顾客属性预测方法、存储介质、系统及设备技术方案

本发明专利技术提供一种顾客属性预测方法、存储介质、系统及设备，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。本发明专利技术解决了基于深度学习的顾客属性预测过程中不能高效高质量提取顾客图像属性从而导致不能高精准的预测顾客属性的问题。并创造性的结合了注意力机制来有效高质量提取顾客属性行为特征，从而更加高精准高质量的对顾客属性进行预测。

【技术实现步骤摘要】
顾客属性预测方法、存储介质、系统及设备
本专利技术特别涉及一种顾客属性预测方法、存储介质、系统及设备。
技术介绍
商业大数据的有效利用给现代企业带来了巨大的商业机会和利益，在大数据时代，企业越来越重视如何有效利用数据，尤其是在商业客流领域中。作为与顾客直接接触的线下零售场所，如购物中心，连锁店和超市等地方，每天可以产生庞大的数据，如何从这些海量的数据中提取有效的信息，成为提高企业核心竞争力的关键。特别是在大型商场购物中心，如何分析出顾客的喜好、顾客的主要集中时间段、顾客中的年龄段分布，是一个衡量商业客流分析提供商的重要指标。在实际应用场景中，由于场景复杂，导致最终形成的图像有较多的遮挡和失真，并且对于感兴趣的某些属性存在着极大的不平衡性，使得后续对顾客的分析造成困难。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种顾客属性预测方法、存储介质、系统及设备，用于解决现有技术中基于深度学习的顾客属性预测过程中不能高效高质量提取顾客图像属性从而导致不能高精准的预测顾客属性的问题。为实现上述目的及其他相关目的，本专利技术提供一种顾客属性预测方法，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集与数据增强；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。于本专利技术的一实施例中，所述将所述顾客图像进行预处理的一种实现过程包括：将所述顾客图像的属性的数据集划分为训练集、验证集和测试集与数据增强；对所述验证集的其中一部分进行手工校对；将所述顾客图像的大小进行调节以适应检测器的输入；保存固定尺寸的所述顾客图像。于本专利技术的一实施例中，所述构建网络并进行随机初始化的一种实现过程包括：选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出。于本专利技术的一实施例中，所述用所述训练集训练网络的一种实现过程包括：将所述获取的用于训练的批顾客图像，依据标注类别计算相互间的相似度，根据相似度来抑制训练过程中某些类别主导的问题，对其进行数据增强后输入网络；；定义损失函数的计算并对损失进行加权计算；以处理各个所述顾客图像属性之间的不平衡问题；判断回传梯度是否能够使得所述网络在所述验证集上的精度提高；若是，则进行权重更新；否则，则不进行更行；当网络模型的损失不再下降时，训练停止，此时获得最优训练参数；依据最优训练参数，让网络模型在训练集和验证集上训练，得到每次迭代的模型；在测试集对所述网络模型进行评估，并将所述网络模型按照一定阈值进行选取输出。于本专利技术的一实施例中，所述定义损失函数的一种实现过程包括：设所述权重为W；所述训练集上各个属性的比例为ratios；则：W＝Exp(-ratios)；其中某个属性所占训练集比重越低，对损失的贡献越大。为实现上述目的及其他相关目的，本专利技术提供一种顾客属性预测系统，所述顾客属性预测系统包括：摄像模块，获取顾客图像；处理模块，与所述摄像模块通信相连，将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集与数据增强；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。于本专利技术的一实施例中，所述构建网络并进行随机初始化的一种实现过程包括：选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出。于本专利技术的一实施例中，所述用所述训练集训练网络的一种实现过程包括：将所述获取的用于训练的批顾客图像，依据标注类别计算相互间的相似度，根据相似度来抑制训练过程中某些类别主导的问题，对其进行数据增强后输入网络；定义损失函数的计算并对损失进行加权计算，以处理各个所述顾客图像属性之间的不平衡问题；判断回传梯度是否能够使得所述网络在所述验证集上的精度提高。若是，则进行权重更新。否则，则不进行更行；当网络模型的损失不再下降时，训练停止，此时获得最优训练参数；依据最优训练参数，让网络模型在训练集和验证集上训练，得到每次迭代的模型；在测试集对所述网络模型进行评估，并将所述网络模型按照一定阈值进行选取输出。为实现上述目的及其他相关目的，本专利技术提供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本专利技术所述顾客属性预测方法。为实现上述目的及其他相关目的，本专利技术提供一种设备，所述设备包括：所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行本专利技术所述顾客属性预测方法。如上所述，本专利技术的顾客属性预测方法、存储介质、系统及设备，具有以下有益效果：本专利技术解决了基于深度学习的顾客属性预测过程中不能高效高质量提取顾客图像属性从而导致不能高精准的预测顾客属性的问题。并创造性的结合了注意力机制来有效高质量提取顾客属性行为特征，从而更加高精准高质量的对顾客属性进行预测。附图说明图1A显示为本专利技术实施例所述的一种顾客属性预测方法的一种实现流程示意图。图1B显示为本专利技术实施例所述的一种顾客属性预测方法的一种实现流程示意图。图2显示为本专利技术实施例所述的一种顾客属性预测系统的一种结构示意图。图3显示为本专利技术实施例所述的一种设备的一种结构示意图。元件标号说明20顾客属性预测系统21摄像模块22处理模块30设备31处理器32存储器S101～S106步骤具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。请参阅图1A和1B，本专利技术提供一种顾客属性预测方法，所述顾客属性预测方法包括：S101、获取顾客图像；S102、将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；具体的，所述预处理包括：将数据集划分为训练集、验证集与测试集和数据增强并对部分验证集进行手工校对；将图像减去均值并除以方差，考虑到实际目标检测器的原因，对图像进行抖动以此来适应检测器的输入，最后将顾客图像缩放成固定尺寸。网络的输本文档来自技高网...

【技术保护点】
1.一种顾客属性预测方法，其特征在于，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。

【技术特征摘要】
1.一种顾客属性预测方法，其特征在于，所述顾客属性预测方法包括：获取顾客图像；将所述顾客图像进行预处理；所述预处理包括：划分训练集、验证集和测试集；构建网络并进行随机初始化；输入所述顾客图像数据并用所述训练集训练网络；计算回传梯度后的模型参数；在所述测试集上选取最优模型。2.根据权利要求1所述的顾客属性预测方法，其特征在于，所述将所述顾客图像进行预处理的一种实现过程包括：将所述顾客图像的属性的数据集划分为训练集、验证集合测试集；对所述验证集的其中一部分进行手工校对；将所述顾客图像的大小进行调节以适应检测器的输入；保存固定尺寸的所述顾客图像。3.根据权利要求1所述的顾客属性预测方法，其特征在于，所述构建网络并进行随机初始化的一种实现过程包括：选取能融合各个尺寸所述顾客图像的网络；所述网络的其中一个分支用于在语义较低的层预测顾客图像情况；所述网络的其中一个分支用于在较高的语义信息环境下对所述顾客图像属性进行后续预测；将各个分支的预测结果进行融合并计算出结果；将置信度信息与预测分支进行融合并计算出结果；将上述融合结果进行加权计算推算出预测结果；将属性预测置信度高于一定值的属性输出。4.根据权利要求1所述的顾客属性预测方法，其特征在于，所述用所述训练集训练网络的一种实现过程包括：将所述获取的用于训练的批顾客图像，依据标注类别计算相互间的相似度，根据相似度来抑制训练过程中某些类别主导的问题，对其进行数据增强后输入网络；定义损失函数的计算并对损失进行加权计算；以处理各个所述顾客图像属性之间的不平衡问题；判断回传梯度是否能够使得所述网络在所述验证集上的精度提高；若是，则进行权重更新；否则，则不进行更行；当网络模型的损失不再下降时，训练停止，此时获得最优训练参数；依据最优训练参数，让网络模型在训练集和验证集上训练，得到每次迭代的模型；在测试集对所述网络模型进行评估，并将所述网络模型按照一定阈值进行选取输出。5.根据权利要求4所述的顾客属性预测方法，其特征在于，所述定义损失函数的一种实现过程包括：设所述权重为W；所述训练集上各个属性的比例为ratios；则：W＝Exp(-r...

【专利技术属性】
技术研发人员：袁德胜，游浩泉，洪灿佳，王作辉，姚磊，杨进参，余晓聪，
申请(专利权)人：汇纳科技股份有限公司，
类型：发明
国别省市：上海,31