店员识别方法、系统和终端与流程

1.本发明属于行人重识别技术领域，涉及一种店员识别方法，特别是涉及一种店员识别方法、系统和终端。


背景技术：

2.为了统计有效的客流信息，需要对顾客的走动轨迹、关注的热门区域以及商品热度进行统计和分析，以帮助零售店优化陈列和商品布局，提供良好的数据运营服务。然而客流统计过程中会产生很多噪声数据，比如由店内的工作人员产生的活动轨迹，因此有必要对店内的工作人员和顾客进行区分和识别。
3.店员有一些区别于顾客的明显的行为特征，比如，在店内逗留的时间较长，有些穿着统一的工作制服，可以基于上述行为特征统计进店人员的游逛时长，或者将进店人员的行为特征与店员特征库相匹配，进而从众多店内人员轨迹中识别出店员。然而，前者需要一段很长的统计时间才能有效地判定店员，具有时间的滞后性；后者可以实现店员的实时判定，但是需要定期对店员库进行维护和更新。尤其是随着换季或者商店的需求变更，店员的服装时而也会有更换，如果不及时更新店员的变动特征，店员识别系统就会将店员识别为顾客，进而影响到客群分析结果的准确性。现有的店员识别系统一般会采用人工录入的方式更新店员特征库，该方法的智能化程度低，且不利于提高工作效率。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种店员识别方法、系统和终端，用于解决现有技术中店员识别智能化程度低的技术问题。相比于现有的店员识别方法，本发明兼顾了实时店员识别和长时店员识别，提高了店员识别效率。
5.为实现上述目的及其他相关目的，本发明提供一种店员识别方法、系统和终端，包括以下步骤：实时提取店内人员的行人特征；基于所述行人特征和店员特征库识别店员；获取所述店内人员中非店员的当天活动轨迹；基于所述非店员的当天活动轨迹识别长时店员。
6.于本发明一实施例中，基于所述行人特征和店员特征库识别店员包括以下步骤：
7.遍历所述店员特征库，并计算所述行人特征与所述店员特征库中的店员特征之间的相似度；
8.判断所述相似度是否大于预定相似度阈值；
9.若是，则将所述相似度对应的店内人员识别为店员；
10.若否，则将所述相似度对应的店内人员识别为非店员。
11.于本发明一实施例中，获取所述店内人员中非店员的当天活动轨迹包括以下步骤：
12.获取所述非店员的活动轨迹标记；
13.按照时间先后顺序匹配所述活动轨迹标记，以获取属于同一非店员的轨迹标记序
列；
14.将所述同一非店员的轨迹标记序列作为当天单个非店员的活动轨迹。
15.于本发明一实施例中，基于所述非店员的当天活动轨迹识别长时店员包括以下步骤：
16.获取所述非店员的游逛总时长和物理空间定位；
17.基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为长时店员。
18.于本发明一实施例中，基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为长时店员包括以下步骤：
19.计算非店员可能性分数其中p为非店员可能性分数，t
shop
为非店员在店内游逛的总分钟数，t
work
为非店员在预定区域范围内逗留的总分钟数；
20.判断所述非店员可能性分数是否大于预设可能性分数阈值；
21.若是，则将所述非店员可能性分数对应的非店员识别为长时店员。
22.于本发明一实施例中，还包括基于长时店员的活动轨迹筛选长时店员特征，基于长时店员特征更新店员特征库。
23.于本发明一实施例中，基于长时店员的活动轨迹筛选长时店员特征，基于所述长时店员的特征更新店员特征库包括以下步骤：
24.计算每个长时店员的特征均值，以获取聚类中心；
25.计算所述长时店员的特征与所述聚类中心之间的相似度；
26.判断所述相似度是否大于预设相似度阈值；
27.若是，则将所述相似度对应的长时店员特征加入店员特征库。
28.于本发明一实施例中，还包括对所述店员特征库进行更新；对所述店员特征库进行更新包括以下步骤：
29.从所述店员特征库中获取店员特征存在天数和被匹配次数；
30.基于所述店员特征存在天数和被匹配次数计算店员特征置信度其中p表示店员置信度，t+1表示店员库的更新周期，t表示距离当天的天数，p
hit
表示在第t天店员被匹配的概率；
31.判断所述店员特征置信度是否小于预设置信度阈值；
32.若是，则从店员特征库中删除所述店员置信度对应的店员特征。
33.对应地，本发明提供一种店员识别系统，包括：
34.行人特征提取模块，用于实时提取店内人员的行人特征；
35.第一店员识别模块，用于基于所述行人特征和店员特征库识别店员；
36.轨迹获取模块，用于获取所述店内人员中非店员的当天活动轨迹；
37.第二店员识别模块，用于基于所述非店员的当天活动轨迹识别长时店员。
38.对应地，本发明提供一种店员识别终端，包括：处理器和存储器；
39.所述存储器用于存储计算机程序；
40.所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述任一
项所述的店员识别方法。
41.如上所述，本发明的店员识别方法、系统和终端，具有以下有益效果：
42.(1)兼顾了实时店员识别和长时店员识别，提高了店员识别效率；
43.(2)实现了店员特征库的自动同步更新，不依赖人工手动维护，使得店员信息能保持在一个较新的状态。
附图说明
44.图1显示为本发明店员识别方法于一实施例中的流程图。
45.图2显示为本发明店员识别系统于一实施例中的结构示意图。
46.图3显示为本发明店员识别终端于一实施例中的结构示意图。
47.元件标号说明
48.s1～s4
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
方法步骤
49.21
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
行人特征提取模块
50.22
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
第一店员识别模块
51.23
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
轨迹获取模块
52.24
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
第二店员识别模块
53.25
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
店员库更新模块
54.31
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
处理器
55.32
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
存储器
具体实施方式
56.以下通过特定的具体实例说明本发明的实施方式，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发明的其他优点与功效。本发明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，在没有背离本发明的精神下进行各种修饰或改变。
57.需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明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。
58.另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明的保护范围之内。
59.本发明的店员识别方法、系统和终端兼顾了实时店员识别和长时店员识别，提高了店员识别效率；实现了店员特征库的自动同步更新，不依赖人工手动维护，使得店员信息能保持在一个较新的状态。
60.如图1所示，于一实施例中，本发明的店员识别方法包括以下步骤：
61.步骤s1、实时提取店内人员的行人特征。
62.于一实施例中，利用安装在店内的视频采集设备实时获取店内人员的视频流。为了保证视频流中的图像质量，优选采用分辨率高、采样速率快、传输速率快且高保真的视频采集设备。接着对视频流中的图像进行行人重识别，以提取店内人员的行人特征。所述店员识别方法包括传统的手工特征提取方法和基于深度学习的行人特征自动提取方法。所述行人特征包括行人的体态、躯干、步态和衣服等非敏感行人信息，并以浮点型特征向量形式进行存储。
63.通常在使用基于深度学习的行人重识别方法来提取行人特征之前，需要对神经网络模型进行预训练，以提高神经网络模型的识别效率和准确性。于一实施例中，采用的神经网络模型为resnet50，对所述resnet50进行预训练包括以下步骤：
64.1)收集行人图像；将数据集划分为训练集和测试集；
65.2)搭建网络并随机进行初始化；载入resnet50网络，初始权值为resnet50在imagenet上的预训练权重；对于网络结构里的其他部分的参数，采用均值为0，均方差为0.01的正态分布进行初始化，偏差采用0进行初始化；
66.3)图片输入本行人属性识别网络，进行行人属性识别和分类；
67.4)定义损失函数为交叉熵函数和三元组损失函数来测量本网络行人属性识别结果和真实属性之间的差异，计算最终的损失；
68.5)重复步骤4)，直到损失不再明显下降，训练结束，得到最终属性识别结果；
69.6)利用测试集评估模型，挑选最优模型作为最终模型。
70.步骤s2、基于所述行人特征和店员特征库识别店员。
71.于一实施例中，基于所述行人特征和店员特征库识别店员包括以下步骤：
72.遍历所述店员特征库，并计算所述行人特征与所述店员特征库中的店员特征之间的相似度；
73.判断所述相似度是否大于预定相似度阈值；
74.若是，则将所述相似度对应的店内人员识别为店员；
75.若否，则将所述相似度对应的店内人员识别为非店员。
76.于一实施例中，基于距离度量的方式计算行人特征和店员特征之间的相似度，所述距离度量方式包括欧式距离和余弦距离等。比如，当采用余弦距离度量相似度时，设置相似度阈值为75，如果相似度大于75，则将该相似度对应的行人判定为店员；否则，将该行人作为店内的非店员参与到长时店员的行人重识别匹配过程。
77.步骤s3、获取所述店内人员中非店员的当天活动轨迹。
78.于一实施例中，获取所述店内人员中非店员的当天活动轨迹包括以下步骤：
79.(1)获取所述非店员的活动轨迹标记。
80.具体地，所述活动轨迹标记表征包含非店员人像的单张图片，并以浮点型特征向量形式进行存储。
81.(2)按照时间先后顺序匹配所述活动轨迹标记，以获取属于同一非店员的轨迹标记序列。
82.具体地，采用基于距离度量的方式计算相邻时刻的两个浮点型特征向量之间的相似度，所述距离度量方式包括欧式距离和余弦距离等，将相似度大于预设相似度阈值的活
动轨迹标记判定为同一非店员的活动轨迹标记。
83.(3)将所述同一非店员的轨迹标记序列作为当天单个非店员的活动轨迹。
84.具体地，将按时间先后顺序排列的同一非店员轨迹标记集合作为同一非店员的轨迹标记序列，所述同一非店员的轨迹标记序列即为当天单个非店员的完整活动轨迹。
85.步骤s4、基于所述非店员的当天活动轨迹识别长时店员。
86.于一实施例中，基于所述非店员的当天活动轨迹识别长时店员包括以下步骤：
87.(1)获取所述非店员的游逛总时长和物理空间定位。
88.具体地，在获取非店员的当天活动轨迹后，确定非店员的进店时刻和离店时刻，所述离店时刻和所述进店时刻之间的时间间隔即为非店员的游逛总时间。
89.于一实施例中，当天多次进出店的非店员将产生多段活动轨迹，将所述多段活动轨迹的时间维度集合作为所述非店员的一天活动轨迹；确定每段活动轨迹中的进店时刻和离店时刻，并将离店时刻减去进店时刻，以得到每段轨迹在店内的逗留时间；通过累加每段轨迹在店内的逗留时间即可得到非店员的游逛总时间。
90.根据活动范围将店内区域划分为商品区和收银区，在获取非店员的当天活动轨迹后，统计非店员在收银区出现的累计时长。
91.(2)基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为长时店员。
92.于一实施例中，基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为长时店员包括以下步骤：
93.计算非店员可能性分数其中p为非店员可能性分数，t
shop
为非店员在店内游逛的总分钟数，t
work
为非店员在预定区域范围内逗留的总分钟数；
94.判断所述非店员可能性分数是否大于预设可能性分数阈值；
95.若是，则将所述非店员可能性分数对应的非店员识别为长时店员。
96.于一实施例中，设置非店员可能性分数阈值为0.5，即将数值超过0.5的非店员可能性分数对应的非店员识别为长时店员。
97.于一实施例中，也可以将游逛总时长大于5小时，或者将在收银区逗留的时长超过5小时的非店员直接识别为长时店员。
98.于一实施例中，本发明的店员识别方法还包括基于长时店员的活动轨迹筛选长时店员特征，基于长时店员特征更新店员特征库。
99.所述基于长时店员的活动轨迹筛选长时店员特征，基于所述长时店员的特征更新店员特征库包括以下步骤：
100.计算每个长时店员的特征均值，以获取聚类中心；
101.计算所述长时店员的特征与所述聚类中心之间的相似度；
102.判断所述相似度是否大于预设相似度阈值；
103.若是，则将所述相似度对应的长时店员特征加入店员特征库。
104.其中，长时店员的特征提取方式同步骤s1，长时店员的特征与聚类中心之间的相似度度量方式同步骤s2，此处不再赘述。
105.于一实施例中，本发明的店员识别方法还包括对所述店员特征库进行更新。
106.对所述店员特征库进行更新包括以下步骤：
107.(1)从所述店员特征库中获取店员特征存在天数和被匹配次数。
108.于一实施例中，在第t天遍历店员特征库，若提取的行人特征与所述店员特征库中的店员特征之间的相似度大于相似度阈值，则认为行人特征和店员特征匹配成功，并将匹配概率记为1，否则将匹配概率记为0。匹配概率为1的累计出现次数记为第t天店员特征被匹配次数，匹配概率为1的累计出现天数记为店员特征存在天数。
109.(2)基于所述店员特征存在天数和被匹配次数计算店员特征置信度(2)基于所述店员特征存在天数和被匹配次数计算店员特征置信度其中p表示店员置信度，t+1表示店员库的更新周期，t表示距离当天的天数，p
hit
表示在第t天店员被匹配的概率。
110.于一实施例中，若设置20天为店员库更新周期，则t＝19；如果某店员特征20天都有匹配，则p取最大值为10.5；依此类推，如果只有20天内的最后一天有匹配，则p取值为0.05。
111.(3)判断所述店员特征置信度是否小于预设置信度阈值。
112.具体地，可适当放宽所述预设置信度阈值的取值范围。比如，只要店员特征置信度p值不为0，就保留所述店员特征。
113.(4)若是，则从店员特征库中删除所述店员置信度对应的店员特征。
114.具体地，可设置手动或自动的方式从店员特征库中删除所述店员置信度对应的店员特征。
115.如图2所示，于一实施例中，本发明的店员识别系统包括：
116.行人特征提取模块21，用于实时提取店内人员的行人特征。
117.于一实施例中，利用安装在店内的视频采集设备实时获取店内人员的视频流。为了保证视频流中的图像质量，优选采用分辨率高、采样速率快、传输速率快且高保真的视频采集设备。接着对视频流中的图像进行行人重识别，以提取店内人员的行人特征。所述店员识别方法包括传统的手工特征提取方法和基于深度学习的行人特征自动提取方法。所述行人特征包括行人的体态、躯干、步态和衣服等非敏感行人信息，并以浮点型特征向量形式进行存储。
118.通常在使用基于深度学习的行人重识别方法来提取行人特征之前，需要对神经网络模型进行预训练，以提高神经网络模型的识别效率和准确性。于一实施例中，当采用的神经网络模型为resnet50，对所述resnet50进行预训练包括以下步骤：
119.1)收集行人图像；将数据集划分为训练集和测试集；
120.2)搭建网络并随机进行初始化；载入resnet50网络，初始权值为resnet50在imagenet上的预训练权重；对于网络结构里的其他部分的参数，采用均值为0，均方差为0.01的正态分布进行初始化，偏差采用0进行初始化；
121.3)图片输入本行人属性识别网络，进行行人属性识别和分类；
122.4)定义损失函数为交叉熵函数和三元组损失函数来测量本网络行人属性识别结果和真实属性之间的差异，计算最终的损失；
123.5)重复步骤4)，直到损失不再明显下降，训练结束，得到最终属性识别结果；
124.6)利用测试集评估模型，挑选最优模型作为最终模型。
125.第一店员识别模块22与行人特征提取模块21相连，第一店员识别模块22用于基于所述行人特征和店员特征库识别店员。
126.于一实施例中，基于所述行人特征和店员特征库识别店员包括以下步骤：
127.遍历所述店员特征库，并计算所述行人特征与所述店员特征库中的店员特征之间的相似度；
128.判断所述相似度是否大于预定相似度阈值；
129.若是，则将所述相似度对应的店内人员识别为店员；
130.若否，则将所述相似度对应的店内人员识别为非店员。
131.于一实施例中，基于距离度量的方式计算行人特征和店员特征之间的相似度，所述距离度量方式包括欧式距离和余弦距离等。比如，当采用余弦距离度量相似度时，设置相似度阈值为75，如果相似度大于75，则将该相似度对应的行人判定为店员；否则，将该行人作为店内的非店员参与到长时店员的行人重识别匹配过程。
132.轨迹获取模块23与第一店员识别模块22相连，用于获取所述店内人员中非店员的当天活动轨迹。
133.于一实施例中，获取所述店内人员中非店员的当天活动轨迹包括以下步骤：
134.(1)获取所述非店员的活动轨迹标记。
135.具体地，所述活动轨迹标记表征包含非店员人像的单张图片，并以浮点型特征向量形式进行存储。
136.(2)按照时间先后顺序匹配所述活动轨迹标记，以获取属于同一非店员的轨迹标记序列。
137.具体地，采用基于距离度量的方式计算相邻时刻的两个浮点型特征向量之间的相似度，所述距离度量方式包括欧式距离和余弦距离等，将相似度大于预设相似度阈值的活动轨迹标记认定为同一非店员的活动轨迹标记。
138.(3)将所述同一非店员的轨迹标记序列作为当天单个非店员的活动轨迹。
139.具体地，将按时间先后顺序排列的同一非店员轨迹标记集合作为同一非店员的轨迹标记序列，所述同一非店员的轨迹标记序列即为当天单个非店员的完整活动轨迹。
140.第二店员识别模块24与轨迹获取模块23相连，用于基于所述非店员的当天活动轨迹识别长时店员。
141.于一实施例中，基于所述非店员的当天活动轨迹识别长时店员包括以下步骤：
142.(1)获取所述非店员的游逛总时长和物理空间定位。
143.具体地，在获取非店员的当天活动轨迹后，确定非店员的进店时刻和离店时刻，所述离店时刻和所述进店时刻之间的时间间隔即为非店员的游逛总时间。
144.于一实施例中，当天多次进出店的非店员将产生多段活动轨迹，将所述多段活动轨迹的时间维度集合作为所述非店员的一天活动轨迹；确定每段活动轨迹中的进店时刻和离店时刻，并将离店时刻减去进店时刻，以得到每段轨迹在店内的逗留时间；通过累加每段轨迹在店内的逗留时间即可得到非店员的游逛总时间。
145.根据活动范围将店内区域划分为商品区和收银区，在获取非店员的当天活动轨迹后，统计非店员在收银区出现的累计时长。
146.(2)基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为
长时店员。
147.于一实施例中，基于所述游逛总时长和物理空间定位，将满足预设判定规则的非店员识别为长时店员包括以下步骤：
148.计算非店员可能性分数其中p为非店员可能性分数，t
shop
为非店员在店内游逛的总分钟数，t
work
为非店员在预定区域范围内逗留的总分钟数；
149.判断所述非店员可能性分数是否大于预设可能性分数阈值；
150.若是，则将所述非店员可能性分数对应的非店员识别为长时店员。
151.于一实施例中，设置非店员可能性分数阈值为0.5，即将数值超过0.5的非店员可能性分数对应的非店员识别为长时店员。
152.于一实施例中，也可以将游逛总时长大于5小时，或者将在收银区逗留的时长超过5小时的非店员直接识别为长时店员。
153.于一实施例中，本发明的店员识别系统还包括店员库更新模块25，所述店员库更新模块25用于基于长时店员的活动轨迹筛选长时店员特征，基于长时店员特征更新店员特征库。
154.所述基于长时店员的活动轨迹筛选长时店员特征，基于所述长时店员的特征更新店员特征库包括以下步骤：
155.计算每个长时店员的特征均值，以获取聚类中心；
156.计算所述长时店员的特征与所述聚类中心之间的相似度；
157.判断所述相似度是否大于预设相似度阈值；
158.若是，则将所述相似度对应的长时店员特征加入店员特征库。
159.其中，长时店员的特征提取方式同步骤s1，长时店员的特征与聚类中心之间的相似度度量方式同步骤s2，此处不再赘述。
160.于一实施例中，本发明的店员库更新模块25还用于对所述店员特征库进行更新。
161.对所述店员特征库进行更新包括以下步骤：
162.(1)从所述店员特征库中获取店员特征存在天数和被匹配次数。
163.于一实施例中，在第t天遍历店员特征库，若提取的行人特征与所述店员特征库中的店员特征之间的相似度大于相似度阈值，则认为行人特征和店员特征匹配成功，并将匹配概率记为1，否则将匹配概率记为0。匹配概率为1的累计出现次数记为第t天店员特征被匹配次数，匹配概率为1的累计出现天数记为店员特征存在天数。
164.(2)基于所述店员特征存在天数和被匹配次数计算店员特征置信度(2)基于所述店员特征存在天数和被匹配次数计算店员特征置信度其中p表示店员置信度，t+1表示店员库的更新周期，t表示距离当天的天数，p
hit
表示在第t天店员被匹配的概率。
165.于一实施例中，若设置20天为店员库更新周期，则t＝19；如果某店员特征20天都有匹配，则p取最大值为10.5；依此类推，如果只有20天内的最后一天有匹配，则p取值为0.05。
166.(3)判断所述店员特征置信度是否小于预设置信度阈值；
167.具体地，可适当放宽所述预设置信度阈值的取值范围。比如，只要店员特征置信度
p值不为0，就保留所述店员特征。
168.(4)若是，则从店员特征库中删除所述店员置信度对应的店员特征。
169.具体地，可设置手动或自动的方式从店员特征库中删除所述店员置信度对应的店员特征。
170.需要说明的是，应理解以上各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
171.例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
172.如图3所示，于本发明一实施例中，本发明的店员识别终端还包括处理器31和存储器32。
173.所述存储器32用于存储计算机程序；
174.所述存储器32包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。
175.所述处理器31用于执行所述存储器存储的计算机程序，以使所述终端执行上述店员识别方法。
176.优选地，所述处理器31可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field programmable gate array，简称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。
177.综上所述，本发明的店员识别方法、系统和终端兼顾了实时店员识别和长时店员识别，提高了店员识别效率；实现了店员特征库的自动同步更新，不依赖人工手动维护，使得店员信息能保持在一个较新的状态。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
178.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因
此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。