所示，可以在步骤33中进行购物袋检测。在步骤33中，可以从顾客进店、出店轨迹片段中，检测进店、出店时携带的购物袋。一种可以实现的方法是：可以从进店、出店轨迹片段的每帧图像中，对人体检测框的部分进行购物袋检测。进店轨迹片段包含K1帧，进店各帧中检测到的购物袋的数量分别记为N_1，N_2，...，N_K1个，出店轨迹片段包含K2帧，出店各帧检测到的购物袋的数量分别记为M_1，M_2，...，M_K2个。

本申请实施例中，在检测出图像中的购物袋之后，可以对检测出的购物袋进行特征提取，得到购物袋的购物袋特征。

其中，对于检测出的顾客出店时的图像中的购物袋，可以对顾客出店时的图像中的购物袋进行特征提取，得到顾客出店时的图像中购物袋的购物袋特征。在检测出的购物袋还包括顾客进店时的图像中的购物袋的情况下，还可以对顾客进店时的图像中的购物袋进行特征提取，得到顾客进店时的图像中购物袋的购物袋特征。需要说明的是，如果在同一图像中检测出的购物袋的数量为多个，可以对该多个购物袋均进行特征提取。

一个实施例中，可以利用购物袋特征提取模型进行图像中购物袋的特征提取，不同品牌的商品陈列处对应的购物袋特征提取模型可以是同一个。其中，购物袋特征提取模型可以基于特征提取网络实现。购物袋特征提取模型的输入可以为基于购物袋检测框提取的购物袋图像，购物袋特征提取模型的输出可以包括购物袋特征。购物袋特征提取模型可以采用如下方式得到：使用手工标注的大量不同品牌的商品陈列处使用的购物袋进行购物袋分类器的训练，得到训练好的分类器，去掉分类器的分类头，只保留输入分类头之前的特征提取部分，即可得到训练好的购物袋特征提取模型，该分类器可以是一个多分类（大于2）的分类器，该分类器例如可以包括特征提取层和全连接层，其中全连接层可以作为分类头。

本申请实施例中，在得到购物袋的购物袋特征之后，可以基于购物袋的购物袋特征，识别购物袋是否是商品陈列处使用的购物袋。

其中，对于提取出的顾客出店时的图像中的购物袋的购物袋特征，可以基于顾客出店时的图像中购物袋的购物袋特征，确定顾客出店时的图像中的购物袋是否是商品陈列处使用的购物袋。在提取到的购物袋特征还包括顾客进店时的图像中的购物袋的购物袋特征的情况下，还可以基于顾客进店时的图像中购物袋的购物袋特征，确定顾客进店时的图像中的购物袋是否是商品陈列处使用的购物袋。需要说明的是，在同一图像中检测出的购物袋的数量为多个的情况下，可以针对该多个购物袋中的每个购物袋均进行是否是商品陈列处使用的购物袋的识别。

应理解，基于顾客出店时的图像中的购物袋是否是商品陈列处使用的购物袋的识别数量，可以得到第一目标数量，第一目标数量是顾客出店时携带的该商品陈列处使用的购物袋的数量。示例性的，假设顾客出店时的图像为一个，则可以将该图像中的购物袋中是商品陈列处使用的购物袋的数量作为第一目标数量。或者示例性的，假设顾客出店时的图像为多个，则可以将该多个图像中是商品陈列处使用的购物袋的数量的均值作为第一目标数量。或者示例性的，假设顾客出店时的图像为多个，则可以将该多个图像中是商品陈列处使用的购物袋的数量中的最大值作为第一目标数量。

在还基于顾客进店时的图像中购物袋的购物袋特征，确定顾客进店时的图像中的购物袋是否是商品陈列处使用的购物袋的情况下，还可以得到第二目标数量，第二目标数量是顾客进店时携带的该商品陈列处使用的购物袋的数量。示例性的，假设顾客进店时的图像为一个，则可以将该图像中的购物袋中是商品陈列处使用的购物袋的数量作为第二目标数量。或者示例性的，假设顾客进店时的图像为多个，则可以将该多个图像中是商品陈列处使用的购物袋的数量的均值作为第二目标数量。或者示例性的，假设顾客进店时的图像为多个，则可以将该多个图像中是商品陈列处使用的购物袋的数量中的最大值作为第二目标数量。

一个实施例中，可以利用购物袋分类器来确定图像中的购物袋是否是商品陈列处使用的购物袋，不同品牌的商品陈列处可以对应不同的购物袋分类器。基于此，步骤24具体可以包括：将购物袋的购物袋特征，输入商品陈列处对应的购物袋分类器，得到购物袋是否是商品陈列处使用的购物袋的结果。其中，每个商品陈列处对应的购物袋分类器可以基于人工采集的该商品陈列处的购物袋样本训练得到，该分类器可以是一个2分类的分类器。

另一个实施例中，可以采用特征比对的方式来确定图像中的购物袋是否是商品陈列处使用的购物袋，从而可以快速、低成本地形成可对大量商品陈列处进行购物袋识别的方式。基于此，步骤24具体可以包括：将购物袋的购物袋特征与购物袋特征库中保存的商品陈列处的购物袋特征进行比对；如果购物袋的购物袋特征与购物袋特征库中保存的商品陈列处的任意一个购物袋特征的相似度大于相似度阈值，确定购物袋是商品陈列处使用的购物袋。否则，可以确定购物袋不是商品陈列处使用的购物袋。

其中，购物袋特征库保存的一商品陈列处的购物袋特征是该商品陈列处使用的购物袋的购物袋特征。购物袋特征库中保存的同一商品陈列处的购物袋特征的数量可以为一个或多个。购物袋特征库可以通过人工采集样本的方式构造，或者，购物袋特征库还可以是通过自动采集样本的方式构造，关于自动构造购物袋特征库的具体方式可以参考之后图5所示实施例的内容。

示例性的，如图3所示，可以在步骤34中进行购物袋识别。在步骤34中，可以利用购物袋特征提取模型对步骤33中检测到的所有购物袋进行特征提取，并与购物袋特征库中保存的当前商品陈列处的购物袋特征进行比对，如果某个检测到的购物袋的特征与购物袋特征库中保存的任意特征的相似度大于相似度阈值，则认为这个购物袋是当前商品陈列处使用的购物袋，否则认为这个购物袋不是当前商品陈列处使用的购物袋。一种可以实现的方法是：从进店轨迹片段各帧检测到的购物袋的总数为N_1+N_2+……+N_K1，将其中识别结果为是当前商品陈列处使用的购物袋的购物袋总数除以K1，表示进店轨迹片段平均每帧有几个购物袋被识别为当前商品陈列处使用的购物袋，记为N；从出店轨迹片段各帧检测到的购物袋的总数为M_1+M_2+……+M_K2，将其中识别结果为是当前商品陈列处使用的购物袋的购物袋总数除以K2，表示出店轨迹片段平均每帧有几个购物袋被识别为当前商品陈列处使用的购物袋，记为M。

本申请实施例中，在得到至少包括第一目标数量的目标数量之后，可以基于目标数量确定顾客是否存在购买行为。

一个实施例中，在目标数量包括第一目标数量的情况下，步骤25具体可以包括：如果第一目标数量大于第一阈值，确定顾客存在购买行为；如果第一目标数量小于第一阈值，确定顾客不存在购买行为。示例性的，如果第一目标数量等于第一阈值，可以确定顾客不存在购买行为。

另一个实施例中，在目标数量包括第一目标数量和第二目标数量的情况下，步骤25具体可以包括：如果第一目标数量与第二目标数量之差大于第二阈值，确定顾客存在购买行为；如果第一目标数量与第二目标数量之差小于第二阈值，确定顾客不存在购买行为。示例性的，如果第一目标数量与第二目标数量之差等于第二阈值，可以确定顾客不存在购买行为。

考虑到购物袋检测可能存在漏检的情况，因此，可以基于购物袋检测的召回率来修正得到的目标数量，以补偿召回时的损失，有利于提高所确定的目标数量的准确性。其中，假设对于同一组图像，使用用于进行购物袋检测的算法检测出的商品陈列处使用的购物袋的数量为60个，而人工打标出的商品陈列处使用的购物袋的数量为100个，则召回率等于60%。

基于此，又一个实施例中，在目标数量包括第一目标数量和第二目标数量的情况下，步骤25具体可以包括：使用加权系数对第一目标数量和第二目标数量分别进行修正，得到修正后的第一目标数量和修正后的第二目标数量；如果修正后的第一目标数量与修正后的第二目标数量之差大于差值阈值，确定顾客存在购买行为；如果修正后的第一目标数量与修正后的第二目标数量之差小于差值阈值，确定顾客不存在购买行为。示例性的，如果修正后的第一目标数量与修正后的第二目标数量之差等于差值阈值，可以确定顾客不存在购买行为。

其中，不同商品陈列处可以对应不同的加权系数，加权系数可以与针对商品陈列处进行购物袋检测的召回率负相关，示例性的，加权系数可以等于召回率的倒数，以召回率为60%为例，加权系数例如可以等于5/3。针对同一商品陈列处，用于对第一目标数量和第二目标数量进行修正的加权系数可以不同，也可以相同。在相同时，加权系数可以是根据基于顾客进店时的图像和出店时的图像得到的召回率确定；在不同时，用于对第一目标数量进行修正的加权系数可以是根据基于顾客出店时的图像得到的召回率确定，用于对第二目标数量进行修正的加权系数可以是根据基于顾客进店时的图像得到的召回率确定。

可选的，还可以基于修正后的目标数量估计顾客在商品陈列处的购买的商品数量。

一个实施例中，在目标数量包括第一目标数量的情况下，本申请实施例提供的方法还可以包括：基于修正后的第一目标数量，估计顾客在商品陈列处的购买商品数量。考虑到修正后的第一目标数量可能不为整数，示例性的，可以将round(PM)作为估计得到的顾客在商品陈列处的购买商品数量，其中，round()表示四舍五入函数，P表示加权系数，M表示第一目标数量。

另一个实施例中，在目标数量包括第一目标数量和第二目标数量的情况下，本申请实施例提供的方法还可以包括：基于修正后的第一目标数量和修正后的第二目标数量，估计顾客在商品陈列处的购买商品数量。考虑到修正后的第一目标数量和/或第二目标数量可能不为整数，示例性的，可以将round(PM-PN)作为估计得到的顾客在商品陈列处的购买商品数量，其中，round()表示四舍五入函数，P表示加权系数，M表示第一目标数量，N表示第二目标数量。需要说明的是，round(PM-PN)是以用于对第一目标数量和第二目标数量进行修正的加权系数相同为例。

示例性的，如图3所示，可以在步骤35中进行购买行为判断。在步骤35中，可以根据顾客进店、出店轨迹片段分别检测得到的M和N，判断顾客是否存在购买行为。一种可以实现的方法是：如果P*(M-N)大于阈值，则认为存在购买行为，否则认为不存在购买行为。其中，P是一个加权系数，例如取2，表示平均每出现2个当前商品陈列处的购物袋，算法可以成功检测并识别到1个，阈值可以取0.5。如果存在购买行为，还可以用round(P*(M-N))作为购买商品数量的估计，其中round()表示四舍五入函数。

可选的，在本申请实施例中还可以进行飞单风险的识别。实际应用中，对于存在飞单风险的专柜，可以将识别到购买行为时发生时的监控视频记录下来，用于人工审核确认。

一个实施例中，可以基于估计的购买商品数量识别飞单风险，基于此，本申请实施例提供的方法还可以包括：判断目标周期内针对进出商品陈列处的顾客估计的购买商品数量之和，是否大于该目标周期内记录的商品陈列处的商品销售数量；如果是，则确定商品陈列处存在飞单风险。如果目标周期内针对进出商品陈列处的顾客估计的购买商品数量之和，小于或等于该目标周期内记录的商品陈列处的商品销售数量，可以确定商品陈列处不存在飞单风险。其中，目标周期可以根据需求灵活实现，例如可以为某一天、某一周、某一月等。

例如，假设某天针对进出某个专柜的顾客估计的购买的商品数量之和为100件商品，而该天记录的该专柜销售的商品数量为90件商品，则可以确定该专柜存在飞单风险。可以理解的是，虽然可能存在单个购物袋中装有多件商品的情况，但是由于这种情况只会使得估计的购买商品数量之和变小，因此可以避免出现由于单个购物袋中装有多件商品，导致不存在飞单问题的商品陈列处被误识别为存在飞单风险的问题。

另一个实施例中，可以基于存在购买行为的顾客的数量识别飞单风险，基于此，本申请实施例提供的方法还可以包括：判断目标周期内进出商品陈列处的存在购买行为的顾客数量，是否大于该目标周期内记录的商品陈列处的交易数量；如果是，则确定商品陈列处存在飞单风险。如果目标周期内进出商品陈列处的存在购买行为的顾客数量，小于或等于该目标周期内记录的商品陈列处的交易数量，可以确定商品陈列处不存在飞单风险。其中，目标周期可以根据需求灵活实现，例如可以为某一天、某一周、某一月等。

例如，假设某天针对进出某个专柜的存在购买行为的顾客为10人，而该天记录的该专柜只有9笔交易，则可以确定该专柜存在飞单风险。可以理解的是，虽然可能存在单个顾客分多次进行交易的情况，但是由于这种情况只会使得记录的商品陈列处的交易数量变多，因此可以避免出现由于单个顾客分多次进行交易，导致不存在飞单问题的商品陈列处被误识别为存在飞单风险的问题。

本实施例提供的数据处理方法，通过获取对应于商品陈列处的图像的图像数据，图像包括顾客出店时的图像，基于图像数据对图像进行购物袋检测以检测图像中的购物袋，对检测出的购物袋进行特征提取得到购物袋的购物袋特征，基于购物袋的购物袋特征识别购物袋是否是商品陈列处使用的购物袋以得到包括第一目标数量的目标数量，第一目标数量是顾客进店时携带的商品陈列处使用的购物袋的数量，基于目标数量确定顾客是否存在购买行为，实现了通过判断顾客离开商品陈列处时携带的购物袋是否是该商品陈列处销售商品时使用的购物袋，来识别顾客在该商品陈列处是否存在购买行为，能够减少购买行为的误识别，提高识别购买行为的准确率。

图5为本申请一实施例提供的自动构建购物袋特征库的方法的流程示意图，本实施例可以由电子设备13执行，或者，也可以由电子设备13之外的其他设备执行，如图5所示，本实施例提供的方法可以包括：

步骤51，从一段时间内进出商品陈列处的多个顾客中，选择携带的购物袋的数量满足购物袋数量条件的目标顾客；

步骤52，基于目标顾客的图像中购物袋的购物袋特征，构建购物袋特征库。

本申请实施例中，为了减少干扰，例如顾客自带的购物袋的干扰以及其他商品陈列处使用的购物袋的干扰等，可以从一段时间内进出商品陈列处的多个顾客中，选择携带的购物袋的数量满足购物袋数量条件的目标顾客用于构建购物袋特征库。其中，购物量数量条件可以根据需求灵活实现。应理解，在商品陈列处的数量为多个时，可以基于一段时间内进出每个商品陈列处的目标顾客的图像中购物袋的购物袋特征，构建购物袋特征库。

一个实施例中，为了尽量使得目标顾客的情况简单。以尽量减少干扰，可以选择进店时没有携带购物袋而出店时携带一个购物袋的顾客作为目标顾客，即购物袋数量条件可以用于过滤出进店时没有携带购物袋且出店时携带一个购物袋的顾客。相应的，步骤52具体可以包括：基于目标顾客出店时的图像中购物袋的购物袋特征，构建购物袋特征库。

示例性的，如图6所示，在步骤64中可以进行出店新增购物袋提取。需要说明的是，步骤61可以与前述的步骤31相同，步骤62可以与前述的步骤32相同，步骤63可以与前述的步骤33相同，在此不再赘述。

在步骤64中，为了尽量减少干扰，可以对步骤63检测到的进店、出店购物袋进行过滤，可以对P*N小于阈值1（如0.1）且abs(P*M-1)小于阈值2（如0. 1）的情况进行保留，继续执行后续步骤，否则，对这个顾客不执行后续步骤。其中，abs()是绝对值函数，过滤的含义是，只保留进店没有检测到购物袋，出店检测到1个购物袋的情况。

本申请实施例中，在选择出目标顾客之后，可以基于目标顾客的图像中购物袋的购物袋特征，构建购物袋特征库。实际应用中，在向购物袋特征库中保存商品陈列处的购物袋特征之前，可以先由工作人员（例如商场运营人员）进行确认。

可选的，可以直接基于目标顾客出店时的图像中购物袋的购物袋特征构建购物袋特征库。一个实施例中，可以采用特征聚类的方式，进一步排除干扰，基于此，所述基于目标顾客出店时的图像中购物袋的购物袋特征，构建购物袋特征库，具体可以包括：对目标顾客出店时的图像中购物袋的购物袋特征进行聚类，得到至少一个类簇；确定至少一个类簇中购物袋特征的占比大于比例阈值的目标类簇；基于目标类簇中的购物袋特征，向购物袋特征库中保存购物袋特征。

其中，对购物袋特征进行聚类的聚类算法例如可以为综合运用密度聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN），同一类簇中可以包括一个或多个购物袋特征，某个类簇中购物袋特征的占比可以是指该类簇中购物袋特征的数量占输入聚类算法的全部购物袋特征的个数的比例，比例阈值可以为经验值，例如可以为0.2。

示例性的，可以将目标类簇中的购物袋特征均作为商品陈列处的购物袋特征保存到购物袋特征库中。或者示例性的，可以将目标类簇中购物袋特征的均值作为商品陈列处的购物袋特征保存到购物袋特征库中。

或者可选的，可以对目标顾客进行进一步过滤，以排除掉认为是不存在对应交易的顾客，基于此，一个实施例中，所述基于目标顾客出店时的图像中购物袋的购物袋特征，构建购物袋特征库，具体可以包括：从目标顾客中过滤掉进店时间和出店时间之间商品陈列处不存在交易的顾客，得到过滤后的目标顾客；基于过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建购物袋特征库。

类似的，可以采用特征聚类的方式构建购物袋特征库，一个实施例中，所述基于过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建购物袋特征库，具体可以包括：对过滤后的目标顾客出店时的图像中购物袋的购物袋特征进行聚类，得到至少一个类簇；确定至少一个类簇中购物袋特征的占比大于比例阈值的目标类簇；基于目标类簇中的购物袋特征，向购物袋特征库中保存购物袋特征。

示例性的，如图6所示，在步骤65中可以进行出店新增购物袋过滤。在步骤65中，为了进一步减少干扰，防止出现顾客实际携带了当前商品陈列处使用的购物袋，但进店没有检测到，出店才检测到的错误情况，这里利用商场销售系统中的专柜订单数据，对新增的购物袋进行过滤。只有进店、出店期间，订单数据库中接收到订单时，才继续执行后续步骤，否则，对这个顾客不执行后续步骤。

示例性的，如图6所示，在步骤66中可以进行购物袋特征聚类。在步骤66中，可以对于从出店轨迹片段中检测到的M_1+M_2+……+M_K2个购物袋，使用特征提取模型提取特征。将一段时间（如一个月）内积累的所有特征进行聚类，可以使用常见的DBSCAN等聚类算法。经过聚类后，由于当前商品陈列处出售商品时使用的购物袋的出现次数显著高于进入此步骤的由于前面步骤算法错误带来的各种非当前商品陈列处使用的购物袋，且后者不具有彼此之间的特征相似性，因此可以只有当前商品陈列处使用的购物袋的购物袋特征会形成较大的聚类簇。如果某个聚类簇中样本个数占输入聚类算法的全部样本的个数的比例大于阈值，如0.2，则将此聚类簇的特征均值保存到购物袋特征库中。

需要说明的是，本实施例提供的方法可以在图2所示实施例提供的方法之前执行，或者本申请实施例提供的方法可以每隔一段时间运行一次，这样即使商品陈列处使用了新的购物袋，购物袋特征库也能获得更新。

本实施例提供的自动构建购物袋特征库的方法，通过从一段时间内进出商品陈列处的多个顾客中，选择携带的购物袋的数量满足购物袋数量条件的目标顾客，并基于目标顾客的图像中购物袋的购物袋特征，构建购物袋特征库，能够实现通过一段时间的运行，对顾客购买行为中产生的数据进行累积，可以自动构建起购物袋特征库，有利于降低人工成本。

图7为本申请一实施例提供的数据处理装置的结构示意图；参考附图7所示，本实施例提供了一种数据处理装置，该装置可以执行上述实施例提供的数据处理方法，具体的，该装置可以包括：

获取模块71，用于获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

检测模块72，用于基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

提取模块73，用于对检测出的购物袋进行特征提取，以得到所述购物袋的购物袋特征；

识别模块74，用于基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量；

确定模块75，用于基于所述目标数量，确定所述顾客是否存在购买行为。

一种可能的实现方式中，所述图像还包括所述顾客进店时的图像；所述目标数量还包括第二目标数量，所述第二目标数量是所述顾客进店时携带的所述商品陈列处使用的购物袋的数量。

一种可能的实现方式中，确定模块75具体用于：使用加权系数对所述第一目标数量和所述第二目标数量分别进行修正，得到修正后的第一目标数量和修正后的第二目标数量；如果所述修正后的第一目标数量与所述修正后的第二目标数量之差大于差值阈值，确定所述顾客存在购买行为；如果所述修正后的第一目标数量与所述修正后的第二目标数量之差小于所述差值阈值，确定所述顾客不存在购买行为。

一种可能的实现方式中，所述加权系数与针对所述商品陈列处进行购物袋检测的召回率负相关。

一种可能的实现方式中，本实施例提供的装置还可以包括估计模块，用于基于所述修正后的第一目标数量和所述修正后的第二目标数量，估计所述顾客在所述商品陈列处的购买商品数量。

一种可能的实现方式中，本实施例提供的装置还可以包括第一风险识别模块，用于判断目标周期内针对进出所述商品陈列处的顾客估计的购买商品数量之和，是否大于所述目标周期内记录的所述商品陈列处的商品销售数量；如果是，则确定所述商品陈列处存在飞单风险。

一种可能的实现方式中，识别模块74具体用于：将所述购物袋的购物袋特征，输入所述商品陈列处对应的购物袋分类器，得到所述购物袋是否是所述商品陈列处使用的购物袋的结果。

一种可能的实现方式中，识别模块74具体用于：将所述购物袋的购物袋特征与购物袋特征库中保存的所述商品陈列处的购物袋特征进行比对；如果所述购物袋的购物袋特征与所述购物袋特征库中保存的所述商品陈列处的任意一个购物袋特征的相似度大于相似度阈值，确定所述购物袋是所述商品陈列处使用的购物袋。

一种可能的实现方式中，所述购物袋特征库是采用如下方式自动构建：

从一段时间内进出所述商品陈列处的多个顾客中，选择携带的购物袋的数量满足购物袋数量条件的目标顾客；

基于所述目标顾客的图像中购物袋的购物袋特征，构建所述购物袋特征库。

一种可能的实现方式中，所述购物袋数量条件用于过滤出进店时没有携带购物袋且出店时携带一个购物袋的顾客；所述基于所述目标顾客的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：基于所述目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库。

一种可能的实现方式中，所述基于所述目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：从所述目标顾客中过滤掉进店时间和出店时间之间所述商品陈列处不存在交易的顾客，得到过滤后的目标顾客；基于所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库。

一种可能的实现方式中，所述基于所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：对所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征进行聚类，得到至少一个类簇；确定所述至少一个类簇中购物袋特征的占比大于比例阈值的目标类簇；基于所述目标类簇中的购物袋特征，向所述购物袋特征库中保存购物袋特征。

一种可能的实现方式中，本实施例提供的装置还可以包括第二风险识别模块，用于判断目标周期进出所述商品陈列处的存在购买行为的顾客数量，是否大于所述目标周期内记录的所述商品陈列处的交易数量；如果是，则确定所述商品陈列处存在飞单风险。

图7所示装置可以执行图2所示实施例提供的方法，本实施例未详细描述的部分，可参考对图2所示实施例的相关说明。该技术方案的执行过程和技术效果参见图2所示实施例中的描述，在此不再赘述。

在一个可能的实现中，图7所示装置的结构可实现为一电子设备。如图8所示，该电子设备可以包括：处理器81和存储器82。其中，存储器82存储支持控制器执行上述图2所示实施例所提供方法的程序，处理器81被配置为用于执行存储器82中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器81执行时能够实现如下步骤：

获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

对检测出的购物袋进行特征提取，得到所述购物袋的购物袋特征；

基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量；

基于所述目标数量，确定所述顾客是否存在购买行为。

可选的，处理器81还用于执行前述图2所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括通信接口83，用于电子设备与其他设备或通信网络通信。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被执行时，实现如图2所示实施例所述的方法。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述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计算机产品的形式体现出来，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、链表、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (14)

1.一种数据处理方法，其特征在于，包括：

获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

对检测出的购物袋进行特征提取，得到所述购物袋的购物袋特征；

基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量和第二目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量，所述第二目标数量是所述顾客进店时携带的所述商品陈列处使用的购物袋的数量；

基于所述目标数量，确定所述顾客是否存在购买行为，所述确定的结果用于确定所述商品陈列处是否存在飞单风险；

判断目标周期内进出所述商品陈列处的存在购买行为的顾客数量，是否大于所述目标周期内记录的所述商品陈列处的交易数量；如果是，则确定所述商品陈列处存在飞单风险。

2.根据权利要求1所述的方法，其特征在于，基于所述第一目标数量和所述第二目标数量，确定所述顾客是否存在购买行为，包括：

使用加权系数对所述第一目标数量和所述第二目标数量分别进行修正，得到修正后的第一目标数量和修正后的第二目标数量；

如果所述修正后的第一目标数量与所述修正后的第二目标数量之差大于差值阈值，确定所述顾客存在购买行为；

如果所述修正后的第一目标数量与所述修正后的第二目标数量之差小于所述差值阈值，确定所述顾客不存在购买行为。

3.根据权利要求2所述的方法，其特征在于，所述加权系数与针对所述商品陈列处进行购物袋检测的召回率负相关。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于所述修正后的第一目标数量和所述修正后的第二目标数量，估计所述顾客在所述商品陈列处的购买商品数量。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

判断目标周期内针对进出所述商品陈列处的顾客估计的购买商品数量之和，是否大于所述目标周期内记录的所述商品陈列处的商品销售数量；

如果是，则确定所述商品陈列处存在飞单风险。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，包括：

将所述购物袋的购物袋特征，输入所述商品陈列处对应的购物袋分类器，得到所述购物袋是否是所述商品陈列处使用的购物袋的结果。

7.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，包括：

将所述购物袋的购物袋特征与购物袋特征库中保存的所述商品陈列处的购物袋特征进行比对；

如果所述购物袋的购物袋特征与所述购物袋特征库中保存的所述商品陈列处的任意一个购物袋特征的相似度大于相似度阈值，确定所述购物袋是所述商品陈列处使用的购物袋。

8.根据权利要求7所述的方法，其特征在于，所述购物袋特征库是采用如下方式自动构建：

从一段时间内进出所述商品陈列处的多个顾客中，选择携带的购物袋的数量满足购物袋数量条件的目标顾客；

基于所述目标顾客的图像中购物袋的购物袋特征，构建所述购物袋特征库。

9.根据权利要求8所述的方法，其特征在于，所述购物袋数量条件用于过滤出进店时没有携带购物袋且出店时携带一个购物袋的顾客；

所述基于所述目标顾客的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：基于所述目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库。

10.根据权利要求8所述的方法，其特征在于，所述基于所述目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：

从所述目标顾客中过滤掉进店时间和出店时间之间所述商品陈列处不存在交易的顾客，得到过滤后的目标顾客；

基于所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库。

11.根据权利要求10所述的方法，其特征在于，所述基于所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征，构建所述购物袋特征库，包括：

对所述过滤后的目标顾客出店时的图像中购物袋的购物袋特征进行聚类，得到至少一个类簇；

确定所述至少一个类簇中购物袋特征的占比大于比例阈值的目标类簇；

基于所述目标类簇中的购物袋特征，向所述购物袋特征库中保存购物袋特征。

12.一种数据处理装置，其特征在于，包括：

获取模块，用于获取对应于商品陈列处的图像的图像数据，所述图像包括顾客出店时的图像；

检测模块，用于基于所述图像数据对所述图像进行购物袋检测，以检测所述图像中的购物袋；

提取模块，用于对检测出的购物袋进行特征提取，以得到所述购物袋的购物袋特征；

识别模块，用于基于所述购物袋的购物袋特征，识别所述购物袋是否是所述商品陈列处使用的购物袋，以得到目标数量，所述目标数量包括第一目标数量和第二目标数量，所述第一目标数量是所述顾客出店时携带的所述商品陈列处使用的购物袋的数量，所述第二目标数量是所述顾客进店时携带的所述商品陈列处使用的购物袋的数量；

确定模块，用于基于所述目标数量，确定所述顾客是否存在购买行为；

第二风险识别模块，用于判断目标周期内进出所述商品陈列处的存在购买行为的顾客数量，是否大于所述目标周期内记录的所述商品陈列处的交易数量；如果是，则确定所述商品陈列处存在飞单风险。

13.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至11中任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被执行时，实现如权利要求1至11中任一项所述的方法。

Images