用于分析服饰潮流的数据处理方法、装置、设备和介质

摘要

本公开提供了一种用于分析服饰潮流的数据处理方法。该方法包括：获取线下图像，并识别该线下图像中的目标服饰。然后基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。将分割出的子图像与多个线上图像进行匹配，并基于匹配结果生成关于线下服饰潮流的分析报告。本公开还提供了一种用于分析服饰潮流的数据处理装置、一种计算机设备以及一种计算机可读存储介质。

说明书

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种用于分析服饰潮流的数据处理方法、装置、设备和介质。

背景技术

目前分析服饰潮流的方式主要包括线下问卷、线下门店调查等方式，例如调查人员通过线下门店询问导购人员当前服饰潮流数据等。然而，这些方式的调查成本均较高，需要调查人员花费大量时间人工进行数据收集，效率低下。并且，这些方式所获取的服饰潮流数据来自于路人、门店导购人员的回答，往往会因各人主观因素(例如不同人的审美不同、对时尚的认知不同等)和客观因素(例如地理位置不同、线下门店的销售数据要求保密等)的限制而导致调查结果有所偏颇。

发明内容

有鉴于此，本公开提供了一种用于分析服饰潮流的数据处理方法、装置、设备和介质。

本公开的一个方面提供了一种用于分析服饰潮流的数据处理方法，包括：获取线下图像，并识别该线下图像中的目标服饰。然后基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。将分割出的子图像与多个线上图像进行匹配，并基于匹配结果生成关于线下服饰潮流的分析报告。

根据本公开的实施例，上述将分割出的子图像与多个线上图像进行匹配包括：对于多个线上图像中的任一线上图像，将该任一线上图像映射为第二特征向量，并将分割出的子图像映射为第一特征向量。然后，计算第一特征向量和第二特征向量之间的距离，并基于该距离确定上述分割出的子图像与该任一线上图像之间的匹配度。

根据本公开的实施例，上述基于匹配结果生成关于线下服饰潮流的分析报告包括：确定包含一个目标服饰的子图像与多个线上图像之间的匹配度是否均小于第一预定阈值。如果是，则确定生成关于该目标服饰的分析报告。

根据本公开的实施例，上述获取线下图像包括：获取来自第一地理区域的线下图像。上述方法还包括：将所生成的分析报告推送至分布于第一地理区域的电商的服务端。

根据本公开的实施例，上述基于匹配结果生成关于线下服饰潮流的分析报告包括：确定包含一个目标服饰的子图像与多个线上图像中属于第二地理区域的线上图像之间的匹配度是否均小于第二预定阈值。如果是，则生成关于该目标服饰的分析报告。上述方法还包括：将所生成的分析报告推送至分布于所述第二地理区域的电商的服务端。

根据本公开的实施例，上述方法还包括：利用深度学习算法对分割出的子图像进行属性识别，确定该子图像所包含的目标服饰的一个或多个属性。上述生成关于目标服饰的分析报告包括：生成关于该目标服饰的一个或多个属性的分析报告。

根据本公开的实施例，上述一个或多个属性包括如下至少一项：形状、颜色、种类、风格、长短、配饰、以及材料。

根据本公开的实施例，上述获取线下图像包括：利用分布于至少一个地理区域的摄像头采集线下图像。

本公开的另一个方面提供了一种用于分析服饰潮流的数据处理装置，包括：获取模块、目标识别模块、图像分割模块、匹配模块和报告模块。获取模块用于获取线下图像。目标识别模块用于识别该线下图像中的目标服饰。图像分割模块用于基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。匹配模块用于将分割出的子图像与多个线上图像进行匹配。报告模块用于基于匹配结果生成关于线下服饰潮流的分析报告。

本公开的另一方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，对线下图像进行目标识别，并从中分割出包含目标服饰的子图像，通过将子图像与多个线上图像进行匹配获知线下服饰与线上服饰之间的差异，从而生成关于线下服饰潮流的分析报告。该过程便捷高效，原理简单，无需人工收集调查数据而能够较为准确地获知线下服饰潮流相对于线上服饰的发展动态，从而为线上服饰相关的设计、销售等提供参考。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用用于分析服饰潮流的数据处理方法和装置的示例性系统架构；

图2示意性示出了根据本公开实施例的用于分析服饰潮流的数据处理方法的流程图；

图3A示意性示出了根据本公开另一实施例的用于分析服饰潮流的数据处理方法的流程图；

图3B示意性示出了根据本公开实施例的目标服饰识别结果的示例示意图；

图3C示意性示出了根据本公开实施例的服装检索模块的示例架构图；

图4示意性示出了根据本公开实施例的用于分析服饰潮流的数据处理装置的框图；以及

图5示意性示出了根据本公开实施例的计算机设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开实施例提供了一种用于分析服饰潮流的数据处理方法和装置。该方法可以包括：获取过程、目标识别过程、图像分割过程、匹配过程和报告过程。在获取过程，获取线下图像。然后进行目标识别过程，识别该线下图像中的目标服饰。接着进行图像分割过程，基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。再进行匹配过程，将分割出的子图像与多个线上图像进行匹配，以便报告过程基于匹配结果生成关于线下服饰潮流的分析报告。

图1示意性示出了根据本公开实施例的可以应用用于分析服饰潮流的数据处理方法和装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105进行通信，以接收或发送消息等。终端设备101、102、103上可以安装具有各种功能的客户端应用，例如音乐类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是各种电子设备，包括但不限于智能音箱、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103中的各种客户端应用提供支持的后台管理服务器。后台管理服务器可以接收终端设备101、102、103发送的请求消息，对接收到的请求消息进行分析处理等响应，并将针对该请求消息的响应结果(例如根据请求消息获取或处理生成的网页、信息、或数据等)反馈给终端设备101、102、103，终端设备101、102、103将这些响应结果输出给用户。

根据本公开实施例的用于分析服饰潮流的数据处理方法可以在终端设备101、102、103中实施，相应地，根据本公开实施例的用于分析服饰潮流的数据处理装置可以设置于终端设备101、102、103中。或者，根据本公开实施例的用于分析服饰潮流的数据处理方法也可以在服务器105中实施，相应地，根据本公开实施例的用于分析服饰潮流的数据处理装置可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实际需要，可以具有任意数目的终端设备、网络和服务器。

服饰设计是一个变化周期非常短的行业，人们对于时尚的追求变化非常之快，有时甚至可以按天来计算。因此如何紧密跟随服饰潮流的变化是服饰设计从业者、销售服饰的电商等面临的一个重要问题。如果可以有效获取服饰潮流的当前趋势，服饰设计从业者可以设计出潮流服饰，电商可以快速作出决策选定某个潜在的潮流服饰进行销售。

目前分析服饰潮流的方式主要包括线下问卷、线下门店调查等方式，例如调查人员通过线下门店询问导购人员当前服饰潮流数据等。然而，这些方式的调查成本均较高，需要调查人员花费大量时间人工进行数据收集，效率低下。并且，这些方式所获取的服饰潮流数据来自于路人、门店导购人员的回答，往往会因各人主观因素(例如不同人的审美不同、对时尚的认知不同等)和客观因素(例如地理位置不同、线下门店的销售数据要求保密等)的限制而导致调查结果有所偏颇。

根据本公开实施例，提供了一种用于分析服饰潮流的数据处理方法，下面通过图例对该方法进行说明。应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的用于分析服饰潮流的数据处理方法的流程图。

如图2所示，该方法可以包括如下操作S201～S205。

在操作S201，获取线下(offline)图像。

其中，线下图像与线上(online)图像相对应，线上图像是指以互联网为媒介进行广泛传播展示的图像，例如电商在互联网中所展示的图像。而线下图像是指除线上图像之外的、针对实际线下场景拍摄得到的、具有实时性的、尚未被广泛传播展示的图像，例如路边的摄像头实施拍摄获取到的一张或多张图像。

然后，在操作S202，识别该线下图像中的目标服饰。

示例性地，可以预先定义一个或多个目标服饰，如“帽”、“鞋”、“包”、“上衣”、“下衣”、“连衣裙”等，在此不做限制。本操作S202例如可以使用一些基于深度学习的目标检测算法来进行目标服饰的识别，如R-CNN(Region Convolutional Neural Network，区域卷积神经网络)、Fast R-CNN(Fast Region Convolutional Neural Network，快速区域卷积神经网络)、Faster R-CNN(Faster Region Convolutional Neural Network，更快速区域卷积神经网络)等，在此不做限制。目标检测算法一方面可以解决识别问题，即识别线下图像中是否存在任一目标服饰，另一方面可以解决定位问题，即确定所识别的该目标服饰在该线下图像中的位置信息。

然后，在操作S203，基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。

例如，上述操作S202在识别出一个目标服饰“鞋”后，同时输出关于该目标服饰的四个坐标参数，以表征该目标服饰所在的方框位置。本操作S203利用图像分割(segmentation)技术，基于上述四个坐标参数将该目标服饰所在的方框分割出来，作为包含该目标服饰的子图像。对于其他目标服饰同理，在此不再赘述。每个子图像仅包含一个目标服饰，从一个线下图像中可以分割出一个或多个子图像。

接着，在操作S204，将分割出的子图像与多个线上图像进行匹配。

示例性地，针对分割出的任一子图像，将该子图像与多个线上图像进行匹配，以衡量该子图像与线上图像之间的差异，从而评价子图像所包含的目标服饰与线上图像之间的差异。

接着，在操作S205，基于匹配结果生成关于线下服饰潮流的分析报告。

其中，由于匹配结果可以表征目标服饰与线上图像之间的差异，通过该差异分析线下服饰潮流，以生成相应的分析报告作为线上服饰发展的参考指南。

本领域技术人员可以理解，通常情况下，线下时尚人士所穿搭的服饰往往可以作为服饰潮流的风向标。基于此规律，图2所示的方法对线下图像进行目标识别，并从中分割出包含目标服饰的子图像，通过将子图像与多个线上图像进行匹配获知线下服饰与线上服饰之间的差异，从而生成关于线下服饰潮流的分析报告。该过程便捷高效，原理简单，无需人工收集调查数据而能够较为准确地获知线下服饰潮流相对于线上服饰的发展动态，从而为线上服饰相关的设计、销售等提供参考。

根据本公开的实施例，上述将分割出的子图像与多个线上图像进行匹配包括：将一个子图像分别与多个线上图像中的每个线上图像进行匹配。示例性地，当对一个子图像a与一个线上图像x进行匹配时，将该子图像a映射为第一特征向量A，将该线上图像x映射为第二特征向量X。然后，计算第一特征向量A和第二特征向量X之间的距离L

在此基础上，当一个子图像与多个线上图像之间的匹配度均较小时，说明多个线上图像均与该子图像不相似，多个线上图像均不包含该子图像所包含的目标服饰。从而说明该子图像所包含的目标服饰在线下已出现，但在线上尚未出现。在本公开的一个实施例中，上述基于匹配结果生成关于线下服饰潮流的分析报告包括：确定包含一个目标服饰的子图像与多个线上图像之间的匹配度是否均小于第一预定阈值。如果是，则确定生成关于该目标服饰的分析报告。

进一步地，上述生成的关于目标服饰的分析报告可以用作电商在未来一段时间销售服饰的参考。由于不同地理区域可能会具有不同的服饰流行趋势，因此上述所生成的关于线下服饰潮流的分析报告可以按照地理区域进行分析和推送。示例性地，上述获取线下图像包括：获取来自第一地理区域的线下图像。根据本公开实施例的用于分析服饰潮流的数据处理方法在生成分析报告后还可以包括：将所生成的分析报告推送至分布于第一地理区域的电商的服务端。

在本公开的另一个实施例中，根据本公开实施例的用于分析服饰潮流的数据处理方法可以针对属于特定地理区域的线上图像进行分析。示例性地，上述基于匹配结果生成关于线下服饰潮流的分析报告可以包括：确定包含一个目标服饰的子图像与多个线上图像中属于第二地理区域的线上图像之间的匹配度是否均小于第二预定阈值。如果是，则表示该子图像所包含的目标服饰是属于第二地理区域的线上图像中尚未出现的服饰类型。故生成关于该目标服饰的分析报告，并将所生成的分析报告推送至分布于第二地理区域的电商的服务端。

进一步地，根据本公开实施例的用于分析服饰潮流的数据处理方法还可以包括：在从线下图像中分割出包含目标服饰的子图像后，利用深度学习算法对分割出的子图像进行属性识别，确定该子图像所包含的目标服饰的一个或多个属性。在此基础上，上述生成关于目标服饰的分析报告包括：生成关于该目标服饰的一个或多个属性的分析报告。示例性地，上述一个或多个属性包括如下至少一项：形状、颜色、种类、风格、长短、配饰、以及材料。并且，在将包含目标服饰的子图像与多个线上图像进行匹配时，为提高匹配效率，例如可以将该子图像与包含同类目标服饰的多个线上图像进行匹配。例如，子图像中的目标服饰为鞋，则将该子图像与所有包含鞋的线上图像进行匹配。

根据本公开的实施例，本公开获取线下图像的过程可以包括：利用分布于至少一个地理区域的摄像头采集线下图像。

下面参考图3A、图3B和图3C，结合具体例子对本公开的上述各实施例进行示例性说明。请注意，3A、图3B和图3C仅为用于说明本公开实施例的实施原理的图例，不对本公开作出限制。

图3A示意性示出了根据本公开另一实施例的用于分析服饰潮流的数据处理方法的流程图。

如图3A所示，该方法可以包括如下操作S301～S307。

在操作S301，获取线下用户图像。

其中，线下用户图像是指拍摄内容为实际用户的线下图像。例如，该线下用户图像为针对一位女性的街拍图像，例如可以利用部署在公共场所的摄像头拍摄得到。

然后，在操作S302，对线下用户图像进行目标服饰识别。

例如，构建服装检测引擎。将线下用户图像输入至服装检测引擎，以识别该线下用户图像所包含的目标服饰，识别结果请参考图3B，包括目标服饰的分类结果和目标服饰的位置信息，用于后续的进一步算法处理。服装检测引擎可以使用一些基于深度学习的目标检测算法，比如Faster R-CNN等构造得到。

图3B示意性示出了根据本公开实施例的目标服饰识别结果的示例示意图。如图3B所示，本操作S302在左侧所示线下用户图像中识别出如下目标：“女”、“包”、“鞋子”、“上半身”、“下半身”、“上衣”、“下衣”、“帽”等，并在图中以方框的形式标注每个目标所在的位置区域，如表1所示。本例中，可以将“包”、“鞋子”、“上衣”、“下衣”、和“帽”作为目标服饰。

表1

接着，在操作S303，从线下用户图像中分割出包含目标服饰的子图像。

沿用图3B所示的例子，本操作S303可以将识别结果中表征每个目标服饰所在的位置区域分割出来，例如得到：包含目标服饰“包”的子图像，与方框2相对应；包含目标服饰“鞋子”的子图像，与方框3或4相对应；包含目标服饰“上衣”的子图像，与方框7相对应；包含目标服饰“下衣”的子图像，与方框8相对应；包含目标服饰“帽”的子图像，与方框9相对应。

接着，在操作S304，对每个子图像进行属性识别。

例如，构建服装属性识别模块，服装属性识别模型用于识别上述子图像所包含的目标服饰的属性。该模块可以识别出服饰的一些具体属性，比如服饰的领型、颜色、种类、风格、长短、配饰、材料等等。服装属性识别模块的识别算法可以使用深度学习中的CNN(Convolutional Neural Network，卷积神经网络)或者其他机器视觉算法，在此不做限制。

接着，在操作S305，对每个子图像进行匹配检测。

例如，构建服装检索模块，服装检索模块可以将每个子图像映射为高维向量，如512维的浮点向量，称为第一特征向量。以及将每个线上图像(例如电商在互联网平台所提供的服饰图像等)基于同样的转换原理映射为高维向量，称为第二特征向量。通过比较第一特征向量与第二特征向量之间的欧式距离来判断该子图像所包含的目标服饰与线上图像所包含的服饰之间的相似程度。服装检索模块的系统架构请参考图3C，可以将线下的目标服饰与全部的线上服饰进行相似程度的比较。

图3C示意性示出了根据本公开实施例的服装检索模块的示例架构图。如图3C所示，将线下图像的子图像输入至卷积神经网络，输出该子图像的第一特征向量。将线上图像输入至卷积神经网络，得到该线上图像的第二特征向量。然后将第一特征向量与第二特征向量进行匹配，以确定第一特征向量与第二特征向量之间的相似程度。例如，当第一特征向量和第二特征向量之间的距离小于d(d可以根据需要进行设置)时，可以认为该子图像所包含的目标服饰与线上图像所包含的服饰一致。d越大二者之间的差距就越大。因此通过本操作S305可以将线下用户穿的各个服饰与海量的线上图像中的服饰进行匹配，进而分析出线上和线下服饰之间的分布差异。

接着，在操作S306，对匹配结果进行分析。

例如，构建线上线下服装相似程度分析模块。上文中利用服装检索模块根据第一特征向量与第二特征向量之间的距离判断线下目标服饰与线上服饰之间的相似程度。同时上文还利用服装属性识别模块可以识别线下目标服饰以及线上服饰的属性。结合二者的输出结果，线上线下服装相似程度分析模块可以分析出线上服饰的属性分布与线下目标服饰的属性分布。

其中，当一个线下目标服饰无法找到相匹配的线上图像(即所有线上图像的第二特征向量与包含该目标服饰的第一特征向量之间的距离都大于d)时，认为该线下目标服饰出现线上缺失现象。出现线上缺失现象的原因主要包括：1.该目标服饰较为小众；2.该目标服饰为新兴的潮流服饰，线上电商相比于线下，对于潮流服饰的响应速度比较慢，还未有店铺上新。上述原因可以从该目标服饰出现缺失现象的次数分析得出。通过这个流程可以判断一个线下目标服饰的属性组合在线上的稀缺程度。

接着，在操作S307，生成关于线下服饰潮流的分析报告。

例如，本操作S307可以生成线下服饰流行趋势报告、线上服饰稀缺程度报告等分析报告，并可以推送至需要了解线上线下服饰流行趋势之间差异的用户。通过上文各操作可以很容易分析出线下服饰的流行趋势，并且可以通过分析不同地理地区的摄像头采集的数据分析出不同地理地区的服饰流行区域。一般来说，服饰的流行是逐步扩散开来的，例如可能在M地区流行的某个服饰过几个月在N地区流行起来。电商以及服装设计院可以根据以上分析包括灵敏地把握住整个服装行业的流行趋势，根据本公开实施例的用于分析服饰潮流的数据处理方法具有成本低、准确度高的特点。

图4示意性示出了根据本公开实施例的用于分析服饰潮流的数据处理装置的框图。

如图4所示，用于分析服饰潮流的数据处理装置400可以包括：获取模块410、目标识别模块420、图像分割模块430、匹配模块440和报告模块450。

获取模块410用于获取线下图像。

目标识别模块420用于识别该线下图像中的目标服饰。

图像分割模块430用于基于所识别的目标服饰在该线下图像中的位置，从该线下图像中分割出包含上述目标服饰的子图像。

匹配模块440用于将分割出的子图像与多个线上图像进行匹配。

报告模块450用于基于匹配结果生成关于线下服饰潮流的分析报告。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块410、目标识别模块420、图像分割模块430、匹配模块440和报告模块450中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块410、目标识别模块420、图像分割模块430、匹配模块440和报告模块450中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、目标识别模块420、图像分割模块430、匹配模块440和报告模块450中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图5示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，根据本公开实施例的计算机设备500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有设备500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，设备500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。