CN113449598B - 物体身份识别系统中优化参数的确定方法和装置 - Google Patents
物体身份识别系统中优化参数的确定方法和装置 Download PDFInfo
- Publication number
- CN113449598B CN113449598B CN202110580618.XA CN202110580618A CN113449598B CN 113449598 B CN113449598 B CN 113449598B CN 202110580618 A CN202110580618 A CN 202110580618A CN 113449598 B CN113449598 B CN 113449598B
- Authority
- CN
- China
- Prior art keywords
- optimized
- parameter set
- accuracy
- identification
- preset
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 239000000523 sample Substances 0.000 claims description 115
- 230000035772 mutation Effects 0.000 claims description 85
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 239000013074 reference sample Substances 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000013095 identification testing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 26
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 229910052573 porcelain Inorganic materials 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种物体身份识别系统中优化参数的确定方法和装置，包括：确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定第一目标优化参数组为最优参数组，否则，进入下一轮次的待优化参数组的选择；其中，任意轮次的待优化参数组的选择中均包括预设组数的待优化参数组。本发明提供的方法和装置，实现了提高物品身份系统的精度和降低物品身份系统的计算用时。
Description
技术领域
本发明涉及物体身份识别技术领域，尤其涉及一种物体身份识别系统中优化参数的确定方法和装置。
背景技术
目前采用的物品身份信息鉴别算法大多采用预设参数，虽然可以满足物品身份信息的匹配要求，但是存在较大的计算资源浪费。当参数选择不当时，也会出现物体身份识别的准确率或者耗时较长的情况。
因此，如何避免现有的物品身份识别系统中参数选择不当导致整个系统的识别准确率低或者识别用时过长或者准确率和耗时之间综合平衡效果不佳，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种物体身份识别系统中优化参数的确定方法和装置，用以解决现有的物品身份识别系统中参数选择不当导致整个系统的识别准确率低或者识别用时过长或者准确率和耗时之间综合平衡效果不佳的问题，通过使用样本用例测试，选出当前轮次参与比较的所有待优化参数组中满足第一预设条件的第一目标待优化参数组作为最优参数组进行输出，若当前轮次的所有待优化参数组中都不存在满足第一预设条件的第一目标待优化参数组，则进行下一轮次的待优化参数组的选择，其中，任一轮次中被挑选的待优化参数组的组数是一定且相同的，其中，判定是否满足第一预设条件的标准需要基于待优化参数组带入物品身份识别系统后在预设样本用例测试得到的系统准确率和系统识别用时两个维度的参数上进行，因此，对于优化参数的选择是分别考虑了准确率和计算耗时两个维度上的因素，保证输出的最优参数组应用于物品身份识别系统时系统的精度和计算耗时其中一项保证最优或者达到平衡。
本发明提供一种物体身份识别系统中优化参数的确定方法，包括：
确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；
对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；
若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；
其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，在确定所述目标优化参数组为最优参数组之后，还包括：
确定所述最优参数组是否满足第二预设条件；
若是，则保存基于所述第二预设条件计算的所述最优参数组的性能评价值；
其中，所述第二预设条件与所述第一预设条件中采用的所述系统准确率和系统识别用时的确定方式不同。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，该轮次所有待优化参数组中是否存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组的判定，具体包括：
使用所述预设样本用例测试该轮次所有待优化参数组中每一组待优化参数组构建的物品身份识别系统，得到每一组待优化参数组对应的系统准确率和系统识别用时；
确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组；
基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组；
确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时；
若所述统计系统准确率超过第一预设阈值且所述统计系统识别用时不超过第二预设阈值，则所述疑似目标优化参数组为第一目标优化参数组。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，所述确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，具体包括：
所述该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组的确定通过如下公式计算：
C△Amax＝argmax(△A(Ci))
C△Tmax＝argmax(△T(Ci))
Cd-max＝argmax(A(Ci)-T(Ci))
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时长短排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率大小排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)；
对应地，所述基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，具体包括：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系统和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，所述确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时，具体包括：
通过如下公式计算所述疑似目标优化参数组Cuse构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)：
其中，AS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的准确率，为从所述参考样本全集中随机选择预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的准确率，Ax(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的准确率，所述参考样本全集和所述预设样本用例全集中物品属于同一类型，TS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的系统识别平均用时，为从所述参考样本全集中随机选择所述预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的系统识别平均用时，Tx(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的系统识别平均用时。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，所述任一轮次中的所有待优化参数组的构建，具体包括：
任一轮次中的所有待优化参数组均为基于预设搜索算法构建的包含所述预设组数的待优化参数组集合。
根据本发明提供的一种物体身份识别系统中优化参数的确定方法，所述物品身份识别系统包括图像质量检测模块、图像质量提升模块、指纹特征检测模块、指纹特征匹配模块和匹配结果其他特征校验模块；
对应地，所述物品身份识别系统中的待优化参数包括所述图像质量检测模块中若干第一待优化参数、所述指纹特征检测模块中若干第二待优化参数、所述指纹特征匹配模块中若干第三待优化参数和所述匹配结果其他特征校验模块中若干第四待优化参数；
对应地，所述第二预设条件中确定所述系统准确率和系统识别用时的方式，具体包括：
通过如下公式确定系统准确率A和系统识别用时T：
A＝A0(P)
其中，A0()为像素变量与系统准确度的关系函数，P为测试样本用例图像的像素数量，其中，αi为所述物品身份识别系统中涉及的待优化参数的k1个算法时间复杂度与P2成正比的算法中第i个算法的时间复杂度加权系数，βj为所述物品身份识别系统中涉及的待优化参数的k2个算法时间复杂度与P1.5成正比的算法中第j个算法的时间复杂度加权系数，γl为所述物品身份识别系统中涉及的待优化参数的k3个算法时间复杂度与P成正比的算法中第l个算法的时间复杂度加权系数，δm为所述物品身份识别系统中涉及的待优化参数的k4个算法时间复杂度与P0.5成正比的算法中第m个算法的时间复杂度加权系数。
本发明还提供一种物品身份识别系统中优化参数的确定装置，包括：
构建单元，用于确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；
测试单元，用于对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；
判定单元，用于若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；
其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
本发明还提供一种电子设备，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述任一种所述的物品身份识别系统中优化参数的确定方法的步骤。
本发明还提供一种非暂态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如上述任一种所述的物品身份识别系统中优化参数的确定方法的步骤。
本发明提供的物体身份识别系统中优化参数的确定方法和装置，通过确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。由于判定是否满足第一预设条件的标准需要基于待优化参数组带入物品身份识别系统后在预设样本用例测试得到的系统准确率和系统识别用时两个维度的参数上进行，因此，对于优化参数的选择是分别考虑了准确率和计算耗时两个维度上的因素，保证输出的最优参数组应用于物品身份识别系统时系统的精度和计算耗时其中一项保证最优或者达到平衡。因此，本发明提供的方法和装置，实现了提高物品身份系统的精度和降低物品身份系统的计算用时。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种物体身份识别系统中优化参数的确定方法的流程示意图；
图2为本发明提供的识别过程的验证结构参数作用范围示意图；
图3为本发明提供的特征匹配与校验算法参数作用范围示意图；
图4为本发明提供的特征匹配算法参数优化选择流程示意图；
图5为本发明提供的利用随机搜索法进行参数偏好选择流程示意图；
图6为本发明提供的不同像素下物品身份识别验证所需时间和准确率的曲线；
图7为本发明提供的物品身份识别系统中优化参数的确定装置的结构示意图；
图8为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于现有的物品身份识别系统中普遍存在参数选择不当导致整个系统的识别准确率低或者识别用时过长或者准确率和耗时之间综合平衡效果不佳的问题。下面结合图1-图6描述本发明的一种物体身份识别系统中优化参数的确定方法。图1为本发明提供的一种物体身份识别系统中优化参数的确定方法的流程示意图，如图1所示，该方法包括：
步骤110，确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组。
具体地，本发明提供的物体身份识别系统中优化参数的确定方法是在给定的物体身份识别系统的基础上为该系统中的各个模块中算法涉及的所有待优化参数进行统一的选择确定，保证所有待优化参数组成的待优化参数组中各个参数的取值能使得系统的准确率更高或者耗时更低或者准确率和耗时可以达到更好的平衡。本发明提供的物品身份识别系统中的总体算法框架是基于图像特征点匹配的物品身份识别。进一步地，物品身份识别系统可以包括图像质量检测模块、图像质量改善模块、特征检测模块、特征匹配模块和特征校验模块，其中涉及到的算法，例如，特征提取是提取的指纹信息，特征匹配中涉及到增广算法、样本数据结构还有特征校验中涉及到的特征衡量函数、校验数据类型和校验函数类型中所有算法中的待优化参数组成的待优化参数组需要进行统一的选择确定，即最后确定的最优参数组能保证其中所有参数取特定的数值后配置到物品身份识别系统。因此，首先需要确定物品身份识别系统中的所有待优化参数的类型和个数，将它们组成待优化参数组。
步骤120，对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时。
具体地，确定预设组数的待优化参数组参加当前轮次的最优参数组的选择，例如，步骤110中确定的待优化参数组中的待优化参数为60个，那么待优化参数组为维度为60的向量，若预设组数为1000，那么即从1000个维度为60的向量中进行最优参数组的选取，选取的标准就是计算每一个向量带入物品身份识别系统后使用预设样本用例进行测试得到对应的身份识别系统准确率和身份识别系统识别用时，其中，准确率是在预设样本用例的总数基础上统计识别正确结果的占该总数的比例，身份识别系统识别用时是所述预设样本用例中所有用例测试得到的耗时结果的平均用时。每个待优化参数组构建的向量都可以得到各自对应的身份识别系统准确率和身份识别系统识别用时，而身份识别系统准确率和身份识别系统识别用时作为后续选择最优参数组的参考因素。
步骤130，若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择，其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
具体地，再对该轮次所有待优化参数组计算出的各自对应的系统准确率和系统识别用时进行择优选择，具体择优选择方式为判定所有待优化参数组中是否存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，如果存在，则以该第一目标待优化参数组作为最终用于输出的最优参数组，如果不存在，则继续进行下一轮次的待优化参数组的选择，与前一轮次的选择相同，也是先构建同样预设组数的待优化参数组的集合，然后按照同样的判定条件寻找该轮次的第一目标待优化参数组，如果找到，则可以结束迭代输出结构，否则还需要进行再下一轮次的选择直到后续的某一轮次中找到符合第一预设条件的第一目标待优化参数组进行输出。
此处需要说明的是，每一轮次构建的待优化参数组的集合中待优化参数组的组数是相同的且为预先设定。每一轮次的待优化参数组的选择都是在上一轮次的待优化参数组进行最优参数组选择失败下进行的，直到有一轮次的待优化参数组中的选择能选出最优参数组，则停止迭代计算。而每一轮次中参与比较竞争作为最后输出的所述预设组数的待优化参数组都是基于预设的选择算法确定的，可选的有网格搜索法、随机搜索法和贝叶斯优化算法等。
本发明提供的方法，通过确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。由于判定是否满足第一预设条件的标准需要基于待优化参数组带入物品身份识别系统后在预设样本用例测试得到的系统准确率和系统识别用时两个维度的参数上进行，因此，对于优化参数的选择是分别考虑了准确率和计算耗时两个维度上的因素，保证输出的最优参数组应用于物品身份识别系统时系统的精度和计算耗时其中一项保证最优或者达到平衡。因此，本发明提供的方法，实现了提高物品身份系统的精度和降低物品身份系统的计算用时。
基于上述实施例，该方法中，在确定所述目标优化参数组为最优参数组之后，还包括：
确定所述最优参数组是否满足第二预设条件；
若是，则保存基于所述第二预设条件计算的所述最优参数组的性能评价值；
其中，所述第二预设条件与所述第一预设条件中采用的所述系统准确率和系统识别用时的确定方式不同。
具体地，本发明提供的物品身份识别系统中优化参数的确定方法除了可以确定能保证物品身份识别系统准确率和计算耗时的系统中需要设定参数值的最优参数组外，还可以为确定的最优参数组提供评估打分，更方便系统在使用时提前预估使用效果。但是为选定的最优参数组计算性能评价值的前提是其满足第二预设条件，即选定的最优参数组需要性能达到一定标准才对它的性能评价值进行保存，否则不提供它的性能评价值。此处需要说明的是，所述第二预设条件与所述第一预设条件中采用的所述系统准确率和系统识别用时的确定方式不同；例如，第一预设条件的判定中，系统的准确率就是根据预设样本用例通过临时设定对应待优化参数组的物品身份识别系统测试后得到的结果与用例中的标签进行比较统计出的识别正确结果的占比数，而系统识别用时则是根据预设样本用例通过临时设定对应待优化参数组的物品身份识别系统测试后计算的所有样本用例从输入系统到输出结果的耗时的平均值，而第二预设条件的判定中，可以用输入物品身份识别系统中的所有样本用例图像的像素确定，而系统的耗时同样也可以基于输入系统的所有样本用例图像的像素确定，因为像素越高，计算量越大，通常会有正比或者二次方的关系，具体的评估计算公式可以按照给定的算法确定对应的耗时公式。此处需要说明的是，本发明提供的物品身份识别系统中优化参数的确定方法默认其中的物品身份识别系统是基于图像处理的识别系统，即总体框架是通过对输入图像中的物体第一特征提取，与预先存储的特征身份对应库中的第一特征进行比较，得到该输入图像在所述特征身份对应库中匹配的库中第一特征，然后以库中第一特征对应的物品身份作为输入图像中的物品的识别身份进行输出，通常在最后输出之前还会增加一个验证步骤，即比较一下输入图像中物体的第二特征与待输出的识别结果的物体的第二特征是否能匹配上，如果能，则说明验证通过，输出结果，通过多进行一种特征的比对提高物体身份识别的准确性。
基于上述实施例，该方法中，该轮次所有待优化参数组中是否存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组的判定，具体包括：
使用所述预设样本用例测试该轮次所有待优化参数组中每一组待优化参数组构建的物品身份识别系统，得到每一组待优化参数组对应的系统准确率和系统识别用时；
确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组；
基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组；
确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时；
若所述统计系统准确率超过第一预设阈值且所述统计系统识别用时不超过第二预设阈值，则所述疑似目标优化参数组为第一目标优化参数组。
具体地，对于参与当前轮次最优参数组选择的所有待优化参数组中的每一个待优化参数组，都带入相同确定算法模块的未设定参数的物品身份识别系统中构建参数确定可以直接使用的物品身份识别系统。对于每一个待优化参数组确定的可以直接使用的物品身份识别系统，都使用预设样本用例进行测试，此处需要说明的是，预设样本用例通常是数量比较小的样本用例集合，数量在500-1000之间，即包括500-1000组测试样本图像和对应物品身份标签组成的预设样本用例集合。因此，每一个待优化参数组确定的可以直接使用的物品身份识别系统，在经过所述预设样本用例的测试之后，会得到对应的系统识别准确率和系统识别用时，其中，系统识别准确率是基于系统在测试时输出的识别结果和预设样本用例中携带的对应于输入样本图像的真实物品身份标签相同的个数占全部样本用例个数的比例，而系统识别用时是系统在测试时所有图像样本输入系统到系统输出识别结果之间的耗时的平均值。然后基于得到的各个待优化参数组和其系统识别准确率和系统识别用时之间的对应关系构建预测函数，即将不同的待优化参数组C作为自变量，以它们对应的系统识别准确率和系统识别用时作为函数值进行预测函数的确定。得到预测函数后，分别确定系统准确率预测函数中的第一突变点、系统识别用时预测函数的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，然后基于第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，此处需要说明的是，第一突变点对应的待优化参数组能保证系统的准确率，第二突变点对应的待优化参数组能保证系统的识别用时，所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组能保证最好平衡系统的识别用时和识别准确率。进一步地，最终确定的疑似目标优化参数组可以基于用户对系统的不同要求之间偏好细微调整确定，例如，用户只要求准确率那么疑似目标优化参数组选择第一突变点，如果用户只要求系统识别用时少，那么疑似目标优化参数组选择第二突变点，如果用户只要求系统识别用时和系统识别准确率之间的平衡处理好，那么疑似目标优化参数组选择第二目标待优化参数组。通常，用户的要求并不单一但是会有不同的权重，那么会构建一个基于所述第一突变点、第二突变点和所述第二目标待优化参数组作为三个加权项的加权公式，其中每个加权项有各自的权值系统，三个权值求和为1，可以根据用户对系统识别性能的不同偏好对各权值系数进行调整。
此处还需要说明的是，最终得到的疑似目标优化参数组还需要进行在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时，当样本用例全集测试得到的准确率和识别用时都通过二者对应的预设阈值的检验时，才确定疑似目标优化参数组为最后可以直接输出的最优参数组。
基于上述实施例，该方法中，所述确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，具体包括：
所述该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组的确定通过如下公式计算：
C△Amax＝argmax(△A(Ci))
C△Tmax＝argmax(△T(Ci))
Cd-max＝argmax(A(Ci)-T(Ci))
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时长短排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率大小排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)；
对应地，所述基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，具体包括：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系统和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
具体地，通过具体的数学公式将确定疑似目标优化参数组进行描述说明。突变点即为使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时和系统准确率以从小到大进行排序后上升最明显的值对应的待优化参数组，或者以从大到小进行排序后下降最明显的点对应的待优化参数组，即斜率最大的点，数学公式表达中用△差值最大值对应的待优化参数组表示，因此，得到如下公式：
C△Amax＝argmax(△A(Ci))
C△Tmax＝argmax(△T(Ci))
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时从小到大排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率从小到大排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)。此处还需要补充说明的是，当T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时从大到小排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率从大到小排序后排名第i的待优化参数组对应的系统准确率，对应地，△T(Ci)＝T(Ci)-T(Ci+1)，△A(Ci)＝A(Ci)-A(Ci+1)。
而所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组表示的最能平衡系统准确率和系统识别用时的待优化参数组，因为它们的差值最大说明比其他的待优化参数组得到的结果有更好的平衡性，能在限制范围同时保证准确率和系统识别用时，而不是只追求提高准确率的系统，其系统识别用时会大到超出能接受的范围，导致它们之间的差值很小，而只追求降低识别用时的系统，其系统的识别准确率会小到低于正常要求标准，导致它们之间的差值也会很小，因此，准确率和系统识别用时的双项保证就是它们的差值最大，这样不至于准确率高的时候系统识别用时太高，也不至于系统识别用时低的时候准确率太低，维持差值最大是两个相互之间存在遏制关系的最好平衡。因此，得到如下公式：
Cd-max＝argmax(A(C)-T(C))
其中，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组。
对于基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，采用公式表示如下：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系统和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
当使用系统的用户偏好准确度时，适当提高β，当使用系统的用户偏好运算时间时，适当提高α，当使用系统的用户综合考虑计算时间和准确度时，适当提高γ。
基于上述实施例，该方法中，所述确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时，具体包括：
通过如下公式计算所述疑似目标优化参数组Cuse构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)：
其中，AS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的准确率，为从所述参考样本全集中随机选择预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的准确率，Ax(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的准确率，所述参考样本全集和所述预设样本用例全集中物品属于同一类型，TS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的系统识别平均用时，为从所述参考样本全集中随机选择所述预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的系统识别平均用时，Tx(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的系统识别平均用时。
具体地，在得到疑似目标优化参数组后还需要用样本用例全集测试得到最准确的该疑似目标优化参数组带入系统后系统的准确率和识别用时，但实际测试时并不需要将全集中的所有样本用例进行测试才能该准确率和识别用时，那样耗时太久计算量过大，本发明采用的方式是基于全集中随机抽取的少量样本进行测试，得到测试结果后再采用如下公式估算所述疑似目标优化参数组Cuse构建的物品身份识别系统在在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)：
其中，AS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的准确率，为从所述参考样本全集中随机选择预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的准确率，Ax(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的准确率，所述参考样本全集和所述预设样本用例全集中物品属于同一类型，TS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的系统识别平均用时，Tmk(Crandom)为从所述参考样本全集中随机选择所述预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的系统识别平均用时，Tx(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的系统识别平均用时。
对于上述公式进行说明，上述公式希望在使用概率统计中的占比方式以实际临时计算预设样本用例全集中一个子集的准确率Ax(Cuse)和系统识别平均用时Tx(Cuse)得到预设样本用例全集的准确率A(Cuse)和系统识别平均用时T(Cuse)。因此，使用参考样本全集参与计算，此处需要说明的是，参考样本全集中的物品与预设样本用例全集中的物品属于同一类型，或者具备相同属性，例如，都是透明釉有花纹陶瓷，都有气泡和纹路，使其提取得到的用于身份验证的特征点类型和可检测数量基本一致。然后，参考样本全集中选出预设占比的参考样本组成子参考样本集，预设样本用例全集中也选出预设占比的样本用例组成的子样本用例集，只是子参考样本集需要选取多个，用于求均值mean，例如，参考样本全集中有1000个青花瓷瓷砖，预设占比为10％，那么子参考样本集中包括从所述1000个青花瓷瓷砖中随机选择的100个青花瓷瓷砖，而且随机选择要进行多次，例如，选出10个子参考样本集，当预设样本用例全集中有500个青花瓷瓷砖用于检测疑似目标优化参数组配置到物品身份识别系统中系统的性能时，需要从所述500个青花瓷瓷砖中随机选择出50个青花瓷瓷砖组成子样本用例集，然后只用临时计算子样本用例集在疑似目标优化参数组下的系统准确率Ax(Cuse)和系统识别平均用时Tx(Cuse)，和可以提前计算好，就可以以少量计算量估算所述疑似目标优化参数组Cuse构建的物品身份识别系统在在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)。
基于上述实施例，该方法中，所述任一轮次中的所有待优化参数组的构建，具体包括：
任一轮次中的所有待优化参数组均为基于预设搜索算法构建的包含所述预设组数的待优化参数组集合。
具体地，此处将每一轮次参与最优参数组竞选的所有待优化参数组的选择限定为搜索算法，即能够随机生成，但是每一参数数值的选择还需要满足该参数对数值范围的限定要求，常用的搜索算法包括网格搜索法、随机搜索法和贝叶斯优化算法等，此处不作具体限定。
基于上述实施例，该方法中，所述物品身份识别系统包括图像质量检测模块、图像质量提升模块、指纹特征检测模块、指纹特征匹配模块和匹配结果其他特征校验模块；
对应地，所述物品身份识别系统中的待优化参数包括所述图像质量检测模块中若干第一待优化参数、所述指纹特征检测模块中若干第二待优化参数、所述指纹特征匹配模块中若干第三待优化参数和所述匹配结果其他特征校验模块中若干第四待优化参数；
对应地，所述第二预设条件中确定所述系统准确率和系统识别用时的方式，具体包括：
通过如下公式确定系统准确率A和系统识别用时T：
A＝A0(P)
其中，A0()为像素变量与系统准确度的关系函数，P为测试样本用例图像的像素数量，其中，αi为所述物品身份识别系统中涉及的待优化参数的k1个算法时间复杂度与P2成正比的算法中第i个算法的时间复杂度加权系数，βj为所述物品身份识别系统中涉及的待优化参数的k2个算法时间复杂度与P1.5成正比的算法中第j个算法的时间复杂度加权系数，γl为所述物品身份识别系统中涉及的待优化参数的k3个算法时间复杂度与P成正比的算法中第l个算法的时间复杂度加权系数，δm为所述物品身份识别系统中涉及的待优化参数的k4个算法时间复杂度与P0.5成正比的算法中第m个算法的时间复杂度加权系数。
具体地，此处将物品身份识别系统中包含的算法模块进行限定，即物品身份识别系统包括图像质量检测模块、图像质量提升模块、指纹特征检测模块、指纹特征匹配模块和匹配结果其他特征校验模块，图2为本发明提供的识别过程的验证结构参数作用范围示意图，如图2所示，细线实心箭头连接的是物品身份识别系统中各个算法模块之间的处理顺序和连接方式，基于图像的物品身份识别过程包括将待验证图像输入系统首先进行图像质量检测然后基于质量检测结果针对性进行图像质量改善，将改善后图像进行特征检测，提取指纹特征，提取到的指纹特征和图2中最上方框中标识的样本图像集中存储的图像-指纹-身份关系进行比较，进行特征匹配，将匹配得到的图像结果和身份结果输入特征校验模块，特征校验模块再提取待验证图像中的另一种特征和图像结果的另一种特征进行匹配比较，如果通过验证，则以所述身份结果作为身份识别结果进行输出。
此处需要说明的是，指纹提取算法参数主要由特征检测算法的参数和指纹生成算法的参数。特征检测算法参数包含特征点数量，特征检测层数，特征最小有效直径，特征类型和特征所处图像金字塔层级参数；指纹生成算法参数包含：每个物品指纹包含指纹向量的个数，描述子的维度，描述子生成方法和特征信息的可选属性(如特征点坐标,邻域直径，方向和特征类型等)，表1为本发明提供的指纹向量信息表，如下表1所示为一个指纹向量所包含的内容：
表1指纹向量表
在鉴别结构参数中，几类参数的作用范围或流程如图2所示。指纹匹配方案指物品身份鉴别过程中所采用的流程，如是否引入图像的预处理，特征检测的方式(如利用特征间相互距离保证特征在图像内部分布尽可能均匀)，物品身份鉴别过程中不同功能模块的算法选择(如指纹提取的中可以采用orb，sift和surf等特征检测算法提取特征，再根据提取的特征生成物品指纹)。增广算法参数指利用在指纹验证中，如需利用数据库中存储的物品指纹对应的样本图像进行比对时，采用的图像增广算法中的对比度，饱和度，截取范围，亮度等参数。样本数据参数指进行物品指纹匹配时用到的原始样本数据类型和与数量等。
图3为本发明提供的特征匹配与校验算法参数作用范围示意图，在特征匹配与校验算法参数中，几类参数的作用范围或流程如图3所示。描述子匹配方案指对样本指纹和待验证指纹区域图像中检测得到的特征描述子进行匹配过程中采用的算法，可以采用B-F法，KNN和FLANN等算法。相似度衡量函数指根据两个特征描述子表匹配得到的特征点相似度关系，获取两个待验证图像相似度的函数，可以采用均值，最相似若干个描述子相似度均值或描述子相似度在阈值内的指纹向量个数等方法；校验数据类型为在进行指纹校验时所采用的数据，包括：坐标，有意义最小直径，类别和方向等；校验函数为利用校验数据判断校验是否成功的函数或流程，可供选择类型包括：串行判断，并行判断，设置权重函数判断和利用投票机制判断等。
图4为本发明提供的特征匹配算法参数优化选择流程示意图，如图4所示，为算法参数优化选择流程。其中对于同一类别的物品，可以用其中部分物品指纹样本快速确定该物品指纹的模型参数。模型参数优化选择方法可以使用网格搜索法、随机搜索法和贝叶斯优化算法等；当小规模样本数据集中测试得到准确率和测试用时达到目标后，完成参数的优化选择，后面增加的模型性能评价即针对确定参数后的物品身份识别系统的使用准确率和计算耗时从其他方面衡量得到的性能打分，只有打分高于一定阈值时会将打分值随着确定的参数一并保存，为确定的参数构建的物品身份识别系统提供更多的参考信息。
物品身份鉴别性能包括：匹配速度和匹配精确度。可以在参数优化时选择侧重的优化目标，可以根据选择偏好给出参数选择方案。以随机搜索法为例，随机生成参数组C1,……,Cm,在指定小规模样本数据集中测试得到准确率和测试用时的对应数组为：(A1,T1),……,(Am,Tm)。图5为本发明提供的利用随机搜索法进行参数偏好选择流程示意图，根据偏好选择参数算法如图5所示。图5展示的也是图4流程中的由判定循环返回箭头指示的环节中的具体流程。
分别计算用时突变点C△Tmax，准确率突变点C△Amax和二者差值最大点Cd-max，如公式(1)(2)(3)所示。偏好选择函数如公式(4)所示，其中α+β+γ＝1。偏好准确度时，适当提高β；偏好运算时间时，适当提高α；综合考虑计算时间和准确度时，适当提高γ。
所述该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组的确定通过如下公式计算：
C△Amax＝argmax(△A(Ci)) (1)
C△Tmax＝argmax(△T(Ci)) (2)
Cd-max＝argmax(A(Ci)-T(Ci)) (3)
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时长短排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率大小排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)；
对应地，所述基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，具体包括：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系统和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
如式(5)和(6)所示，分别为通过部分样本集的准确度和运算时间来预测全样本集准确度A(Cuse)与运算时间T(Cuse)的计算方法。其中，获取参考样本集若干数量为n的子集mk在参数为Cuse时的预测准确度和运算时间样本全集的预测准确度AS(Cuse)和运算时间TS(Cuse)；当前样本集数量为n的子集x在参数为Ci时的预测准确度Ax(Cuse)和运算时间Tx(Cuse)。
模型性能评价会给出当前参数条件下，利用不同像素数量的图像进行物品身份信息验证精确度的估测函数如公式(7)所示，其中A0(P)为已知像素与精确度关系函数。估算验证所需的时间函数如公式(8)所示，其中P代表图像的像素数量，其中α,β,γ,δ为像素与时间的对应关系系数，k为对应的算法时间复杂度的个数。图6为本发明提供的不同像素下物品身份识别验证所需时间和准确率的曲线，若干个常用图像像素获得的函数曲线如图6所示。
A＝A0(P) (7)
下面对本发明提供的物品身份识别系统中优化参数的确定装置进行描述，下文描述的物品身份识别系统中优化参数的确定装置与上文描述的一种物体身份识别系统中优化参数的确定方法可相互对应参照。
图7为本发明提供的物品身份识别系统中优化参数的确定装置的结构示意图，如图7所示，该装置包括构建单元710、测试单元720和判定单元730，其中，
所述构建单元710，用于确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；
所述测试单元720，用于对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；
所述判定单元730，用于若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；
其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
本发明提供的装置，通过确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。由于判定是否满足第一预设条件的标准需要基于待优化参数组带入物品身份识别系统后在预设样本用例测试得到的系统准确率和系统识别用时两个维度的参数上进行，因此，对于优化参数的选择是分别考虑了准确率和计算耗时两个维度上的因素，保证输出的最优参数组应用于物品身份识别系统时系统的精度和计算耗时其中一项保证最优或者达到平衡。因此，本发明提供的装置，实现了提高物品身份系统的精度和降低物品身份系统的计算用时。
基于上述实施例，该装置中，在确定所述目标优化参数组为最优参数组之后，还包括：
确定所述最优参数组是否满足第二预设条件；
若是，则保存基于所述第二预设条件计算的所述最优参数组的性能评价值；
其中，所述第二预设条件与所述第一预设条件中采用的所述系统准确率和系统识别用时的确定方式不同。
基于上述实施例，该装置中，该轮次所有待优化参数组中是否存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组的判定，具体包括：
使用所述预设样本用例测试该轮次所有待优化参数组中每一组待优化参数组构建的物品身份识别系统，得到每一组待优化参数组对应的系统准确率和系统识别用时；
确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组；
基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组；
确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时；
若所述统计系统准确率超过第一预设阈值且所述统计系统识别用时不超过第二预设阈值，则所述疑似目标优化参数组为第一目标优化参数组。
基于上述实施例，该装置中，所述确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，具体包括：
所述该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组的确定通过如下公式计算：
C△Amax＝argmax(△A(Ci))
C△Tmax＝argmax(△T(Ci))
Cd-max＝argmax(A(Ci)-T(Ci))
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时长短排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率大小排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)；
对应地，所述基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，具体包括：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系统和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
基于上述实施例，该装置中，所述确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时，具体包括：
通过如下公式计算所述疑似目标优化参数组Cuse构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)：
其中，为从预设样本用例全集中随机选择的预设数量的样本用例组成的子集mk在待优化参数组为Cuse时的系统识别准确度，为从预设样本用例全集中随机选择的所述预设数量的样本用例组成的子集mk在待优化参数组为Cuse时的系统识别用时，AS(Cuse)为所述预设样本用例全集的系统识别准确度，TS(Cuse)为所述预设样本用例全集的系统识别用时，Ax(Cuse)为当前样本用例数量为所述预设数量的子集x在参数为Cuse时的系统识别准确度，Tx(Cuse)为当前样本用例数量为所述预设数量的子集x在参数为Cuse时的系统识别用时。
基于上述实施例，该装置中，所述任一轮次中的所有待优化参数组的构建，具体包括：
任一轮次中的所有待优化参数组均为基于预设搜索算法构建的包含所述预设组数的待优化参数组集合。
基于上述实施例，该装置中，所述物品身份识别系统包括图像质量检测模块、图像质量提升模块、指纹特征检测模块、指纹特征匹配模块和匹配结果其他特征校验模块；
对应地，所述物品身份识别系统中的待优化参数包括所述图像质量检测模块中若干第一待优化参数、所述指纹特征检测模块中若干第二待优化参数、所述指纹特征匹配模块中若干第三待优化参数和所述匹配结果其他特征校验模块中若干第四待优化参数；
对应地，所述第二预设条件中确定所述系统准确率和系统识别用时的方式，具体包括：
通过如下公式确定系统准确率A和系统识别用时T：
A＝A0(P)
其中，A0()为像素变量与系统准确度的关系函数，P为测试样本用例图像的像素数量，其中，k1、k2、k3和k4分别为所述图像质量检测模块、所述指纹特征检测模块、所述指纹特征匹配模块和所述匹配结果其他特征校验模块中对应算法的时间复杂度，αi为所述图像质量检测模块中算法时间复杂度为i时像素与系统识别用时的对应关系系数，βj为所述指纹特征检测模块中算法时间复杂度为j时像素与系统识别用时的对应关系系数，γl为指纹特征匹配模块中算法时间复杂度为l时像素与系统识别用时的对应关系系数，δm为匹配结果其他特征校验模块中算法时间复杂度为l时像素与系统识别用时的对应关系系数。
图8为本发明提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行物体身份识别系统中优化参数的确定方法，该方法包括：确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的物体身份识别系统中优化参数的确定方法，该方法包括：确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的物体身份识别系统中优化参数的确定方法，该方法包括：确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
以上所描述的服务器实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种物品身份识别系统中优化参数的确定方法，其特征在于，包括：
确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；
对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；
若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标待优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；
其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组；
确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，具体包括：
使用所述预设样本用例测试该轮次所有待优化参数组中每一组待优化参数组构建的物品身份识别系统，得到每一组待优化参数组对应的系统准确率和系统识别用时；
确定该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组；
所述该轮次中所有所述系统准确率的第一突变点、所有所述系统识别用时的第二突变点和所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组的确定通过如下公式计算：
C△Amax＝argmax(△A(Ci))
C△Tmax＝argmax(△T(Ci))
Cd-max＝argmax(A(Ci)-T(Ci))
其中，C△Amax为该轮次中所有所述系统准确率的第一突变点，C△Tmax为该轮次中所有所述系统识别用时的第二突变点，Cd-max为该轮次中所述系统准确率与所述系统识别用时最大差对应的第二目标待优化参数组，T(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统识别用时以用时长短排序后排名第i的待优化参数组对应的系统识别用时，A(Ci)表示使用该轮次中所有待优化参数组代入所述物品身份识别系统测试得到的系统准确率以准确率大小排序后排名第i的待优化参数组对应的系统准确率，i＝1,2,3,…,Q-1，Q为所述预设组数，△T(Ci)＝T(Ci+1)-T(Ci)，△A(Ci)＝A(Ci+1)-A(Ci)；
对应地，基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组，具体包括：
疑似目标优化参数组Cuse通过如下公式计算：
其中，α、β和γ分别为预设时间偏好系数、预设准确偏好系数和预设平衡时间准确系数，且α+β+γ＝1，C△Amax为所述第一突变点，C△Tmax为所述第二突变点，Cd-max为所述第二目标待优化参数组确定疑似目标优化参数组。
2.根据权利要求1所述的物品身份识别系统中优化参数的确定方法，其特征在于，在确定所述目标优化参数组为最优参数组之后，还包括：
确定所述最优参数组是否满足第二预设条件；
若是，则保存基于所述第二预设条件计算的所述最优参数组的性能评价值；
其中，所述第二预设条件与所述第一预设条件中采用的所述系统准确率和系统识别用时的确定方式不同。
3.根据权利要求2所述的物品身份识别系统中优化参数的确定方法，其特征在于，该轮次所有待优化参数组中是否存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组的判定，具体包括：
基于所述第一突变点、第二突变点和所述第二目标待优化参数组确定疑似目标优化参数组；
确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时；
若所述统计系统准确率超过第一预设阈值且所述统计系统识别用时不超过第二预设阈值，则所述疑似目标优化参数组为第一目标待优化参数组。
4.根据权利要求1所述的物品身份识别系统中优化参数的确定方法，其特征在于，所述确定所述疑似目标优化参数组构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率和统计系统识别用时，具体包括：
通过如下公式计算所述疑似目标优化参数组Cuse构建的物品身份识别系统在预设样本用例全集中测试得到的统计系统准确率A(Cuse)和统计系统识别用时T(Cuse)：
其中，AS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的准确率，Amk(Crandom)为从所述参考样本全集中随机选择预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的准确率，Ax(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的准确率，所述参考样本全集和所述预设样本用例全集中物品属于同一类型，TS(Crandom)为参考样本全集在随机选择优化参数组Crandom下的系统识别平均用时，为从所述参考样本全集中随机选择所述预设占比的参考样本组成的子参考样本集在随机选择优化参数组Crandom下的系统识别平均用时，Tx(Cuse)为从所述预设样本用例全集中随机选择所述预设占比的样本用例组成的子样本用例集在所述疑似目标优化参数组Cuse下的系统识别平均用时。
5.根据权利要求1-4中任一项所述的物品身份识别系统中优化参数的确定方法，其特征在于，所述任一轮次中的所有待优化参数组的构建，具体包括：
任一轮次中的所有待优化参数组均为基于预设搜索算法构建的包含所述预设组数的待优化参数组集合。
6.根据权利要求2-4中任一项所述的物品身份识别系统中优化参数的确定方法，其特征在于，所述物品身份识别系统包括图像质量检测模块、图像质量提升模块、指纹特征检测模块、指纹特征匹配模块和匹配结果其他特征校验模块；
对应地，所述物品身份识别系统中的待优化参数包括所述图像质量检测模块中若干第一待优化参数、所述指纹特征检测模块中若干第二待优化参数、所述指纹特征匹配模块中若干第三待优化参数和所述匹配结果其他特征校验模块中若干第四待优化参数；
对应地，第二预设条件中确定所述系统准确率和系统识别用时的方式，具体包括：
通过如下公式确定系统准确率A和系统识别用时T：
A＝A0(P)
其中，A0()为像素变量与系统准确度的关系函数，P为测试样本用例图像的像素数量，其中，αi为所述物品身份识别系统中涉及的待优化参数的k1个算法时间复杂度与P2成正比的算法中第i个算法的时间复杂度加权系数，βj为所述物品身份识别系统中涉及的待优化参数的k2个算法时间复杂度与P1.5成正比的算法中第j个算法的时间复杂度加权系数，γl为所述物品身份识别系统中涉及的待优化参数的k3个算法时间复杂度与P成正比的算法中第l个算法的时间复杂度加权系数，δm为所述物品身份识别系统中涉及的待优化参数的k4个算法时间复杂度与P0.5成正比的算法中第m个算法的时间复杂度加权系数。
7.一种物品身份识别系统中优化参数的确定装置，应用权利要求1-6中任一项所述的物品身份识别系统中优化参数的确定方法，其特征在于，包括：
构建单元，用于确定物品身份识别系统中的待优化参数类型和个数，构建待优化参数组；
测试单元，用于对任一轮次所述待优化参数组的选择，对其中每一组待优化参数组采用预设样本用例测试，得到各自对应的身份识别系统准确率和身份识别系统识别用时；
判定单元，用于若该轮次所有待优化参数组中存在系统准确率和系统识别用时满足第一预设条件的第一目标待优化参数组，则确定所述第一目标待优化参数组为最优参数组，否则，进入下一轮次的所述待优化参数组的选择；
其中，任意轮次的所述待优化参数组的选择中均包括预设组数的待优化参数组。
8.一种电子设备，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程序时实现如权利要求1至6中任一项所述的物品身份识别系统中优化参数的确定方法的步骤。
9.一种非暂态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至6中任一项所述的物品身份识别系统中优化参数的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580618.XA CN113449598B (zh) | 2021-05-26 | 2021-05-26 | 物体身份识别系统中优化参数的确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580618.XA CN113449598B (zh) | 2021-05-26 | 2021-05-26 | 物体身份识别系统中优化参数的确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113449598A CN113449598A (zh) | 2021-09-28 |
| CN113449598B true CN113449598B (zh) | 2024-09-24 |
Family
ID=77810461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110580618.XA Active CN113449598B (zh) | 2021-05-26 | 2021-05-26 | 物体身份识别系统中优化参数的确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449598B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| CN103904673A (zh) * | 2013-11-29 | 2014-07-02 | 南方电网科学研究院有限责任公司 | 一种高压直流输电定电流控制器pi参数优化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143685B (zh) * | 2019-12-30 | 2024-01-26 | 第四范式（北京）技术有限公司 | 一种商品推荐方法及装置 |
| CN111476965B (zh) * | 2020-03-13 | 2021-08-03 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
-
2021
- 2021-05-26 CN CN202110580618.XA patent/CN113449598B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| CN103904673A (zh) * | 2013-11-29 | 2014-07-02 | 南方电网科学研究院有限责任公司 | 一种高压直流输电定电流控制器pi参数优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113449598A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210560B (zh) | 分类网络的增量训练方法、分类方法及装置、设备及介质 | |
| WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| US9842279B2 (en) | Data processing method for learning discriminator, and data processing apparatus therefor | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
| WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
| CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
| CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
| CN110324178B (zh) | 一种基于多经验核学习的网络入侵检测方法 | |
| CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN112446428B (zh) | 一种图像数据处理方法及装置 | |
| CN110955774B (zh) | 基于词频分布的文字分类方法、装置、设备及介质 | |
| CN108985385A (zh) | 基于生成对抗学习的快速弱监督目标检测方法 | |
| CN113449598B (zh) | 物体身份识别系统中优化参数的确定方法和装置 | |
| CN111292062A (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
| CN111126617A (zh) | 一种选择融合模型权重参数的方法、装置及设备 | |
| CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
| CN107657223B (zh) | 一种基于快速处理多距离度量学习的人脸认证方法 | |
| CN113435482B (zh) | 一种判断开放集的方法、装置及其设备 | |
| CN115730139A (zh) | 基于异质多兴趣建模的短视频推荐方法及装置 | |
| CN110427578B (zh) | 一种基于深度机器学习的数字内容投放方法 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN111209428A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| CN111026661A (zh) | 一种软件易用性全面测试方法及系统 | |
| CN109815212A (zh) | 一种智能数据库构建方法、装置及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |