一种商店的评级方法及其设备与流程

本发明属于数据处理技术领域，尤其涉及一种商店的评级方法及其设备。

背景技术

随着经济的不断发展，并且开设商店的难度降低，小微型商店的数量不断增加。而该类型商店中大部分店主的启动资金往往是通过向银行或其他金融机构贷款获取得到的，而为了确定这部分店主的还款能力，银行以及金融机构在贷款后需要对该商店进行评级，随时调整还款策略。

现有的商店等级方法，需要通过用户商店进行现场视察，基于观察情况确定该商店的评级，或者通过例如电话访问或实时网络视频监控的方式进行远距离评级。然而上述商店的评级方法，需要花费较多的人工成本进行现场视察或远程监控，评级成本高且效率较低。

技术实现要素：

有鉴于此，本发明实施例提供了一种商店的评级方法及其设备，以解决现有的音频播放控制技术，无法同时满足暂时跳过某些音频文件又能减少用户操作，控制效率较低，使用体验较差的问题。

本发明实施例的第一方面提供了一种商店的评级方法，包括：

获取在评级周期内所有进入目标商店的对象的对象图像；

分别将各个所述对象图像导入到对象属性提取模型，确定各个所述对象的对象属性；

基于所述目标商店的行业类型，从所述对象属性中选取用于对所述目标商店进行评级的评级属性项，以及确定各个所述评级属性项可取的各个属性值的评级权重；

根据所有所述对象属性统计各个所述属性值的对象人数；

将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级；所述评级计算模型具体为：

其中，lv为商店等级；aij为第i项所述评级属性项中第j个属性值的评级权重；qij为第i项所述评级属性项中第j个所述属性值的对象个数；m为所述评级属性项的项数；ni为第i项所述评级属性项可取的属性值的个数；q总为所述评级周期内获取的所述对象的总个数。

本发明实施例的第二方面提供了一种商店的评级设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取在评级周期内所有进入目标商店的对象的对象图像；

分别将各个所述对象图像导入到对象属性提取模型，确定各个所述对象的对象属性；

基于所述目标商店的行业类型，从所述对象属性中选取用于对所述目标商店进行评级的评级属性项，以及确定各个所述评级属性项可取的各个属性值的评级权重；

根据所有所述对象属性统计各个所述属性值的对象人数；

将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级；所述评级计算模型具体为：

其中，lv为商店等级；aij为第i项所述评级属性项中第j个属性值的评级权重；qij为第i项所述评级属性项中第j个所述属性值的对象个数；m为所述评级属性项的项数；ni为第i项所述评级属性项可取的属性值的个数；q总为所述评级周期内获取的所述对象的总个数。

本发明实施例的第三方面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：

获取在评级周期内所有进入目标商店的对象的对象图像；

分别将各个所述对象图像导入到对象属性提取模型，确定各个所述对象的对象属性；

基于所述目标商店的行业类型，从所述对象属性中选取用于对所述目标商店进行评级的评级属性项，以及确定各个所述评级属性项可取的各个属性值的评级权重；

根据所有所述对象属性统计各个所述属性值的对象人数；

将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级；所述评级计算模型具体为：

其中，lv为商店等级；aij为第i项所述评级属性项中第j个属性值的评级权重；qij为第i项所述评级属性项中第j个所述属性值的对象个数；m为所述评级属性项的项数；ni为第i项所述评级属性项可取的属性值的个数；q总为所述评级周期内获取的所述对象的总个数。

实施本发明实施例提供的一种商店的评级方法及其设备具有以下有益效果：

本发明实施例通过获取在评级周期内所有进入目标商店对象的对象图像，确定各个对象的对象属性，通过对象属性可以预估进入该目标商店的顾客的购买能力以及购买意向，并且根据该目标商店的行业类型，从对象属性中提取与该行业类型相关度较大的可以用于对该目标商店进行评级的评级属性项，以及该评级属性项可取的各个属性值所对应的评级权重，统计在评级周期内各个属性值所对应的对象个数，从而计算得到该目标商店的商店等级。与现有的商店评级方法相比，无需人工现场采集数据，或者安排用户远距离监控该商店，提高了评级的效率以及人工成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种商店的评级方法的实现流程图；

图2是本发明第二实施例提供的一种商店的评级方法具体实现流程图；

图3是本发明第三实施例提供的一种商店的评级方法s101具体实现流程图；

图4是本发明第四实施例提供的一种商店的评级方法具体实现流程图；

图5是本发明一实施例提供的一种商店的评级设备的结构框图；

图6是本发明另一实施例提供的一种商店的评级设备的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例通过获取在评级周期内所有进入目标商店对象的对象图像，确定各个对象的对象属性，通过对象属性可以预估进入该目标商店的顾客的购买能力以及购买意向，并且根据该目标商店的行业类型，从对象属性中提取与该行业类型相关度较大的可以用于对该目标商店进行评级的评级属性项，以及该评级属性项可取的各个属性值所对应的评级权重，统计在评级周期内各个属性值所对应的对象个数，从而计算得到该目标商店的商店等级，解决了现有的商店的评级方法，需要花费较多的人工成本进行现场视察或远程监控，评级成本高且效率较低的问题。

在本发明实施例中，流程的执行主体为商店的评级设备。该商店的评级设备包括但不限于：笔记本电脑、计算机、服务器等终端设备。需要强调的是，该商店的评级设备设置有一分布式的摄像终端，该分布式的摄像终端设置于目标商店处，用于获取进入该商店的对象的对象图像。图1示出了本发明第一实施例提供的商店的评级方法的实现流程图，详述如下：

在s101中，获取在评级周期内所有进入目标商店的对象的对象图像。

在本实施例中，商店的评级设备预设有商店评级流程，当检测到当前时间到达评级周期，则会对目标商店进行评级操作，实现周期性确定该目标商店的还款能力。具体地，商店的评级设备基于目标商店的借款日期以及借款时长设置了多个评级节点，每当到达该评级节点时，则会获取进入该目标商店的对象的对象图像，直到采集时长满足评级周期的时长才停止采集，并基于在该周期中获取得到的所有对象图像对商店进行评级。

需要说明的是，商店的评级设备与设置于目标商店的分布式摄像终端通过无线网络进行通信连接。当分布式摄像终端检测到存在对象进入该目标商店时，则会拍摄一幅对象图像，并将该对象图像通过无线网络反馈给商店的评级设备。其中，分布式摄像终端检测是否存在对象进入目标商店的方式可以为：检测拍摄画面边缘区域是否发现有人脸图像，若检测到边缘区域中存在人脸图像，则追踪该人脸图像，当该人脸图像到达摄像画面的中间区域时，则获取当前画面，并将该画面发送给商店的评级设备。通过上述方法，当有新的对象进入摄像画面时，分布式摄像终端可以获取到较为清晰的对象图像，从而提高了后续对象识别的准确率。

可选地，在本实施例中，分布式的摄像终端可以放置于目标商店的出入口，并设置有一红外传感器，通过该红外传感器检测是否有对象经过该目标商店的出入口。若检测到有对象经过该出入口，则获取该对象的对象图像，从而实现对进入目标商店的对象进行统计、采集的目的。优选地，由于进入目标商店对象必然会再离开该目标商店，即会在一定时间段内红外传感器会采集到两次同一对象的对象图像，在该情况下，为了避免重复计算，商店的评级设备在接收到分布式摄像终端返回的对象图像后，会对各个对象图像的人脸信息进行识别，选取在预设时间范围内包含相同人脸的对象图像作为一个对象图像组，并且只记录为一个对象，不再重复记录。当然，若在预设时间范围外，再次出现包含相同人脸的对象图像，则可以识别为该对象进入目标商店两次，识别为两人次。例如，某一用户每天会目标商店购买商品，而预设的时间范围为一日，则分布式的摄像终端在一日之内采集到该用户的所有对象图像，则只会识别为一人次，即只作为一个对象；而另一日再次采集到该用户的对象图像，则识别为另一对象。

可选地，在本实施例中，商店的评级设备可以在获取到对象图像后，则马上执行s102的操作；也可以在评级周期完成后，统一对该周期内获取得到的所有对象图像进行对象属性提取。

在s102中，分别将各个所述对象图像导入到对象属性提取模型，确定各个所述对象的对象属性。

在本实施例中，对象图像包含了该对象的脸部信息和/或体态信息，因此通过脸部信息以及体态信息可以确定该用户的对象属性，该对象属性包括但不限于：该对象的性别、年龄、发型、职业、身高、体重以及购买力。因此，为了确定该对象的对象属性，商店的评级设备会将采集到的各个对象图像分别导入到对象属性提取模型内，以确定各个对象的对象属性。

在本实施例中，该对象属性提取模型可以为图像识别算法，通过对对象的人体区域图像进行定位，从而获取该对象的衣着特征、性别特征以及年龄特征，继而通过上述三个特征值，确定该对象的对象属性。

需要说明的是，每个对象属性的格式是相同的，即各个对象图像提取得到的对象属性包含的属性项数是一致的，若一对象图像中部分属性项无法提取得到，则将该属性项的内容设置为空。

在s103中，基于所述目标商店的行业类型，从所述对象属性中选取用于对所述目标商店进行评级的评级属性项，以及确定各个所述评级属性项可取的各个属性值的评级权重。

在本实施例中，不同类型的商店其对应的目标对象均不相同。例如对于售卖化妆品的商店，其目标对象主要为女性，且年龄在25周岁以上；而对于汽车配件销售的商店，其目标对象主要为男性，且衣着以衬衣或西装为主。由此可见，对于不同的行业类型，对于对象属性的关注的属性项各不相同，从而在确定各个用户是否会在商店进行购买产品时，所选取的属性项也会相应改变。而且由于该对象在目标商店内购买的几率越大，则该目标商店的营业额也将越高，从而其商店的评级也会越高，因此对目标商店进行评级时所关注的评级属性项，将与目标商店所关注用户的属性项是一致的，故根据目标商店的行业类型，确定用于对该目标商店进行评级的评级属性项。

继续利用上述例子进行说明，对于售卖化妆品的商店，其主要关注的是该对象的性别以及年龄，因此对象属性中“性别”以及“年龄”即为用于对该目标商店的评级属性项。而在“性别”这一评级属性中，可取的属性值为“男性”以及“女性”，而不同的属性值其对应的评级权重也是不一样的。例如“女性”的对象更大概率购买该目标商店的商品，因此其对应的权重值较大；而“男性”的对象购买该目标商店的商品的概率则较低，从而其对应的权重值较少。由此可见，商店的评级设备在选取了评级属性项之外，还需要对该评级属性项取各个参数值时所对于评级权重。

在本实施例中，商店的评级设备中存储有行业类型与评级属性的对应关系表，该对应关系表中记录了每一种行业类型所关注对象的属性项以及各个属性项取不同参数值时所对应的评级权重。评级设备通过获取目标商店的行业类型，即可从该对应关系表中确定该行业类型所对应的评级属性项以及各个参数值的评级权重。

可选地，商店的评级设备可以根据目标商店销售产品的种类，确定该目标商店的行业类型。其中，若某一商店售卖产品的种类较多，对应多个行业类型，则选取多个行业类型中销售产品的数量以及包含的商品种类最多的一个行业类型，作为该目标商店的行业类型。

在s104中，根据所有所述对象属性统计各个所述属性值的对象人数。

在本实施例中，商店的评级设备会根据在评级周期内所有获取的对象的对象属性，对每一个属性值的对象人数分别进行统计。需要说明的是，同一评级属性项中所有属性值的对象人数之和，即为评级周期内获取得到的对象的总个数。例如，对于评级属性项为“性别”，则可取的属性值为“男性”以及“女性”两个属性值，并统计在评级周期内，性别为“男性”的对象人数，以及性别为“女性”的对象人数。并且“男性”对象人数与“女性”对象人数之和，必然等于评级周期内获取得到的对象的总个数。同样道理，对于其他评级属性项也可以通过类似上述方法，统计各个属性值的对象人数。

在s105中，将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级；所述评级计算模型具体为：

其中，lv为商店等级；aij为第i项所述评级属性项中第j个属性值的评级权重；qij为第i项所述评级属性项中第j个所述属性值的对象个数；m为所述评级属性项的项数；ni为第i项所述评级属性项可取的属性值的个数；q总为所述评级周期内获取的所述对象的总个数。

在本实施例中，商店的评级设备会将各个评级属性项中各个属性值的评级权重以及对象人数导入到评级计算模型内，计算该目标商店在本次评级周期内的商店等级。需要说明的是，为第i个评级属性项对应的分项评分值，因此对所有m个评级属性项的分项评分值进行累加，则可以得到该目标商店整体的商店等级。

需要说明的是，属于同一评级属性项的各个属性值的评级权重之和为1。例如对于“性别”这一评级属性项，包含两个属性值分别为“男性”以及“女性”，分别对应的0.2以及0.8的评级权重，且两个属性值的评级权重之和为1。

为了便于理解，下述通过一个例子说明商店等级的计算过程。某一评级周期内一共获取到了10个对象的对象图像，基于10个对象图像确定了各个对象的对象属性，并从中提取与目标商店的行业类型相关评级属性以及各个评级属性中不同属性值的评级权重，为了便于比对，以下通过表格的形式展示本次统计得到的各个属性值的对象个数以及评级权重。参见表1所示，将各个属性值的对象个数以及评级权重导入到评级计算模型，计算过程如下：

lv＝(0.3*5+0.7*5)+(0.2*1+0.6*9+0.2*0)+(0.2*3+0.7*4+0.1*3)＝15.9

即本次计算得到的商店等级为15.9。通过该商店等级可以估算该商店的经营状况。

表1

以上可以看出，本发明实施例提供的一种商店的评级方法通过获取在评级周期内所有进入目标商店对象的对象图像，确定各个对象的对象属性，通过对象属性可以预估进入该目标商店的顾客的购买能力以及购买意向，并且根据该目标商店的行业类型，从对象属性中提取与该行业类型相关度较大的可以用于对该目标商店进行评级的评级属性项，以及该评级属性项可取的各个属性值所对应的评级权重，统计在评级周期内各个属性值所对应的对象个数，从而计算得到该目标商店的商店等级。与现有的商店评级方法相比，无需人工现场采集数据，或者安排用户远距离监控该商店，提高了评级的效率以及人工成本。

图2示出了本发明第二实施例提供的一种商店的评级方法的具体实现流程图。参见图2所示，相对于图1所述实施例，本实施例提供的一种商店的评级方法中在所述根据所述对象图像识别各个所述对象的对象属性之前还包括s201～s203，具体详述如下：

在s201中，获取多个训练对象的训练图像和训练对象属性。

在本实施例中，对象属性提取模型具体为多属性联合学习deepmar神经网络，为了提高该deepmar神经网络输出对象属性的正确率，需要输入训练数据对该神经网络进行学习训练。因此，在s201中，终端设备会获取训练对象的训练图像和训练对象属性。其中，训练用户的个数为多个，优选地，该训练用户的个数应大于1000个，从而提高该deepmar神经网络的识别准确性。

在本实施例中，商店的评级设备可以对多个对象进行图像获取，并输入上述对象的对象属性，当然商店的评级设备可以在对象进行录入操作时，采集该对象的对象图像，并且将该对象图像与该对象录入的对象信息进行关联，从而商店的评级设备中数据库中存储的已录入用户，可作为本次对deepmar神经网络训练时所使用的训练对象。在s201中，评级设备把训练对象的训练图像作为deepmar神经网络的输入参考值，把训练用户的训练对象属性作为deepmar神经网络的输出参考值，通过上述两个参数对deepmar神经网络进行训练。

需要说明的是，各个训练对象的训练对象属性的格式是相同的，即对象属性中包含的属性参数项的项数是相同的。若任一训练对象的对象图像由于拍摄角度的问题无法解析出部分属性参数项，则该属性参数项为空，从而保证了在对deepmar神经网络进行训练时，各个通道输出的参数的含义是固定的，提高了deepmar神经网络的准确性。

在s202中，基于所述训练图像和所述训练对象属性，调整多属性联合学习deepmar神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；pic为所述训练图像；i为所述训练对象属性；i1,i2,i3,…,in为所述训练对象属性包含的各项属性项的参数值；n为所述属性项的个数；p(i1,i2,i3,…,in|pic；θ)为当所述学习参数的值为θ时，将所述训练对象的训练图像导入到所述deepmar神经网络，输出结果为该训练用户的训练对象属性的概率值；maxθ∑(pic,i)logp(i1,i2,i3,…,n|pic；θ)为所述概率值取最大值时所述学习参数的取值。

在本实施例中，deepmar神经网络有n个输出通道，每个输出通道对应于对象属性中包含的各项属性参数项，例如对象属性中包含：年龄、性别、职业、身高、体重、发型6个用户参数，则deepmar神经网络中则会设置有6个输出通道，依据各个属性参数项在对象属性中的编号，为每个属性参数项固定与之对应的输入通道，从而保证每个输入通道输入的用户参数是相同的。该deepmar神经网络的输入通道为一个，即为对象图像的输入通道。当然，若在预设时间范围内同一对象获取到多个对象图像，则本次输入的图像个数可以为多个，从而提高识别的准确率。

在本实施例中，deepmar神经网络中包含多个神经层，每个神经层设置有相应的学习参数，通过调整学习参数的参数值能够适应不同输入类型以及输出类型。当学习参数设置为某一参数值时，将多个训练对象的对象图像输入到该deepmar神经网络，将对应输出一各个对象的对象属性，评级设备会将输出的对象属性与训练对象属性进行比对，确定本次输出是否正确，并且基于多个训练对象的输出结果，得到该学习参数取该参数值时输出结果正确的概率值。评级设备会调整该学习参数，以使该概率值取最大值，则表示该deepmar神经网络已经调整完毕。

在s203中，基于调整学习参数后的所述deepmar神经网络，生成所述对象属性提取模型。

在本实施例中，终端设备将调整了学习参数后的deepmar神经网络作为对象属性提取模型，提高了对象属性提取模型识别的准确率。

在本发明实施例中，通过训练对象对deepmar神经网络进行训练，选取输出结果正确的概率值最大时对应的学习参数作为deepmar神经网络中学习参数的参数值，从而提高了候选协议识别的准确性，实现精准推送的目的。

图3示出了本发明第三实施例提供的一种商店的评级方法s101的具体实现流程图。参见图3所示，相对于图1所述实施例，本实施例提供的一种商店的评级方法s101中包括s1011以及s1013，具体详述如下：

进一步地，作为本发明另一实施例，所述获取在评级周期内所有进入目标商店的对象的对象图像，包括：

在s1011中，接收分布式摄像终端发送的在检测到对象进入所述目标商店时采集的环境图像。

在本实施例中，分布式摄像终端在检测到对象进入目标商店时，会采集该目标商店的环境图像，具体地，该环境图像可以为该目标商店的店面图像。通过该环境图像，可以识别得到该目标商店中的多个顾客，并从该环境图像中提取各个顾客的对象图像。

在本实施例中，目标商店的出入口可以设置有距离传感器，若检测到获取到的距离值发生突变时，则识别有对象进入目标商店，此时，距离传感器会发送一个图像采集指令给分布式摄像终端，当分布式摄像终端接收到该图像采集指令后，会获取当前目标商店的环境图像，然后执行s1022的相关操作。

在s1012中，识别所述环境图像中包含的人脸图像。

在本实施例中，评级设备通过人脸识别算法，确定该环境图像中包含的人脸图像，若该环境图像中存在多个对象的人脸，则识别得到的人脸图像的个数可以为多个。

在本实施例中，评级设备会为环境图像中每个人脸图像进行编号，为每个人脸图像创建一个缓存区域，用于存储该人脸图像所对应的对象图像。可选地，评级设备在确定了各个人脸图像后，会将预设时间范围内采集到多所有已存储人脸图像与本次获取的人脸图像进行比对，确定本次采集的人脸图像是否有对应的已存储人脸图像，若是，则本次采集不再对该人脸图像的对象图像进行存储，而是忽略该人脸图像，从而减少了重复存储的情况发生，提高了存储空间的可利用率以及减少不必要的识别操作。

在s1013中，根据所述人脸图像，从所述环境图像中截取包含所述对象主体的图像作为对象图像。

在本实施例中，评级设备会基于该人脸图像，从环境图像中定位该人脸图像对应对象的主体所在的大致区域，通过轮廓识别算法，获取与该人脸图像外轮廓相连的区域，从而勾勒出该人脸图像对应对象主体的图像，并识别该主体图像作为对象图像。

可选地，在s1013之前，评级设备可以对环境图像进行预处理，例如通过锐化、滤波等算法对环境图像进行去噪处理，还可以通过灰度变换、像素色值翻转等算法先确定对象主体区域的轮廓，在基于该轮廓从原始环境图像中截取相应区域的图像作为对象图像。

在本发明实施例中，评级设备通过获取分布式摄像终端反馈的环境图像，从而能够一次获取多个对象的对象图像，从而减少了图像提取操作的次数，提高了对象属性提取的效率。

图4示出了本发明第四实施例提供的一种商店的评级方法的具体实现流程图。参见图4所示，相对于图1～图3所述实施例，本实施例提供的一种商店的评级方法在所述将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级之后，还包括：s401～s404，具体详述如下：

在s401中，将所述商店等级与评级范围进行比较。

在本实施例中，评级设备会将计算得到的商店等级与预设的评级范围进行比较，若该商店等级落入到评级范围内，则表示该目标商店的经营状况符合预期期望，具有相应的还款能力，因此可以保持当前的还款策略不予改变，在该情况下，评级设备会等待下一次评级周期的到达，再次对该目标商店进行评级操作。

在本实施例中，若本次评级周期获取得到的商店等级低于该评级范围的下限值，则执行s402以及s403的相关操作；若商店等级高于评级范围的上限值，则执行s404的相关操作。

在s402中，若所述目标商店的商店等级低于预设的评级范围的下限值，则执行告警操作，并降低所述目标商店的信用等级。

在本实施例中，评级设备在确定了目标商店的商店等级低于评级范围的下限值，则表示该目标商店的经营状况较差，可能会不具备相应的还款能力，因此需要向该目标商店执行告警操作，以提示该目标商店的店主需要按期还款。其中，该告警操作包括但不限于：向用户发送告警邮件或告警短信，当然还可以安排相应的负责人员与目标商店的店家进行电话沟通，以进一步确定当前商店的经营状况。

在本实施例中，由于评级设备判定该目标商店的经营状况较差，可能不具备还款能力，因此，在该情况下，评级设备会降低该目标商店的信用等级，以限制该目标商店的贷款权限。

在s403中，获取所述目标商店的管理用户的交易账户，并将所述交易账户识别为风险账户。

在本实施例中，评级设备除了对该目标商店进行贷款限制操作以及告警操作外，还会获取该目标商店的管理用户的交易账户，避免该管理用户通过私人渠道为该目标商店进行贷款操作，增加了银行或金融机构更多的投资风险，因此会识别该类交易账户为风险账户。

在本发明实施例中，通过对商店评级低于预设范围下限值的目标商店以及该目标商店的管理用户进行交易限制，从而避免了银行或其他金融机构造成不必要的经济损失。

进一步地，作为本发明另一实施例，在所述将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级之后，还包括：

在s404中，若所述目标商店的商店等级高于所述评级范围的上限值，则提高所述目标商店的交易权限；所述交易权限包括贷款额度。

在本实施例中，评级设备在确定了目标商店的商店等级高于评级范围的上限值，则表示该目标商店的经营状况较优，此时可以提高目标商店的交易权限，允许目标商户进一步的贷款请求，并且交易权限与贷款额度成正比，即交易权限越高，则可贷款的金额越多。

在本发明实施例中，对于经营情况较优的目标商店，提高其交易权限，从而能够增加银行以及其他金融机构在贷款业务以及其他交易项目中的收入金额，增加企业的效益。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图5示出了本发明一实施例提供的一种商店的评级设备的结构框图，该商店的评级设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。

参见图5，所述商店的评级设备包括：

对象图像获取单元51，用于获取在评级周期内所有进入目标商店的对象的对象图像；

对象属性提取单元52，用于分别将各个所述对象图像导入到对象属性提取模型，确定各个所述对象的对象属性；

评级参数获取单元53，用于基于所述目标商店的行业类型，从所述对象属性中选取用于对所述目标商店进行评级的评级属性项，以及确定各个所述评级属性项可取的各个属性值的评级权重；

对象人数统计单元54，用于根据所有所述对象属性统计各个所述属性值的对象人数；

商店等级确定单元55，用于将各个所述属性值的评级权重以及对象人数导入到评级计算模型，得到所述目标商店的商店等级；所述评级计算模型具体为：

其中，lv为商店等级；aij为第i项所述评级属性项中第j个属性值的评级权重；qij为第i项所述评级属性项中第j个所述属性值的对象个数；m为所述评级属性项的项数；ni为第i项所述评级属性项可取的属性值的个数；q总为所述评级周期内获取的所述对象的总个数。

可选地，商店的评级设备还包括：

训练对象获取单元，用于获取多个训练对象的训练图像和训练对象属性；

学习参数调整单元，用于基于所述训练图像和所述训练对象属性，调整多属性联合学习deepmar神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；pic为所述训练图像；i为所述训练对象属性；i1,i2,i3,…,in为所述训练对象属性包含的各项属性项的参数值；n为所述属性项的个数；p(i1,i2,i3,…,in|pic；θ)为当所述学习参数的值为θ时，将所述训练对象的训练图像导入到所述deepmar神经网络，输出结果为该训练用户的训练对象属性的概率值；maxθ∑(pic,i)logp(i1,i2,i3,…,in|pic；θ)为所述概率值取最大值时所述学习参数的取值；

对象属性提取模型生成单元，用于基于调整学习参数后的所述deepmar神经网络，生成所述对象属性提取模型。

可选地，对象图像获取单元51包括：

环境图像获取单元，用于接收分布式摄像终端发送的在检测到对象进入所述目标商店时采集的环境图像；

人脸图像识别单元，用于识别所述环境图像中包含的人脸图像；

对象图像截取单元，用于根据所述人脸图像，从所述环境图像中截取包含所述对象主体的图像作为对象图像。

可选地，商店的评级设备还包括：

告警操作执行单元，用于若所述目标商店的商店等级低于预设的评级范围的下限值，则执行告警操作，并降低所述目标商店的信用等级；

风险账户识别单元，用于获取所述目标商店的管理用户的交易账户，并将所述交易账户识别为风险账户。

可选地，商店的评级设备还包括：

交易权限调整单元，用于若所述目标商店的商店等级高于所述评级范围的上限值，则提高所述目标商店的交易权限；所述交易权限包括贷款额度。

因此，本发明实施例提供的商店的评级设备同样无需人工现场采集数据，或者安排用户远距离监控该商店，提高了评级的效率以及人工成本。

图6是本发明另一实施例提供的一种商店的评级设备的示意图。如图6所示，该实施例的商店的评级设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如商店的评级程序。所述处理器60执行所述计算机程序62时实现上述各个商店的评级方法实施例中的步骤，例如图1所示的s101至s105。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各单元的功能，例如图5所示模块51至55功能。

示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述商店的评级设备6中的执行过程。例如，所述计算机程序62可以被分割成对象图像获取单元、对象属性提取单元、评级参数获取单元、对象人数统计单元以及商店等级确定单元，各单元具体功能如上所述。

所述商店的评级设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述商店的评级设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是商店的评级设备6的示例，并不构成对商店的评级设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述商店的评级设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述商店的评级设备6的内部存储单元，例如商店的评级设备6的硬盘或内存。所述存储器61也可以是所述商店的评级设备6的外部存储设备，例如所述商店的评级设备6上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述商店的评级设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述商店的评级设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。