CN112990062B - 一种管理多种同质类智能算法协同工作提升准确率的方法 - Google Patents

Abstract

本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，包括以下步骤：获取训练图像集；将训练图像集按比例划分为两个集合；模型训练过程；实际测试过程：根据最优的预测评分矩阵，挑选出各图像特征类型对应的最优智能算法，进而采用挑选出的智能算法进行智能识别。优点为：本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，对各种智能算法进行有效融合，对于被分析图像，其在每个图像特征维度上，均选取识别效果最佳的智能算法，从而得到被分析图像在各个图像特征维度的最佳识别结果，最终提高被分析图像智能识别的准确度。

Description

一种管理多种同质类智能算法协同工作提升准确率的方法

技术领域

本发明属于智能识别技术领域，具体涉及一种管理多种同质类智能算法协同工作提升准确率的方法。

背景技术

随着智慧城市建设步伐的加快，智能识别人脸、车辆、行人和非机动车等对象的要求也越来越高。现阶段商业化的智能算法识别对象的准确率受到光线反射、识别类型、特征遮挡、动态模糊或图像质量等因素影响，同类型算法的准确率在相同场景下表现差异较大。这些干扰因素造就智能识别技术应用的困难度。

不同抓拍机因拍摄角度、厂家类型、适用范围等场景造成通过智能算法识别准确率的变化。单一的智能算法在应对复杂场景的对象特征识别准确率存在参差不齐的现象，只是单独优化智能算法提高整体特征识别准确率难度非常巨大。大部分情况下是部分特征识别准确率提高了，但其他特征识别率就变差了。如何解决这一技术问题，有效提高对图像的识别准确率，具有重要意义。

发明内容

针对现有技术存在的缺陷，本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，包括以下步骤：

步骤1，获取训练图像集，方法为：

步骤1.1，安装m个抓拍机，分别表示为：抓拍机c₁,抓拍机c₂,...,抓拍机c_m；m个抓拍机形成抓拍机群；各个抓拍机的拍摄姿态固定不变；

步骤1.2，设置a个对象，分别表示为：对象obj₁,对象obj₂,...,对象obj_a；

抓拍机c₁对对象obj₁进行拍摄，得到图像image₁₁；抓拍机c₂对对象obj₁进行拍摄，得到图像image₂₁，依此类推，抓拍机c_m对对象obj₁进行拍摄，得到图像image_m1；由此形成图像组image₁＝[image₁₁,image₂₁,...,image_m1]；

抓拍机c₁对对象obj₂进行拍摄，得到图像image₁₂；抓拍机c₂对对象obj₂进行拍摄，得到图像image₂₂，依此类推，抓拍机c_m对对象obj₂进行拍摄，得到图像image_m2；由此形成图像组image₂＝[image₁₂,image₂₂,...,image_m2]；

依此类推

抓拍机c₁对对象obj_a进行拍摄，得到图像image_1a；抓拍机c₂对对象obj_a进行拍摄，得到图像image_2a，依此类推，抓拍机c_m对对象obj_a进行拍摄，得到图像image_ma；由此形成图像组image_a＝[image_1a,image_2a,...,image_ma]；

因此，得到a个图像组，a个图像组形成初始训练图像集image^[0]＝[image₁,image₂,...,image_a]；

步骤1.3，对于初始训练图像集image^[0]中的每个图像组，进行图像组扩充，得到最终的训练图像集image^[1]＝[image₁,image₂,...,image_b]；其中，b为训练图像集image^[1]包括的图像组的数量；

步骤1.4，确定图像特征类型集合f＝[f₁,f₂,...,f_t]；其中，f₁,f₂,...,f_t分别表示：第1图像特征类型，第2图像特征类型,...,第t图像特征类型；

步骤1.5，图像特征值的标注：

训练图像集image^[1]＝[image₁,image₂,...,image_b]由b个图像组构成；每个图像组均为m维图像，即：每个图像组包括m个图像，对于每个图像，均标注以下t个图像特征类型参考值：第1图像特征类型的参考值，第2图像特征类型的参考值,...,第t图像特征类型的参考值；

步骤2，将训练图像集image^[1]＝[image₁,image₂,...,image_b]按比例划分为两个集合，分别为：训练图像集image^[11]和训练图像集image^[12]；其中，训练图像集image^[11]包括b₁个图像组，表示为：训练图像集

训练图像集image^[12]包括b₂个图像组，表示为：训练图像集

其中，b＝b₁+b₂；

步骤3：模型训练过程，包括：

步骤3.1，假设需要考察融合的智能算法的数量为n个，分别表示为：智能算法th₁,智能算法th₂,...,智能算法th_n；

步骤3.2，对于训练图像集image^[11]中的每个图像组

其中，j＝1,2,...,b₁，均执行以下操作：

步骤3.2.1，图像组

中的每个图像，表示为：image_kj，其中，k＝1,2,...,m，均执行以下操作：

采用智能算法th₁对图像image_kj在t个特征维度进行智能识别，得到测试结果

其中，

分别为：智能算法th₁对图像image_kj的第1图像特征类型f₁的识别值，智能算法th₁对图像image_kj的第2图像特征类型f₂的识别值,...,智能算法th₁对图像image_kj的第t图像特征类型f_t的识别值；

采用智能算法th₂对图像image_kj在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像image_kj在t个特征维度进行智能识别，得到测试结果

步骤3.2.2，由此得到测试结果矩阵集合AR＝[AR₁,AR₂,...,AR_t]：

依此类推：

其中：

AR₁为第1图像特征类型f₁的识别结果矩阵，含义为：

AR₁中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₁中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

依此类推

AR₁中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₂为第2图像特征类型f₂的识别结果矩阵，含义为：

AR₂中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR₂中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

依此类推

AR₂中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR_t为第t图像特征类型f_t的识别结果矩阵，含义为：

AR_t中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

AR_t中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

依此类推

AR_t中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

步骤3.3，读取对应的图像特征参考值矩阵R＝[R₁,R₂,...,R_t]，其中，R₁,R₂,...,R_t均为n*m矩阵，即：n行m列矩阵；R₁,R₂,...,R_t分别代表：第1图像特征类型f₁的参考值矩阵，第2图像特征类型f₂的参考值矩阵,...,第t图像特征类型f_t的参考值矩阵；

步骤3.4，计算得到真实评分稀疏矩阵S＝[S₁,S₂,...,S_t]，方法为：

将AR₁与R₁的差进行归一化，得到n*m的与第1图像特征类型f₁对应的真实评分稀疏矩阵S₁；

将AR₂与R₂的差进行归一化，得到n*m的与第2图像特征类型f₂对应的真实评分稀疏矩阵S₂；

依此类推

将AR_t与R_t的差进行归一化，得到n*m的与第t图像特征类型f_t对应的真实评分稀疏矩阵S_t；

步骤3.5，设定未知的预测评分矩阵

其中，

均为n*m的矩阵；

确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]，其中，α₁,α₂,...,α_n分别表示：与智能算法th₁对应的嵌入算法隐因子，与智能算法th₂对应的嵌入算法隐因子,...,与智能算法th_n对应的嵌入算法隐因子；

采用α＝[α₁,α₂,...,α_n]，从而将

分解为n*h维抓拍机特征空间矩阵P_c1和h*m维对象特征空间矩阵Q_d1；将

分解为n*h维抓拍机特征空间矩阵P_c2和h*m维对象特征空间矩阵Q_d2；

依此类推，将

分解为n*h维抓拍机特征空间矩阵P_ct和h*m维对象特征空间矩阵Q_dt；

因此，

依此类推，

步骤3.6，建立最优化问题模型：

其中：

λ是超参数值，为已知固定值；

b_x是经验参数值，用于调整智能算法的优先级；

步骤3.7，求解最优化问题模型，得到最终的b_x(x＝1,2,...,t)，即：b＝[b₁,b₂,...,b_t]；将最终得到的b＝[b₁,b₂,...,b_t]表示为：b"＝[b₁",b₂",...,b_t"]；得到最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

步骤4：实际测试过程，包括：

步骤4.1，抓拍机c_r，r＝1,2,...,m，拍摄得到一张图像A；智能算法th₁对图像A在t个特征维度进行智能识别，得到测试结果

智能算法th₂对图像A在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像A在t个特征维度进行智能识别，得到测试结果

步骤4.2，从各智能算法的测试结果中，按以下方式挑选出对图像A的最优测试结果AR(A)＝f₁(A),f₂(A),...,f_t(A)；其中：f₁(A),f₂(A),...,f_t(A)分别为：图像A的第1图像特征类型的最优识别结果，图像A的第2图像特征类型的最优识别结果,...,图像A的第t图像特征类型的最优识别结果:

对于图像A的第u图像特征类型的最优识别结果f_u(A)，其中，u＝1,2,...,t，采用以下方式筛选得到：

步骤4.2.1，在最优的预测评分矩阵

中，定位到第u图像特征类型对应的预测评分矩阵

预测评分矩阵

为n*m矩阵，即：n行m列矩阵；

步骤4.2.2，在预测评分矩阵

中，定位到第r列，第r列即为第抓拍机c_r抓拍到的图像对应的列；第r列共有n行，每一行对应一种智能算法，在第r列中，挑选预测评分最大的行，假设为第q行，其中，q＝1,2,...,n；因此，智能算法th_q为对图像A在第u图像特征类型的最佳识别算法；

步骤4.2.3，在步骤4.1的测试结果中，首先定位到智能算法th_q的测试结果

然后，在

中，定位到第u个值，即：

即为图像A的第u图像特征类型的最优识别结果f_u(A)。

优选的，步骤1.3中，对图像组扩充的方法为：

对于任意图像组image_i＝[image_1i,image_2i,...,image_mi]，其中，i＝1,2,...,a，采用以下方法扩充：

对image_1i,image_2i,...,image_mi中的每个图像，覆盖相同的图像特征，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像亮度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像饱和度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像对比度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像清晰度，对图像进行动态模糊处理，从而扩充得到一个新的图像组。

优选的，步骤3.7中，最优化问题模型的求解方法为：

步骤3.7.1，确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]；确定b_x(x＝1,2,...,t)的初始值，表示为：

步骤3.7.2，确定P_cx(x＝1,2,...,t)的初始值，表示为：

步骤3.7.3，以P_cx为已知值，Q_dx为未知值，对公式(二)进行最优算法求解，得到当前最优的Q_dx(x＝1,2,...,t)的值，表示为：

步骤3.7.4，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则执行步骤3.7.5；

步骤3.7.5，以

为已知值，P_cx(x＝1,2,...,t)为未知值，对公式(二)进行最优算法求解，得到当前最优的P_cx的值，表示为：

步骤3.7.6，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则以

作为P_cx，返回步骤3.7.3，如果循环进行；

步骤3.7.7，由此得到最优的P_cx和Q_dx值；

步骤3.7.8，将训练图像集image^[12]输入到n个智能算法，即智能算法th₁,智能算法th₂,...,智能算法th_n；得到测试结果矩阵，再利用图像特征参考值矩阵归一化，得到真实评分稀疏矩阵S"＝[S₁",S₂",...,S_t"]；

利用步骤3.7.7得到的最优的P_cx和Q_dx值，得到预测评分矩阵

通过公式(一)，计算真实评分稀疏矩阵S"＝[S₁",S₂",...,S_t"]和预测评分矩阵

各项的误差平方和，得到E(ΔS)，判断得到的E(ΔS)是否小于设定阈值，如果不小于，则调整b_x(x＝1,2,...,t)的值，返回步骤3.7.2；如果小于，则执行步骤3.7.9；

步骤3.7.9，由此得到最终的b"＝[b₁",b₂",...,b_t"]、最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

本发明提供的一种管理多种同质类智能算法协同工作提升准确率的方法具有以下优点：

本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，对各种智能算法进行有效融合，对于被分析图像，其在每个图像特征维度上，均选取识别效果最佳的智能算法，从而得到被分析图像在各个图像特征维度的最佳识别结果，最终提高被分析图像智能识别的准确度。

附图说明

图1为本发明提供的一种管理多种同质类智能算法协同工作提升准确率的方法的流程示意图；

图2为本发明提供的模型更新框图；

图3为本发明提供的对象识别流程框图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，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用以解释本发明，并不用于限定本发明。

针对现存智能算法存在的特征识别准确率差异问题，本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，对各种智能算法进行有效融合，对于被分析图像，其在每个图像特征维度上，均选取识别效果最佳的智能算法，从而得到被分析图像在各个图像特征维度的最佳识别结果，最终提高被分析图像智能识别的准确度。本发明可以有效解决同质智能算法因干扰因素而造成识别对象准确率下降的问题。

参考图1、图2和图3，本发明提供一种管理多种同质类智能算法协同工作提升准确率的方法，包括以下步骤：

步骤1，获取训练图像集，方法为：

步骤1.1，安装m个抓拍机，分别表示为：抓拍机c₁,抓拍机c₂,...,抓拍机c_m；m个抓拍机形成抓拍机群；各个抓拍机的拍摄姿态固定不变；

步骤1.2，设置a个对象，分别表示为：对象obj₁,对象obj₂,...,对象obj_a；

抓拍机c₁对对象obj₁进行拍摄，得到图像image₁₁；抓拍机c₂对对象obj₁进行拍摄，得到图像image₂₁，依此类推，抓拍机c_m对对象obj₁进行拍摄，得到图像image_m1；由此形成图像组image₁＝[image₁₁,image₂₁,...,image_m1]；

抓拍机c₁对对象obj₂进行拍摄，得到图像image₁₂；抓拍机c₂对对象obj₂进行拍摄，得到图像image₂₂，依此类推，抓拍机c_m对对象obj₂进行拍摄，得到图像image_m2；由此形成图像组image₂＝[image₁₂,image₂₂,...,image_m2]；

依此类推

抓拍机c₁对对象obj_a进行拍摄，得到图像image_1a；抓拍机c₂对对象obj_a进行拍摄，得到图像image_2a，依此类推，抓拍机c_m对对象obj_a进行拍摄，得到图像image_ma；由此形成图像组image_a＝[image_1a,image_2a,...,image_ma]；在采用各抓拍机对各个对象进行拍摄时，需要获得不同类型和时间段抓拍得到的图像组。

因此，得到a个图像组，a个图像组形成初始训练图像集image^[0]＝[image₁,image₂,...,image_a]；

步骤1.3，对于初始训练图像集image^[0]中的每个图像组，进行图像组扩充，得到最终的训练图像集image^[1]＝[image₁,image₂,...,image_b]；其中，b为训练图像集image^[1]包括的图像组的数量；经图像扩充后得到最终的训练图像集，保证按照抓拍机设备类型、拍摄角度、对象类型、抓拍时间分别进行筛选，以此保证训练图像集中的数据在抓拍机设备类型、拍摄角度、对象类型、抓拍时间分布均衡，最终得到的模型用以分析的结果才能相对客观中性。，

对图像组扩充的方法为：

对于任意图像组image_i＝[image_1i,image_2i,...,image_mi]，其中，i＝1,2,...,a，采用以下方法扩充：

对image_1i,image_2i,...,image_mi中的每个图像，覆盖相同的图像特征，用于模拟人为行为，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像亮度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像饱和度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像对比度，从而扩充得到一个新的图像组；

通过对图像的亮度、饱和度、对比度等信息进行调整，用以模拟不同角度和时间段抓拍的条件；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像清晰度，对图像进行动态模糊处理，用以模拟高速运动情形，从而扩充得到一个新的图像组。

步骤1.4，确定图像特征类型集合f＝[f₁,f₂,...,f_t]；其中，f₁,f₂,...,f_t分别表示：第1图像特征类型，第2图像特征类型,...,第t图像特征类型；例如，当进行人脸识别时，图像特征类型可以分别为：瞳膜特征类型、面部特征类型、眉毛特征类型等。

步骤1.5，图像特征值的标注：

训练图像集image^[1]＝[image₁,image₂,...,image_b]由b个图像组构成；每个图像组均为m维图像，即：每个图像组包括m个图像，对于每个图像，均标注以下t个图像特征类型参考值：第1图像特征类型的参考值，第2图像特征类型的参考值,...,第t图像特征类型的参考值；

步骤2，将训练图像集image^[1]＝[image₁,image₂,...,image_b]按比例划分为两个集合，分别为：训练图像集image^[11]和训练图像集image^[12]；例如，可以按照9:1的比例划分。其中，训练图像集image^[11]包括b₁个图像组，表示为：训练图像集

训练图像集image^[12]包括b₂个图像组，表示为：训练图像集

其中，b＝b₁+b₂；

步骤3：模型训练过程，包括：

步骤3.1，假设需要考察融合的智能算法的数量为n个，分别表示为：智能算法th₁,智能算法th₂,...,智能算法th_n；

本发明中，智能算法包含各种商业化智能算法，不同智能算法产生的结果字段差异已经在接入层进行转换，算法系统既可以是简单的单节点，也可以是分布式集群系统。

步骤3.2，对于训练图像集image^[11]中的每个图像组

其中，j＝1,2,...,b₁，均执行以下操作：

步骤3.2.1，图像组

中的每个图像，表示为：image_kj，其中，k＝1,2,...,m，均执行以下操作：

采用智能算法th₁对图像image_kj在t个特征维度进行智能识别，得到测试结果

其中，

分别为：智能算法th₁对图像image_kj的第1图像特征类型f₁的识别值，智能算法th₁对图像image_kj的第2图像特征类型f₂的识别值,...,智能算法th₁对图像image_kj的第t图像特征类型f_t的识别值；

采用智能算法th₂对图像image_kj在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像image_kj在t个特征维度进行智能识别，得到测试结果

步骤3.2.2，由此得到测试结果矩阵集合AR＝[AR₁,AR₂,...,AR_t]：

依此类推：

其中：

AR₁为第1图像特征类型f₁的识别结果矩阵，含义为：

AR₁中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₁中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

依此类推

AR₁中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₂为第2图像特征类型f₂的识别结果矩阵，含义为：

AR₂中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR₂中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

依此类推

AR₂中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR_t为第t图像特征类型f_t的识别结果矩阵，含义为：

AR_t中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

AR_t中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

依此类推

AR_t中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

需要注意的是：图像特征值多数情况下为离散值，为减小连续值或范围值对模型建立的难度，各图像特征类型的识别结果统一进行归一化处理。

步骤3.3，读取对应的图像特征参考值矩阵R＝[R₁,R₂,...,R_t]，其中，R₁,R₂,...,R_t均为n*m矩阵，即：n行m列矩阵；R₁,R₂,...,R_t分别代表：第1图像特征类型f₁的参考值矩阵，第2图像特征类型f₂的参考值矩阵,...,第t图像特征类型f_t的参考值矩阵；

步骤3.4，计算得到真实评分稀疏矩阵S＝[S₁,S₂,...,S_t]，方法为：

将AR₁与R₁的差进行归一化，得到n*m的与第1图像特征类型f₁对应的真实评分稀疏矩阵S₁；

将AR₂与R₂的差进行归一化，得到n*m的与第2图像特征类型f₂对应的真实评分稀疏矩阵S₂；

依此类推

将AR_t与R_t的差进行归一化，得到n*m的与第t图像特征类型f_t对应的真实评分稀疏矩阵S_t；

步骤3.5，设定未知的预测评分矩阵

其中，

均为n*m的矩阵；

确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]，其中，α₁,α₂,...,α_n分别表示：与智能算法th₁对应的嵌入算法隐因子，与智能算法th₂对应的嵌入算法隐因子,...,与智能算法th_n对应的嵌入算法隐因子；

采用α＝[α₁,α₂,...,α_n]，从而将

分解为n*h维抓拍机特征空间矩阵P_c1和h*m维对象特征空间矩阵Q_d1；将

分解为n*h维抓拍机特征空间矩阵P_c2和h*m维对象特征空间矩阵Q_d2；

依此类推，将

分解为n*h维抓拍机特征空间矩阵P_ct和h*m维对象特征空间矩阵Q_dt；

因此，

依此类推，

步骤3.6，建立最优化问题模型：

其中：

λ是超参数值，为已知固定值，可以通过经验或交叉验证等方式确定；

b_x是经验参数值，用于调整智能算法的优先级；

步骤3.7，求解最优化问题模型，得到最终的b_x(x＝1,2,...,t)，即：b＝[b₁,b₂,...,b_t]；将最终得到的b＝[b₁,b₂,...,b_t]表示为：b"＝[b₁",b₂",...,b_t"]；得到最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

最优化问题模型的求解方法为：

步骤3.7.1，确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]；确定b_x(x＝1,2,...,t)的初始值，表示为：

步骤3.7.2，确定P_cx(x＝1,2,...,t)的初始值，表示为：

步骤3.7.3，以P_cx为已知值，Q_dx为未知值，对公式(二)进行最优算法求解，得到当前最优的Q_dx(x＝1,2,...,t)的值，表示为：

步骤3.7.4，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则执行步骤3.7.5；

步骤3.7.5，以

为已知值，P_cx(x＝1,2,...,t)为未知值，对公式(二)进行最优算法求解，得到当前最优的P_cx的值，表示为：

步骤3.7.6，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则以

作为P_cx，返回步骤3.7.3，如此循环进行；

步骤3.7.7，由此得到最优的P_cx和Q_dx值；

因此，在求解P_cx和Q_dx的过程中，本发明采用交替求解方法，即：首先固定P_cx，Q_dx未知，因此，公式(二)问题求解简化为关于Q_dx的二次函数，在利用最小二乘问题得到最优的Q_dx。再固定Q_dx得到最优的P_cx，不断交替进行直到误差平方和小于阈值，例如，阈值可设置为m*0.0004，可以认为此时得到最优值。不同算法求解最优值过程可以利用分布式计算快速获取各算法最佳特征空间矩阵值。

步骤3.7.8，将训练图像集image^[12]输入到n个智能算法，即智能算法th₁,智能算法th₂,...,智能算法th_n；得到测试结果矩阵，再利用图像特征参考值矩阵归一化，得到真实评分稀疏矩阵S"＝[S₁",S₂",...,S_t"]；

利用步骤3.7.7得到的最优的P_cx和Q_dx值，得到预测评分矩阵

通过公式(一)，计算真实评分稀疏矩阵S"＝[S₁",S₂",...,S_t"]和预测评分矩阵

各项的误差平方和，得到E(ΔS)，判断得到的E(ΔS)是否小于设定阈值，如果不小于，则调整b_x(x＝1,2,...,t)的值，返回步骤3.7.2；如果小于，则执行步骤3.7.9；

步骤3.7.9，由此得到最终的b"＝[b₁",b₂",...,b_t"]、最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

步骤4：实际测试过程，包括：

步骤4.1，抓拍机c_r，r＝1,2,...,m，拍摄得到一张图像A；智能算法th₁对图像A在t个特征维度进行智能识别，得到测试结果

智能算法th₂对图像A在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像A在t个特征维度进行智能识别，得到测试结果

步骤4.2，从各智能算法的测试结果中，按以下方式挑选出对图像A的最优测试结果AR(A)＝f₁(A),f₂(A),...,f_t(A)；其中：f₁(A),f₂(A),...,f_t(A)分别为：图像A的第1图像特征类型的最优识别结果，图像A的第2图像特征类型的最优识别结果,...,图像A的第t图像特征类型的最优识别结果:

对于图像A的第u图像特征类型的最优识别结果f_u(A)，其中，u＝1,2,...,t，采用以下方式筛选得到：

步骤4.2.1，在最优的预测评分矩阵

中，定位到第u图像特征类型对应的预测评分矩阵

预测评分矩阵

为n*m矩阵，即：n行m列矩阵；

步骤4.2.2，在预测评分矩阵

中，定位到第r列，第r列即为第抓拍机c_r抓拍到的图像对应的列；第r列共有n行，每一行对应一种智能算法，在第r列中，挑选预测评分最大的行，假设为第q行，其中，q＝1,2,...,n；因此，智能算法th_q为对图像A在第u图像特征类型的最佳识别算法；

步骤4.2.3，在步骤4.1的测试结果中，首先定位到智能算法th_q的测试结果

然后，在

中，定位到第u个值，即：

即为图像A的第u图像特征类型的最优识别结果f_u(A)。

实际应用中，步骤4之后，还可以加入用户反馈评分机制，即：

用户查看抓拍机上传的图像的识别结果时，可以对所有图像特征进行打分反馈，尤其是发现字段有异常时。将抓拍机对图像特征评分作为标准参考值加入到矩阵中，并会触发模型更新预测评分矩阵和算法优先级的过程。

本发明涉及的技术要点：1.利用协同工作方式，对同类型智能算法对象分析结果的特征值进行择优融合，提升整体准确度；2.使用交替求解方式求解公式二的模型，降低求解复杂度，利用分布式计算特点加快整体收敛速度。

与现有技术相比，本发明有益效果是：

①本发明不同于现有技术采用单一的智能算法识别对象特征的方法，本发明充分利用各智能算法的优势强项，利用协同调用智能算法在数据集测试上的表现对具体图像特征进行最优化融合，与单一智能算法相比，本发明协同处理能综合各智能算法的特长，有效提高整体识别准确率。

②本发明构建的最优化问题模型，采用交替式求解方法，能够方便的扩展到分布式计算场景中，快速更新模型中的关键参数和权值，为识别各种复杂场景提供保障。

③本发明优先对抓拍机采集的图像数据按比例进行处理，这样在模型建立阶段减少干扰因素对单一智能算法分析的影响，从而使得整个处理模型综合分析结果在复杂场景中也具备良好的鲁棒性。同时，用户反馈评分机制的加入也能解决建模过程中样本体量小的问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (3)

1.一种管理多种同质类智能算法协同工作提升准确率的方法，其特征在于，包括以下步骤：

步骤1，获取训练图像集，方法为：

步骤1.1，安装m个抓拍机，分别表示为：抓拍机c₁,抓拍机c₂,...,抓拍机c_m；m个抓拍机形成抓拍机群；各个抓拍机的拍摄姿态固定不变；

步骤1.2，设置a个对象，分别表示为：对象obj₁,对象obj₂,...,对象obj_a；

抓拍机c₁对对象obj₁进行拍摄，得到图像image₁₁；抓拍机c₂对对象obj₁进行拍摄，得到图像image₂₁，依此类推，抓拍机c_m对对象obj₁进行拍摄，得到图像image_m1；由此形成图像组image₁＝[image₁₁,image₂₁,...,image_m1]；

抓拍机c₁对对象obj₂进行拍摄，得到图像image₁₂；抓拍机c₂对对象obj₂进行拍摄，得到图像image₂₂，依此类推，抓拍机c_m对对象obj₂进行拍摄，得到图像image_m2；由此形成图像组image₂＝[image₁₂,image₂₂,...,image_m2]；

依此类推

抓拍机c₁对对象obj_a进行拍摄，得到图像image_1a；抓拍机c₂对对象obj_a进行拍摄，得到图像image_2a，依此类推，抓拍机c_m对对象obj_a进行拍摄，得到图像image_ma；由此形成图像组image_a＝[image_1a,image_2a,...,image_ma]；

因此，得到a个图像组，a个图像组形成初始训练图像集image^[0]＝[image₁,image₂,...,image_a]；

步骤1.3，对于初始训练图像集image^[0]中的每个图像组，进行图像组扩充，得到最终的训练图像集image^[1]＝[image₁,image₂,...,image_b]；其中，b为训练图像集image^[1]包括的图像组的数量；

步骤1.4，确定图像特征类型集合f＝[f₁,f₂,...,f_t]；其中，f₁,f₂,...,f_t分别表示：第1图像特征类型，第2图像特征类型,...,第t图像特征类型；

步骤1.5，图像特征值的标注：

训练图像集image^[1]＝[image₁,image₂,...,image_b]由b个图像组构成；每个图像组均为m维图像，即：每个图像组包括m个图像，对于每个图像，均标注以下t个图像特征类型参考值：第1图像特征类型的参考值，第2图像特征类型的参考值,...,第t图像特征类型的参考值；

步骤2，将训练图像集image^[1]＝[image₁,image₂,...,image_b]按比例划分为两个集合，分别为：训练图像集image^[11]和训练图像集image^[12]；其中，训练图像集image^[11]包括b₁个图像组，表示为：训练图像集

训练图像集image^[12]包括b₂个图像组，表示为：训练图像集

其中，b＝b₁+b₂；

步骤3：模型训练过程，包括：

步骤3.1，假设需要考察融合的智能算法的数量为n个，分别表示为：智能算法th₁,智能算法th₂,...,智能算法th_n；

步骤3.2，对于训练图像集image^[11]中的每个图像组

其中，j＝1,2,...,b₁，均执行以下操作：

步骤3.2.1，图像组

中的每个图像，表示为：image_kj，其中，k＝1,2,...,m，均执行以下操作：

采用智能算法th₁对图像image_kj在t个特征维度进行智能识别，得到测试结果

其中，

分别为：智能算法th₁对图像image_kj的第1图像特征类型f₁的识别值，智能算法th₁对图像image_kj的第2图像特征类型f₂的识别值,...,智能算法th₁对图像image_kj的第t图像特征类型f_t的识别值；

采用智能算法th₂对图像image_kj在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像image_kj在t个特征维度进行智能识别，得到测试结果

步骤3.2.2，由此得到测试结果矩阵集合AR＝[AR₁,AR₂,...,AR_t]：

依此类推：

其中：

AR₁为第1图像特征类型f₁的识别结果矩阵，含义为：

AR₁中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₁中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

依此类推

AR₁中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₂为第2图像特征类型f₂的识别结果矩阵，含义为：

AR₂中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR₂中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

依此类推

AR₂中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR_t为第t图像特征类型f_t的识别结果矩阵，含义为：

AR_t中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

AR_t中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

依此类推

AR_t中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

步骤3.3，读取对应的图像特征参考值矩阵R＝[R₁,R₂,...,R_t]，其中，R₁,R₂,...,R_t均为n*m矩阵，即：n行m列矩阵；R₁,R₂,...,R_t分别代表：第1图像特征类型f₁的参考值矩阵，第2图像特征类型f₂的参考值矩阵,...,第t图像特征类型f_t的参考值矩阵；

步骤3.4，计算得到真实评分稀疏矩阵S＝[S₁,S₂,...,S_t]，方法为：

将AR₁与R₁的差进行归一化，得到n*m的与第1图像特征类型f₁对应的真实评分稀疏矩阵S₁；

将AR₂与R₂的差进行归一化，得到n*m的与第2图像特征类型f₂对应的真实评分稀疏矩阵S₂；

依此类推

将AR_t与R_t的差进行归一化，得到n*m的与第t图像特征类型f_t对应的真实评分稀疏矩阵S_t；

步骤3.5，设定未知的预测评分矩阵

其中，

均为n*m的矩阵；

确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]，其中，α₁,α₂,...,α_n分别表示：与智能算法th₁对应的嵌入算法隐因子，与智能算法th₂对应的嵌入算法隐因子,...,与智能算法th_n对应的嵌入算法隐因子；

采用α＝[α₁,α₂,...,α_n]，从而将

分解为n*h维抓拍机特征空间矩阵P_c1和h*m维对象特征空间矩阵Q_d1；将

分解为n*h维抓拍机特征空间矩阵P_c2和h*m维对象特征空间矩阵Q_d2；

依此类推，将

分解为n*h维抓拍机特征空间矩阵P_ct和h*m维对象特征空间矩阵Q_dt；

因此，

依此类推，

步骤3.6，建立最优化问题模型：

…

其中：

λ是超参数值，为已知固定值；

b_x是经验参数值，用于调整智能算法的优先级；

步骤3.7，求解最优化问题模型，得到最终的b_x(x＝1,2,...,t)，即：b＝[b₁,b₂,...,b_t]；将最终得到的b＝[b₁,b₂,...,b_t]表示为：b"＝[b"₁,b"₂,...,b"_t]；得到最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

步骤4：实际测试过程，包括：

步骤4.1，抓拍机c_r，r＝1,2,...,m，拍摄得到一张图像A；智能算法th₁对图像A在t个特征维度进行智能识别，得到测试结果

智能算法th₂对图像A在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像A在t个特征维度进行智能识别，得到测试结果

步骤4.2，从各智能算法的测试结果中，按以下方式挑选出对图像A的最优测试结果AR(A)＝f₁(A),f₂(A),...,f_t(A)；其中：f₁(A),f₂(A),...,f_t(A)分别为：图像A的第1图像特征类型的最优识别结果，图像A的第2图像特征类型的最优识别结果,...,图像A的第t图像特征类型的最优识别结果:

对于图像A的第u图像特征类型的最优识别结果f_u(A)，其中，u＝1,2,...,t，采用以下方式筛选得到：

步骤4.2.1，在最优的预测评分矩阵

中，定位到第u图像特征类型对应的预测评分矩阵

预测评分矩阵

为n*m矩阵，即：n行m列矩阵；

步骤4.2.2，在预测评分矩阵

中，定位到第r列，第r列即为第抓拍机c_r抓拍到的图像对应的列；第r列共有n行，每一行对应一种智能算法，在第r列中，挑选预测评分最大的行，假设为第q行，其中，q＝1,2,...,n；因此，智能算法th_q为对图像A在第u图像特征类型的最佳识别算法；

步骤4.2.3，在步骤4.1的测试结果中，首先定位到智能算法th_q的测试结果

然后，在

中，定位到第u个值，即：

即为图像A的第u图像特征类型的最优识别结果f_u(A)。

2.根据权利要求1所述的管理多种同质类智能算法协同工作提升准确率的方法，其特征在于，步骤1.3中，对图像组扩充的方法为：

对于任意图像组image_i＝[image_1i,image_2i,...,image_mi]，其中，i＝1,2,...,a，采用以下方法扩充：

对image_1i,image_2i,...,image_mi中的每个图像，覆盖相同的图像特征，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像亮度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像饱和度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像对比度，从而扩充得到一个新的图像组；

对image_1i,image_2i,...,image_mi中的每个图像，采用相同的比例调节图像清晰度，对图像进行动态模糊处理，从而扩充得到一个新的图像组。

3.根据权利要求1所述的管理多种同质类智能算法协同工作提升准确率的方法，其特征在于，步骤3.7中，最优化问题模型的求解方法为：

步骤3.7.1，确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]；确定b_x(x＝1,2,...,t)的初始值，表示为：

步骤3.7.2，确定P_cx(x＝1,2,...,t)的初始值，表示为：

步骤3.7.3，以P_cx为已知值，Q_dx为未知值，对公式(二)进行最优算法求解，得到当前最优的Q_dx(x＝1,2,...,t)的值，表示为：

步骤3.7.4，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则执行步骤3.7.5；

步骤3.7.5，以

为已知值，P_cx(x＝1,2,...,t)为未知值，对公式(二)进行最优算法求解，得到当前最优的P_cx的值，表示为：

步骤3.7.6，通过公式(一)，得到E(ΔS)，判断E(ΔS)是否小于设定阈值，如果小于，则执行步骤3.7.7；如果不小于，则以

作为P_cx，返回步骤3.7.3，如此循环进行；

步骤3.7.7，由此得到最优的P_cx和Q_dx值；

步骤3.7.8，将训练图像集image^[12]输入到n个智能算法，即智能算法th₁,智能算法th₂,...,智能算法th_n；得到测试结果矩阵，再利用图像特征参考值矩阵归一化，得到真实评分稀疏矩阵S"＝[S"₁，S"₂，...，S"_t]；

利用步骤3.7.7得到的最优的P_cx和Q_dx值，得到预测评分矩阵

通过公式(一)，计算真实评分稀疏矩阵S"＝[S"₁,S"₂,...,S"_t]和预测评分矩阵

各项的误差平方和，得到E(ΔS)，判断得到的E(ΔS)是否小于设定阈值，如果不小于，则调整b_x(x＝1,2,...,t)的值，返回步骤3.7.2；如果小于，则执行步骤3.7.9；

步骤3.7.9，由此得到最终的b"＝[b"₁,b"₂,...,b"_t]、最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

Images