abc

说明文档.txt

@@ -144,15 +144,124 @@
 		
 		precision_compare(filepath, savepath)
 			读取 deletedBarcode.txt 和 deletedBarcodeTest.txt 中的数据，进行相似度比较
-			
+	
+	genfeats.py
+		get_std_barcodeDict(bcdpath, savepath)
+		功能: 生成并保存只有一个key值的字典 {barcode: [imgpath1, imgpath1, ...]}
+		
+		stdfeat_infer(imgPath, featPath, bcdSet=None)
+		功能: 对 imgPath 中图像进行特征提取，生成只有一个key值的字典。
+			  {barcode: features}，features.shape=(nsample, 256)，并保存至 featPath 中
+	
 			
 	one2n_contrast.py
-		1:n 比对，读取 deletedBarcode.txt，实现现场测试评估。
-		main():
-			循环读取不同文件夹中的 deletedBarcode.txt，合并评估。
-		main1():
-			指定deletedBarcode.txt进行1:n性能评估		
+		test_one2n()
+			1:n 现场测试性能评估，输出 PR 曲线
+			兼容 2 种 txt 文件格式：returnGoods.txt, deletedBarcode.txt, 
+			分别对应不同的文件读取函数：
+			 - read_deletedBarcode_file()
+			 - read_returnGoods_file()
+
+		one2n_return(all_list)
+			输入：从returnGoods.txt读取的数据
+			输出：
+				corrpairs：(取出事件, 正确匹配的放入事件)
+				errpairs：(取出事件, 放入事件, 错误匹配的放入事件)
+				corr_similarity: (正确匹配时的相似度)
+				err_similarity: (错误匹配时的相似度)
+		
+		
+		one2n_deleted(all_list)
+			输入: 从deletedBarcode.txt读取的数据
+			输出：
+				corrpairs：(取出事件, 取出的barcode)
+				errpairs：(取出事件, 取出的barcode, 错误匹配的barcode)
+				corr_similarity: (正确匹配时的相似度)
+				err_similarity: (错误匹配时的相似度)
+		
+		save_tracking_imgpairs(pairs, savepath)
+			输入： 
+				pairs：匹配时间对，len(2)=2 or 3, 对应正确匹配与错误匹配
+				savepath：结果保存地址，其中图像文件的命名为：取出事件 + 放入事件 + 错误匹配时间
+			子函数 get_event_path(), 扫码放入的对齐名
+				对于 returnGoods.txt, 放入事件的事件名和对应的文件夹名不一致，需要对齐
+		
+		test_rpath_deleted()
+			功能：
+				针对 eletedBarcode.txt 格式的 1:n 数据结果文件
+				获得 1:n 情况下正确或匹配事件对（取出事件、放入事件、错误匹配事件）
+				匹配事件分析, 实现函数：save_tracking_imgpairs()
+			重要参数：
+				del_barcode_file: 
+				basepath: 对应事件路径
+				savepath: 存储路径, 是函数 save_tracking_imgpairs() 的输入
+				saveimgs: Ture, False, 是否保存错误匹配的事件对
+		
+			get_contrast_paths()
+				针对 eletedBarcode.txt 格式的 1:n 数据结果文件,返回三元时间元组（getoutpath, inputpath, errorpath）
+		
+		test_rpath_return()
+			针对 returnGoods.txt 格式 1:n 数据文件，不需要调用函数get_contrast_paths()
+			获得 1:n 情况下正确或匹配事件对（取出事件、放入事件、错误匹配事件）
+			匹配事件分析, 实现函数：save_tracking_imgpairs()
+	
+	
+	one2one_contrast.py
+		共6个地址：
+			(1) stdSamplePath: 用于生成比对标准特征集的原始图像地址
+			(2) stdBarcodePath: 比对标准特征集原始图像地址的pickle文件存储，{barcode: [imgpath1, imgpath1, ...]}
+			(3) stdFeaturePath: 比对标准特征集特征存储地址
+			(4) eventFeatPath: 用于1:1比对的购物事件特征存储地址、对应子图存储地址
+			(5) subimgPath: 1:1比对购物事件轨迹、标准barcode所对应的 subimgs 存储地址
+			(6) resultPath: 1:1比对结果存储地址
+		
+		(1), (2), (3): 保存标准特征集向量，只需运行一次
+		(4): 保存测试的事件字典，只需运行一次
+	
+	
+		test_one2one()
+			(1) 生成标准特征集, 只需运行一次
+				genfeatures()
+			(2) 生成事件字典, 只需运行一次
+				gen_eventdict(eventDatePath, saveimg)
+				参数: 
+					eventDatePath: 事件集列表，其中每个元素均为事件的集合;
+					saveimg: 是否保存事件子图
+					
+			(3) 1:1性能评估
+			(4) 计算PR曲线
+		
+
+	
+		creat_shopping_event(eventPath, subimgPath=False)
+			构造一次购物事件字典, 共12个关键字。
 			
+		save_event_subimg(event, savepath)
+			保存一次购物事件的子图
+		
+
+		one2one_eval()
+		
+		
+		
+		compute_precise_recall()
+		
+
+		
+		
+		int8_to_ft16()
+		
+		
+		ft16_to_uint8()
+		
+		
+		
+
+
+
+
+	
+	
 	one2one_onsite.py
 		现场试验输出数据的 1:1 性能评估；
 		适用于202410前数据保存版本的，需调用 OneToOneCompare.txt
@@ -161,11 +270,13 @@
 		std_sample_path：图像样本的存储地址
 		std_barcode_path：对 std_sample_path 中文件列表进行遍历，形成{barcode: 图像样本地址}形式字典并进行存储
 		std_feature_path：调用 inference_image(), 对每一个barcode，生成字典并进行存储
-		
-		
+	
+
+	
 	genfeats.py
 		genfeatures(imgpath, bcdpath, featpath)
-		功能：生成标准特征向量
+		功能：生成标准特征向量的字典, 并保存为: barcode.pickle
+			  keys:  barcode, imgpaths, feats_ft32, feats_ft16, feats_uint8
 		参数：
 			(1) imgpath：图像样本的存储地址
 			(2) bcdpath：对 imgpath 中文件列表进行遍历，形成{barcode: 图像样本地址}形式字典并进行存储