物品智能支付管理方法系统及其方法与流程

1.本技术涉及智能支付技术领域，且更为具体地，涉及一种物品智能支付管理方法系统及其方法。


背景技术：

2.随着智能支付的发展，目前线下的各类店铺如大小超市、便利店、商场、服装店、书店等以销售物品为主的店铺，采用手机扫码或扫码枪扫码等支付方式已经成为主流的支付方式之一。
3.为保证智能支付的准确性和可靠性，如何识别扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息与被扫描商品是否相适配是重要的研究课题之一。在现有的支付系统中，常出现扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息与被扫描商品不匹配的现象，导致费用结算出错，支付体验较差。
4.因此，期待一种优化的物品智能支付管理系统。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种物品智能支付管理系统、方法和电子设备，其本技术公开了一种物品智能支付管理方法系统及其方法，其通过基于转换器的上下文编码器对由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息进行编码以得到商品描述特征向量，通过基于对抗生成网络的图像生成器对所述商品描述特征向量进行编码以得到商品生成图像，然后通过作为特征提取器的卷积神经网络模型分别对所述商品生成图像和被扫描商品的商品图像进行编码以得到生成图像特征矩阵和扫描图像特征矩阵，然后融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵，并计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，接着将差分特征矩阵通过分类器以得到用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果，这样，有利于提高分类结果的准确度。
6.根据本技术的一个方面，提供了一种物品智能支付管理系统，包括：
7.数据采集模块，用于获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息以及由所述摄像头采集的所述被扫描商品的商品图像；
8.商品信息描述编码模块，用于对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量；
9.文本图像理解模块，用于将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像；
10.卷积编码模块，用于将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵；
11.融合模块，用于融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；
12.差分模块，用于计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵；以及
13.管理结果生成模块，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
14.另一方面，本技术提供一种物品智能支付管理方法，包括：
15.获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息以及由所述摄像头采集的所述被扫描商品的商品图像；
16.对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量；
17.将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像；
18.将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵；
19.融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；
20.计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵；以及
21.将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
22.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的物品智能支付管理方法。
23.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的物品智能支付管理方法。
24.与现有技术相比，本技术提供的物品智能支付管理系统及其方法，其通过基于转换器的上下文编码器对由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息进行编码以得到商品描述特征向量，通过基于对抗生成网络的图像生成器对所述商品描述特征向量进行编码以得到商品生成图像，然后通过作为特征提取器的卷积神经网络模型分别对所述商品生成图像和被扫描商品的商品图像进行编码以得到生成图像特征矩阵和扫描图像特征矩阵，然后融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵，并计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，接着将差分特征矩阵通过分类器以得到用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果，这样，有利于提高分类结果的准确度。
附图说明
25.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
26.图1图示了根据本技术实施例的物品智能支付管理方法的一个应用场景图。
27.图2图示了根据本技术实施例的物品智能支付管理系统的结构框图；
28.图3图示了根据本技术实施例的物品智能支付管理系统的架构示意图；
29.图4图示了根据本技术实施例的物品智能支付管理方法的流程图；
30.图5图示了根据本技术实施例的电子设备的框图。
具体实施方式
31.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
32.申请概述
33.如上所述，如何识别扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息与被扫描商品是否相适配，是保证智能支付的安全性和可靠性的重要研究课题之一。
34.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
35.深度学习以及神经网络的应用为保证智能支付的准确性和可靠性提供了新的解决思路和方案。
36.相应地，在本技术技术方案中，首先获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息，以及，由所述摄像头采集的所述被扫描商品的商品图像。应可以理解，在通过摄像头扫描frid标签上的条形码或二维码时，摄像头由远及近地靠近被扫描的商品，因此，在扫描frid标签上的条形码或二维码之前，可通过所述摄像头来采集所述被扫描商品的图像。
37.接着，将商品信息进行分词处理后通过语义编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量。也就是说，使用语义编码器对所述商品信息的文本描述进行语义理解以得到商品描述特征向量。在本技术一个实施例中，所述上下文编码器为基于转换器的bert模型，应可以理解，所述基于转换器的bert模型能够对所述商品信息进行分词处理后的词序列进行基于全局的上下文语义编码以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量。
38.接着，将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像。所述基于对抗生成网络的图像生成器通过深度卷积神经网络训练得到，具体训练过程包括：首先，将已扫描的商品图像作为参考图像通过所述深度卷积神经网络以获得参考特征图，也就是，将已扫描的商品图像作为参考图像，并通过上述卷积神经网络以获得
参考特征图。然后，将所述参考特征图与所述商品描述特征向量输入对抗生成网络以获得鉴别器损失函数值；然后，以所述鉴别器损失函数值对所述对抗生成网络进行训练，即，基于所述鉴别器损失函数值更新所述对抗生成网络的参数，此时，也可以进一步通过梯度的反向传播训练上述的卷积神经网络，从而得到训练好的基于对抗生成网络的图像生成器。
39.然后，将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵。也就是，以卷积神经网络模型作为特征提取器对所述商品生成图像和所述被扫描商品的商品图像进行特征提取以得到图像特征矩阵和扫描图像特征矩阵。接着，计算所述图像特征矩阵和所述扫描图像特征矩阵之间的差分特征矩阵，并将所述差分特征矩阵通过分类器进行分类以得到分类结果，该分类结果可以用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
40.然而，由于所述商品生成图像是由作为生成器的卷积神经网络生成的伪图像，其具有类似于卷积神经网络所获得的特征分布，而通过作为特征提取器的卷积神经网络模型获得的生成图像特征矩阵将相应的具有更深层的特征分布，因此，为了提高所述生成图像特征矩阵的表达能力，优选地对所述商品生产图像的数据矩阵，例如记为m1，和所述生成图像特征矩阵，例如记为m2进行浅层-深层特征分布的融合，即：
[0041][0042]
表示所述生成图像特征矩阵的各个位置的值的均值，且n为所述生成图像特征矩阵的尺度。
[0043]
这样，以深层特征m2的子维度一致性作为注意力导向权重，对浅层特征m1施加子维度分布的一致性注意力机制，来在具有深度差的流形之间进行体匹配，可以使得融合后的所述生成图像特征矩阵在融合前的所述商品生产图像的数据矩阵和所述生成图像特征矩阵的各个子维度上联立分布，从而在浅层-深层特征分布的各个子维度上具有高一致性，提升了其表达能力。这样，有利于提高分类结果的准确度。
[0044]
基于此，本技术提出了一种物品智能支付管理系统及其方法，其通过基于转换器的上下文编码器对由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息进行编码以得到商品描述特征向量，并通过基于对抗生成网络的图像生成器以得到商品生成图像，然后将被扫描商品的商品图像和商品生成图像输入作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵，然后通过比较图像特征矩阵和扫描图像特征矩阵之间的差异来得到表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果。这样，在支付前进行商品信息和rrid标签的校验，以降低错误支付的几率。
[0045]
图1图示了根据本技术实施例的物品智能支付管理方法的场景示意图。如图1所示，在本技术的一个应用场景中，首先，获取由摄像头(如图1中的c1)扫描贴附于被扫描商品(如图1中的g1)的frid标签上的条形码或二维码得到的商品信息*(例如，如图1中所示意
的t)，以及，由所述摄像头(如图1中的c1)采集的所述被扫描商品的商品图像(例如，如图1中所示意的f1)，然后，将该商品信息和该被扫描商品的商品图像输入至部署有物品智能支付管理算法的服务器(如图1中的s)中，其中，所述服务器能够通过物品智能支付管理算法对该商品信息和该被扫描商品的商品图像进行处理，以输出用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果。
[0046]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0047]
示例性系统
[0048]
图2图示了根据本技术实施例的物品智能支付管理系统的结构框图。
[0049]
如图2所示，本技术实施例提供的物品智能支付管理系统100，包括：数据采集模块110，用于获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息以及由所述摄像头采集的所述被扫描商品的商品图像；商品信息描述编码模块120，用于对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量；文本图像理解模块130，用于将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像；卷积编码模块140，用于将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵；融合模块150，用于融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；差分模块160，用于计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵；以及，管理结果生成模块170，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
[0050]
图3图示了根据本技术实施例的物品智能支付管理系统的架构示意图。如图3所示，在该网络架构中，首先，通过通过基于转换器的上下文编码器对商品信息进行编码以得到商品描述特征向量，然后，将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像；接着，将所述商品生成图像和被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵；然后，融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；然后，计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵；最后，将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
[0051]
在本实施例中，物品智能支付管理系统主要通过rfid技术、电动闸门、智能摄像头等软硬件技术配合，来满足线下的各类店铺(包括各类大小超市、便利店、商场、服装店、书店等以销售物品为主的线下店铺，以下统称：“店铺”)、仓库、生产厂商的智能物品管理及支付方案，通过软硬件相结合，实现快速、便捷、安全、智能的智能化物品(物品包括服装、食品、日用品、车辆、机械、电器、电子产品、家具等所有物品的智能管理及支付。
[0052]
以下举例地介绍物品智能支付管理系统100的应用。
[0053]
店铺商品录入。店铺收到货时，通过手机摄像头或扫码枪扫描商品自带条形码或店铺自己的条形码获取商品信息，并填写售价和数量等(如店铺自己的商品码有售价，系统
可自动获取，无需人工填写)，随后通过手机nfc或rfid读写器来读写rfid电子标签贴纸与商品进行绑定，并将该帖纸贴到商品外表后该商品录入完成(当收到的货物拥有本系统配套的rfid电子标签时，店铺通过手机nfc或rfid读写器来读写rfid电子标签信息，根据商品流通信息判断商品真伪，核实无误后填写商品售价等基本信息，并将信息写入商品的rfid电子标签内，商品入库完成)。如店铺有自己的商品信息管理软件或库存管理软件，本系统可通过api技术接口直接获取商品信息，获取后只需将商品和rfid标签进行绑定粘贴即可。
[0054]
商品购买。客户进入店铺后，在选购商品时，通过本系统app或微信公众号等扫描商品自带条形码或rfid标签贴纸上的条形码或二维码将商品加入电子购物车(如手机带有nfc功能，可直接将商品的rfid标签贴纸靠近nfc感应区域来加入购物车，当商品选择完毕并加入购物车后，直接通过本系统手机app或公众号进行商品支付结算，支付成功后客户便可直接将商品带离店铺。
[0055]
安全验证。店铺出入口处设有电动闸门及立式rfid标签读写器，当客户携带商店商品离店经过立式rfid标签读写器时，rfid通过发送无线射频来识别商品上的rfid标签贴纸的信息，并在系统中验证此rfid标签对应的商品是否成功支付完成，如支付完成，rfid标签读写器将商品上的rfid标签内容改为已支付状态，并开启闸门让客户通行，当系统验证到该商品未支付时，电动闸门不开放，并通过声光报警提示，同时系统可推送预警信息(可通过短信、语音电话、app信息推送)给指定人员，如保安、管理人员等。
[0056]
防撕rfid标签贴纸。经本公司对rfid标签贴纸结构重新设计，该rfid标签贴纸具有防撕毁预警功能，主要通过对rfid标签贴纸的电路开合及贴纸模块化在通过rfid收发装置对rfid标签贴纸进行实时状态监控，发现异常时，系统发送声光报警指令，并向指定人员推送预警信息。当标签被撕开时，贴纸模块带动部分电路链路及内部导电丝与主电路分离，此时rfid芯片状态自动切换为异常，当rfid收发模块接收到芯片异常状态时，系统判定为rfid标签撕毁，并记录商品撕毁位置，同时系统发送声光报警指令，并向指定人员推送预警信息及标签贴纸撕毁位置，此时可通过调取智能监控查看撕毁标签贴纸位置画面及该人员人脸识别人像。
[0057]
扎带式防拆rfid电子标签(包括主动式、被主动式、半主动式)。经本公司重新对rfid电子标签结构重新设计，将rfid标签改为扎带式，并在扎带系带处内置导电丝，当系带损毁或断裂，内置导电丝也随即断裂，此时激活rfid标签的内置锂电池将切换rfid芯片状态并存储于芯片中，也可在rfid电子标签中加入网络模块，当扎带系带损毁或断裂时，芯片自动向系统服务器上传状态信息及该商品位置信息并存储，同时系统通过app推送或手机短信、语音提醒指定人员。
[0058]
物品实时监控与管理。店铺中根据实际面积安装多个rfid收发装置，使店铺空间内无死角接收发送到rfid射频信号，通过rfid收发装置实时向贴有rfid电子标签的商品发送和接收射频信号，在通过rfid标签贴纸绑定的商品信息，从而实现每个商品的位置摆放及移动情况。
[0059]
物品防盗预警。店铺已覆盖rfid收发装置的信号并设置信号范围内店铺面积区域后，当商品未支付或未经授权移出时，系统通过rfid定位系统识别到商品超出所设置的店铺范围或即将超出或无法收到商品上的rfid标签芯片内容时，系统自动判定商品即将丢失或已丢失，并发送声光报警指令，并向指定人员推送预警信息(也可设置为系统自动拨打报
警电话报警等)。
[0060]
货款追回。店铺及仓库在出入口处安装人脸识别智能摄像头，采集并存储每个出入店铺或仓库人员的人脸识别信息，当货物丢失或损毁时，管理人员可在系统中选择强制追回货款功能，上传提交相应证据后，系统自动将信息推送至有关行政机关，待行政机关同意后，可直接通过人脸识别数据与银行进行验证，自动强制将丢失或损毁物品的货款转至店铺，追回货款。
[0061]
本系统除支持所有店铺外，同时还支持所有仓库，实现方式及流程与店铺相同，只是将支付商品货款改为仓库出货申请，当需要将仓库的货物出货时，将需要出货的商品通过手机摄像头扫码或手机nfc近距离感应识别物品上的rfid电子标签贴纸，系统自动将该物品加入到出库列表中，然后提交出库申请，当出库申请通过后，在仓库出口处通过rfid读写设备识别物品并验证该物品在系统的状态，当系统识别到商品申请通过状态时，rfid标签读写器将物品上的rfid标签内容改为出库状态，并开启闸门通行，当系统验证到该物品未通过申请或未申请时，电动闸门不开放，并通过声光报警提示，同时系统可推送预警信息(可通过短信、语音电话、app信息推送)给指定人员，如保安、管理人员等。
[0062]
物品防伪。生产厂家将物品生产完成时，可在每个物品粘贴rfid标签贴纸或挂置防拆式rfid标签，并在该rfid电子标签中写入商品信息(内容包括商品名称、商品类别、生产时间、生产厂商名称等基本信息)，当经销商或商家需要采购货物时，通过本系统下单支付，支付成功后系统自动将该批次货物绑定于该经销商或商家，待经销商或商家收到该批次货物时，通过本系统手机app利用手机nfc感应rfid标签或本系统配套的rfid标签读写设备在该商品rfid电子标签内读取商品信息(内容包括商品名称、商品类别、生产时间、生产厂商名称等基本信息)，核对信息无误后对rfid标签芯片进行写入信息(写入内容包括经销商或商家名称、经销商或商家入库时间、入库地点等基本信息)，并自动进行入库；如货物流通节点较多，可根据流程节点设置和写入多个信息，最终流通到消费者端时，消费者根据手机nfc读取该商品rfid标签内流通信息或通过扫描rfid电子标签上的二维码或条形码查询流通信息，以此来辨别商品的真伪。商品的每个rfid标签具有唯一性，不可复制、修改，并且只可写入信息，不可修改和删除，每条信息及rfid标签芯片通过特殊加密方式对信息进行安全保护。生产厂商可查看各商品流通情况、各流通节点，可有效管理商品销售途径及商品安全(也可对商品售价进行监控控制)。为了保护商业机密，生产厂商可根据情况设置各节点信息的查看权限，例如可设置消费者看不到经销商信息等功能。
[0063]
在本技术实施例中，在进行物品智能管理及支付时，如何识别扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息与被扫描商品是否相适配。以下举例地描述本技术实施例的物品智能支付管理系统100，用于输出表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果。
[0064]
具体地，所述数据采集模块110用于获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息，以及，由所述摄像头采集的所述被扫描商品的商品图像。在本技术实施例中，店铺内可以布置多个不同拍摄角度的摄像头，以从多个拍摄角度扫描贴附于被扫描商品的frid标签上的条形码或二维码以得到多个不同拍摄角度的商品信息。
[0065]
所述商品信息描述编码模块120和所述文本图像理解模块130用于对所述商品信
息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量；将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像。在本技术实施例中，首先对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量。也就是说，使用语义编码器(在本技术实施例中，以基于转换器的上下文编码器作为所述语义编码器)对所述执照文本描述进行语义理解以得到执照文本理解特征向量。接着，将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像。所述基于对抗生成网络的图像生成器通过深度卷积神经网络训练得到。
[0066]
在本技术一个实施例中，所述商品信息描述编码模块120，包括：
[0067]
嵌入向量化单元，用于使用所述上下文编码器的嵌入层将所述商品信息进行分词处理后映射为嵌入向量以获得嵌入向量的序列；
[0068]
上下文语义关联编码单元，用于使用所述上下文编码器的转换器对所述嵌入向量的序列进行基于上下位的全局语义编码以获得多个语义特征向量。
[0069]
在本技术一个实施例中，所述上下文编码器为基于转换器的bert模型，应可以理解，所述基于转换器的bert模型能够对所述商品信息进行分词处理后的多项数据进行基于全局的上下文语义编码以得到多个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量。
[0070]
所述基于对抗生成网络的图像生成器的具体训练过程包括：首先，将已扫描的商品图像作为参考图像通过所述深度卷积神经网络以获得参考特征图，也就是，将已扫描的商品图像作为参考图像，并通过上述卷积神经网络以获得参考特征图。然后，将所述参考特征图与所述商品描述特征向量输入对抗生成网络以获得鉴别器损失函数值；然后，以所述鉴别器损失函数值对所述对抗生成网络进行训练，即，基于所述鉴别器损失函数值更新所述对抗生成网络的参数，此时，也可以进一步通过梯度的反向传播训练上述的卷积神经网络，从而得到训练好的基于对抗生成网络的图像生成器。
[0071]
所述卷积编码模块140用于将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵。具体地，将所述商品生成图像通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵，将所述被扫描商品的商品图像通过作为特征提取器的卷积神经网络模型以得到扫描图像特征矩阵。也就是，以卷积神经网络模型作为特征提取器对所述商品生成图像和所述被扫描商品的商品图像进行特征提取以得到图像特征矩阵和扫描图像特征矩阵。接着，计算所述图像特征矩阵和所述扫描图像特征矩阵之间的差分特征矩阵，并将所述差分特征矩阵通过分类器进行分类以得到分类结果，该分类结果可以用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
[0072]
所述卷积编码模块140进一步用于使用所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、池化处理和非线性激活处理以由所述卷积神经网络的最后一层输出所述图像特征矩阵或所述扫描图像特征矩阵，其中，所述卷积神经网络的第一层的输入为所述商品生成图像或所述被扫描商品的商品图像。这样，通过卷积神经网络从所述商品生成图像中提取生成图像的高维局部特征，即图像特征矩阵，通过
卷积神经网络从所述被扫描商品的商品图像中提取被扫描商品的高维局部特征，即扫描图像特征矩阵。
[0073]
然而，由于所述商品生成图像是由作为生成器的卷积神经网络生成的伪图像，其具有类似于卷积神经网络所获得的特征分布，而通过作为特征提取器的卷积神经网络模型获得的生成图像特征矩阵将相应的具有更深层的特征分布，因此，为了提高所述生成图像特征矩阵的表达能力，优选地对所述商品生产图像的数据矩阵，例如记为m1，和所述生成图像特征矩阵，例如记为m2进行浅层-深层特征分布的融合，以得到优化生成图像特征矩阵，然后计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，最后，将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配，这样，有利于提高分类结果的准确度。
[0074]
具体地，所述融合模块150和所述差分模块160用于融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵。
[0075]
在本实施例中，所述融合模块150进一步用于：以如下公式来对所述商品生成图像的数据矩阵和所述生成图像特征矩阵进行浅层-深层特征分布的融合以得到优化生成图像特征矩阵，其中，所述公式为：
[0076][0077]
其中，m2′
为优化生成图像特征矩阵，m1为所述商品生成图像的数据矩阵，m2为所述生成图像特征矩阵，表示所述生成图像特征矩阵的各个位置的值的均值，且n为所述生成图像特征矩阵的尺度，
⊙
表示按位置点乘，表示按位置加，exp(
·
)表示特征矩阵的指数运算，所述特征矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
[0078]
这样，以深层特征m2的子维度一致性作为注意力导向权重，对浅层特征m1施加子维度分布的一致性注意力机制，来在具有深度差的流形之间进行体匹配，可以使得融合后的所述生成图像特征矩阵在融合前的所述商品生产图像的数据矩阵和所述生成图像特征矩阵的各个子维度上联立分布，从而在浅层-深层特征分布的各个子维度上具有高一致性，提升了其表达能力。这样，有利于提高分类结果的准确度。
[0079]
所述差分模块160用于以如下公式来计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，其中，所述公式为：
[0080][0081]
其中，fd为所述差分特征图，f1为所述优化生成图像特征矩阵，且f2为所述扫描图像特征矩阵，表示按位置差分。
[0082]
所述管理结果生成模块170用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的
商品信息是否与被扫描商品相适配。
[0083]
在本技术一些实施例中，所述管理结果生成模块170的分类过程包括：使用所述分类器的多个全连接层对所述差分特征矩阵进行全连接编码以将所述差分特征矩阵转化为分类特征向量；将所述校正后分类特征向量输入softmax分类函数以获得所述分类特征向量分别归属于扫描得到的商品信息是否与被扫描商品相适配的概率值；若扫描得到的商品信息与被扫描商品相适配的概率值大于或等于扫描得到的商品信息不与被扫描商品相适配的概率值，则输出分类结果为扫描得到的商品信息与被扫描商品相适配，若扫描得到的商品信息与被扫描商品相适配的概率值小于扫描得到的商品信息不与被扫描商品相适配的概率值，则输出分类结果为扫描得到的商品信息不与被扫描商品相适配。
[0084]
所述管理结果生成模块170，进一步用于：
[0085]
使用所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述差分特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0086]
综上，本技术实施例的物品智能支付管理系统被阐明，其通过基于转换器的上下文编码器对由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息进行编码以得到商品描述特征向量，通过基于对抗生成网络的图像生成器对所述商品描述特征向量进行编码以得到商品生成图像，然后通过作为特征提取器的卷积神经网络模型分别对所述商品生成图像和被扫描商品的商品图像进行编码以得到生成图像特征矩阵和扫描图像特征矩阵，然后融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵，并计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，接着将差分特征矩阵通过分类器以得到用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配的分类结果，这样，有利于提高分类结果的准确度。
[0087]
如上所述，根据本技术实施例的物品智能支付管理系统100可以实现在各种终端设备中，例如物品智能支付管理的服务器等。在一个示例中，根据本技术实施例的物品智能支付管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，物品智能支付管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该物品智能支付管理系统100同样可以是该终端设备的众多硬件模块之一。
[0088]
替换地，在另一示例中，该物品智能支付管理系统100与该终端设备也可以是分立的设备，并且该物品智能支付管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0089]
示例性方法
[0090]
图4图示了根据本技术实施例的物品智能支付管理方法的流程图。如图4所示，根据本技术实施例的物品智能支付管理方法，包括：
[0091]
s101、获取由摄像头扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息以及由所述摄像头采集的所述被扫描商品的商品图像；
[0092]
s102、对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多
个语义特征向量，并将所述多个语义特征向量进行级联以得到商品描述特征向量；
[0093]
s103、将所述商品描述特征向量通过基于对抗生成网络的图像生成器以得到商品生成图像；
[0094]
s104、将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵；
[0095]
s105、融合所述商品生成图像的数据矩阵和所述生成图像特征矩阵以得到优化生成图像特征矩阵；
[0096]
s106、计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵；以及
[0097]
s107、将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示扫描贴附于被扫描商品的frid标签上的条形码或二维码得到的商品信息是否与被扫描商品相适配。
[0098]
其中一种可能的实现方式中，在所述物品智能支付管理方法中，所述对所述商品信息进行分词处理后通过基于转换器的上下文编码器以得到多个语义特征向量，包括：
[0099]
使用所述上下文编码器的嵌入层将所述商品信息进行分词处理后映射为嵌入向量以获得嵌入向量的序列；
[0100]
使用所述上下文编码器的转换器对所述嵌入向量的序列进行基于上下位的全局语义编码以获得多个语义特征向量。
[0101]
其中一种可能的实现方式中，在所述物品智能支付管理方法中，所述将所述商品生成图像和所述被扫描商品的商品图像分别通过作为特征提取器的卷积神经网络模型以得到生成图像特征矩阵和扫描图像特征矩阵，包括：使用所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、池化处理和非线性激活处理以由所述卷积神经网络的最后一层输出所述图像特征矩阵或所述扫描图像特征矩阵，其中，所述卷积神经网络的第一层的输入为所述商品生成图像或所述被扫描商品的商品图像。
[0102]
其中一种可能的实现方式中，在所述物品智能支付管理方法中：以如下公式来对所述商品生成图像的数据矩阵和所述生成图像特征矩阵进行浅层-深层特征分布的融合以得到优化生成图像特征矩阵，其中，所述公式为：
[0103][0104]
其中，m2′
为优化生成图像特征矩阵，m1为所述商品生成图像的数据矩阵，m2为所述生成图像特征矩阵，表示所述生成图像特征矩阵的各个位置的值的均值，且n为所述生成图像特征矩阵的尺度，
⊙
表示按位置点乘，表示按位置加，exp(
·
)表示特征矩阵的指数运算，所述特征矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
[0105]
其中一种可能的实现方式中，在所述物品智能支付管理方法中，以如下公式来计算所述优化生成图像特征矩阵与所述扫描图像特征矩阵之间的差分特征矩阵，其中，所述
公式为：
[0106][0107]
其中，fd为所述差分特征图，f1为所述优化生成图像特征矩阵，且f2为所述扫描图像特征矩阵，表示按位置差分。
[0108]
其中一种可能的实现方式中，在所述物品智能支付管理方法中，所述将所述差分特征矩阵通过分类器以得到分类结果，包括：
[0109]
使用所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述差分特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0110]
这里，本领域技术人员可以理解，上述物品智能支付管理方法中的的具体功能和步骤已经在上面参考图2到图3的物品智能支付管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0111]
可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本技术实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。
[0112]
示例性电子设备
[0113]
下面，参考图5来描述根据本技术实施例的电子设备。
[0114]
图5图示了根据本技术实施例的电子设备的框图。
[0115]
如图5所示，电子设备10包括一个或多个处理器11和存储器12。
[0116]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0117]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的物品智能支付管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如参数等各种内容。
[0118]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0119]
该输入装置13可以包括例如键盘、鼠标等等。
[0120]
该输出装置14可以向外部输出各种信息，包括分类结果或警示提示等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0121]
当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0122]
示例性计算机程序产品和计算机可读存储介质
[0123]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的物品智能支付管理方法中的步骤。
[0124]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0125]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的物品智能支付管理方法中的步骤。
[0126]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0127]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0128]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0129]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0130]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0131]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。