随着互联网信息时代的到来,以满足消费者需求和提升效率为核心的智慧门店逐渐兴起。在线下场景,如何充分利用视频图像信息来分析顾客兴趣点,挖掘潜在价值,指导商品企划,成为商家越来越关注的问题。目前,计算机视觉技术飞速发展,以目标检测技术与属性识别技术为核心的视觉感知系统能够从监控视频信息中检测到顾客并识别出基本的属性特征,为商家制定后续服务策略提供帮助。然而,视觉感知系统仍然存在一些问题亟待解决:(1)商场超市等复杂场景下的监控视频质量会受到采光因素的影响,从而对后续的检测与识别造成干扰;(2)目标检测算法在保证实时性的同时要满足检测精度的需求;(3)属性识别算法的识别结果需要尽可能准确;(4)基于深度学习的目标检测与属性识别技术在不同场景下的检测与识别表现会有所差异。针对以上问题,本文的主要工作和研究内容如下。(1)阐述本文的研究意义,介绍目标检测与属性识别技术的研究现状以及本文系统的相关技术原理。(2)对比当前的暗光增强技术,根据智慧门店场景需求,设计了基于抛物线函数增亮的暗光增强方法,在保证实时性的同时暗光增强效果良好。(3)对比现有的检测算法,根据YOLOv3算法在检测小目标方面表现不佳的问题以及智慧门店场景需求,改进了 YOLOv3检测算法。本文使用自制商场超市场景的人群数据集进行针对性训练与测试,与原YOLOv3算法对比,检测精确率提升了 2%,召回率提升了 3%,在商场超市场景的小目标检测上有更好的表现。(4)对比现有的属性识别算法,根据智慧门店场景需求,使用基于注意力机制的属性识别方法,在行人数据集RAP上进行训练与测试。本文算法在商场超市场景的人物属性识别上有良好的表现。(5)设计实现了应用于智慧门店的视觉感知系统,从功能需求与性能需求两方面进行分析,设计了基于微服务的系统架构,按照功能将系统划分为用户管理、图像采集、图像预处理、目标检测、属性识别五个微服务模块。系统整体使用flask框架实现,应用本文设计的算法实现了暗光增强、目标检测、属性识别这三个核心功能。系统的各个模块具有独立性,系统整体具有可扩展性,为商家完善服务提供便利的平台。