CN117037053A - 人员识别方法、装置、计算机设备和存储介质 - Google Patents
人员识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117037053A CN117037053A CN202210465851.8A CN202210465851A CN117037053A CN 117037053 A CN117037053 A CN 117037053A CN 202210465851 A CN202210465851 A CN 202210465851A CN 117037053 A CN117037053 A CN 117037053A
- Authority
- CN
- China
- Prior art keywords
- target object
- clothing
- image data
- target
- initial recognition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 113
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种人员识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标对象的服饰图像数据以及轨迹数据;根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。通过采用本方法,可以在目标对象无感知的情况下,结合多个方面的目标对象的数据,实现精准的目标对象的类型识别,且容错率较高,适用性较广。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种人员识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的不断发展,线下商场的数字化程度不断提高,商场内基本都部署了基于计算机视觉的设备,为店员识别提供基础的技术能力。商场内的大部分店铺仅想专注于顾客识别,因此店员识别对于提高运营效率是很有必要的。
相关技术中,通过店员随身携带近场通信技术设备(如,蓝牙设备,Wi-Fi设备,NFC设备等等),来标注店员及其所在位置,但是此种方案会导致需要使用较多近场通信技术设备,该近场通信技术设备精度也有限,导致识别准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高识别准确度的人员识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种人员识别方法。所述方法包括:
获取目标对象的服饰图像数据以及轨迹数据;
根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
在其中一个实施例中,所述根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型,包括:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果;
基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果。
在其中一个实施例中,所述根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果,包括:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数;
在所述目标对象的服饰评价分数大于或等于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第一初始识别结果,所述第一初始识别结果表征所述服饰图像数据对应的目标对象为目标类型;
在所述目标对象的服饰评价分数小于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第二初始识别结果,所述第二初始识别结果表征所述服饰图像数据对应的目标对象不为目标类型。
在其中一个实施例中,所述根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数,包括:
根据预设的计算机视觉识别算法对所述服饰图像数据进行处理,得到服饰特征;
将所述服饰特征输入至预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数。
在其中一个实施例中,所述行为特征包括所述商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种;
所述基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果,包括:
针对于所述多种行为特征中的每一行为特征,如果所述行为特征的特征值大于或等于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第三初始识别结果,所述第三初始识别结果表示所述目标对象是目标类型;
如果所述行为特征的特征值小于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第四初始识别结果,所述第四初始识别结果表示所述目标对象不为目标类型。
在其中一个实施例中,所述行为特征包括商场停留时间;
所述基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果,包括:
如果所述目标对象的所述商场停留时间在预设营业时间范围外,则得到所述目标对象的第五初始识别结果,所述第五初始识别结果表征所述目标对象为目标类型。
第二方面,本申请还提供了一种人员识别装置。所述装置包括:
获取模块,用于获取目标对象的服饰图像数据以及轨迹数据;
第一确定模块,用于根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
第二确定模块,用于根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
第三确定模块,用于如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
在其中一个实施例中,所述第二确定模块具体用于:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果;
基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果。
在其中一个实施例中,所述第二确定模块具体用于:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数;
在所述目标对象的服饰评价分数大于或等于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第一初始识别结果,所述第一初始识别结果表征所述服饰图像数据对应的目标对象为目标类型;
在所述目标对象的服饰评价分数小于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第二初始识别结果,所述第二初始识别结果表征所述服饰图像数据对应的目标对象不为目标类型。
在其中一个实施例中,所述第二确定模块具体用于:
根据预设的计算机视觉识别算法对所述服饰图像数据进行处理,得到服饰特征;
将所述服饰特征输入至预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数。
在其中一个实施例中,所述行为特征包括所述商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种;
所述第二确定模块具体用于:针对于所述多种行为特征中的每一行为特征,如果所述行为特征的特征值大于或等于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第三初始识别结果,所述第三初始识别结果表示所述目标对象是目标类型;
如果所述行为特征的特征值小于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第四初始识别结果,所述第四初始识别结果表示所述目标对象不为目标类型。
在其中一个实施例中,所述行为特征包括商场停留时间;
所述第二确定模块具体用于:如果所述目标对象的所述商场停留时间在预设营业时间范围外,则得到所述目标对象的第五初始识别结果,所述第五初始识别结果表征所述目标对象为目标类型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标对象的服饰图像数据以及轨迹数据;
根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标对象的服饰图像数据以及轨迹数据;
根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标对象的服饰图像数据以及轨迹数据;
根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
上述人员识别方法、装置、计算机设备、存储介质和计算机程序产品,该方法包括:获取目标对象的服饰图像数据以及轨迹数据;根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。通过采用本方法,可以在目标对象无感知的情况下,结合目标对象的多个方面的数据,实现精准的目标对象的类型识别。
附图说明
图1为一个实施例中人员识别方法的流程示意图;
图2为一个实施例中确定多个初始识别结果步骤的流程示意图;
图3为一个实施例中确定服饰图像数据对应的初始识别结果步骤的流程示意图;
图4为一个实施例中得到服饰评价分数步骤的流程示意图;
图5为一个实施例中轨迹数据对应的多个初始识别结果步骤的流程示意图;
图6为另一个实施例中人员识别方法的流程示意图;
图7为一个实施例中人员识别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种人员识别方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现,上述终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该人员识别方法包括以下步骤:
步骤102,获取目标对象的服饰图像数据以及轨迹数据。
具体地,目标对象可以是商场范围内的人员,终端可以从数据仓库中获取各个目标对象的服饰图像数据以及轨迹数据,该数据仓库中存储的数据可以是由在商场设备设置的多个图像采集装置采集到的。该服饰图像数据可以是该目标对象所穿戴的服饰的图像数据或者视频数据,该轨迹数据可以是该目标对象在预设时间范围内在商场的行动轨迹数据以及该行动轨迹数据对应的时间数据。该预设时间范围可以是一天,也可以是多天。
步骤104,根据轨迹数据,确定目标对象的至少一种行为特征的特征值。
其中,行为特征可以包括商场停留时间、商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种。
具体地,商场停留时间可以是目标对象在商场内停留的时间信息。商场停留时长可以是目标对象在一天内在商场内的停留时长,也可以是目标对象在多天内在商场内的总停留时长;商场内存在多个楼层,各个楼层存在多个单独店铺,这样,商场内单店停留时长可以是目标对象在一天内在商场内单个店铺的停留时长,商场内单店进出次数可以是目标对象在一天内进出商场内单个店铺的次数,商场内楼层停留时长可以是目标对象在商场内单个楼层的停留时长;商场进出次数可以是目标对象在一天内在该商场的进出次数,也可以是该目标对象在多天内到达该商场的次数,上述所提到的多天可以是一周,也可以是一个月,具体地可以根据实际应用场景确定。这样,终端可以根据采集到的目标对象的轨迹数据,对该轨迹数据进行分析,得到该目标对象对应的一个或多个行为特征分别对应的特征值。
在一个示例中,目标对象的行为特征可以是商场停留时间,这样,终端对该轨迹数据进行分析的过程可以是,根据该轨迹数据确定目标对象的位置是否为商场,这样,终端可以根据在商场的位置数据对应的时间数据确定该目标对象在该商场的停留时间,以及停留时长,例如该行为特征对应的特征值可以是该目标对象在该商场的停留时间可以是A时至B时,商场停留时长可以是(B-A)个小时等等。
步骤106,根据服饰图像数据以及目标对象的至少一种行为特征的特征值,分别确定目标对象的多个初始识别结果。
其中,初始识别结果用于表示目标对象是否为目标类型。目标类型可以是目标对象在商场的人员分类,例如可以是店员类型、商场工作人员类型等等。
具体地,终端可以通过该目标对象的服饰图像数据,确定该目标对象的一个初始识别结果,该初始识别结果可以是表示根据该服饰图像数据,确定目标对象是目标类型,或者确定该目标对象不是目标类型;终端还可以通过一种或多种行为特征的特征值,确定该目标对象的一个或多个初始识别结果,即,终端可以通过一种行为特征的特征值,确定目标对象的一个初始识别结果。
步骤108,如果表示目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定目标对象为目标类型。
具体地,终端可以对多个初始识别结果所表示的含义进行筛选,对表示该目标对象为目标类型的初始识别结果进行计数,得到表示目标对象为目标类型的初始识别结果的个数。这样,终端可以根据实际应用场景或者用户的选择操作确定预设识别阈值,终端可以将表示目标对象为目标类型的初始识别结果的个数与预设识别阈值进行比较。如果表示目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,那么终端可以确定目标对象是目标类型;如果表示目标对象为目标类型的初始识别结果的个数小于预设识别阈值,那么终端可以确定目标对象不是目标类型。
上述人员识别方法中,获取目标对象的服饰图像数据以及轨迹数据;根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。通过采用本方法,可以在目标对象无感知的情况下,结合多个方面的目标对象的数据,实现精准的目标对象的类型识别,且容错率较高,适用性较广。
在一个实施例中,如图2所示,步骤106“根据服饰图像数据以及目标对象的至少一种行为特征的特征值,分别确定目标对象的多个初始识别结果,初始识别结果用于表示目标对象是否为目标类型”的具体处理过程,包括:
步骤202,根据服饰图像数据以及预训练的服饰识别模型,得到服饰图像数据对应的初始识别结果。
其中,预训练的服饰识别模型可以是预先训练完成的模型,用于通过目标对象的服饰图像数据,判断该目标对象是否为店员。
具体地,终端从数据仓库中采集目标对象对应的服饰图像数据,这样,终端可以根据该服饰图像数据以及预先训练完成的服饰识别模型,得到初始识别结果。这样,该服饰识别模型可以直接输出识别结果,该识别结果可以是目标对象是目标类型,或者该目标对象不是目标类型等等。
可选地,该服饰识别模型输出的可以是该目标对象的服饰评价分数,终端还可以根据实际应用场景确定预设服饰识别阈值,这样,终端可以通过该目标对象的服饰评价分数与预设服饰识别阈值之间的比较结果,确定该服饰图像数据对应的目标对象的初始识别结果。
步骤204,基于目标对象的至少一种行为特征的特征值,分别确定各行为特征对应的初始识别结果。
具体地,终端可以基于目标对象的每一种行为特征的特征值,进行比较或者分析,得到该种行为特征对应的初始识别结果。
可选地,终端可以确定该目标对象存在A种行为特征,得到A种行为特征的特征值,这样,针对于该A种行为特征中的每一种行为特征,终端可以基于该行为特征的特征值进行比较或者分析,得到该行为特征对应的初始识别结果,即得到A种初始识别结果。
本实施例中,通过多种行为特征分别确定多种相对应的初始识别结果,可以在用户无感知的条件下,实现识别的高准确度,且适用范围较广。
在一个实施例中,如图3所示,步骤“根据服饰图像数据以及预训练的服饰识别模型,得到服饰图像数据对应的初始识别结果”的具体处理过程,包括:
步骤302,根据服饰图像数据以及预训练的服饰识别模型,得到服饰图像数据对应的目标对象的服饰评价分数。
具体地,终端可以数据仓库中提取服饰图像数据,该服饰图像数据可以是包括多个目标对象的服饰图像数据,这样,终端可以根据多个目标对象的服饰图像以及预训练的服饰识别模型,得到各个目标对象分别对应的服饰评价分数,该服饰评价分数用于表示基于该服饰图像数据确定的该目标对象是目标类型的概率值。
步骤304,在目标对象的服饰评价分数大于或等于预设服饰识别阈值的情况下,得到服饰图像数据对应的第一初始识别结果。
其中,第一初始识别结果表征服饰图像数据对应的目标对象为目标类型。该预设服饰识别阈值可以是终端基于实际应用场景确定的。
具体地,终端将目标对象的服饰评价分数与预设服饰识别阈值进行比较,如果该目标对象的服饰评价分数大于或等于预设服饰识别阈值,则可以确定该目标对象是目标类型,即,该目标对象是商场内的店员或者商场的工作人员。
步骤306,在目标对象的服饰评价分数小于预设服饰识别阈值的情况下,得到服饰图像数据对应的第二初始识别结果。
其中,第二初始识别结果表征服饰图像数据对应的目标对象不为目标类型。
具体地,终端将目标对象的服饰评价分数与预设服饰识别阈值进行比较,如果该目标对象的服饰评价分数小于预设服饰识别阈值,则可以确定该目标对象是目标类型,即,该目标对象是商场内的店员或者商场的工作人员。
本实施例中,通过目标对象的服饰图像数据,初步判断该目标对象是否为目标类型。
在一个实施例中,如图4所示,步骤“根据服饰图像数据以及预训练的服饰识别模型,得到服饰图像数据对应的目标对象的服饰评价分数”的具体处理过程,包括:
步骤402,根据预设的计算机视觉识别算法对服饰图像数据进行处理,得到服饰特征。
具体地,预设的计算机视觉识别算法可以是图像数据的服饰特征提取算法,或者可以是视频帧数据的服饰特征提取算法。这样,终端可以基于预设的上述算法,对目标对象的服饰图像数据进行处理,得到目标对象的服饰特征。
可选地,终端从数据仓库中获取包含多个目标对象的服饰图像数据,可以分别输入至该预设的计算机视觉识别算法中,得到各个目标对象分别对应的服饰特征。
在另一个示例中,终端从数据仓库中获取包含多个目标对象的服饰图像数据,可以预先划分成多个目标对象分别对应的服饰图像数据,再将各个目标对象对应的服饰图像数据分别输入至预设的计算机视觉识别算法中,得到各个目标对象分别对应的服饰特征。
步骤404,将服饰特征输入至预训练的服饰识别模型,得到服饰图像数据对应的目标对象的服饰评价分数。
具体地,终端可以将目标对象对应的服饰特征输入至预训练的服饰识别模型,该服饰识别模型可以输出该目标对象分别对应的服饰评价分数,该服饰评价分数用于表示该目标对象是目标类型的概率值。概率值越大,该目标对象是是目标类型的可能性就越高,就越有可能是目标类型(商场内的店员或者是商场内的工作人员)。
在一个实施例中,行为特征包括商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种。
相应地,如图5所示,步骤“基于目标对象的至少一种行为特征的特征值,分别确定各行为特征对应的初始识别结果”的具体处理过程,包括:
步骤502,针对于多种行为特征中的每一行为特征,如果行为特征的特征值大于或等于行为特征对应的预设识别阈值,则得到行为特征对应的第三初始识别结果,第三初始识别结果表示目标对象是目标类型。
具体地,终端针对于每一种行为特征,会基于该种行为特征的特征值与该种行为特征对应的预设识别阈值的比较结果,确定该种行为特征对应的目标对象的初始识别结果。
在一个示例中,行为特征可以包括商场停留时长以及商场内单店停留时长,这样,终端可以根据实际应用场景确定商场停留时长对应的预设识别阈值,以及商场内单店停留时长对应的预设识别阈值。这样,针对于商场停留时长的行为特征,终端可以获取商场停留时长对应的特征值,与商场停留时长对应的预设识别阈值进行比较,得到商场停留时长对应的初始识别结果;针对于商场内单店停留时长的行为特征,终端可以获取商场内单店停留时长对应的特征值,与商场内单店停留时长对应的预设识别阈值进行比较,得到商场内单店停留时长对应的初始识别结果。如果商场停留时长的特征值大于预设商场停留时长的特征值,则可以确定目标对象是目标类型,即商场停留时长对应的初始识别结果是,目标对象为目标类型。反之,则确定目标对象不是目标类型,具体判断过程与本实施例所描述的过程类似,在此不再赘述。
可选地,商场停留时长对应的预设识别阈值可以是根据商场的营业时间确定的,例如可以是八小时;商场内单店停留时长对应的预设识别阈值可以是五小时等等。
步骤504,如果行为特征的特征值小于行为特征对应的预设识别阈值,则得到行为特征对应的第四初始识别结果,第四初始识别结果表示目标对象不为目标类型。
在一个实施例中,行为特征包括商场停留时间。
相应地,步骤“基于目标对象的至少一种行为特征的特征值,分别确定各行为特征对应的初始识别结果”的具体处理过程,包括:
如果目标对象的商场停留时间在预设营业时间范围外,则得到目标对象的第五初始识别结果,第五初始识别结果表征目标对象为目标类型。
具体地,目标对象的商场停留时间表示的是该目标对象在该商场停留的时间点,商场停留时间的行为特征对应的特征值例如可以是二十二点至二十三点,商场的预设营业时间范围可以是九点至十七点。这样,终端可以将目标对象的商场停留时间与预设营业时间范围进行比较,由于二十二点至二十三点在预设营业时间范围外,则终端可以确定该目标对象是目标类型,即该目标对象是商场的店员或者商场的工作人员。
以下,结合人员识别系统,详细描述本发明所提供的人员识别方法的具体处理过程,如图6所示,该人员识别系统包括数据仓库、数据计算模块、数据收集模块、汇总模块以及输出模块。
具体地,终端可以通过数据收集模块,在数据仓库进行数据拉取,得到两部分的原始数据,包括服饰识别的店员数据以及目标对象(顾客)在商场内的高精度轨迹数据。
针对于上述获取到的原始数据,数据计算模块会通过以下多种方式分别得到多种初始识别结果:
1、通过计算机视觉识别算法,利用训练好的店员服饰识别模型,输出每个目标对象的服饰识别分,通过将服饰识别分与设定阈值进行比较的方式,进行服饰识别的统计输出,如果服饰识别分大于设定阈值,则确定该目标对象的初始识别结果为目标类型,即目标对象是商场内的工作人员。
2、基于目标对象在商场内的高精度轨迹数据,进行当天营业时间过滤,在在当天商场营业时间之外记录的目标对象,可以输出为商场的工作人员。
3、基于目标对象在商场内的高精度轨迹数据,计算当天在商场内的停留时长,例如,当天在场8小时及以上的目标对象,可以输出为商场的工作人员。
4、基于目标对象在商场内的高精度轨迹数据,计算当天在店停留时长,当天在单店停留时长大于等于5小时的目标对象,可以输出为商场的工作人员。
5、基于目标对象在商场内的高精度轨迹数据,计算当天进单店次数,当天进入同一家店大于等于5次的目标对象,可以输出为商场的工作人员。
6、基于目标对象在商场内的高精度轨迹数据,计算当天在楼层停留时长:当天在同一楼层总停留时长大于等于5小时的目标对象,可以输出为商场的工作人员。
7、基于目标对象在商场内的高精度轨迹数据,计算多天在场内停留时长(若有多天打通数据):一周周期内总停留时长大于等于20小时或者一个月周期停留时长大于等于60小时的目标对象,可以输出为商场的工作人员。
8、基于目标对象在商场内的高精度轨迹数据,计算多天到场次数(若有多天打通数据):一周周期内总到场次数大于等于5天或者一个月周期总到场次数大于等于20天的目标对象,可以输出为商场的工作人员。
汇总模块:在数据计算模块中,被两条及以上计算为工作人员时,即输出为工作人员,否则标记为非工作人员
输出模块:输出最后计算结果或者店员名单等数据信息
本发明所提供的人员识别方法,可以通过结合计算机视觉识别算法与以及对商场内轨迹数据的处理,通过多种渠道的数据的交叉,进行精准的店员识别,且用户基本无感知,不涉及用户隐私;容错率较高,通过多种方面进行相互校验,得到最后结论;通过轨迹数据的挖掘,可结合当天或者跨天数据,对一段周期内总体行为特征进行统计,可以弥补视觉识别只能当天识别的劣势,,使用于人员识别的数据更加全面,使人员识别的精确度更高。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的人员识别方法的人员识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个人员识别装置实施例中的具体限定可以参见上文中对于人员识别方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种人员识别装置600,包括:
获取模块601,用于获取目标对象的服饰图像数据以及轨迹数据;
第一确定模块602,用于根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
第二确定模块603,用于根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
第三确定模块604,用于如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
在其中一个实施例中,所述第二确定模块具体用于:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果;
基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果。
在其中一个实施例中,所述第二确定模块具体用于:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数;
在所述目标对象的服饰评价分数大于或等于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第一初始识别结果,所述第一初始识别结果表征所述服饰图像数据对应的目标对象为目标类型;
在所述目标对象的服饰评价分数小于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第二初始识别结果,所述第二初始识别结果表征所述服饰图像数据对应的目标对象不为目标类型。
在其中一个实施例中,所述第二确定模块具体用于:
根据预设的计算机视觉识别算法对所述服饰图像数据进行处理,得到服饰特征;
将所述服饰特征输入至预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数。
在其中一个实施例中,所述行为特征包括所述商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种;
所述第二确定模块具体用于:针对于所述多种行为特征中的每一行为特征,如果所述行为特征的特征值大于或等于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第三初始识别结果,所述第三初始识别结果表示所述目标对象是目标类型;
如果所述行为特征的特征值小于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第四初始识别结果,所述第四初始识别结果表示所述目标对象不为目标类型。
在其中一个实施例中,所述行为特征包括商场停留时间;
所述第二确定模块具体用于:如果所述目标对象的所述商场停留时间在预设营业时间范围外,则得到所述目标对象的第五初始识别结果,所述第五初始识别结果表征所述目标对象为目标类型。
上述人员识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标对象的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人员识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种人员识别方法,其特征在于,所述方法包括:
获取目标对象的服饰图像数据以及轨迹数据;
根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型,包括:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果;
基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的初始识别结果,包括:
根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数;
在所述目标对象的服饰评价分数大于或等于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第一初始识别结果,所述第一初始识别结果表征所述服饰图像数据对应的目标对象为目标类型;
在所述目标对象的服饰评价分数小于预设服饰识别阈值的情况下,得到所述服饰图像数据对应的第二初始识别结果,所述第二初始识别结果表征所述服饰图像数据对应的目标对象不为目标类型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述服饰图像数据以及预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数,包括:
根据预设的计算机视觉识别算法对所述服饰图像数据进行处理,得到服饰特征;
将所述服饰特征输入至预训练的服饰识别模型,得到所述服饰图像数据对应的目标对象的服饰评价分数。
5.根据权利要求2所述的方法,其特征在于,所述行为特征包括所述商场停留时长、商场内单店停留时长、商场内单店进出次数、商场内楼层停留时长、商场进出次数中的一种或多种;
所述基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果,包括:
针对于所述多种行为特征中的每一行为特征,如果所述行为特征的特征值大于或等于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第三初始识别结果,所述第三初始识别结果表示所述目标对象是目标类型;
如果所述行为特征的特征值小于所述行为特征对应的预设识别阈值,则得到所述行为特征对应的第四初始识别结果,所述第四初始识别结果表示所述目标对象不为目标类型。
6.根据权利要求2所述的方法,其特征在于,所述行为特征包括商场停留时间;
所述基于所述目标对象的至少一种行为特征的特征值,分别确定各所述行为特征对应的初始识别结果,包括:
如果所述目标对象的所述商场停留时间在预设营业时间范围外,则得到所述目标对象的第五初始识别结果,所述第五初始识别结果表征所述目标对象为目标类型。
7.一种人员识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标对象的服饰图像数据以及轨迹数据;
第一确定模块,用于根据所述轨迹数据,确定所述目标对象的至少一种行为特征的特征值;
第二确定模块,用于根据所述服饰图像数据以及所述目标对象的至少一种行为特征的特征值,分别确定所述目标对象的多个初始识别结果,所述初始识别结果用于表示所述目标对象是否为目标类型;
第三确定模块,用于如果表示所述目标对象为目标类型的初始识别结果的个数大于或等于预设识别阈值,则确定所述目标对象为目标类型。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465851.8A CN117037053A (zh) | 2022-04-29 | 2022-04-29 | 人员识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465851.8A CN117037053A (zh) | 2022-04-29 | 2022-04-29 | 人员识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117037053A true CN117037053A (zh) | 2023-11-10 |
Family
ID=88634152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465851.8A Pending CN117037053A (zh) | 2022-04-29 | 2022-04-29 | 人员识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037053A (zh) |
-
2022
- 2022-04-29 CN CN202210465851.8A patent/CN117037053A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229314B (zh) | 目标人物的搜索方法、装置和电子设备 | |
WO2015148422A1 (en) | Recommendation system with dual collaborative filter usage matrix | |
CN111192153B (zh) | 人群关系网络构建方法、装置、计算机设备和存储介质 | |
US10997609B1 (en) | Biometric based user identity verification | |
CN112131277A (zh) | 基于大数据的医疗数据异常分析方法、装置和计算机设备 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN111597921A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN109785114A (zh) | 用于贷款审核的信用数据展示方法、装置、设备及介质 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
WO2019223082A1 (zh) | 客户类别分析方法、装置、计算机设备和存储介质 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
CN116071784A (zh) | 人员违规行为识别方法、装置、设备和存储介质 | |
CN117037053A (zh) | 人员识别方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110751046B (zh) | 一种用户识别方法、装置、可读存储介质及终端设备 | |
CN112069913B (zh) | 用户的识别方法、装置、存储介质和电子设备 | |
CN112801744B (zh) | 一种活动推荐方法、装置、电子设备和存储介质 | |
CN117590951B (zh) | 一种多场景vr互动方法、系统及存储介质 | |
CN116595389B (zh) | 识别异常客户端的方法、装置、计算机设备和存储介质 | |
CN111882429B (zh) | 一种银行系统字段长度分段方法和装置 | |
CN115424176A (zh) | 目标对象的确定方法、装置、计算机设备和存储介质 | |
CN117522454B (zh) | 一种工作人员识别方法及系统 | |
CN116912009A (zh) | 信息处理方法、装置、电子设备和可读存储介质 |
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 |