CN110516597A - 提升特征识别度的离线学习方法、系统、设备及存储介质 - Google Patents
提升特征识别度的离线学习方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN110516597A CN110516597A CN201910797348.0A CN201910797348A CN110516597A CN 110516597 A CN110516597 A CN 110516597A CN 201910797348 A CN201910797348 A CN 201910797348A CN 110516597 A CN110516597 A CN 110516597A
- Authority
- CN
- China
- Prior art keywords
- characteristic pattern
- feature
- sample database
- new feature
- pattern sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种提升特征识别度的离线学习方法,包括获取前一次处理得到的特征图样本库;向获取的特征图样本库中输入当次处理的新特征图;通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。本发明还提供一种方法所对应的系统、设备及存储介质。本发明优点在于:可很好的消除仅更新特征存在的过拟合问题,从而使得特征识别度不会随着时间的影响而变得不可靠。
Description
技术领域
本发明涉及特征识别领域,特别涉及一种提升特征识别度的离线学习方法、系统、设备及存储介质。
背景技术
众所周知,人的外貌特征会随着时间的增长而发生细微的改变,虽然有一些细微的改变对于人肉眼来说是难以察觉到的,但是,对于基于深度学习技术的人脸识别而言,则会将这些细微的改变进行区分开,并可能会造成巨大的误差,从而导致出现误判。其中,深度学习技术是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,用它模仿人脑的机制来解释数据,例如图像、声音、文本等。
为了减少因特征的细微改变而导致出现的误判,现有的人脸识别产品都是采用更新特征的方式,即通过及时获取到待识别人物的较新特征,并将获取到的较新特征更新到特征样本库中,以此来增加特征的识别度。但是,在实际更新的过程中,常常会遇到特征过拟合(为了得到一致假设而使假设变得过度复杂称为过拟合)的问题,并导致稍早的特征变得不明显,随着时间的不断增加,特征识别度将逐渐降低,因此,采用更新特征的方式是无法保证特征识别的可靠性的。
发明内容
本发明要解决的技术问题,在于提供一种提升特征识别度的离线学习方法、系统及计算机设备,解决现有技术中随着时间的不断增加,特征识别度将逐渐降低的问题。
本发明是这样实现的:提升特征识别度的离线学习方法,所述方法包括:
获取前一次处理得到的特征图样本库;
向获取的特征图样本库中输入当次处理的新特征图;
通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
进一步地,所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
进一步地,所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%。
进一步地,所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
进一步地,所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%。
进一步地,所述获取前一次处理得到的特征图样本库具体为:
对未执行过处理的特征识别终端,直接获取该特征识别终端中存储的初始特征图样本库;
对执行过处理的特征识别终端,获取该特征识别终端中存储的前一次处理后得到的特征图样本库。
本发明是这样实现的:提升特征识别度的离线学习系统,所述系统包括样本库获取模块、新特征输入模块、特征判别模块以及处理模块;
所述样本库获取模块,用于获取前一次处理得到的特征图样本库;
所述新特征输入模块,用于向获取的特征图样本库中输入当次处理的新特征图;
所述特征判别模块,用于通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
所述处理模块,用于根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
进一步地,在所述处理模块中,所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
进一步地,在所述处理模块中,所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%。
进一步地,在所述处理模块中,所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
进一步地,在所述处理模块中,所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%。
本发明是这样实现的:一种设备,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计算机程序时实现所述的提升特征识别度的离线学习方法。
本发明是这样实现的:一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现所述的提升特征识别度的离线学习方法。
本发明具有如下优点:本发明通过在维持特征不变以及增加特征和/或更新特征的基础上,引入删除错误特征操作,其中,增加特征操作和/或更新特征操作可实现时间对特征的负反馈调节,删除特征操作可实现时间对特征的正反馈调节,且每次执行删除特征操作,都会抵消时间对特征的负反馈影响,因此,通过删除错误特征与增加特征和/或更新特征的相互结合,可很好的消除仅更新特征存在的过拟合问题,从而使得特征识别度不会随着时间的影响而变得不可靠。通过将本发明应用于任意需要进行多个特征判别的场景,可大大的提升特征识别准确度,保证特征识别的可靠性。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明提升特征识别度的离线学习方法的一执行流程图。
图2为本发明提升特征识别度的离线学习系统的原理框图。
图3为本发明涉及的具体实例的状态演变示意图。
图4为本发明涉及的模拟过拟合现象中H=15时与H=30时的W(s)和的对比图。
图5为本发明涉及的模拟过拟合现象中H=75时与H=90时的W(s)以及的对比图;
图6为本发明涉及的模拟过拟合现象中随H变化的W(s)和的变化图。
图7为本发明涉及的模拟真实场景中在各种操作下误判概率随时间变化的汇总图。
图8为本发明涉及的模拟真实场景中无操作与更新操作下误判概率随时间变化的对比图。
图9为图8的局部放大图。
图10为本发明涉及的模拟真实场景中更新操作与增加操作下误判概率随时间变化的对比图。
图11为图10的局部放大图。
图12为本发明涉及的模拟真实场景中增加操作与(增加+更新)操作下误判概率随时间变化的对比图。
图13为图12的局部放大图。
图14为本发明涉及的模拟真实场景中(更新+增加)操作与(增加+删除)操作下误判概率随时间变化的对比图。
图15为本发明涉及的模拟真实场景中(增加+删除)操作与(更新+增加+删除)操作下误判概率随时间变化的对比图。
图16为图15的局部放大图。
具体实施方式
请参阅图1至图16所示,本发明提升特征识别度的离线学习方法的较佳实施例,所述方法包括:
获取前一次处理得到的特征图样本库;
向获取的特征图样本库中输入当次处理的新特征图,以实现对特征图样本库进行更新操作;
通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果,即利用特征图样本库来对新输入的新特征图进行特征识别,并生成特征图样本库对新输入的新特征图的识别通过率;
根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
其中,所述获取前一次处理得到的特征图样本库具体为:
对未执行过处理的特征识别终端,直接获取该特征识别终端中存储的初始特征图样本库,即如果是第一次去更新特征图样本库的话,那么,就直接获取存储的初始特征图样本库;
对执行过处理的特征识别终端,获取该特征识别终端中存储的前一次处理后得到的特征图样本库,即如果不是第一次去更新特征图样本库的话,那么就获取前一次处理后得到的特征图样本库。其中,由于经过前一次处理以后,可以从十二种操作状态中获得一种操作状态,我们从特征识别终端中获取的就是前一次处理后获得的一种操作状态的特征图样本库。
在本发明的一实施例中,所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;
如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;
如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;
如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库,以方便下一次处理可以直接从特征识别终端中获取当次处理后得到的特征图样本库;
在本发明的一实施例中,十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
在本发明的一实施例中,通过引入增加、更新、删除以及不变这四种操作后,可使得随着时间的增加,每个时刻的状态都是由前一时刻的十二种操作演化而来,而每个时刻又会引出十二种操作。下面,我们以一具体实例来进行详细说明:
请参阅图3所示,在以下说明中,n表示的是特征图样本库中特征图的总个数,k表示的是特征图样本库中错误特征图的个数。假设T时刻的状态为n=10,k=3;那么,T-1时刻的状态就是以下十二种状态中的任意一种:第一,n=9,k=3,通过输入一张正确样本,并在特征图样本库中增加一张正确样本获得;第二,n=10,k=3,通过输入一张正确样本,并在特征图样本库中将一张正确样本更新为输入的正确样本获得;第三,n=10,k=4,通过输入一张正确样本,并在特征图样本库中将一张错误样本更新为输入的正确样本获得;第四,n=11,k=3,通过输入一张正确样本,并在特征图样本库中删除一张正确样本获得;第五,n=11,k=4,通过输入一张正确样本,并在特征图样本库中删除一张错误样本获得;第六,n=10,k=3,通过输入一张正确样本,不改变特征图样本库获得;第七,n=9,k=2,通过输入一张错误样本,并在特征图样本库中增加一张错误样本获得;第八,n=10,k=2,通过输入一张错误样本,并在特征图样本库中将一张正确样本更新为输入的错误样本获得;第九,n=10,k=3,通过输入一张错误样本,并在特征图样本库中将一张错误样本更新为输入的错误样本获得;第十,n=11,k=3,通过输入一张错误样本,并在特征图样本库中删除一张正确样本获得;第十一,n=11,k=4,通过输入一张错误样本,并在特征图样本库中删除一张错误样本获得;第十二,n=10,k=3,通过输入一张错误样本,不改变特征图样本库获得。同理,T+1时刻的状态可以由T时刻的状态引出以下十二种:第一,输入一张正确样本,并在特征图样本库中增加一张正确样本,使得n=11,k=3;第二,输入一张错误样本,并在特征图样本库中增加一张错误样本,使得n=11,k=4;第三,输入一张正确样本,并在特征图样本库中将一张正确样本更新为输入的正确样本,使得n=10,k=3;第四,输入一张正确样本,并在特征图样本库中将一张错误样本更新为输入的正确样本,使得n=10,k=2;第五,输入一张错误样本,并在特征图样本库中将一张正确样本更新为输入的错误样本,使得n=10,k=4;第六,输入一张错误样本,并在特征图样本库中将一张错误样本更新为输入的错误样本,使得n=10,k=3;第七,输入一张正确样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第八,输入一张正确样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第九,输入一张错误样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第十,输入一张错误样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第十一,输入一张正确样本,并保持特征图样本库不变,即n=10,k=3;第十二,输入一张错误样本,并保持特征图样本库不变,即n=10,k=3;其中,输入一张正确样本并在特征图样本库中增加一张错误样本和输入一张错误样本并在特征图样本库中增加一张正确样本在实际操作中是不可能存在的,因此不予考虑;
在本发明的一实施例中,所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;也就是说,如果特征图样本库对输入的新特征图的特征判别全部通过,那么就将新特征图增加到特征图样本库中;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;也就是说,如果特征图样本库对输入的新特征图的特征判别不完全通过,但有半数以上是通过的,那么就从特征图样本库中随机选择一张特征图进行更新;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;也就是说,如果特征图样本库对输入的新特征图的特征判别有四分之三以上是不通过的,并且不是全部不通过,那么就从四分之一以下判别通过的特征图中随机选择一张进行删除;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%,也就是说,如果特征图样本库对输入的新特征图的特征判别全部不通过或者有四分之一及以上是通过的,但不超过半数,那么就保持特征图样本库不变。这里需要说明的是,以上涉及的各操作条件的百分比的具体数值是本发明在具体实施时的一组较佳的数值,在这里仅是用于说明性使用的,但本发明并不仅限于此,在具体实施时,还可以根据实际情况来对具体数值进行调整。
在本发明的另一实施例中,所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;
如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;
如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库,以方便下一次处理可以直接从特征识别终端中获取当次处理后得到的特征图样本库;
在本发明的另一实施例中,八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
在本发明的另一实施例中,通过引入增加、删除以及不变这三种操作后,可使得随着时间的增加,每个时刻的状态都是由前一时刻的八种操作演化而来,而每个时刻又会引出八种操作。下面,我们以一具体实例来进行详细说明:
请继续参阅图3所示(请忽略更新部分的内容),在以下说明中,n表示的是特征图样本库中特征图的总个数,k表示的是特征图样本库中错误特征图的个数。假设T时刻的状态为n=10,k=3;那么,T-1时刻的状态就是以下八种状态中的任意一种:第一,n=9,k=3,通过输入一张正确样本,并在特征图样本库中增加一张正确样本获得;第二,n=11,k=3,通过输入一张正确样本,并在特征图样本库中删除一张正确样本获得;第三,n=11,k=4,通过输入一张正确样本,并在特征图样本库中删除一张错误样本获得;第四,n=10,k=3,通过输入一张正确样本,不改变特征图样本库获得;第五,n=9,k=2,通过输入一张错误样本,并在特征图样本库中增加一张错误样本获得;第六,n=11,k=3,通过输入一张错误样本,并在特征图样本库中删除一张正确样本获得;第七,n=11,k=4,通过输入一张错误样本,并在特征图样本库中删除一张错误样本获得;第八,n=10,k=3,通过输入一张错误样本,不改变特征图样本库获得。同理,T+1时刻的状态可以由T时刻的状态引出以下八种:第一,输入一张正确样本,并在特征图样本库中增加一张正确样本,使得n=11,k=3;第二,输入一张错误样本,并在特征图样本库中增加一张错误样本,使得n=11,k=4;第三,输入一张正确样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第四,输入一张正确样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第五,输入一张错误样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第六,输入一张错误样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第七,输入一张正确样本,并保持特征图样本库不变,即n=10,k=3;第八,输入一张错误样本,并保持特征图样本库不变,即n=10,k=3;其中,输入一张正确样本并在特征图样本库中增加一张错误样本和输入一张错误样本并在特征图样本库中增加一张正确样本在实际操作中是不可能存在的,因此不予考虑;
在本发明的另一实施例中,所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;也就是说,如果特征图样本库对输入的新特征图的特征判别全部通过,那么就将新特征图增加到特征图样本库中;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;也就是说,如果特征图样本库对输入的新特征图的特征判别有四分之三以上是不通过的,并且不是全部不通过,那么就从四分之一以下判别通过的特征图中随机选择一张进行删除;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%,也就是说,如果特征图样本库对输入的新特征图的特征判别全部不通过或者有四分之一及以上是通过的,但不是全部通过,那么就保持特征图样本库不变。这里需要说明的是,以上涉及的各操作条件的百分比的具体数值是本发明在具体实施时的一组较佳的数值,在这里仅是用于说明性使用的,但本发明并不仅限于此,在具体实施时,还可以根据实际情况来对具体数值进行调整。
在本发明的又一实施例中,所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;
如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;
如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库,以方便下一次处理可以直接从特征识别终端中获取当次处理后得到的特征图样本库;
在本发明的又一实施例中,十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
在本发明的又一实施例中,通过引入更新、删除以及不变这三种操作后,可使得随着时间的增加,每个时刻的状态都是由前一时刻的十种操作演化而来,而每个时刻又会引出十种操作。下面,我们以一具体实例来进行详细说明:
请继续参阅图3所示(请忽略增加部分的内容),在以下说明中,n表示的是特征图样本库中特征图的总个数,k表示的是特征图样本库中错误特征图的个数。假设T时刻的状态为n=10,k=3;那么,T-1时刻的状态就是以下十种状态中的任意一种:第一,n=10,k=3,通过输入一张正确样本,并在特征图样本库中将一张正确样本更新为输入的正确样本获得;第二,n=10,k=4,通过输入一张正确样本,并在特征图样本库中将一张错误样本更新为输入的正确样本获得;第三,n=11,k=3,通过输入一张正确样本,并在特征图样本库中删除一张正确样本获得;第四,n=11,k=4,通过输入一张正确样本,并在特征图样本库中删除一张错误样本获得;第五,n=10,k=3,通过输入一张正确样本,不改变特征图样本库获得;第六,n=10,k=2,通过输入一张错误样本,并在特征图样本库中将一张正确样本更新为输入的错误样本获得;第七,n=10,k=3,通过输入一张错误样本,并在特征图样本库中将一张错误样本更新为输入的错误样本获得;第八,n=11,k=3,通过输入一张错误样本,并在特征图样本库中删除一张正确样本获得;第九,n=11,k=4,通过输入一张错误样本,并在特征图样本库中删除一张错误样本获得;第十,n=10,k=3,通过输入一张错误样本,不改变特征图样本库获得。同理,T+1时刻的状态可以由T时刻的状态引出以下十种:第一,输入一张正确样本,并在特征图样本库中将一张正确样本更新为输入的正确样本,使得n=10,k=3;第二,输入一张正确样本,并在特征图样本库中将一张错误样本更新为输入的正确样本,使得n=10,k=2;第三,输入一张错误样本,并在特征图样本库中将一张正确样本更新为输入的错误样本,使得n=10,k=4;第四,输入一张错误样本,并在特征图样本库中将一张错误样本更新为输入的错误样本,使得n=10,k=3;第五,输入一张正确样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第六,输入一张正确样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第七,输入一张错误样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第八,输入一张错误样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第九,输入一张正确样本,并保持特征图样本库不变,即n=10,k=3;第十,输入一张错误样本,并保持特征图样本库不变,即n=10,k=3;
在本发明的又一实施例中,所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;也就是说,如果特征图样本库对输入的新特征图的特征判别有半数以上是通过的,那么就从特征图样本库中随机选择一张特征图进行更新;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;也就是说,如果特征图样本库对输入的新特征图的特征判别有四分之三以上是不通过的,并且不是全部不通过,那么就从四分之一以下判别通过的特征图中随机选择一张进行删除;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%,也就是说,如果特征图样本库对输入的新特征图的特征判别全部不通过或者有四分之一及以上是通过的,但不超过半数,那么就保持特征图样本库不变。这里需要说明的是,以上涉及的各操作条件的百分比的具体数值是本发明在具体实施时的一组较佳的数值,在这里仅是用于说明性使用的,但本发明并不仅限于此,在具体实施时,还可以根据实际情况来对具体数值进行调整。
在本发明的再一实施例中,所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;
如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库,以方便下一次处理可以直接从特征识别终端中获取当次处理后得到的特征图样本库;
在本发明的再一实施例中,六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
在本发明的再一实施例中,通过引入删除以及不变这两种操作后,可使得随着时间的增加,每个时刻的状态都是由前一时刻的六种操作演化而来,而每个时刻又会引出六种操作。下面,我们以一具体实例来进行详细说明:
请参阅图3所示(请忽略掉增加和更新部分),在以下说明中,n表示的是特征图样本库中特征图的总个数,k表示的是特征图样本库中错误特征图的个数。假设T时刻的状态为n=10,k=3;那么,T-1时刻的状态就是以下六种状态中的任意一种:第一,n=11,k=3,通过输入一张正确样本,并在特征图样本库中删除一张正确样本获得;第二,n=11,k=4,通过输入一张正确样本,并在特征图样本库中删除一张错误样本获得;第三,n=10,k=3,通过输入一张正确样本,不改变特征图样本库获得;第四,n=11,k=3,通过输入一张错误样本,并在特征图样本库中删除一张正确样本获得;第五,n=11,k=4,通过输入一张错误样本,并在特征图样本库中删除一张错误样本获得;第六,n=10,k=3,通过输入一张错误样本,不改变特征图样本库获得。同理,T+1时刻的状态可以由T时刻的状态引出以下六种:第一,输入一张正确样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第二,输入一张正确样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第三,输入一张错误样本,并在特征图样本库中删除一张正确样本,使得n=9,k=3;第四,输入一张错误样本,并在特征图样本库中删除一张错误样本,使得n=9,k=2;第五,输入一张正确样本,并保持特征图样本库不变,即n=10,k=3;第六,输入一张错误样本,并保持特征图样本库不变,即n=10,k=3;
在本发明的再一实施例中,所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;也就是说,如果特征图样本库对输入的新特征图的特征判别有四分之三以上是不通过的,并且不是全部不通过,那么就从四分之一以下判别通过的特征图中随机选择一张进行删除;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%,也就是说,如果特征图样本库对输入的新特征图的特征判别全部不通过或者有四分之一及以上是通过的,那么就保持特征图样本库不变。这里需要说明的是,以上涉及的各操作条件的百分比的具体数值是本发明在具体实施时的一组较佳的数值,在这里仅是用于说明性使用的,但本发明并不仅限于此,在具体实施时,还可以根据实际情况来对具体数值进行调整。
为了验证通过采用本发明的技术方案,可以使特征识别度不会随着时间的影响而变得不可靠,下面我们通过模拟真实场景中的过拟合现象来对本发明取得的技术效果做进一步说明:
假设特征图样本库对输入的不同样本的判断结果如表1和表2所示,其中,表1表示不受时间影响下的不同样本的判断结果表,表2表示受时间影响下的不同样本的判断结果表。
表1不受时间影响下的不同样本的判断结果表
表2受时间影响下的不同样本的判断结果表
假设其中,t表示时间变量,且在初始时刻时,t=0,之后每进行一次特征输入,t均加1;tThreshold表示阈值;s表示状态,且每过一个tThreshold,就变更一个状态。同时,用σt=0.5来表示每次输入正确样本的概率。
为了模拟数据更新的拟合过程,需要求正确特征识别正确样本的概率随着状态更新而改变;由于前期特征比较接近,所以开始时识别率下降较慢,而随着时间的增加,识别率下降速度将增加;但是,由于早期特征永远存在一部分置信度,所以最后识别率会趋向稳定。于是,我们假设在受时间影响下正确样本对正确特征判断为正确结果的公式如下:
其中,随时间变化的权重公式我们假设如下:
其中,H表示衰竭速度。
请参阅图4至图6所示,我们通过软件绘制出了W(s)和的相关图像;其中,图4表示H=15时与H=30时的W(s)和的对比图;图5表示H=75时与H=90时的W(s)以及的对比图;图6表示随H变化的W(s)和的变化图;这里需要说明的是:在图4至图6中,横坐标均表示时间,纵坐标均表示置信度概率;同时,附图中上半部分图像表示的是的图像,下半部分图像表示的是W(s)的图像。通过图4至图6我们可以直观地看出:随着时间的增加,到了后期,识别率会变得很低,因此误判率将会变得很高。于是,我们引入了删除操作来调节时间的负反馈效果,当删除一张错误特征图时,正确特征对正确样本的识别率将会回升。在引入删除操作后,在受时间影响下正确样本对正确特征判断为正确结果的公式如下:
其中,删除一张错误特征图的概率公式如下:
w=σtPTdelF(t-1)+(1-σt)PFdelF(t-1)。
对于每个时刻t,在理想状态下,误判的概率公式如下:
在s状态下,误判的概率公式如下:
其中,N表示变量,F(n,k)表示在n张特征图中有k张是错误特征图时的误判概率,其公式如下:
其中,i、j、l均表示变量;
F(s,n,k)表示在s状态下,n张特征图中有k张是错误特征图时的误判概率,其公式如下:
其中,i、j、l均表示变量;
G()表示当前的状态,而对于每个时刻t,都存在有以下十四种状态:
1、PTaddT
在理想状态下,输入一张正确样本,增加一张正确特征图的概率为:
PTaddT(n,k)=(αT)n-k(αf)k;
在在s状态下,输入一张正确样本,增加一张正确特征图的概率为:
2、PTaddF
在理想状态下,输入一张正确样本,增加一张错误特征图的概率为:
PTaddF(n,k)=0;
在s状态下,输入一张正确样本,增加一张错误特征图的概率为:
PTaddF(s,n,k)=0。
3、PTupdateT
在理想状态下,输入一张正确样本,将一张正确特征图更新为正确特征图的概率为:
在s状态下,输入一张正确样本,将一张正确特征图更新为正确特征图的概率为:
其中,u、v、i均表示变量。
4、PTupdateF
在理想状态下,输入一张正确样本,将一张错误特征图更新为正确特征图的概率为:
在s状态下,输入一张正确样本,将一张错误特征图更新为正确特征图的概率为:
其中,u、v、i均表示变量。
5、PTdelT
在理想状态下,输入一张正确样本,将一张正确特征图删除的概率为:
在s状态下,输入一张正确样本,将一张正确特征图删除的概率为:
其中,u、v、i、l、x、y均表示变量。
6、PTdelF
在理想状态下,输入一张正确样本,将一张错误特征图删除的概率为:
在s状态下,输入一张正确样本,将一张错误特征图删除的概率为:
其中,u、v、i、l、x、y均表示变量。
7、PTremain
在理想状态下,输入一张正确样本,没有任何事件发生的概率为1减对应各事件概率之和:
在s状态下,输入一张正确样本,没有任何事件发生的概率为1减对应各事件概率之和:
8、PTaddF
在理想状态下,输入一张错误样本,增加一张错误特征图的概率为:
PFaddF(n,k)=(αF)n-k(αf)k;
在s状态下,输入一张错误样本,增加一张错误特征图的概率为:
PFaddF(s,n,k)=PFaddT(n,k)。
9、PTaddT
在理想状态下,输入一张错误样本,增加一张正确特征图的概率为:
PFaddT(n,k)=0;其中,u、v、i均表示变量;
在s状态下,输入一张错误样本,增加一张正确特征图的概率为:
PFaddT(s,n,k)=PFaddT(n,k)。
10、PFupdateT
在理想状态下,输入一张错误样本,将一张正确特征图更新为错误特征图的概率为:
其中,u、v、i均表示变量;
在s状态下,输入一张错误样本,将一张正确特征图更新为错误特征图的概率为:
PFupdateT(s,n,k)=PFupdateT(n,k)。
11、PFupdateF
在理想状态下,输入一张错误样本,将一张错误特征图更新为错误特征图的概率为:
其中,u、v、i均表示变量;
在s状态下,输入一张错误样本,将一张错误特征图更新为错误特征图的概率为:
PFupdateF(s,n,k)=PFupdateF(n,k)。
12、PFdelT
在理想状态下,输入一张错误样本,将一张正确特征图删除的概率为:
其中,u、v、i、l、x、y均表示变量;
在s状态下,输入一张错误样本,将一张正确特征图删除的概率为:
PTdelT(s,n,k)=PFdelT(n,k)。
13、PFdelF
在理想状态下,输入一张错误样本,将一张错误特征图删除的概率为:
其中,u、v、i、l、x、y均表示变量;
在s状态下,输入一张错误样本,将一张错误特征图删除的概率为:
PTdelF(s,n,k)=PFdelF(n,k)。
14、PFremain
在理想状态下,输入一张错误样本,没有任何事件发生的概率为1减对应各事件概率之和:
在s状态下,输入一张错误样本,没有任何事件发生的概率为1减对应各事件概率之和:
综上,所以在t时刻,达到n张特征图,其中有k张是错误特征图状态的概率为:
G(t,n,k)=σt·gT(t,n,k)+(1-σt)·gF(t,n,k);
其中,输入正确样本时的概率gF(t,n,k)如下:
gT(t,n,k)=g(t-1,n,k)PTupdateT(n,k)+g(t-1,n-1,k)PTaddT(n-1,k)
+g(t-1,n,k+1)PTupdateF(n,k+1)
+g(t-1,n+1,k)PTdelT(n+1,k)
+g(t-1,n+1,k+1)PTdelF(n+1,k+1)
+g(t-1,n,k)PTremain(n,k);
如果引入时间的负反馈,则:
gT(t,n,k)=g(t-1,n,k)PTupdateT(V(t-1),n,k)
+g(t-1,n-1,k)PTaddT(V(t-1),n-1,k)
+g(t-1,n,k+1)PTupdateF(V(t-1),n,k+1)
+g(t-1,n+1,k)PTdelT(V(t-1),n+1,k)
+g(t-1,n+1,k+1)PTdelF(V(t-1),n+1,k+1)
+g(t-1,n,k)PTremain(V(t-1),n,k);
其中,输入错误样本时的概率gF(t,n,k)如下:
gF(t,n,k)=g(t-1,n,k)PFupdateT(n,k)
+g(t-1,n-1,k-1)PFaddT(n-1,k-1)
+g(t-1,n,k-1)PFupdateF(n,k-1)
+g(t-1,n+1,k)PFdelT(n+1,k)
+g(t-1,n+1,k+1)PFdelF(n+1,k+1)
+g(t-1,n,k)PFremain(n,k);
由于引入时间的负反馈时的各状态概率不变,所以gF(t,n,k)保持不变。
请参阅图7至图16所示,我们通过软件绘制出了在各种操作下误判概率随时间的变化图。其中,图7表示在各种操作下误判概率随时间变化的汇总图;图8表示无操作与更新操作下误判概率随时间变化的对比图;图9为图8的局部放大图;图10表示更新操作与增加操作下误判概率随时间变化的对比图;图11表示图10的局部放大图;图12表示增加操作与(增加+更新)操作下误判概率随时间变化的对比图;图13表示图12的局部放大图;图14表示(更新+增加)操作与(增加+删除)操作下误判概率随时间变化的对比图;图15表示(增加+删除)操作与(更新+增加+删除)操作下误判概率随时间变化的对比图;图16表示图15的局部放大图;通过图7至图16我们可以直观地看出:如果不引入删除操作,则随着时间的增加,正确特征对正确样本的识别率将下降,误判率将大幅度上升。而通过图14至图16可以表明,在引入删除操作后,其误判概率随着时间的增加将降到最低。
综上所述可知,本发明通过在维持特征不变以及增加特征和/或更新特征的基础上,引入删除错误特征操作,其中,增加特征操作和/或更新特征操作可实现时间对特征的负反馈调节,删除特征操作可实现时间对特征的正反馈调节,且每次执行删除特征操作,都会抵消时间对特征的负反馈影响,因此,通过删除错误特征与增加特征和/或更新特征的相互结合,可很好的消除仅更新特征存在的过拟合问题,从而使得特征识别度不会随着时间的影响而变得不可靠。通过将本发明应用于任意需要进行多个特征判别的场景,可大大的提升特征识别准确度,保证特征识别的可靠性。
本发明还提供方法所对应的一种提升特征识别度的离线学习系统,所述系统包括样本库获取模块、新特征输入模块、特征判别模块以及处理模块;
所述样本库获取模块,用于获取前一次处理得到的特征图样本库;
所述新特征输入模块,用于向获取的特征图样本库中输入当次处理的新特征图;
所述特征判别模块,用于通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
所述处理模块,用于根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
其中,所述获取前一次处理得到的特征图样本库具体为:
对未执行过处理的特征识别终端,直接获取该特征识别终端中存储的初始特征图样本库;
对执行过处理的特征识别终端,获取该特征识别终端中存储的前一次处理后得到的特征图样本库。
在本发的一具体实例中,在所述处理模块中,所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
在本发的另一具体实例中,在所述处理模块中,所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图:
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%。
在本发的又一具体实例中,在所述处理模块中,所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
在本发的再一具体实例中,在所述处理模块中,所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%。
与本发明方法对应的,本发明还提供一种设备,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计算机程序时实现所述的提升特征识别度的离线学习方法;该方法包括:
获取前一次处理得到的特征图样本库;
向获取的特征图样本库中输入当次处理的新特征图;
通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者,根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者,根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。具体实现的详细内容请参照所述的提升特征识别度的离线学习方法。
与本发明方法对应的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的提升特征识别度的离线学习方法,该方法包括:
获取前一次处理得到的特征图样本库;
向获取的特征图样本库中输入当次处理的新特征图;
通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者,根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者,根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。具体实现的详细内容请参照所述的提升特征识别度的离线学习方法。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (13)
1.一种提升特征识别度的离线学习方法,其特征在于:所述方法包括:
获取前一次处理得到的特征图样本库;
向获取的特征图样本库中输入当次处理的新特征图;
通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
2.根据权利要求1所述的提升特征识别度的离线学习方法,其特征在于:所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
3.根据权利要求1所述的提升特征识别度的离线学习方法,其特征在于:所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%。
4.根据权利要求1所述的提升特征识别度的离线学习方法,其特征在于:所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
5.根据权利要求1所述的提升特征识别度的离线学习方法,其特征在于:所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%。
6.根据权利要求1所述的提升特征识别度的离线学习方法,其特征在于:所述获取前一次处理得到的特征图样本库具体为:
对未执行过处理的特征识别终端,直接获取该特征识别终端中存储的初始特征图样本库;
对执行过处理的特征识别终端,获取该特征识别终端中存储的前一次处理后得到的特征图样本库。
7.一种提升特征识别度的离线学习系统,其特征在于:所述系统包括样本库获取模块、新特征输入模块、特征判别模块以及处理模块;
所述样本库获取模块,用于获取前一次处理得到的特征图样本库;
所述新特征输入模块,用于向获取的特征图样本库中输入当次处理的新特征图;
所述特征判别模块,用于通过特征图样本库对输入的新特征图进行特征判别,并生成特征判别结果;
所述处理模块,用于根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
或者根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库;
又或者根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库。
8.根据权利要求7所述的提升特征识别度的离线学习系统,其特征在于:在所述处理模块中,所述根据特征判断结果,从增加、更新、删除以及不变四种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十二种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十二种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%,且小于100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
9.根据权利要求7所述的提升特征识别度的离线学习系统,其特征在于:在所述处理模块中,所述根据特征判断结果,从增加、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的增加操作条件,则将输入的新特征图增加到特征图样本库中;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从八种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
八种操作状态具体包括:
输入一张正确的新特征图,特征图样本库增加一张正确的特征图;
输入一张错误的新特征图,特征图样本库增加一张错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的增加操作条件为:特征图样本库对新特征图的特征判别通过率为100%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于100%。
10.根据权利要求7所述的提升特征识别度的离线学习系统,其特征在于:在所述处理模块中,所述根据特征判断结果,从更新、删除以及不变三种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的更新操作条件,则从特征图样本库的各特征图中随机选择一张特征图,并将随机选择的该特征图替换为输入的新特征图;如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从十种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
十种操作状态具体包括:
输入一张正确的新特征图,特征图样本库将一张正确的特征图更新为正确的特征图;
输入一张正确的新特征图,特征图样本库将一张错误的特征图更新为正确的特征图;
输入一张错误的新特征图,特征图样本库将一张正确的特征图更新为错误的特征图;
输入一张错误的新特征图,特征图样本库将一张错误的特征图更新为错误的特征图;
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的更新操作条件为:特征图样本库对新特征图的特征判别通过率大于50%;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于50%。
11.根据权利要求7所述的提升特征识别度的离线学习系统,其特征在于:在所述处理模块中,所述根据特征判断结果,从删除以及不变两种操作中选择一种来对新特征图进行处理,并保存当次处理后得到的特征图样本库具体为:
将特征判别结果与预设的各操作条件进行比对,且如果特征判别结果满足预设的删除操作条件,则从特征图样本库中随机选择一张对新特征图判别通过的特征图进行删除,同时移除输入的新特征图;如果特征判别结果满足预设的不变操作条件,则移除输入的新特征图,并保持特征图样本库不变;
将当次处理后从六种操作状态中获得的一种操作状态的特征图样本库保存到特征识别终端中,同时,删除存储的前一次处理后得到的特征图样本库;
其中,
六种操作状态具体包括:
输入一张正确的新特征图,特征图样本库删除一张正确的特征图;
输入一张正确的新特征图,特征图样本库删除一张错误的特征图;
输入一张错误的新特征图,特征图样本库删除一张正确的特征图;
输入一张错误的新特征图,特征图样本库删除一张错误的特征图;
输入一张正确的新特征图,特征图样本库保持不变;
输入一张错误的新特征图,特征图样本库保持不变;
所述预设的删除操作条件为:特征图样本库对新特征图的特征判别通过率大于0,且小于25%;
所述预设的不变操作条件:特征图样本库对新特征图的特征判别通过率等于0或者大于等于25%,且小于等于100%。
12.一种设备,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,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的提升特征识别度的离线学习方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-6任一所述的提升特征识别度的离线学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797348.0A CN110516597A (zh) | 2019-08-27 | 2019-08-27 | 提升特征识别度的离线学习方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797348.0A CN110516597A (zh) | 2019-08-27 | 2019-08-27 | 提升特征识别度的离线学习方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516597A true CN110516597A (zh) | 2019-11-29 |
Family
ID=68627290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910797348.0A Pending CN110516597A (zh) | 2019-08-27 | 2019-08-27 | 提升特征识别度的离线学习方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516597A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537389A (zh) * | 2014-12-29 | 2015-04-22 | 生迪光电科技股份有限公司 | 人脸识别方法和终端设备 |
US20150205995A1 (en) * | 2014-01-23 | 2015-07-23 | Canon Kabushiki Kaisha | Personal recognition apparatus that performs personal recognition using face detecting function, personal recognition method, and storage medium |
CN106650350A (zh) * | 2016-10-21 | 2017-05-10 | 中国银联股份有限公司 | 一种身份认证方法及系统 |
CN106778653A (zh) * | 2016-12-27 | 2017-05-31 | 北京光年无限科技有限公司 | 面向智能机器人的基于人脸识别样本库的交互方法和装置 |
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
-
2019
- 2019-08-27 CN CN201910797348.0A patent/CN110516597A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150205995A1 (en) * | 2014-01-23 | 2015-07-23 | Canon Kabushiki Kaisha | Personal recognition apparatus that performs personal recognition using face detecting function, personal recognition method, and storage medium |
CN104537389A (zh) * | 2014-12-29 | 2015-04-22 | 生迪光电科技股份有限公司 | 人脸识别方法和终端设备 |
CN106650350A (zh) * | 2016-10-21 | 2017-05-10 | 中国银联股份有限公司 | 一种身份认证方法及系统 |
CN106778653A (zh) * | 2016-12-27 | 2017-05-31 | 北京光年无限科技有限公司 | 面向智能机器人的基于人脸识别样本库的交互方法和装置 |
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chiu et al. | How to train good word embeddings for biomedical NLP | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
CN107943784B (zh) | 基于生成对抗网络的关系抽取方法 | |
CN106503055A (zh) | 一种从结构化文本到图像描述的生成方法 | |
CN108182427A (zh) | 一种基于深度学习模型和迁移学习的人脸识别方法 | |
CN109086654B (zh) | 手写模型训练方法、文本识别方法、装置、设备及介质 | |
Udagawa et al. | A natural language corpus of common grounding under continuous and partially-observable context | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN109522397B (zh) | 信息处理方法及装置 | |
CN108304364A (zh) | 关键词提取方法和装置 | |
CN112528637A (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
Theeramunkong et al. | Non-dictionary-based Thai word segmentation using decision trees | |
CN106776557B (zh) | 情感机器人的情感状态记忆识别方法及装置 | |
CN110390307B (zh) | 表情识别方法、表情识别模型训练方法及装置 | |
CN108595426A (zh) | 基于汉字字形结构性信息的词向量优化方法 | |
CN111046177A (zh) | 一种仲裁案件自动预判方法及装置 | |
CN113569018A (zh) | 问答对挖掘方法及装置 | |
CN112084944A (zh) | 一种动态演化表情的识别方法与系统 | |
CN110516597A (zh) | 提升特征识别度的离线学习方法、系统、设备及存储介质 | |
CN109886164B (zh) | 一种异常手势的识别与处理方法 | |
CN109101984A (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN108460111B (zh) | 基于对话的个人性格建模与生成方法及装置 | |
CN114333461B (zh) | 主观题自动评分方法及系统 | |
CN115937937A (zh) | 一种基于改进残差神经网络的人脸表情识别方法 | |
CN114595336A (zh) | 一种基于高斯混合模型的多关系语义解决模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |