计算机视觉交易监视制造技术

在具有一组不同物品的图像上训练机器学习算法，以在针对所述组导出的特征向量空间中产生输出特征向量作为输出。新物品的新的物品图像被传送至所述算法，并且新的特征向量被投影到所述向量空间中。在所述新特征向量上训练每个新物品的分类器，以确定所述新物品是否为新物品。在交易期间，扫描物品的物品码并且获得物品图像。将所述物品图像传送至所述算法，获得特征向量，检索所述物品码的对应分类器，将所述特征向量传送至所述分类器，并且确定所述物品图像和所述物品码是否与应当与所述物品码相关联的特定物品相匹配。品码相关联的特定物品相匹配。品码相关联的特定物品相匹配。

【技术实现步骤摘要】
计算机视觉交易监视

技术介绍

[0001]零售商已采用自助结账技术，该技术可以使顾客在自助终端(SST)处对物品条形码进行自助扫描，而无需收银员的协助。最初，顾客不愿自助结账，但多年来，顾客已逐渐习惯于该技术并且已接受该技术。因此，现在大量的交易都进行自助结账，并且零售商已经能够将通常与执行收银员协助式结账相关联的人员重新分配到企业的其他所需任务。
[0002]然而，在自助结账期间，盗窃已成为零售商的重大关切问题。在自助结账过程中常见的一种盗窃形式被称为票证切换。通过票证切换，顾客将价格较高物品的价格较高物品条形码替换为与价格较低物品相关联的价格较低物品条形码。然后，顾客在自助结账期间扫价格低廉物品条形码来获取较高价格物品，这对监视SST的任何员工来说，顾客看起来好像正在正确地扫描顾客交易中的每件物品，并且可能不会触发来自SST的任何安全问题。
[0003]在销售点(POS)终端处的收银员协助式交易中也可能发生票证切换，但是细心的收银员可能会在扫描过程中认识到所扫描的物品与在交易显示器上显示的实际购买的物品不符。在收银员协助式交易期间，一些收银员还可能有意或无意地忽略与票证切换相关联的任何关切问题，使得票证切换在协助式结账中也成为一个问题。
[0004]针对票证切换的现有基于计算机视觉的方法花费很长的响应时间来认识到所扫描的物品图像与针对物品条形码返回的物品详细信息不对应。因此，这些方法是不切实际的，因为这些方法将交易扫描时间拖长至大多数顾客无法忍受的水平，造成在SST或POS终端处顾客排长队，并且产生关于票证切换的过多误报结果，这些误报结果迫使交易中断，直到由服务人员或主管清除误报交易才能继续。
[0005]因此，需要一种实用、处理有效且更精确(准确)的技术来解决结账期间的票证切换。

技术实现思路

[0006]在各种实施方案中，提出了用于基于计算机视觉的票证切换检测的方法和系统。
[0007]根据一个实施方案，提出了一种用于基于计算机视觉的票证切换检测的方法。例如，物品的物品图像被传送至第一受过训练的机器学习算法。从第一受过训练的机器学习算法获得作为输出的特征向量。基于从物品扫描的物品码选择第二受过训练的机器学习算法。将特征向量作为输入提供给第二受过训练的机器学习算法，并且从第二受过训练的机器学习算法接收关于特征向量是否与物品码相关联的指示。
附图说明
[0008]图1A是根据示例性实施方案的用于基于计算机视觉的票证切换检测的系统的图。
[0009]图1B是根据示例性实施方案的用于基于计算机视觉的票证切换检测的总体处理流程的图。
[0010]图1C是根据示例性实施方案的用于训练机器学习算法和分类器以用于基于计算机视觉的票证切换检测的方法的图。
[0011]图1D是根据示例性实施方案的视觉上描绘与用于基于计算机视觉的票证切换检测的机器学习算法相关联的训练过程的图。
[0012]图1E是根据示例性实施方案的以视觉方式描绘与用于基于计算机视觉的票证切换检测的分类器相关联的训练过程的图。
[0013]图2是根据示例性实施方案的用于基于计算机视觉的票证切换检测的方法的图。
[0014]图3是根据示例性实施方案的用于基于计算机视觉的票证切换检测的另一种方法的图。
具体实施方式
[0015]图1A是根据示例性实施方案的用于基于计算机视觉的票证切换检测的系统100的图。应注意，组件是以大大简化的形式示意性地示出，其中仅绘示了与对实施方案的理解相关的那些组件。
[0016]此外，仅出于图解目的，图示了各种组件(标示于图1中)并呈现了所述组件的布置。应注意，在不脱离本文和下文所呈现的票证切换检测和确定的教导内容的情况下，具有更多或更少组件的其他布置也是可能的。
[0017]系统100包括一个或多个相机110、一个或多个交易终端120，以及一个或多个服务器120。
[0018]一个或多个相机110捕获指定区域(诸如，仅作为示例，交易期间的交易终端的交易区域)的视频和/或图像；该视频和/或图像被实时地流传输至服务器120或可从服务器120访问的任何其他网络位置或网络文件。在一个实施方案中，交易区域为物品扫描区域，其中由扫描仪121扫描物品的物品条形码。
[0019]每个交易终端120包括扫描仪121、处理器122和包括表示交易终端124的可执行指令的非暂态计算机可读存储介质123。
[0020]交易管理器124在由处理器122从介质123执行时，致使处理器122执行在本文及下文中关于交易管理器124所讨论的操作。
[0021]应注意，每个交易终端120除扫描仪121之外还可以包括各种其他外围设备，诸如并且仅作为示例，包括触摸屏显示器、小键盘、个人识别码(PIN)垫、收据打印机、货币接收器、硬币接收器、货币分配器、硬币分配器、贵重介质存储库、读卡器(接触式(磁性和/或芯片)读卡器和/或非接触式(无线)读卡器(近场通信)(NFC)，等等))、一个或多个集成相机、农产品称重设备(可作为包括物品条形码读取器和称重设备的复合设备集成到扫描仪121中)、装袋称重设备、麦克风、扬声器、带有集成灯的终端状态杆，等等。
[0022]服务器130包括处理器131和非暂态计算机可读存储介质132。介质132包括用于机器学习算法133、多个物品分类器134、一个或多个训练器135、物品安全管理器136，以及基于服务器的交易管理器137的可执行指令。
[0023]可执行指令133至137在由处理器131从介质132执行时，致使处理器131执行在本文及下文中关于133至137所讨论的操作。
[0024]如在本文和下文中将更全面地说明的，系统100准许机器学习算法(MLA)133由训练器135在远少于以常规的基于计算机视觉方法从物品图像识别物品所需的物品图像上进行训练。MLA 133的输出是特征向量，而不是物品标识符。然后，每个物品分类器134由训练
器135进行训练，以作为输入接收给定物品的特征向量，并且输出指示所输入的向量(基于在交易期间在终端120上提供的给定物品图像作为MLA 133的输出获得)是(真—非可疑)否(假—可疑)与给定物品相关联的真或假的分类。扫描仪121提供从物品扫描或成像的物品条形码；每个物品条形码被链接到其对应的物品分类器134。系统100提供了与票证切换相关联的改进的欺诈检测，并且提供了交易期间相比常规的可实现欺诈确定快得多的欺诈确定，并且系统100还提供了相比常规方法更精确且准确的票证切换确定。
[0025]票证切换是有意切换物品的价格/票证(物品条形码、快速响应(QR)码、等等)的行为，目的是支付少于物品原价的价格。盗窃者通常在将原始物品(价格较高)放在最上面的同时扫描价格更低的物品。
[0026]标识票证切换的主要挑战在于数据收集、模型训练、维护、训练/评估的速度、欺诈准确度确定、模型的存储器占用空间，以及将模型被加载到存储器中进行处理的速度(给定物品模型的MLA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，其包括：将物品的物品图像传送至第一受过训练的机器学习算法；从所述第一受过训练的机器学习算法获得作为输出的特征向量；基于从所述物品扫描的物品码，选择第二受过训练的机器学习算法；提供所述特征向量作为所述第二受过训练的机器学习算法的输入；以及从所述第二受过训练的机器学习算法接收关于所述特征向量是否与所述物品码相关联的指示。2.如权利要求1所述的方法，其中传送还包括在由所述交易终端的扫描仪扫描所述物品时，在所述物品的交易期间在所述交易终端处获得所述物品图像。3.如权利要求2所述的方法，其中选择还包括当所述扫描仪将所述物品码提供给交易管理器时，从所述交易终端的所述交易管理器获得所述物品码。4.如权利要求3所述的方法，还包括当所述指示表明所述特征向量与所述物品码不相关时，向所述交易管理器发送警报以中止所述交易。5.如权利要求3所述的方法，还包括当所述指示表明所述特征向量与所述物品码相关联时，忽略所述指示。6.如权利要求1所述的方法，其中接收还包括接收确定所述物品与所述物品码不相关但无法基于所述特征向量来作出决定的所述指示，提供另外的指示，指示所述物品图像质量较差或所述物品图像中的所述物品在所述物品图像中被遮挡，导致所述第一受过训练的机器学习算法提供所述物品的特征向量的不准确型式。7.如权利要求6所述的方法，还包括向与所述物品的交易相关联的交易终端发送通知，使得所述交易终端请求所述交易终端的操作者重新扫描所述物品的所述物品码，导致捕获所述物品的新的物品图像，并且用所述新的物品图像作为所述物品图像迭代回到所述传送。8.如权利要求6所述的方法，还包括向与所述物品的交易相关联的交易终端发送通知，从而使所述交易终端中断所述交易并且请求服务人员或主管查看与所述物品码相关联的所述物品。9.一种系统，包括：交易终端，所述交易终端包括扫描仪、处理器和包括用于交易管理器的可执行指令的非暂态计算机可读存储介质；服务器，所述服务器包...

【专利技术属性】
技术研发人员：夏安，
申请(专利权)人：NCR公司，
类型：发明
国别省市：