遗留物监测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种遗留物监测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.银行网点大厅处于服务客户的第一线位置，其特点是每天的人流量比较大，客户进出比较频繁。在客户频繁出入银行大厅网点的过程中，客户一般会随身携带一些物品，例如手提包、背包、手提箱等。通过对银行网点的统计调查，客户在办理完业务离开银行网点大厅时遗忘随身携带物品事件时有发生。
3.目前，银行对客户遗留物品的发现过程及处理过程一般为：由银行工作人员定期或不定期对网点大厅的物品进行清点，若捡拾到客户遗留物品，则进行物品安全清点，排除危险品后暂代客户保管，然后等待失主来银行网点认领遗留物。然而，该方法存在遗留物发现不及时的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高遗留物发现及时性的遗留物监测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种遗留物监测方法。所述方法包括：
6.采集目标环境的第一拍摄图像；
7.根据预先建立的背景模型，采用移动目标检测算法对采集到的第一拍摄图像进行运动前景目标检测，得到所述第一拍摄图像中各运动前景目标对应的连通域团块；
8.对每个所述连通域团块对应的图像进行行人检测，得到目标行人对应的行人连通域团块；
9.在所述第一拍摄图像的下一帧拍摄图像中，识别所述目标行人对应的预设区域范围内是否包含物品连通域团块；
10.在包含物品连通域团块的情况下，获取所述目标行人对应的人脸图像、以及所述物品连通域团块对应的物品图像，并进行对应存储；
11.若所述物品连通域团块在所述下一帧拍摄图像之后的拍摄图像中的位置信息未发生变化，则将所述物品连通域团块对应的物品确定为所述目标行人的遗留物。
12.在其中一个实施例中，所述背景模型的建立过程包括：
13.采集所述目标环境的第二拍摄图像，作为样本图像；
14.根据所述样本图像确定目标样本图像；
15.针对每个所述目标样本图像中的每个像素点，在所述目标样本图像中所述像素点的预设邻域的像素点中随机选取一个像素点的像素值，作为所述目标样本图像中所述像素点的样本像素值；
16.根据各所述目标样本图像中所述像素点的样本像素值进行加权平均计算，得到所
述像素点的一个背景样本库像素值；
17.返回执行根据所述样本图像确定目标样本图像步骤，直到得到所述样本图像中每个像素点的预设数量的背景样本库像素值，并基于所述样本图像中每个像素点的预设数量的背景样本库像素值建立所述目标环境的背景模型。
18.在其中一个实施例中，所述根据各所述目标样本图像中所述像素点的样本像素值进行加权平均计算，得到所述像素点的一个背景样本库像素值，包括：
19.将各所述目标样本图像中所述像素点的样本像素值进行均值计算，得到均值；
20.根据各所述目标样本图像中所述像素点的样本像素值、以及所述均值，采用一维高斯分布函数计算各所述目标样本图像中所述像素点的权重，并根据各所述目标样本图像中所述像素点的权重确定所述均值的权重；
21.根据各所述目标样本图像中所述像素点的样本像素值、所述均值、各所述目标样本图像中所述像素点的权重、以及所述均值的权重，进行加权平均计算，得到所述像素点的一个背景样本库像素值。
22.在其中一个实施例中，所述若所述物品连通域团块在所述下一帧拍摄图像之后的拍摄图像中的位置信息未发生变化，则将所述物品连通域团块对应的物品确定为所述目标行人的遗留物，包括：
23.确定所述物品连通域团块在所述下一帧拍摄图像中、以及所述下一帧拍摄图像之后的拍摄图像中的位置信息；
24.根据所述物品连通域团块在相邻两帧拍摄图像中的位置信息，计算所述物品连通域团块在相邻两帧拍摄图像中的位置距离；
25.若所述位置距离小于或等于预设阈值，则记录所述物品连通域团块的静止次数增加一次；
26.当所述物品连通域团块的静止次数大于预设次数时，则将所述物品连通域团块对应的物品确定为所述目标行人的遗留物。
27.在其中一个实施例中，所述方法还包括：
28.根据所述目标行人对应的人脸图像，对所述目标行人进行身份识别，确定所述目标行人的联系信息，并根据所述联系信息，向所述目标行人发送遗留物领取提示信息。
29.在其中一个实施例中，所述方法还包括：
30.采集针对目标遗留物的领取人的人脸图像；
31.将所述领取人的人脸图像，与所述目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则输出身份核对通过的提示信息。
32.在其中一个实施例中，所述方法还包括：
33.接收遗留物领取机发送的针对目标遗留物的领取人的人脸图像；
34.将所述领取人的人脸图像，与所述目标遗留物对应的行人的人脸图像进行匹配识别，并在匹配成功的情况下，向所述遗留物领取机发送针对所述目标遗留物的投放指令，以使所述遗留物领取机根据所述投放指令，向所述领取人投放所述目标遗留物。
35.第二方面，本技术还提供了一种遗留物监测装置。所述装置包括：
36.第一采集模块，用于采集目标环境的第一拍摄图像；
37.第一检测模块，用于根据预先建立的背景模型，采用移动目标检测算法对采集到
的第一拍摄图像进行运动前景目标检测，得到所述第一拍摄图像中各运动前景目标对应的连通域团块；
38.第二检测模块，用于对每个所述连通域团块对应的图像进行行人检测，得到目标行人对应的行人连通域团块；
39.第一识别模块，用于在所述第一拍摄图像的下一帧拍摄图像中，识别所述目标行人对应的预设区域范围内是否包含物品连通域团块；
40.存储模块，用于在包含物品连通域团块的情况下，获取所述目标行人对应的人脸图像、以及所述物品连通域团块对应的物品图像，并进行对应存储；
41.第一确定模块，用于若所述物品连通域团块在所述下一帧拍摄图像之后的拍摄图像中的位置信息未发生变化，则将所述物品连通域团块对应的物品确定为所述目标行人的遗留物。
42.在其中一个实施例中，所述装置还包括：
43.第二采集模块，用于采集所述目标环境的第二拍摄图像，作为样本图像；
44.第二确定模块，用于根据所述样本图像确定目标样本图像；
45.选取模块，用于针对每个所述目标样本图像中的每个像素点，在所述目标样本图像中所述像素点的预设邻域的像素点中随机选取一个像素点的像素值，作为所述目标样本图像中所述像素点的样本像素值；
46.计算模块，用于根据各所述目标样本图像中所述像素点的样本像素值进行加权平均计算，得到所述像素点的一个背景样本库像素值；
47.建立模块，用于返回执行根据所述样本图像确定目标样本图像步骤，直到得到所述样本图像中每个像素点的预设数量的背景样本库像素值，并基于所述样本图像中每个像素点的预设数量的背景样本库像素值建立所述目标环境的背景模型。
48.在其中一个实施例中，所述计算模块具体用于：
49.将各所述目标样本图像中所述像素点的样本像素值进行均值计算，得到均值；根据各所述目标样本图像中所述像素点的样本像素值、以及所述均值，采用一维高斯分布函数计算各所述目标样本图像中所述像素点的权重，并根据各所述目标样本图像中所述像素点的权重确定所述均值的权重；根据各所述目标样本图像中所述像素点的样本像素值、所述均值、各所述目标样本图像中所述像素点的权重、以及所述均值的权重，进行加权平均计算，得到所述像素点的一个背景样本库像素值。
50.在其中一个实施例中，所述第一确定模块具体用于：
51.确定所述物品连通域团块在所述下一帧拍摄图像中、以及所述下一帧拍摄图像之后的拍摄图像中的位置信息；根据所述物品连通域团块在相邻两帧拍摄图像中的位置信息，计算所述物品连通域团块在相邻两帧拍摄图像中的位置距离；若所述位置距离小于或等于预设阈值，则记录所述物品连通域团块的静止次数增加一次；当所述物品连通域团块的静止次数大于预设次数时，则将所述物品连通域团块对应的物品确定为所述目标行人的遗留物。
52.在其中一个实施例中，所述装置还包括第二识别模块，用于：
53.根据所述目标行人对应的人脸图像，对所述目标行人进行身份识别，确定所述目标行人的联系信息，并根据所述联系信息，向所述目标行人发送遗留物领取提示信息。
54.在其中一个实施例中，所述装置还包括：
55.第三采集模块，用于采集针对目标遗留物的领取人的人脸图像；
56.匹配模块，用于将所述领取人的人脸图像，与所述目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则输出身份核对通过的提示信息。
57.在其中一个实施例中，所述装置还包括：
58.接收模块，用于接收遗留物领取机发送的针对目标遗留物的领取人的人脸图像；
59.发送模块，用于将所述领取人的人脸图像，与所述目标遗留物对应的行人的人脸图像进行匹配识别，并在匹配成功的情况下，向所述遗留物领取机发送针对所述目标遗留物的投放指令，以使所述遗留物领取机根据所述投放指令，向所述领取人投放所述目标遗留物。
60.第三方面，本技术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第一方面所述的方法的步骤。
61.第四方面，本技术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第一方面所述的方法的步骤。
62.第五方面，本技术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第一方面所述的方法的步骤。
63.上述遗留物监测方法、装置、计算机设备、存储介质和计算机程序产品，根据预先建立的背景模型，采用移动目标检测算法对目标环境的第一拍摄图像进行运动前景目标检测，得到各运动前景目标对应的连通域团块，然后对各连通域团块进行行人检测，确定目标行人对应的行人连通域团块，即确定出目标环境中存在移动的行人，进而在下一帧拍摄图像中识别该行人的预设区域范围内是否包含非行人的连通域团块(即物品连通域团块)，若包含，则说明在第一拍摄图像的时刻至下一帧拍摄图像的时刻之间，该行人将随身物品放置在了一旁，因而在该行人的周围(预设区域范围)出现了物品连通域团块，故可将该行人的人脸图像和该物品连通域团块对应的物品图像建立对应关系。然后，在之后的拍摄图像中监测该物品连通域团块的位置信息是否发生变化，若未发生变化，说明该物品长时间未发生移动，则可将该物品连通域团块对应的物品确定为遗留物，与该物品图像建立对应关系的行人的人脸图像，即为该遗留物的失主的人脸图像。由此，可以实现实时、自动监测目标环境中是否存在遗留物，提高遗留物发现的及时性。
附图说明
64.图1为一个实施例中遗留物监测方法的流程示意图；
65.图2为一个实施例中背景模型的建立过程的流程示意图；
66.图3为一个实施例中背景样本库像素值的计算过程的流程示意图；
67.图4为另一个实施例中遗留物监测方法的流程示意图；
68.图5为一个示例中遗留物领取机的结构示意图；
69.图6为一个示例中遗留物领取方法的流程示意图；
70.图7为一个实施例中遗留物监测装置的结构框图；
71.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
72.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
73.首先，在具体介绍本技术实施例的技术方案之前，先对本技术实施例基于的技术背景或者技术演进脉络进行介绍。客户办理完业务离开银行网点大厅时遗忘随身携带物品事件时有发生。目前，银行对客户遗留物品的发现过程及处理过程一般为：由银行工作人员定期或不定期对网点大厅的物品进行清点，若捡拾到客户遗留物品，则进行物品安全清点，排除危险品后暂代客户保管，然后等待失主来银行网点认领遗留物。然而，该方法存在遗留物发现不及时的问题。一方面，对于非危险品的正常遗留物，若发现不及时，则可能导致遗留物丢失；另一方面，对于危险品遗留物，若不能及时发现，则无法及时报警处理，容易发生突发性安全事件。并且，该方法需要消耗大量人力成本，且人力处理效率较低，导致客户体验不佳。基于该背景，申请人通过长期的研发以及实验验证，提出本技术的遗留物监测方法，可以实时、自动监测目标环境中是否存在遗留物，提高遗留物发现及时性，并且还可以有效节省人力消耗、提高遗留物处理效率、提升客户体验。另外，需要说明的是，本技术技术问题的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
74.在一个实施例中，如图1所示，提供了一种遗留物监测方法，本实施例以该方法应用于服务器进行举例说明，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。
75.本实施例中，该方法包括以下步骤：
76.步骤101，采集目标环境的第一拍摄图像。
77.其中，目标环境指需要进行遗留物监测的环境，可以是室内环境(如银行网点大厅等)，也可以是室外环境(如室外公园等)，本技术不做限定。第一拍摄图像可以是对目标环境进行遗留物监测过程中任一时刻采集的拍摄图像。可以理解的，第一拍摄图像可以是目标环境的全区域拍摄图像，也可以是只需要重点监测遗留物的局部区域的拍摄图像，具体可以根据实际情况进行设置。
78.在实施中，服务器可以采集目标环境的第一拍摄图像，例如，可以通过安装在目标环境中的拍摄装置采集目标环境的拍摄图像，并将采集到的拍摄图像实时发送给服务器。
79.步骤102，根据预先建立的背景模型，采用移动目标检测算法对采集到的第一拍摄图像进行运动前景目标检测，得到第一拍摄图像中各运动前景目标对应的连通域团块。
80.其中，背景模型为针对目标环境建立的背景模型，可用于描述目标环境中相对静止的物品、设施等背景图像信息。可以在对第一拍摄图像(即当前帧拍摄图像)进行运动前景目标检测之前建立该背景模型，具体建立方法可以采用移动目标检测算法(如vibe算法)中建立背景模型的方法，也可以采用对其改进后的方法，改进的方法后续会进行详细说明，此处不再赘述。
81.在实施中，服务器可以根据预先建立的背景模型，采用移动目标检测算法对采集到的第一拍摄图像进行运动前景目标检测。其中，运动前景目标可以是行人、推车、行李箱
等相对目标环境的背景发生移动的目标。服务器可以基于背景模型，采用移动目标检测算法(如vibe算法)中前景分割的方法，对第一拍摄图像进行运动前景目标检测，得到前景图像。前景图像为第一拍摄图像对应的二值图像，其中，运动前景目标对应的区域可以是白色，除运动前景目标之外的背景部分可以是黑色。若第一拍摄图像中包含多个运动前景目标，则前景图像中将包含多个连通域团块(即白色团块)，每个连通域团块对应一个运动前景目标。由此可以得到第一拍摄图像中各运动前景目标对应的连通域团块。
82.步骤103，对每个连通域团块对应的图像进行行人检测，得到目标行人对应的目标连通域团块。
83.其中，每个连通域团块对应的图像指第一拍摄图像中各连通域团块对应区域的图像(为rgb图像)。
84.在实施中，服务器可以对各连通域团块对应的图像分别进行行人检测，例如，服务器可以将各连通域团块对应的图像输入mb-clbp-adaboost行人检测器(multiscale block-completed modeling of local binary pattern-adaboost，基于多块局部二进制特征与机器学习分类器的行人检测器)中进行判断是否为行人。若检测出某个连通域团块对应的图像中包含行人，则可以将该连通域团块确定为行人连通域团块，该图像中的行人即为目标行人，由此得到目标行人对应的行人连通域团块。
85.步骤104，在第一拍摄图像的下一帧拍摄图像中，识别目标行人对应的预设区域范围内是否包含物品连通域团块。
86.其中，物品连通域团块指非行人对应的连通域团块。
87.在实施中，服务器可以在第一拍摄图像的下一帧拍摄图像中，识别目标行人对应的预设区域范围内是否包含物品连通域团块。例如，服务器可以对下一帧拍摄图像进行运动前景目标检测，得到下一帧拍摄图像的前景图像，然后对该前景图像包含的各连通域团块对应的图像进行行人检测，确定出行人连通域团块和物品连通域团块(即非行人对应的连通域团块)。之后，服务器可以根据第一拍摄图像中目标行人对应的行人连通域团块的目标位置信息(如质心位置)，在下一帧拍摄图像中的各行人连通域团块中确定出与该目标位置信息最接近的行人连通域团块，即确定出目标行人在该下一帧拍摄图像的前景图像中对应的连通域团块。之后，服务器可以判断在该下一帧拍摄图像的前景图像中，目标行人的预设区域范围内是否存在物品连通域团块，例如，可以在该下一帧拍摄图像的前景图像中，以目标行人对应的连通域团块为中心设定一个范围，并判断该前景图像中、该范围内是否包含物品连通域团块。具体范围大小可以根据经验或实验以及实际情况设定，例如可以是以该连通域团块的质心为圆心、设定一个包含该连通域团块的圆形范围，或设定一个包含该连通域团块的矩形范围，或将连通域团块扩大预设倍数的一个范围。
88.可以理解的，若第一拍摄图像中包含多个移动的行人，则可以得到多个目标行人对应的行人连通域团块，并在下一帧拍摄图像中分别识别每个目标行人的预设区域范围内是否包含物品连通域团块。
89.步骤105，在包含物品连通域团块的情况下，获取目标行人对应的人脸图像、以及物品连通域团块对应的物品图像，并进行对应存储。
90.在实施中，若服务器在步骤104中识别出该下一帧拍摄图像中，目标行人对应的预设区域范围内包含物品连通域团块，则服务器可以获取目标行人对应的人脸图像、以及该
物品连通域团块对应的物品图像，并进行对应存储。例如，服务器可以在该下一帧拍摄图像中，目标行人的对应区域(即目标行人的行人连通域团块对应的图像区域)截取目标行人的人脸图像，以及在该物品连通域团块的对应区域截取物品图像，并将两者进行对应存储。可以理解的，目标行人的人脸图像也可以在第一拍摄图像中截取，可以截取到目标行人的人脸图像即可。
91.可以理解的，若服务器在该下一帧拍摄图像中，识别出目标行人对应的预设区域范围内不包含物品连通域团块，则服务器可以继续对该下一帧拍摄图像之后的拍摄图像进行检测和识别，直到在某一帧拍摄图像中识别出目标行人对应的预设区域范围内包含物品连通域团块，则可以对该物品连通域团块执行步骤105；或直到某一帧拍摄图像中已不包含该目标行人，说明此时该行人已离开目标环境，则停止对该目标行人进行物品连通域团块监测。以实现对目标环境中的每一目标行人进行实时、持续监测，直到该行人离开目标环境。
92.步骤106，若物品连通域团块在下一帧拍摄图像之后的拍摄图像中的位置信息未发生变化，则将物品连通域团块对应的物品确定为目标行人的遗留物。
93.在实施中，服务器可以在该下一帧拍摄图像之后的拍摄图像中监测该物品连通域团块的位置信息是否发生变化，为便于后续描述，该物品连通域团块对应的物品可称为目标物品。在一个示例中，判断位置信息是否发生变化的方法具体为，服务器可以记录该物品连通域团块在该下一帧拍摄图像(可记为第t帧拍摄图像)中的位置信息(如质心位置，可表示为(x
t
，y
t
))，然后，服务器可以对该下一帧拍摄图像的下一帧拍摄图像(即第t 1帧拍摄图像)进行运动前景目标检测，并确定出第t 1帧拍摄图像的前景图像中的物品连通域团块，进而找到目标物品在第t 1帧拍摄图像的前景图像中对应的物品连通域团块(可以通过位置、形状或其他方法确定)，即可确定出该物品连通域团块在第t 1帧拍摄图像中的位置信息(如质心位置，可表示为(x
t 1
，y
t 1
))。然后，服务器可以根据目标物品在第t帧拍摄图像中的物品连通域团块的位置信息(x
t
，y
t
)、以及在第t 1帧拍摄图像中的物品连通域团块的位置信息(x
t 1
，y
t 1
)，计算该两个位置信息的距离(可记为dist)，计算公式如下所示：
[0094][0095]
其中，dist(t 1)表示目标物品对应的物品连通域团块在第t 1帧拍摄图像中的位置信息与在第t帧拍摄图像中的位置信息之间的距离。然后，服务器可以将距离dist(t 1)与预设阈值(可记为t
dist
)进行比较，若dist(t 1)小于或等于该预设阈值t
dist
，则认为目标物品对应的物品连通域团块在第t 1帧拍摄图像中的位置信息未发生变化。若服务器判断出目标物品对应的物品连通域团块在之后的预设数量的拍摄图像中均未发生位置变化，或在之后的预设时长内的拍摄图像中均未发生位置变化，则可以将目标物品(即该物品连通域团块对应的物品)确定为目标行人的遗留物。
[0096]
进一步的，服务器确定出目标行人的遗留物之后，可以向工作人员发出提示信息，以便工作人员及时对遗留物进行安全清点，排除遗留物为危险品后，将该遗留物进行保管或放入遗留物领取机，等待失主(即目标行人)前来领取。
[0097]
进一步的，服务器还可以对遗留物对应的目标行人的人脸图像进行身份识别，确定失主(即目标行人)的身份信息和联系信息，以便及时通知失主前来领取遗留物。
[0098]
可以理解的，服务器可以实时、持续采集目标环境的拍摄图像，因而对于当前帧(如第t帧)拍摄图像，服务器可以将第t帧拍摄图像作为第一拍摄图像，执行步骤101至106的处理过程，也可以将第t帧拍摄图像作为第t-1帧拍摄图像的下一帧拍摄图像，执行步骤104～步骤105的处理过程，还可以作为第t-2帧(及之前)拍摄图像的下一帧拍摄图像之后的拍摄图像，执行步骤106的处理过程，此处不再赘述。上述作为第一拍摄图像的处理过程，与作为第t-1帧拍摄图像的下一帧拍摄图像的处理过程，以及作为第t-2帧(及之前)拍摄图像的下一帧拍摄图像之后的拍摄图像的处理过程，不区分先后顺序。
[0099]
上述遗留物监测方法中，根据预先建立的背景模型，采用移动目标检测算法对目标环境的第一拍摄图像进行运动前景目标检测，得到各运动前景目标对应的连通域团块，然后对各连通域团块进行行人检测，确定目标行人对应的行人连通域团块，即确定出目标环境中存在移动的行人，进而在下一帧拍摄图像中识别该行人的预设区域范围内是否包含物品连通域团块，若包含，则说明在第一拍摄图像的时刻至下一帧拍摄图像的时刻之间，该行人将随身物品放置在了一旁，因而在该行人的周围(预设区域范围)出现了物品连通域团块，故可将该行人的人脸图像和该物品连通域团块对应的物品图像建立对应关系。然后，在之后的拍摄图像中监测该物品连通域团块的位置信息是否发生变化，若未发生变化，说明该物品长时间未发生移动，则可将该物品连通域团块对应的物品确定为遗留物，与该物品建立对应关系的行人的人脸图像，即为该遗留物的失主的人脸图像。由此，可以实现实时、自动监测目标环境中是否存在遗留物，提高遗留物发现的及时性。并且还可以根据该遗留物对应的行人的人脸图像快速确定出失主的身份信息，以便及时联系失主前来领取，同时还可以根据人脸图像对领取人快速进行身份核对，以提高遗留物归还或处理效率、提升客户体验，还可节省人力消耗。
[0100]
在一个实施例中，如图2所示，步骤102中使用的背景模型的建立过程具体包括如下步骤：
[0101]
步骤201，采集目标环境的第二拍摄图像，作为样本图像。
[0102]
在实施中，服务器可以采集目标环境的第二拍摄图像，作为建立背景模型的样本图像，样本图像有多个，作为样本图像库。例如，可以通过安装在目标环境的拍摄装置采集目标环境的第二拍摄图像，如在银行网点大厅当天营业时间之前或之后的预设时间段内(如2分钟内)采集到的拍摄图像作为样本图像。其中，第二拍摄图像的拍摄角度和拍摄范围与第一拍摄图像的一致。若采集m帧样本图像作为样本图像库，则样本图像库s(x)可表示为：
[0103]
s(x)＝{i1(k)，i2(k)，...i
t
(k)，...，im(k)}
[0104]
其中，i
t
(k)表示样本图像库中第t帧样本图像的像素点k的像素值，若样本图像中像素点的数量为p个，则k取值为1，2，...，p，对应每一个像素点。
[0105]
步骤202，根据样本图像确定目标样本图像。
[0106]
在实施中，服务器可以根据样本图像确定目标样本图像，目标样本图像有多个，可以是步骤201中采集的全部样本图像，也可以是部分样本图像。例如，服务器可以从多个样本图像(即样本图像库)中随机选取预设数量(可记为n个)的样本图像作为目标样本图像，具体数量可以根据情况设置，如设置4个。
[0107]
步骤203，针对每个目标样本图像中的每个像素点，在目标样本图像中像素点的预
设邻域的像素点中随机选取一个像素点的像素值，作为目标样本图像中像素点的样本像素值。
[0108]
在实施中，针对步骤202确定出的每个目标样本图像，对于目标样本图像中的每个像素点，在该目标样本图像中像素点的预设邻域的像素点中随机选取一个像素点的像素值，作为该目标样本图像中该像素点的样本像素值，由此，可以得到各目标样本图像中同一像素点的多个样本像素值。例如，若从样本图像库中随机选取n个样本图像作为目标样本图像，对于第i个目标样本图像中位置坐标为(i，j)的像素点k，在该目标样本图像中像素点k的预设邻域中随机选取一个像素点的像素值，作为该目标样本图像中像素点k的样本像素值(可记为i
rand-i
(k)，i＝1，2，...，n)。预设邻域可以根据经验或实验进行设置，例如可以是8邻域、5
×
5邻域等。
[0109]
步骤204，根据各目标样本图像中像素点的样本像素值进行加权平均计算，得到像素点的一个背景样本库像素值。
[0110]
其中，背景样本库像素值为背景模型中各像素点对应的样本值，背景模型中各像素点与样本图像的各像素点对应，也与第一拍摄图像中的各像素点对应。背景模型中各像素点对应有多个样本值，该多个样本值组成背景模型中一个像素点的背景样本库。例如，背景模型m(k)可以表示为：
[0111]
m(k)＝{v1，v2，...，vj，...，vq}
[0112]
其中，vj为背景模型m(k)中像素点k的一个样本值(即背景样本库像素值)，q为样本数量。q个样本值即组成该像素点的背景样本库，背景模型中所有像素点(与样本图像中的像素点对应)的背景样本库即组成背景模型。
[0113]
在实施中，服务器可以根据步骤203中计算出的各目标样本图像中各像素点的样本像素值进行加权求和，得到各像素点的一个背景样本库像素值。其中，各样本像素值的权重可以预先设置，也可以采用其他方法计算出各样本像素值的权重。在一个示例中，可以设置各样本像素值的权重相同，即对各样本像素值i
rand-i
(k)进行均值计算，像素点k的一个背景样本库像素值vj的计算公式如下所示：
[0114][0115]
其中，n为目标样本图像的总数量，i
rand-i
(k)(i＝1，2，...，n)为第i个目标样本图像中像素点k的样本像素值。
[0116]
步骤205，返回执行根据样本图像确定目标样本图像步骤，直到得到样本图像中每个像素点的预设数量的背景样本库像素值，并基于样本图像中每个像素点的预设数量的背景样本库像素值建立目标环境的背景模型。
[0117]
在实施中，服务器基于步骤202中确定出的目标样本图像计算出像素点k的一个背景样本库像素值vj后，可以再返回执行步骤202，重新确定目标样本图像(如随机选取n个样本图像作为目标样本图像)，并基于新的目标样本图像，确定出像素点k的另一个背景样本库像素值，直到得到每个像素点对应的预设数量(记为q个)背景样本库像素值，即得到各像素点对应的背景样本库{v1，v2，...，vj，...，vq}。然后基于每个像素点的预设数量的背景样本库像素值建立目标环境的背景模型，即将各像素点的背景样本库{v1，v2，...，vj，...，vq}
组成背景模型m(k)＝{v1，v2，...，vj，...，vq}。
[0118]
本实施例中，通过采集第二拍摄图像作为样本图像，并从样本图像中确定目标样本图像，然后从各目标样本图像中采集各像素点的邻域的像素值作为各目标样本图像的样本像素值，之后对各目标样本图像的样本像素值进行加权平均，得到各像素点的一个背景样本库像素值，再返回执行确定目标样本图像步骤，直到得到预设数量的背景样本库像素值，进而建立背景模型。本方法中，是根据多个拍摄图像建立的背景模型，包含了目标环境的时域信息，可以减少ghost现象(或重影现象)的影响，基于该背景模型进行运动前景目标检测，可以更准确的检测出各运动前景目标对应的连通域团块，进而提高遗留物的检测准确度。
[0119]
在一个实施例中，如图3所示，步骤204中计算背景样本库像素值的过程具体包括如下步骤：
[0120]
步骤301，将各目标样本图像中像素点的样本像素值进行均值计算，得到均值。
[0121]
在实施中，服务器在步骤203中选取出各目标样本图像中各像素点的样本像素值之后，对于每个像素点，服务器可以计算各目标样本图像中该像素点(如像素点k)的样本像素值i
rand-i
(k)的均值(可记为i
mean
(k))。若目标样本图像的数量n，则像素点k对应的均值i
mean
(k)的计算公式如下所示：
[0122][0123]
步骤302，根据各目标样本图像中像素点的样本像素值、以及均值，采用一维高斯分布函数计算各目标样本图像中像素点的权重，并根据各目标样本图像中像素点的权重确定均值的权重。
[0124]
在实施中，服务器可以根据各目标样本图像中像素点k的样本像素值i
rand-i
(k)、以及步骤301中计算出的该像素点对应的均值i
mean
(k)，采用一维高斯分布函数计算各目标样本图像中该像素点的权重(可记为αi)。在一个示例中，各目标样本图像中像素点k的权重αi的计算公式如下所示：
[0125][0126]
其中，αi(i＝1，2...，n)表示第i个目标样本图像中像素点k的权重，n为目标样本图像的数量。σ为一维高斯分布函数的标准差，可以根据实验或经验预先设置。
[0127]
然后，服务器可以根据各目标样本图像中像素点k的权重αi，计算像素点k对应的均值i
mean
(k)的权重β，权重β的计算公式如下所示：
[0128][0129]
步骤303，根据各目标样本图像中像素点的样本像素值、均值、各目标样本图像中像素点的权重、以及均值的权重，进行加权平均计算，得到像素点的一个背景样本库像素值。
[0130]
在实施中，服务器可以根据各目标样本图像中像素点k的样本像素值i
rand-i
(k)、像
素点k对应的均值i
mean
(k)、各目标样本图像中像素点k的权重αi、以及均值i
mean
(k)的权重β，进行加权平均计算，得到像素点k的一个背景样本库像素值vj，背景样本库像素值vj的计算公式如下所示：
[0131]
vj＝∑α
i i
rand-i
(k) βi
mean
(k)
[0132]
本实施例中，通过计算各目标样本图像中各像素点的样本像素值的均值，进而根据各样本像素值、以及对应的均值，采用一维高斯分布函数计算各目标样本图像中该像素点的权重，进而计算出均值的权重，然后根据各权重、各样本像素值、以及均值进行加权平均计算，得到该像素点的一个背景样本库像素值。由于像素点的样本像素值与均值之间的差值越大，则说明该点越不符合像素同质一致原则，因而可以采用一维高斯分布函数，计算各目标样本图像中该像素点的权重，可以更合理的分配各目标样本图像中该像素点的权重，进而建立的背景模型，可以提高前景检测的准确度，从而提高遗留物检测的准确度。
[0133]
在一个实施例中，步骤106中确定遗留物的过程具体包括如下步骤：确定物品连通域团块在下一帧拍摄图像中、以及下一帧拍摄图像之后的拍摄图像中的位置信息；根据物品连通域团块在相邻两帧拍摄图像中的位置信息，计算物品连通域团块在相邻两帧拍摄图像中的位置距离；若位置距离小于或等于预设阈值，则记录物品连通域团块的静止次数增加一次；当物品连通域团块的静止次数大于预设次数时，则将物品连通域团块对应的物品确定为目标行人的遗留物。
[0134]
在实施中，服务器在第一拍摄图像的下一帧拍摄图像中，识别出目标行人对应的预设区域范围内包含物品连通域团块之后，可以进一步确定出该物品连通域团块在该下一帧拍摄图像(可记为第t帧拍摄图像)中的位置信息，并可以进行记录，例如可以将该物品连通域团块的质心位置信息记录在位置数组链表中，位置数组链表可以表示如下，
[0135]
track_list[m]＝＜pos_center(x，y)[m]，boundry_box[m]，flag，count＞
[0136]
其中，track_list[m]为物品连通域团块(可标识为m，若有多个物品连通域团块，可根据该标识进行区分)对应的位置数组链表；pos_center(x，y)[m]为物品连通域团块m的质心位置信息；boundry_box[m]为物品连通域团块m的外界最小矩形框信息；flag为对该物品连通域团块进行行人检测得到的标签，其中，物品连通域团块的标签为flag＝0，行人连通域团块的标签为flag＝1；count对应静止次数，从0开始计。
[0137]
然后，服务器可以在该下一帧拍摄图像(第t帧拍摄图像)之后的拍摄图像中确定出该物品连通域团块m的位置信息，并记录在该物品连通域团块m对应的位置数组链表track_list[m]中，形成一系列的位置信息参数。之后，服务器可以从位置数组链表track_list[m]中获取相邻两帧拍摄图像中该物品连通域团块的位置信息，计算该两个位置信息的位置距离，并与预设阈值进行比较。若位置距离小于或等于该预设阈值，则在位置数组链表track_list[m]中记录物品连通域团块m的静止次数增加一次，即链表中的count增加1。当物品连通域团块m的静止次数大于预设次数时，则将该物品连通域团块对应的物品确定为目标行人的遗留物。
[0138]
本实施例中，根据物品连通域团块在相邻两帧拍摄图像中的位置信息，计算物品连通域团块在相邻两帧拍摄图像中的位置距离，若位置距离小于或等于预设阈值，则记录物品连通域团块的静止次数增加一次，当物品连通域团块的静止次数大于预设次数时，则将该物品连通域团块对应的物品确定为目标行人的遗留物。由此，可以快速、实时、准确地
判断出物品连通域团块对应的物品是否为遗留物。
[0139]
在一个实施例中，该方法还包括向目标行人发送遗留物领取提示信息的步骤，具体包括：根据目标行人对应的人脸图像，对目标行人进行身份识别，确定目标行人的联系信息，并根据联系信息，向目标行人发送遗留物领取提示信息。
[0140]
在实施中，服务器可以调用人脸识别接口，对目标行人对应的人脸图像进行身份识别，确定出目标行人的身份信息和联系信息，并根据联系信息，向目标行人发送遗留物领取提示信息，例如向目标行人发送短信，通知目标行人(即失主)前来领取遗留物。遗留物领取提示信息中可以包含与遗留物对应的取件码，便于失主根据取件码取件。
[0141]
本实施例中，通过对目标行人的人脸图像进行身份识别，确定联系信息，并向目标行人发送领取提示信息，以便及时通知失主前来领取遗留物，可以提高遗留物归还效率、提升客户体验。
[0142]
在一个实施例中，该方法还包括对领取人进行身份核对的步骤，具体包括：采集针对目标遗留物的领取人的人脸图像；将领取人的人脸图像，与目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则输出身份核对通过的提示信息。
[0143]
在实施中，领取人前来领取遗留物时，可以向工作人员出示要领取的遗留物(即目标遗留物)对应的取件码，或者在业务终端的遗留物图像显示界面上选中要领取的遗留物，以确定出目标遗留物。然后，可以通过业务终端将目标遗留物的标识(如遗留物对应的取件码或其它编号)发送给服务器，服务器可以根据目标遗留物的标识获取预先存储的目标遗留物对应的行人的人脸图像(存储过程详见步骤105的说明)。然后，服务器可以采集领取人的人脸图像，例如，可以通过业务终端的拍摄装置，采集领取人的人脸图像数据，然后将人脸图像数据发送给服务器。之后，服务器可以将领取人的人脸图像数据，与目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则服务器可以输出身份核对通过的提示信息。工作人员可以根据该提示信息，将目标遗留物返还给领取人。
[0144]
本实施例中，可以通过采集针对目标遗留物的领取人的人脸图像，与预先存储的目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则身份核对通过，以使工作人员将目标遗留物返还给领取人，由此可以节省人工核对身份的人力消耗、且能提高返还遗留物的处理效率、提升客户体验。
[0145]
在一个实施例中，如图4所示，该方法还包括通过遗留物领取机向领取人投放遗留物的步骤，具体包括：
[0146]
步骤401，接收遗留物领取机发送的针对目标遗留物的领取人的人脸图像。
[0147]
在实施中，银行工作人员可以将遗留物放入遗留物领取机中，使领取人可以通过遗留物领取机自助领取遗留物。领取人可以在遗留物领取机输入目标遗留物的取件码，或者在遗留物领取机的显示屏上选中目标遗留物的图像，然后，遗留物领取机可以通过拍摄装置(如摄像头)采集领取人的人脸图像，并将领取人的人脸图像发送给服务器，遗留物领取机还可以把目标遗留物对应的标识发送给服务器。
[0148]
步骤402，将领取人的人脸图像，与目标遗留物对应的行人的人脸图像进行匹配识别，并在匹配成功的情况下，向遗留物领取机发送针对目标遗留物的投放指令，以使遗留物领取机根据投放指令，向领取人投放目标遗留物。
[0149]
在实施中，服务器接收到领取人的人脸图像后，可以将领取人的人脸图像与目标
遗留物对应的行人的人脸图像进行匹配识别，并在匹配成功的情况下，向遗留物领取机发送针对目标遗留物的投放指令。遗留物领取机接收到投放指令后，可以向领取人投放目标遗留物。
[0150]
本实施例中，可以通过遗留物领取机保管和投放遗留物，实现遗留物自助领取，节省人力消耗、提高遗留物归还效率、以及提升客户体验。
[0151]
在一个示例中，遗留物领取机的示意图如图5所示，具体包括壳体110、触摸显示屏120、图像采集装置130、遗留物投放装置140、滑轨151、托盘组件152、驱动组件153、控制器160、收发器170、消毒装置180、通风装置190等结构。其中，遗留物投放装置140包括遗留物容纳部件141和投放部件142，投放部件142的活动端设有电磁部件1421，遗留物容纳部件141设有磁扣1411。投放部件142还包括旋转部件1422，旋转部件1422可以具体包括驱动电机1423、传动带1424、转动轴1425。托盘组件152的下端设有与滑轨151配合的滚轮1521，驱动组件153的传动端与滚轮1521连接。托盘组件152还包括托盘1522、伸缩部件1523、重力传感器1524。驱动组件153具体可以包括驱动电机1531和传动杆1532。
[0152]
采用以上实施例所述的遗留物监测方法监测到目标环境中的遗留物之后，工作人员可以将遗留物放入图5所示的遗留物领取机中的遗留物容纳部件141，然后，服务器可以针对该遗留物生成对应的取件码，并通过识别该遗留物对应的行人的人脸图像，确定出失主的联系信息，进而向失主发送取件码，通知失主根据取件码前来领取遗留物。基于此，在一个示例中，如图6所示，还提供了一种基于遗留物领取机的遗留物领取方法，该方法可以应用于如图5所示的遗留物领取机，具体包括如下步骤：
[0153]
步骤601，获取领取人输入的取件码。
[0154]
具体的，领取人可以通过遗留物领取机的触摸显示屏120输入取件码，触摸显示屏120将取件码对应的信号发送给控制器160，使控制器160根据取件码确定出对应的遗留物容纳部件141。
[0155]
步骤602，对取件码进行验证，判断是否验证通过。
[0156]
具体的，控制器160可以对取件码进行验证，则执行步骤603，若不通过，则执行步骤606。
[0157]
步骤603，采集领取人的人脸图像，并将人脸图像和取件码发送给服务器，以使服务器进行人脸匹配识别。
[0158]
具体的，控制器160可以控制图像采集装置130采集领取人的人脸图像，并通过收发器170将人脸图像和取件码发送给服务器。服务器可以根据取件码确定目标遗留物，并根据领取人的人脸图像与存储的目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则向收发器170发送匹配成功信息，若匹配失败，则向收发器170发送匹配失败信息。
[0159]
步骤604，在接收到服务器发送的匹配成功信息的情况下，投放目标遗留物。
[0160]
具体的，若收发器170接收到服务器发送的匹配成功信息，则控制器160可以控制托盘组件152的伸缩部件1523伸长，并控制投放部件142中旋转部件1422旋转，使存放目标遗留物的遗留物容纳部件141转动至托盘组件152上方，然后控制连接该遗留物容纳部件141的通电磁铁1421断电，使得存放该遗留物容纳部件141落入托盘组件152中的托盘1522，进而控制器160可以控制驱动组件153驱动托盘组件152沿滑轨151移动至取件门111处，待领取人在取件门111处取走目标遗留物后，控制器160控制驱动组件153驱动托盘组件152沿
滑轨151移动回初始位置，即完成投放目标遗留物。
[0161]
步骤605，在接收到服务器发送的匹配失败信息的情况下，输出遗留物领取失败的提示信息。
[0162]
具体的，若收发器170接收到服务器发送的匹配失败信息，则控制器160可以控制触摸显示屏120显示遗留物领取失败的提示信息。
[0163]
步骤606，输出取件码错误的提示信息。
[0164]
具体的，若控制器160对取件码进行验证时未验证通过，则控制器160可以控制触摸显示屏120显示取件码错误的提示信息。
[0165]
应该理解的是，虽然如上所述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，如上所述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。
[0166]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的遗留物监测方法的遗留物监测装置。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遗留物监测装置实施例中的具体限定可以参见上文中对于遗留物监测方法的限定，在此不再赘述。
[0167]
在一个实施例中，如图7所示，提供了一种遗留物监测装置700，包括：第一采集模块701、第一检测模块702、第二检测模块703、第一识别模块704、存储模块705和第一确定模块706，其中：
[0168]
第一采集模块701，用于采集目标环境的第一拍摄图像。
[0169]
第一检测模块702，用于根据预先建立的背景模型，采用移动目标检测算法对采集到的第一拍摄图像进行运动前景目标检测，得到第一拍摄图像中各运动前景目标对应的连通域团块。
[0170]
第二检测模块703，用于对每个连通域团块对应的图像进行行人检测，得到目标行人对应的行人连通域团块。
[0171]
第一识别模块704，用于在第一拍摄图像的下一帧拍摄图像中，识别目标行人对应的预设区域范围内是否包含物品连通域团块。
[0172]
存储模块705，用于在包含物品连通域团块的情况下，获取目标行人对应的人脸图像、以及物品连通域团块对应的物品图像，并进行对应存储。
[0173]
第一确定模块706，用于若物品连通域团块在下一帧拍摄图像之后的拍摄图像中的位置信息未发生变化，则将物品连通域团块对应的物品确定为目标行人的遗留物。
[0174]
在一个实施例中，该装置还包括第二采集模块、第二确定模块、选取模块、计算模块和建立模块，其中：
[0175]
第二采集模块，用于采集目标环境的第二拍摄图像，作为样本图像。
[0176]
第二确定模块，用于根据样本图像确定目标样本图像。
[0177]
选取模块，用于针对每个目标样本图像中的每个像素点，在目标样本图像中像素
点的预设邻域的像素点中随机选取一个像素点的像素值，作为目标样本图像中像素点的样本像素值。
[0178]
计算模块，用于根据各目标样本图像中像素点的样本像素值进行加权平均计算，得到像素点的一个背景样本库像素值。
[0179]
建立模块，用于返回执行根据样本图像确定目标样本图像步骤，直到得到样本图像中每个像素点的预设数量的背景样本库像素值，并基于样本图像中每个像素点的预设数量的背景样本库像素值建立目标环境的背景模型。
[0180]
在一个实施例中，计算模块具体用于将各目标样本图像中像素点的样本像素值进行均值计算，得到均值；根据各目标样本图像中像素点的样本像素值、以及均值，采用一维高斯分布函数计算各目标样本图像中像素点的权重，并根据各目标样本图像中像素点的权重确定均值的权重；根据各目标样本图像中像素点的样本像素值、均值、各目标样本图像中像素点的权重、以及均值的权重，进行加权平均计算，得到像素点的一个背景样本库像素值。
[0181]
在一个实施例中，第一确定模块706具体用于确定物品连通域团块在下一帧拍摄图像中、以及下一帧拍摄图像之后的拍摄图像中的位置信息；根据物品连通域团块在相邻两帧拍摄图像中的位置信息，计算物品连通域团块在相邻两帧拍摄图像中的位置距离；若位置距离小于或等于预设阈值，则记录物品连通域团块的静止次数增加一次；当物品连通域团块的静止次数大于预设次数时，则将物品连通域团块对应的物品确定为目标行人的遗留物。
[0182]
在一个实施例中，该装置还包括第二识别模块，用于根据目标行人对应的人脸图像，对目标行人进行身份识别，确定目标行人的联系信息，并根据联系信息，向目标行人发送遗留物领取提示信息。
[0183]
在一个实施例中，该装置还包括第三采集模块和匹配模块，其中：
[0184]
第三采集模块，用于采集针对目标遗留物的领取人的人脸图像。
[0185]
匹配模块，用于将领取人的人脸图像，与目标遗留物对应的行人的人脸图像进行匹配识别，若匹配成功，则输出身份核对通过的提示信息。
[0186]
在一个实施例中，该装置还包括接收模块和发送模块，其中：
[0187]
接收模块，用于接收遗留物领取机发送的针对目标遗留物的领取人的人脸图像。
[0188]
发送模块，用于将领取人的人脸图像，与目标遗留物对应的行人的人脸图像进行匹配识别，并在匹配成功的情况下，向遗留物领取机发送针对目标遗留物的投放指令，以使遗留物领取机根据投放指令，向领取人投放目标遗留物。
[0189]
上述遗留物监测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。
[0190]
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
的数据库用于存储执行上述遗留物监测方法所需的或产生的数据。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遗留物监测方法。
[0191]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0192]
在一个实施例中，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。
[0193]
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，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。
[0194]
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。
[0195]
本技术提供的遗留物监测方法、装置、计算机设备、存储介质和计算机程序产品涉及人工智能技术领域，可用于金融科技领域或其他相关领域，本技术对应用领域不做限定。
[0196]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户(或客户)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。
[0197]
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，本技术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-only memory，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 random access memory，dram)等。本技术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。本技术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。
[0198]
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。
[0199]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。