new updated

contrast/event_test.py

@@ -116,15 +116,19 @@ def cluster(data, thresh=0.15):
     return clt_center
 
 def calc_simil(event, stdfeat):
+    '''事件与标准库的对比策略
+       该比对策略是否可以拓展到事件与事件的比对？
+    '''
     
-    def calsiml(feat1, feat2):
+    
+    def calsiml(feat1, feat2, topkp=75, cluth=0.15):
         '''轨迹样本和标准特征集样本相似度的选择策略'''
         matrix = 1 - cdist(feat1, feat2, 'cosine')
         simi_max = []
         for i in range(len(matrix)):
-            sim = np.mean(get_topk_percent(matrix[i, :], 75))
+            sim = np.mean(get_topk_percent(matrix[i, :], topkp))
             simi_max.append(sim)
-        cltc_max = cluster(simi_max)
+        cltc_max = cluster(simi_max, cluth)
         Simi = max(cltc_max) 
         
         ## cltc_max为空属于编程考虑不周，应予以排查解决 
@@ -194,8 +198,6 @@ def simi_matrix():
         if not os.path.exists(histpath):
             os.makedirs(histpath)
 
-            
-
         mean_values, max_values = [], []
         cameras = ('front', 'back')
         fig, ax = plt.subplots(2, 3, figsize=(16, 9), dpi=100)

contrast/stdfeat_analys.py

@@ -58,6 +58,12 @@ def save_imgpairs(barcode, imgpaths, matrix, savepath, thresh=(0.4, 0.6), ctype=
 
 
 def feat_analysis(featpath):   
+    '''
+    标准特征集中样本类内、类间相似度分布
+    '''
+    
+    
+    
     savepath = r"D:\exhibition\result\stdfeat"
 
     InterThresh = (0.4, 0.6)

pipeline.py

@@ -101,9 +101,9 @@ def pipeline(
         savepath_spdict.mkdir(parents=True, exist_ok=True)
     pf_path = Path(savepath_spdict) / Path(str(evtname)+".pickle")
 
-    # if pf_path.exists():
+    if pf_path.exists():
-    #     return
+        print(f"Pickle file have saved: {evtname}.pickle")
-    
+        return
 
     '''====================== 构造 ShoppingDict 模块 ======================='''
     ShoppingDict = {"eventPath": eventpath, 
@@ -269,25 +269,25 @@ def main():
     函数：pipeline()，遍历事件文件夹，选择类型 image 或 video,
     '''     
     parmDict = {}
-    evtdir = r"\\192.168.1.28\share\测试视频数据以及日志\全实时测试\V12\2025-3-3"
+    evtdir = r"D:\works\后台回传数据"
     parmDict["SourceType"] = "video"   # video, image
-    parmDict["savepath"] = r"D:\全实时\202502\result"
+    parmDict["savepath"] = r"D:\works\results"
     parmDict["weights"] = r'D:\DetectTracking\ckpts\best_cls10_0906.pt' 
 
     evtdir = Path(evtdir) 
     k, errEvents = 0, []
     for item in evtdir.iterdir():
         if item.is_dir():            
-            item = evtdir/Path("20250303-103058-074_6914973604223_6914973604223")
+            # item = evtdir/Path("20250303-103058-074_6914973604223_6914973604223")
             parmDict["eventpath"] = item
             # pipeline(**parmDict)
             try:
                 pipeline(**parmDict)
             except Exception as e:
                 errEvents.append(str(item))
-        k+=1
+        # k+=1
-        if k==1:
+        # if k==1:
-            break
+        #     break
             
     errfile = os.path.join(parmDict["savepath"], f'error_events.txt')
     with open(errfile, 'w', encoding='utf-8') as f:

说明文档.txt

@@ -178,6 +178,28 @@
 				root_dir：文件夹，包含"subimgs"字段，对该文件夹中的相邻图像进行相似度比较
 		silimarity_compare()
 			功能：对imgpaths文件夹中的图像进行相似度比较
+	select_subimgs.py
+		为吴华琦实现的样本选择程序
+		
+
+	event_test.py
+		calc_simil(event, stdfeat)
+			事件与标准库的对比策略，该函数在one2one_contrast.py中调用
+			calsiml(feat1, feat2, topkp=75, cluth=0.15):
+				功能：计算2个样本集的相似度
+				（1）(feat1, feat2)，对于单样本，选择 topkp 的相似度，并求均值，得到单样本对另一个特征集的相似度；
+				（2）simi_max：样本集 feat1 对样本集 feat2 的相似度，是一个向量
+				（3）对 simi_max 进行聚类，阈值为 cluth，选取值最大的聚类中心，作为2个样本集相似度的度量
+			前后摄轨迹选择：
+				情况1：前后摄轨迹（与标准集的）相似度的差 > 阈值，表明前后摄中有一个轨迹与标准集相差较远，丢弃相应轨迹，保留具有较大相似度的轨迹
+				情况2：前后摄轨迹（与标准集的）相似度的差 >=阈值，表明前后摄轨迹与标准集均相似，求轨迹相似度均值
+		
+			
+	
+	
+	
+	
+
 		
 	input_getout_compare.py
 		creatd_deletedBarcode_front(filepath)
@@ -191,7 +213,12 @@
 		precision_compare(filepath, savepath)
 			读取 deletedBarcode.txt 和 deletedBarcodeTest.txt 中的数据，进行相似度比较
 	
-	stdfeat_analys()
+	stdfeat_analys()：
+		feat_analysis(featpath): 标准特征集中样本类内、类间相似度分布
+	
+	feat_infer.py
+		简单的subimg特征提取
+	
 	
 	
 	genfeats.py