CN109472279A - 基于图像处理的物品识别方法和装置 - Google Patents
基于图像处理的物品识别方法和装置 Download PDFInfo
- Publication number
- CN109472279A CN109472279A CN201811012273.2A CN201811012273A CN109472279A CN 109472279 A CN109472279 A CN 109472279A CN 201811012273 A CN201811012273 A CN 201811012273A CN 109472279 A CN109472279 A CN 109472279A
- Authority
- CN
- China
- Prior art keywords
- article
- items
- images
- identified
- scaling
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于图像处理的物品识别方法和装置,物品识别方法包括:获取缩放比例相同的待识别物品与比对物品的图像,比对物品的尺寸能够获知;将比对物品图像进行与实物等大的缩放;确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数;对待识别物品图像进行同比缩放并提取该图像特征值为第三特征值;将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物等大。本发明方法可以提高物品识别的准确度和速度。
Description
技术领域
本发明实施例涉及图像识别技术领域,尤其涉及一种基于图像处理的物品识别方法和装置。
背景技术
在现有的图像识别技术里,图像识别过程中对输入图像进行分析,通常只涉及到特征提取和特征对比,例如从输入图像中提取图像特征,然后将图像特征与已知物体的特征比对进行识别。
文字识别、人脸识别、物体识别都是图像识别技术的典型并得到广泛应用。以物体识别技术为例,可以通过提取待识别物体的特征值,和数据库中的特征值进行比对,从而识别待识别物体。例如,通过物品的图片查找网络平台中的类似物品。
但现有技术中常常造成误判,不能得到准确的结果。例如,发明人发现,导致误判的一个主要原因是:拍摄待识别物品所采用的焦距和/或拍摄距离存在不固定性,会导致同一物品在不同焦距和/或拍摄距离下得到不同尺寸的图像。由此,会带来两方面的问题:一方面,对于相同物品,由于拍摄焦距或距离不同,会造成因图像尺寸不同而误判成不同的物品;另一方面,对于存在表面特征近似而实际尺寸相差较大的两件或以上物品,在不同的焦距或拍摄距离下可能显示的尺寸几乎是近似的,从而被误判成相同或类似物品。
现有的物品识别技术使得识别准确度较低。
发明内容
本发明实施例的目的在于提供一种基于图像处理的物品识别方法和装置,能够提高物品识别的准确度。
本发明实施例采用的技术方案如下:
本发明一实施例提供一种基于图像处理的物品识别方法,包括:
获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,比对物品的尺寸能够获知;将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1;确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数;根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像;提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
本发明另一实施例提供一种基于图像处理的物品识别方法,其中,将第三特征值与数据库中存储的各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,包括:
根据第三特征值和第四特征值比对结果确定待识别物品和存储在数据库中各物品图像的相似度;对数据库物品和待识别物品图像的相似度从高到底进行排序。
本发明另一实施例提供一种基于图像处理的物品识别方法,待识别物品图像与比对物品的图像为同一次拍摄形成的图像,获取待识别物品与对比物品的图像,包括:
对同一次拍摄形成的图像进行区域划分,利用卷积神经网络提取的待识别物品和比对物品特征分别对各个区域进行分类并评分;根据各个区域的分类和评分在同一次拍摄形成的图像中分别得到待识别物品和比对物品的位置信息;根据待识别物品和比对物品位置信息,去除图像中的背景,获取待识别物品和比对物品图像。
本发明另一实施例提供一种基于图像处理的物品识别方法,其中,第四特征值为数据库中与对应物品实物的缩放比例为1:1的图像的特征值,获取第四特征值包括:
从数据库图像中获取数据库物品图像和比对物品图像,其中,数据库物品图像和比对物品图像为同一次拍摄所形成;将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1;确定将比对物品图像缩放到与比对物品实物等大的第二缩放函数;根据第二缩放函数对数据库物品图像进行缩放,获取与数据库物品实物缩放比例为1:1的数据库物品图像;提取与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值。
本发明另一实施例提供一种基于图像处理的物品识别方法,对比对物品图像进行缩放,以及对数据库物品图像进行缩放,具体包括,通过调整像素数和/或分辨率对比对物品图像或数据库物品图像进行缩放。
本发明另一实施例提供一种基于图像处理的物品识别装置,包括:
图像获取模块,用于获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,比对物品的尺寸能够获知;缩放模块,用于将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1,以及,根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像;确定模块,用于确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数;特征提取模块,用于提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;比对识别模块,用于将第三特征值与存储在数据库各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
本发明另一实施例提供一种基于图像处理的物品识别装置,其中,比对识别模块,包括:
相似度确定单元,用于根据第三特征值和第四特征值比对结果确定待识别物品和存储在数据库中各物品图像的相似度;排序单元,用于对数据库物品和待识别物品图像的相似度从高到底进行排序。
本发明另一实施例提供一种基于图像处理的物品识别装置,其中,待识别物品图像与比对物品的图像为同一次拍摄形成的图像,图像获取模块包括:
区域划分单元,用于对同一次拍摄形成的图像进行区域划分,将图像分成预设的多个区域;分类评分单元,用于利用卷积神经网络提取的待识别物品和比对物品特征分别对各个区域进行分类并评分;位置确认单元,用于根据各个区域的分类和评分在同一次拍摄形成的图像中分别确认待识别物品和比对物品的位置信息;图像获取单元,用于根据待识别物品和比对物品位置信息,去除图像中的背景,并获取待识别物品和比对物品图像。
本发明另一实施例提供一种基于图像处理的物品识别装置,其中,图像获取模块,还用于从数据库图像中获取数据库物品图像和比对物品图像,其中,数据库物品图像和比对物品图像为同一次拍摄所形成;
缩放模块,还用于将与数据库物品图像同一次拍摄形成的比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1,以及,根据第二缩放函数对数据库物品图像进行缩放,获取与数据库物品实物缩放比例为1:1的数据库物品图像;
确定模块,还用于确定将与数据库物品图像同一次拍摄形成的比对物品图像缩放到与比对物品实物等大的第二缩放函数;
特征提取模块,还用于提取与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值。
本发明另一实施例提供一种基于图像处理的物品识别装置,其中,比对物品为标准物品。
本发明实施例的技术方案具有以下优点:
在本申请实施例中,将具有相同缩放比例的待识别物品与比对物品的图像进行缩放,将待识别物品图像缩放到与实物等大,与存储在数据库各物品图像进行比较,由于数据库中存储的各物品图像与其对应的物品实物也等大,从而消除了因为形状相似但实际尺寸不同而造成了误判,提高了物品识别的精确度。
附图说明
为了更清楚地说明本发明实施例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为本发明基于图像处理的物品识别方法一实施例流程示意图;
图2为本发明基于图像处理的物品识别方法另一实施例流程示意图;
图3为本发明基于图像处理的物品识别方法另一实施例流程示意图;
图4为本发明基于图像处理的物品识别装置一实施例结构示意图;
图5为本发明基于图像处理的物品识别装置另一实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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。
本申请发明人在研究开发过程中发现,现有的通过拍摄或视频进行物品识别往往造成误判,其原因在于:同一物品在不同焦距或拍摄距离下在图像或视频中显示的尺寸是不同的。现有技术只能检测物品,但是无法测量物体的实际尺寸,从而造成误判。
为解决上述问题本申请发明人采用了多种方法,例如,通过卷积神经网络模型检测待识别物品,将检测出的对象按照多种倍数放大或缩小,生成若干尺寸不同的对象集,将尺寸不同的对象集代入计算机深度学习模型,将其转化为特征码,再通过比较特征码,计算出不同对象的相似程度。
但这些对象集在代入计算机深度学习模型时会产生大量的计算,浪费巨大的计算量;同时,若存在实际尺寸相差较大但表面特征相似的物品,通过上述计算结果仍然会认为物品相似度较高,降低了判断的准确性。
图1为本发明基于图像处理的物品识别方法一实施例流程示意图。根据图1所示,本发明基于图像处理的物品识别方法,包括:
步骤110,获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,比对物品的尺寸能被获知;
在本步骤中,获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同。
值得说明的是,拥有相同的缩放比例并不是必要的,只要两者的缩放比例是可以获知的即可。当两者的缩放比例不一致,通过缩放将比例调整到相同,能够方便比较。在本申请实施例中,为说明方便,以缩放比例相同为例。
可以理解的是,对于同一个物体,拍摄物距、焦距不同都会导致成像缩放比例不同。例如,对于同一个物体,在焦距相同的情况下,物品图像的尺寸随着拍摄距离的远近变化会产生变化。拍摄距离越远则物品图像越小,拍摄距离越近物品图像越大。在物距相同的情况下,不同拍摄焦距也影响物品图像的尺寸,焦距越小则物品图像越小,而焦距越大则物品图像越大。
要得到缩放比例相同的待识别物品和比对物品的图像,可以通过现有技术的各种方式,本发明实施例不做具体限制。例如,可以是分别在相同的物距和焦距下拍摄成像;也可以物距和焦距分别不同,但是能够形成相同的缩放比例;也可以是同一次拍摄成像;或者是相同的拍摄条件下两次拍摄成像,具体的拍摄条件可以由现有技术限定,可以包括但不限于:拍摄距离和拍摄焦距,此外拍摄条件还可以进一步的包括拍摄角度、光线的反光和阴影等。其中,拍摄距离和拍摄焦距可以影响成像缩放比例,而拍摄角度、光线的反光和阴影并不影响成像的缩放比例,不同的拍摄角度会引起不同的梯形扭曲,反光会引起明暗不均等。此处的相同拍摄条件可以包括完全相同,或者是在允许的误差范围内。
本步骤中,获取待识别物品与比对物品的图像可以是从不同图像上分别获取的,也可以是同一个图像上获取的,本申请不对此进行限制。
步骤120,将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1;
在本步骤中,将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1。可以理解的是,在本申请中,图像和实物之间的缩放比例是指图像尺寸和实物实际尺寸之间的比例关系。无论是放大,还是缩小,该图像在长度和宽度上放大或缩小的比例是一致的,即,只改变图像尺寸,在图像长宽比例上,保持原图的比例。其中,图像尺寸即为图像的大小尺寸。根据现有技术,图像尺寸的长度与宽度可以是以像素为单位的,也可以是以长度单位,例如以厘米为单位。当图像尺寸以像素为单位时,需要结合分辨率确定图像尺寸,此处分辨率和象素点与点之间的距离相关。在本申请中,比对物品尺寸是可以获知的,因此在此步骤中具体可以采用任意现有技术进行图像缩放,将比对物品图像缩放至于比对物品实际尺寸一致。
步骤130,确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数;
由于比对物品图像尺寸和实物尺寸都是已知,因此可以确定将将比对物品图像缩放到与比对物品实物等大的第一缩放函数。
步骤140,根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像;
利用步骤130中得到的第一缩放函数对待识别物品图像进行缩放,由于待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,在第一缩放函数将比对物品图像缩放到与该比对物品实物等大的情况下,通过第一缩放函数同样可以将待识别物品图像缩放至与待识别物品实物等大,获取与待识别物品实物缩放比例为1:1的待识别物品图像。
步骤150,提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;
提取与待识别物品实物缩放比例为1:1的待识别物品图像的特征值,具体提取特征值的方法可以采用现有技术进行,本申请不对此进行限定。
步骤160,将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
本步骤中,将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,具体可以采用现有技术进行图像比对。可以理解的是,数据库中包含有至少一个物品的图像,本实施例中进行比对时,可以是将第三特征值分别与数据库中各个物品图像的第四特征值进行比较,直到在数据库的物品中识别出待识别物品,或者比较完数据库中所有物品。为方便说明,在本发明实施例中,仅以待识别物品的第三特征值和数据库中某一个物品图像的第四特征值比较进行说明。
第三特征值对应的待识别物品图像和待识别物品实物之间有1:1的缩放关系,而数据库物品图像也是经过预先校正的,该校正后的图像与实际物品之间也具备1:1的缩放关系。通过比较第三特征值和第四特征值,不需要经过缩放或其他调整,就能判断待识别物品和数据库物品两者形状、图形是否一致,以及准确的判断两者尺寸是否一致,从而能结合形状、图案和尺寸在数据库中准确的找出待识别物品。
具体而言,当经过校正的第三特征值对应的图像中待识别物品尺寸与实际待识别物品相同,而数据库物品图像的第四特征值对应的图像的尺寸也与该物品实际尺寸相同,由于两个特征值对应的图像尺寸都是和各自实物等大,因此减少了因为图像和实物之间缩放比例不同而引起的误判。
而且,由于第三特征值和第四特征值对应的图像都是与各物品等大的,也不需要为了将待识别物品和数据库中物品进行比对再次对特征值进行数据处理。不用增加增加了计算量和计算的复杂程度,而且可以提高判断的准确性。
当然,在本申请实施例中,第三特征值和第四特征值都不限于使得校正后图像中物品和实物尺寸相同,也可以是其他预设的比例。例如,第三特征值对待识别物品的缩放比例与第四特征值对数据库物品的缩放比例一致,但该缩放比例不是1:1,这种情况下,由于两个特征值缩放比例一致,在比较图像时也可以准确的判断待识别物品的尺寸尺寸。
除了上述的方法,第三特征值对待识别物品的缩放比例与第四特征值对数据库物品的缩放比例也可以不一致。由于在本申请中两者的缩放比例是可以获知的,因此,当两者缩放比例不一致时,在实际应用中可以对图像进行缩放,至使第三特征值对应的待识别物品图像尺寸和实际待识别物品尺寸的缩放比例,与第四特征值对应的数据库物品图像尺寸与实际物品尺寸的缩放比例一致;或者,在比对之前在特征值中根据预先设置的不同比例进行校正,致使两者缩放比例一致再进行比较。具体取值有多种方式,都可以达到同样的效果,对此,不申请也不做限定。
在本申请实施例中,将具有相同缩放比例的待识别物品与比对物品的图像进行缩放,将待识别物品图像缩放到与实物等大,与存储在数据库各物品图像进行比较,由于数据库中存储的各物品图像与其对应的物品实物也等大,从而消除了因为形状相似但实际尺寸不同而造成了误判,提高了物品识别的精确度。
进一步的,在本申请实施例中,将第三特征值与数据库中存储的各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,包括
根据第三特征值和第四特征值比对结果确定待识别物品和存储在数据库中各物品图像的相似度;
其中,通过比较第三特征值和第四特征值来确定待识别物品和存储在数据库中各物品图像的相似度可以通过任一种现有技术实现,具体而言,可以得出相似度值,例如百分比的数值,本申请对此不进行限定。
对数据库物品和待识别物品图像的相似度从高到底进行排序。
本实施例中,通过比较第三特征值和第四特征值得出待识别物品和数据库中存储的物品的相似度,将数据库中的物品按照与待识别物品的相似度进行降序排列。本实施例可以将与待识别物品将相似度最的物品图片列在最前面,使用者能够一目了然获取数据库中和待识别物品相似度最高的物品。同时也能够获取其他相似度较高的物品的图片,便于使用者进一步进行筛选和判断。
进一步的,在本申请实施例中,待识别物品图像与比对物品的图像为同一次拍摄形成的图像,获取待识别物品与对比物品的图像,包括:
对同一次拍摄形成的图像进行区域划分,利用卷积神经网络提取的待识别物品和比对物品特征分别对各个区域进行分类并评分;
例如,对输入的图像进行区域划分,生成多个备选区域,利用卷积神经网络提取的特征值,去对比该多个备选区域,对每个备选区域进行分类并评分,输出固定长度的特征向量。
根据各个区域的分类和评分在同一次拍摄形成的图像中分别得到待识别物品和比对物品的位置信息;
具体的,可以对得分高的区域进行类别判断和位置尺寸计算,找到比对物品和比对物品的位置。
从图像中检测或识别出物品可以依据现有技术进行,本发明并不对此进行限定,例如,可以包括以下步骤:
在图像中确定多个候选框;对整张图片输进卷积神经网络,得到特征图(featuremap);找到每个候选框在特征图上的映射权值(patch),该映射权值为训练得到,随机初始化,在训练过程中调节,将此映射权值作为每个候选框的卷积特征输入到空间金字塔池层(SPP layer,全称spatial pyramid pooling layer)和之后的层;对候选框中提取出的特征,使用分类器判别是否属于一个特定类;对于属于某一特征的候选框,用回归器进一步调整其位置。
分别识别待识别物品和比对物品位置处的背景,去除背景、获取待识别物品和比对物品图像。
具体的识别背景,去除背景,以及获取待识别物品和比对物品图像的方式可以采用现有技术实现,本申请不进行限定。
在本实施例中,对输入图像进行区域划分,具体确定比对物品的位置,能够对各个区域并行计算,提高计算效率。
进一步的,在本申请实施例中,比对物品为标准物品。具体的,比对物品可以为形状、图案和尺寸有标准的物品。在本申请实施例中,可以采用标准物作为待识别物品的对比物,由于缩放比例相同,只要预先能够获知该标准物的尺寸,就可以通过比对确定待识别物品的尺寸。当标准物为具有标准尺寸的物品时,则可以更便捷的获知标准物的尺寸、以及形状图案等特性。例如,对比物品可以为国家统一发行的纸币或硬币,由于特定面值的硬币尺寸形状和图案总是固定的,因此在实际应用中可以准确的获知该标准物的信息。标准物还可以是瓶盖、***、身份证、各种型号的手机等。例如,银行卡或者***,其尺寸是统一的,再例如,对于某种型号的手机,其尺寸和形状也是统一并且可以获得的。在选择标准物时,可以选择具有单一规则形状的对比物,例如标准的圆形、正方形,长方形、三角形等;也可以选择由单一规则形状组合形成的对比物;或者也可以是不规则形状的对比物。
值得说明的是,比对物品为形状、图案和尺寸有固定标准只是本申请的一种选实施例,在实际应用中,标准物可以是任意确定物品,只要能够获知和确定其尺寸和形状即可,采用标准物是为了确保能获知第三特征值对应图像和待识别物品真实尺寸之间的缩放比例的。
在本申请实施例中,待识别物品可以各种物品,例如可以是平面物品,也可以立体物体。当待识别物品为平面物品时,且仅需要识别其中的一面时,则识别此面。例如,待识别物品为纺织品或者其他平面图形或者厚度小于预设值的物品的近似平面物品的物品。当平面物品的两面都需要识别时,则可以分别对两面分别进行识别。当待识别物品为立体物体时,可以对该立体物体的每个面分别进行识别,例如,可以对物体的六个面分别识别,也可以根据需要,仅对需要的面进行识别。对任何待识别物品都可以采用本申请识别方法进行识别。具体的识别方式可以参见本申请实施例中识别方式。
在本实施例中,以标准物品作为比对物品,比较容易获取,可以使得本申请方法实现起来更便捷。
进一步的,在本申请实施例中,对比对物品图像进行缩放,以及对数据库物品图像进行缩放,具体包括,通过调整像素数和/或分辨率对比对物品图像或数据库物品图像进行缩放。
具体而言,采用等大的缩放比例时,即缩放之后得到的比对物品图像尺寸与比对物品实物尺寸尺寸相同。以比对物品是边长为0.5cm的正方形标准物品为例,假设在步骤210中获取的比对物品图像为100个像素,每个像素代表0.1cm,则图像的尺寸为1*1cm2,为将图像缩小到和实物等大,即为0.5*0.5 cm2尺寸,可以采用两种方式:方式一,通过减少像素数缩小图像的尺寸,例如,将比对物品图像缩小到25个像素点,每个像素点代表0.1cm,缩小之后得到的比对物品图像为0.5*0.5 cm2尺寸;方式二,保持图像的像素数不变、仍为100个像素,每个像素点代表0.05cm,图像尺寸缩小到0.5*0.5 cm2。两种缩小方式都可以得到与实物尺寸相同的图像尺寸,采用不同缩放方式的图像的分辨率会不同。具体采用何种方式进行缩小或放大,可以根据实际的需求确定,本申请不做赘述。
图2为本发明基于图像处理的物品识别方法另一实施例流程示意图。根据图2所示,本发明基于图像处理的物品识别方法,包括:
步骤210,从数据库图像中获取数据库物品图像和比对物品图像,其中,数据库物品图像和比对物品图像为同一次拍摄所形成;
本步骤中,从数据库的图像中检测物品和比对物品,具体的实现可以采用现有的检测方式。在本实施例中,存储在数据库中的同一原始图像的包含数据库中某一物品图像和比对物品图像。
可以理解的是,事实上数据库中某一物品和比对物品也可以是分别成像,只要图像和实物之间拥有相同的缩放比例即可。在本申请实施例中可以不进行限定。值得说明的是,拥有相同的缩放比例并不是必要的,只要两者的缩放比例是可以获知的即可,当两者的缩放比例不一致,通过缩放将比例调整到相同,方便比较。在本申请实施例中,为说明方便,以缩放比例相同为例。
步骤220,将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1;
在本步骤中,对比对物品图像进行缩放,至缩放后比对物品图像与比对物品实物为1:1的比例。
步骤230,确定将比对物品图像缩放到与比对物品实物等大的第二缩放函数;
由于比对物品图像尺寸和实物尺寸都是已知,因此可以确定将将比对物品图像缩放到与比对物品实物等大的第一缩放函数。
步骤240,根据第二缩放函数对数据库物品图像进行缩放,获取与数据库物品实物缩放比例为1:1的数据库物品图像;
利用步骤230中得到的第二缩放函数对数据库物品图像进行缩放,由于数据库物品图像和数据库物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,在第二缩放函数将比对物品图像缩放到与该比对物品实物等大的情况下,通过第二缩放函数同样可以将数据库物品图像缩放至与数据库物品实物等大,获取与数据库物品实物缩放比例为1:1的数据库物品图像。
步骤250,提取与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值;
提取与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值,具体提取特征值的方法可以采用现有技术进行,本申请不对此进行限定。
步骤260,获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,比对物品的尺寸能够获知;
在本步骤中,获取待识别物品与比对物品的图像,具体实施方式可以参见图1对应的实施例的步骤110。
步骤270,将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1;
在本步骤中,将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1,具体实施方式可以参见图1对应的实施例的步骤120。
步骤280,确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数;
在本步骤中,确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数,具体实施方式可以参见图1对应的实施例的步骤130。
步骤290,根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像;
在本步骤中,根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像,具体实施方式可以参见图1对应的实施例的步骤140。
步骤291,提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;
在本步骤中,提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值,具体实施方式可以参见图1对应的实施例的步骤150。
步骤292,将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
在本步骤中,将第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,具体实施方式可以参见图1对应的实施例的步骤160。
进一步的,在本申请以上实施例中,除了对图像进行缩放,还可以同时对图像进行梯形校正。值得说明的是,此处的缩放“同时”进行梯形校正并非只同一时间 ,而是指既对图像进行缩放,又对图像进行梯形校正。
例如,在图1对应的实施例的步骤120中,对比对物品图像进行缩放,可同时对该图像进行梯形校正,消除或减少因拍摄角度不同而引起的梯形扭曲。当步骤120中既对图像进行缩放,又校正了图像的梯形扭曲,则在步骤140中,用相同的函数对待识别物品图像进行校正,不仅对待识别物品图像进行缩放而且对待识别图像进行梯形扭曲校正。
再如,在图2对应的实施例的步骤220中,对比对物品图像进行缩放,同时对该图像进行梯形校正,消除或减少因拍摄角度不同而引起的梯形扭曲,则步骤230中的第二缩放函数既可以对比对物品图像进行缩放,也可以校正图像的梯形扭曲,对应的在步骤240中用相同的函数对数据库物品图像进行校正,不仅对数据库物品图像进行缩放而且进行梯形扭曲校正。在步骤270中,对比对物品图像进行缩放,同时对该图像进行梯形校正,消除或减少因拍摄角度不同而引起的梯形扭曲,则步骤290中的第一缩放函数为既可以对比对物品图像进行缩放,也可以校正图像的梯形扭曲的校正函数。
更进一步的,在本申请实施例上述对图像进行缩放除了可以同时对图像进行梯形校正,还可以对图形进行明暗度校正,消除或减少因光线问题引起的图像明暗不均的问题。可以理解的是,此处的缩放的概念可以不仅是缩放处理,还可以包括梯形扭曲校正和明暗校正等处理,在本申请中,因缩放是该校正处理的核心功能,为方便说明,用缩放表达包括缩放的校正处理。
在本申请实施例中,当图像处理中除了缩放处理,还包含对图像的梯形扭曲校正时,可以消除因梯形扭曲引起的图像形变,从而更得到更准确以及更标准化的图像,进一步提高图像比较的准确率和效率。消除因光线引起的图像明暗不均的校正处理,也能够进一步提高图像比较的准确率,从而提高识别的精度和速度。
图3为本发明基于图像处理的物品识别装置一实施例结构示意图。根据图3所示,本发明基于图像处理的物品识别装置,包括: 图像获取模块310、缩放模块320、确定模块330、特征提取模块340、比对识别模块350,其中,
图像获取模块310,用于获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同,比对物品的尺寸能够获知。
图像获取模块310所进行的操作可以参见图1对应的方法实施例的步骤110,该获取模块310可以为现有技术中的图像获取模块。
缩放模块320,用于将比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1,以及,根据第一缩放函数对待识别物品图像进行缩放,获取与待识别物品实物缩放比例为1:1的待识别物品图像。
缩放模块320具体的用于对图像进行缩放,可以采用现有的图像缩放模块,也可以用其他的图像校正模块,或者是可编程的校正模块,可以根据需要将图像进行缩放或校正。
确定模块330,用于确定将比对物品图像缩放到与比对物品实物等大的第一缩放函数。
由于比对物品图像尺寸和实物尺寸都是已知,因此确定模块330可以确定将将比对物品图像缩放到与比对物品实物等大的第一缩放函数。
特征提取模块340,用于提取与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值。
可以理解的是,此处的特征值具体可以为特征码。具体提取物品特征值也可采用现有技术,本申请不做限定。
比对识别模块350,用于将第三特征值与存储在数据库各物品图像的第四特征值进行比对,根据比对结果识别待识别物品,数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
比对识别模块350将校特征提取模块340提取的第三特征值与数据库中各物品图像的第四特征值进行比较,根据比较的结果判断第三特征值对应的待识别物品与第四特征值对应的数据库中的物品是否是同一个物品。
可以理解的是,数据库中包含有至少一个物品的图像,比对识别模块350进行比对识别时,可以是将第三特征值分别与数据库中各个物品图像的第四特征值进行比较,直到在数据库的物品中识别出待识别物品,或者比较完数据库中所有物品。为方便说明,在本发明实施例中,仅以待识别物品的第三特征值和数据库中某一个物品图像的第四特征值比较进行说明。
第三特征值对应的待识别物品图像和待识别物品实物之间有1:1的缩放关系,而数据库物品图像也是经过预先校正的,该校正后的图像与实际物品之间也具备1:1的缩放关系。通过比较第三特征值和第四特征值,不需要经过缩放或其他调整,就能判断待识别物品和数据库物品两者形状、图形是否一致,以及准确的判断两者尺寸是否一致,从而能结合形状、图案和尺寸在数据库中准确的找出待识别物品。
具体而言,当经过校正的第三特征值对应的图像中待识别物品尺寸与实际待识别物品相同,而数据库物品图像的第四特征值对应的图像的尺寸也与该物品实际尺寸相同,由于两个特征值对应的图像尺寸都是和各自实物等大,因此减少了因为图像和实物之间缩放比例不同而引起的误判。
而且,由于第三特征值和第四特征值对应的图像都是与各物品等大的,也不需要为了将待识别物品和数据库中物品进行比对再次对特征值进行数据处理。不用增加增加了计算量和计算的复杂程度,而且可以提高判断的准确性。
当然,在本申请实施例中,第三特征值和第四特征值都不限于使得校正后图像中物品和实物尺寸相同,也可以是其他预设的比例。例如,第三特征值对待识别物品的缩放比例与第四特征值对数据库物品的缩放比例一致,但该缩放比例不是1:1,这种情况下,由于两个特征值缩放比例一致,在比较图像时也可以准确的判断待识别物品的尺寸尺寸。
在本申请实施例中,第三特征值对待识别物品的缩放比例与第四特征值对数据库物品的缩放比例也可以不一致。由于在本申请中两者的缩放比例是可以获知的,因此,当两者缩放比例不一致时,在实际应用中可以对图像进行缩放,至使第三特征值对应的待识别物品图像尺寸和实际待识别物品尺寸的缩放比例,与第四特征值对应的数据库物品图像尺寸与实际物品尺寸的缩放比例一致;或者,在比对之前在特征值中根据预先设置的不同比例进行校正,致使两者缩放比例一致再进行比较。具体取值有多种方式,都可以达到同样的效果,对此,不申请也不做限定。
在本申请实施例中,将具有相同缩放比例的待识别物品与比对物品的图像进行缩放,将待识别物品图像缩放到与实物等大,与存储在数据库各物品图像进行比较,由于数据库中存储的各物品图像与其对应的物品实物也等大,从而消除了因为形状相似但实际尺寸不同而造成了误判,提高了物品识别的精确度。
图4为本发明基于图像处理的物品识别装置另一实施例结构示意图。根据图4所示,本发明基于图像处理的物品识别装置,包括: 图像获取模块310、缩放模块320、确定模块330、特征提取模块340、比对识别模块350,其中,图像获取模块310、缩放模块320、确定模块330、特征提取模块340所执行的操作可参见图3对应的实施例,其中,比对识别模块350,进一步包括相似度确定单元351,和排序单元352,具体的:
相似度确定单元351,用于根据所述第三特征值和所述第四特征值比对结果确定所述待识别物品和存储在数据库中各物品图像的相似度;
可以理解的是,通过比较第三特征值和第四特征值来确定待识别物品和存储在数据库中各物品图像的相似度的相似度确定单元351可以通过任一种现有技术或模块实现。
排序单元352,用于对所述数据库物品和所述待识别物品图像的相似度从高到底进行排序。
对数据库物品和待识别物品图像的相似度从高到底进行排序。
本实施例中,相似度确定单元351比较第三特征值和第四特征值得出待识别物品和数据库中存储的物品的相似度,排序单元352将数据库中的物品按照与待识别物品的相似度进行降序排列。
本实施例可以将与待识别物品将相似度最的物品图片列在最前面,使用者能够一目了然获取数据库中和待识别物品相似度最高的物品。同时也能够获取其他相似度较高的物品的图片,便于使用者进一步进行筛选和判断。
图5为本发明基于图像处理的物品识别装置一实施例结构示意图。根据图5所示,本发明基于图像处理的物品识别装置,包括: 图像获取模块310、缩放模块320、确定模块330、特征提取模块340、比对识别模块350,其中,缩放模块320、确定模块330、特征提取模块340和比对识别模块350所执行的操作可参见图3对应的实施例,其中,图像获取模块310,进一步包括区域划分单元311,分类评分单元312,位置确认单元313和图像获取单元314,具体的:
区域划分单元311,用于对同一次拍摄形成的图像进行区域划分,将图像分成预设的多个区域;
具体的,区域划分单元311可以对输入的图像进行区域划分,生成多个备选区域。
分类评分单元312,用于利用卷积神经网络提取的待识别物品和比对物品特征分别对各个区域进行分类并评分;
具体而言,分类评分单元312利用卷积神经网络提取的特征值,去对比该多个备选区域,对每个备选区域进行分类并评分,输出固定长度的特征向量。
位置确认单元313,用于根据各个区域的分类和评分在同一次拍摄形成的图像中分别确认待识别物品和比对物品的位置信息;
具体的,位置确认单元313可以对得分高的区域进行类别判断和位置尺寸计算,找到比对物品和比对物品的位置。
图像获取单元314,用于识别待识别物品和比对物品位置处的背景,去除背景,并获取待识别物品和比对物品图像。
图像获取单元314可以先分别识别待识别物品和比对物品位置处的背景,去除背景、获取待识别物品和比对物品图像,并获取获取待识别物品和比对物品图像。具体的识别背景,去除背景,以及获取待识别物品和比对物品图像的方式可以采用现有技术实现,本申请不进行限定。
在本实施例中,对输入图像进行区域划分,具体确定比对物品的位置,能够对各个区域并行计算,提高计算效率。
进一步的,在图3、图4和图5所对应的实施例中,缩放模块320也可以在对图像进行缩放的同时校正图像的梯形扭曲和光线引起的图像明暗的不均。可以得到更准确以及更标准化的图像,进一步提高图像比较的准确率和效率,从而提高识别的精度和速度。
进一步的,在本申请实施例中,图像获取模块,还用于从数据库图像中获取数据库物品图像和比对物品图像,其中,数据库物品图像和比对物品图像为同一次拍摄所形成;
缩放模块,还用于将与数据库物品图像同一次拍摄形成的比对物品图像进行缩放,至比对物品图像与比对物品实物的缩放比例为1:1,以及,根据第二缩放函数对数据库物品图像进行缩放,获取与数据库物品实物缩放比例为1:1的数据库物品图像;
确定模块,还用于确定将与数据库物品图像同一次拍摄形成的比对物品图像缩放到与比对物品实物等大的第二缩放函数;
特征提取模块,还用于提取与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值。
进一步的,在本发明实施例中,比对物品为标准物品。例如,为形状、图案和尺寸有标准的物品。
在本申请实施例中,可以采用标准物作为待识别物品的对比物,由于缩放比例相同,只要预先能够获知该标准物的尺寸,就可以通过比对确定待识别物品的尺寸。当标准物为具有标准尺寸的物品时,则可以更便捷的获知标准物的尺寸、甚至形状图案等特性。例如,标准物可以是硬币,由于特定面值的硬币尺寸形状和图案是固定的,因此在实际应用中可以准确的获知该标准物的信息。标准物还可以是瓶盖、***、身份证、各种型号的手机等。例如,银行卡或者***,其尺寸是统一的,再例如,对于某种型号的手机,其尺寸和形状也是统一并且可以获得的。在选择标准物时,可以选择具有单一规则形状的对比物,例如标准的圆形、正方形,长方形、三角形等;也可以选择由单一规则形状组合形成的对比物;或者也可以是不规则形状的对比物。
值得说明的是,比对物品为形状、图案和尺寸有固定标准是本申请的一种可选实施例,在实际应用中,标准物可以是任意确定物品,只要能够获知和确定其尺寸和形状即可,标准物只是为了确保能获知第三特征值和待识别物品真实尺寸之间的缩放比例的。
在本申请实施例中,待识别物品可以各种物品,例如可以是平面物品,也可以立体物体。当待识别物品为平面物品时,且仅需要识别其中的一面时,则识别此面,当平面物品的两面都需要识别时,则可以分别对两面分别进行识别。当待识别物品为立体物体时,可以对该立体物体的每个面分别进行识别,例如,可以对物体的六个面分别识别,也可以根据需要,仅对需要的面进行识别。对任何待识别物品都可以采用本申请识别方法进行识别。具体的识别方式可以参见本申请实施例中识别方式。
由于待识别物品可能来自各个数据平台或者来自各个不同的用户,在本实施例中,物品形状、图案和尺寸有固定标准的标准物比较容易获取,可以使得本申请方法实现起来更便捷。
本发明基于图像处理的物品识别方法另一实施例,本发明基于图像处理的物品识别方法,包括:
本申请基于图像处理物品识别方法一具体示例,在此具体示例中,基于图像处理物品识别方法包括以下步骤:
610,从数据库中存储的图像中检测物品和比对物品,其中数据库物品图像和对比物品图像与对应的实物之间的缩放比例相同,提取比对物品的第五特征值,提取数据库物品的第六特征值;
620,对第五特征值进行校正,至校正后比对物品图像与比对物品实物等大,确定将第五特征值对应的图像校正至等大的第二校正函数;
630,根据第二校正函数对第六特征值进行校正得到第四特征值;
由于数据库中存储的物品和比对物品具有相同的缩放比例,因此将比对物品校正为与实物等大的前提下,用相同的校正函数将数据库中存储的物品的图像也校正为与数据库物品实物等大。该第四特征值对应与数据库中存储的实物的等大图像的特征值。
步骤610-630通过缩放校正,数据库中存储的实物的图像校正为和实物等大的图像,得到对应的特征值。
640,获取比对物品图像,对图像进行校正,使比对物品图像与比对物品实物等大;
由于比对物品的尺寸是能够获知,因此可以将比对物品图像校正至图像和实物缩放比例为1:1。
650,获取校正后图像特征值作为比对物品的第一标准特征值;
由于校正后比对物品图像与实物的缩放比例是1:1,因此第一标准特征值对应对比物品缩放比例为1:1时的图像的特征值,即与物品等大的图像的特征值。
660,获取待识别物品与比对物品的图像,其中,待识别物品图像和待识别物品实物的缩放比例与比对物品图像和比对物品实物的缩放比例相同;
此处图像可以是同一次拍摄形成的,可以得到缩放比例的相同的两个物品的图像,也可以是分别拍摄形成的,只要缩放比例相同即可。
670,从图像中检测出比对物品和待识别物品,并提取比对物品的第一特征值,以及提取待识别物品的第二特征值;
680,将第一特征值校正为第一标准特征值,第一标准特征值为已知,确定将第一特征值校正为第一标准特征值的第一校正函数;
将或者的比对物品的第一特征值校正为第一标准特征值,对应于将图像校正为与实物的缩放比例为1:1,并由此得到该第一校正函数。
690,根据第一校正函数对待识别物品的第二特征值进行校正,得到第三特征值;
第一校正函数将比对物品从与待识别物品具有相同缩放比例校正至与实物等大,通过第一校正函数对待识别物品的第二特征值进行校正,得到的第三特征值对应与待识别物品等大的图像的特征值。
700,将第三特征值与数据库中各物品图像的第四特征值进行比对,根据第三特征值和第四特征值比对结果确定待识别物品和数据库中存储的各物品图像的相似度;
710,对数据库物品按照与待识别物品的相似度进行降序排序。
可以理解的是,排序之后可以仅显示相似度排名靠前的N个数据库中的物品,N的取值可以在1至数据库中物品数量之间。
具体的通过特征值进行识别和判断的方法可以由现有技术实现。在进行比对时,由于数据库中有多个物品图像,因此将待识别物品与其分别比对,如果判断结果为两者为同一物品,则可以停止比对,如果判断待识别物品与数据库中某个物品为不相同的物品,则继续将待识别物品和数据库中其他物品图像进行比对,直到在数据库中找到与待识别物品,输出结果。或者,也可能遍历整个数据库没有找到与待识别物品特征值匹配的物品特征值,也可以输出该结果。
可以理解的是,上述缩放也可以与梯形扭曲校正和图像明暗校正同时进行,在此不做赘述。
由上述可知,第三特征值对应的图像与待识别物品实物的缩放比例为1:1,第四特征值对应的图像与物品实物缩放比例也为1:1,因此,当通过比对图像特征值来判断待识别物品和数据库中图像对应的物品是否相同时,可以同时比对形状、图案和尺寸,从而减少因为缩放比例不同而造成的误判,提高识别的效率和正确率。
以上所描述的装置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 (10)
1.一种基于图像处理的物品识别方法,其特征在于,包括:
获取待识别物品与比对物品的图像,其中,所述待识别物品图像和所述待识别物品实物的缩放比例与所述比对物品图像和所述比对物品实物的缩放比例相同,所述比对物品的尺寸能够获知;
将所述比对物品图像进行缩放,至所述比对物品图像与所述比对物品实物的缩放比例为1:1;
确定将所述比对物品图像缩放到与所述比对物品实物等大的第一缩放函数;
根据所述第一缩放函数对所述待识别物品图像进行缩放,获取与所述待识别物品实物缩放比例为1:1的待识别物品图像;
提取所述与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;
将所述第三特征值与存储在数据库中各物品图像的第四特征值进行比对,根据所述比对结果识别所述待识别物品,所述数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
2.根据权利要求1所述的方法,其特征在于,所述将第三特征值与数据库中存储的各物品图像的第四特征值进行比对,根据所述比对结果识别所述待识别物品,包括:
根据所述第三特征值和所述第四特征值比对结果确定所述待识别物品和存储在数据库中各物品图像的相似度;
对所述数据库物品和所述待识别物品图像的相似度从高到底进行排序。
3.根据权利要求1所述的方法,其特征在于,所述待识别物品图像与比对物品的图像为同一次拍摄形成的图像,所述获取待识别物品与对比物品的图像,包括:
对所述同一次拍摄形成的图像进行区域划分,利用卷积神经网络提取的所述待识别物品和所述比对物品特征分别对所述各个区域进行分类并评分;
根据所述各个区域的分类和评分在所述同一次拍摄形成的图像中分别得到所述待识别物品和所述比对物品的位置信息;
根据所述待识别物品和所述比对物品的位置信息,去除所述图像中的背景,获取所述待识别物品和所述比对物品图像。
4.根据权利要求1所述的方法,其特征在于,所述第四特征值为数据库中与对应物品实物的缩放比例为1:1的图像的特征值,获取所述第四特征值包括:
从所述数据库图像中获取所述数据库物品图像和所述比对物品图像,其中,所述数据库物品图像和所述比对物品图像为同一次拍摄所形成;
将所述比对物品图像进行缩放,至所述比对物品图像与所述比对物品实物的缩放比例为1:1;
确定将所述比对物品图像缩放到与所述比对物品实物等大的第二缩放函数;
根据所述第二缩放函数对所述数据库物品图像进行缩放,获取与所述数据库物品实物缩放比例为1:1的数据库物品图像;
提取所述与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述对比对物品图像进行缩放,以及所述对数据库物品图像进行缩放,具体包括,通过调整像素数和/或分辨率对所述比对物品图像或数据库物品图像进行缩放。
6.一种基于图像处理的物品识别装置,其特征在于,包括:
图像获取模块,用于获取待识别物品与比对物品的图像,其中,所述待识别物品图像和所述待识别物品实物的缩放比例与所述比对物品图像和所述比对物品实物的缩放比例相同,所述比对物品的尺寸能够获知;
缩放模块,用于将所述比对物品图像进行缩放,至所述比对物品图像与所述比对物品实物的缩放比例为1:1,以及,根据所述第一缩放函数对所述待识别物品图像进行缩放,获取与所述待识别物品实物缩放比例为1:1的待识别物品图像;
确定模块,用于确定将所述比对物品图像缩放到与所述比对物品实物等大的第一缩放函数;
特征提取模块,用于提取所述与待识别物品实物缩放比例为1:1的待识别物品图像特征值,为第三特征值;
比对识别模块,用于将所述第三特征值与存储在数据库各物品图像的第四特征值进行比对,根据所述比对结果识别所述待识别物品,所述数据库中存储的各物品图像与其对应的物品实物的缩放比例为1:1。
7.根据权利要求6所述的装置,其特征在于,所述比对识别模块,包括:
相似度确定单元,用于根据所述第三特征值和所述第四特征值比对结果确定所述待识别物品和存储在数据库中各物品图像的相似度;
排序单元,用于对所述数据库物品和所述待识别物品图像的相似度从高到底进行排序。
8.根据权利要求6所述的装置,其特征在于,所述待识别物品图像与比对物品的图像为同一次拍摄形成的图像,所述图像获取模块包括:
区域划分单元,用于对所述同一次拍摄形成的图像进行区域划分,将所述图像分成预设的多个区域;
分类评分单元,用于利用卷积神经网络提取的所述待识别物品和所述比对物品特征分别对所述各个区域进行分类并评分;
位置确认单元,用于根据所述各个区域的分类和评分在所述同一次拍摄形成的图像中分别确认所述待识别物品和所述比对物品的位置信息;
图像获取单元,用于根据所述待识别物品和所述比对物品位置信息,去除所述图像中的背景,获取所述待识别物品和所述比对物品图像。
9.根据权利要求6所述的装置,其特征在于,
所述图像获取模块,还用于从所述数据库图像中获取所述数据库物品图像和所述比对物品图像,其中,所述数据库物品图像和所述比对物品图像为同一次拍摄所形成;
所述缩放模块,还用于将与所述数据库物品图像同一次拍摄形成的所述比对物品图像进行缩放,至所述比对物品图像与所述比对物品实物的缩放比例为1:1,以及,根据所述第二缩放函数对所述数据库物品图像进行缩放,获取与所述数据库物品实物缩放比例为1:1的数据库物品图像;
所述确定模块,还用于确定将所述与数据库物品图像同一次拍摄形成的比对物品图像缩放到与所述比对物品实物等大的第二缩放函数;
所述特征提取模块,还用于提取所述与数据库物品实物缩放比例为1:1的数据库物品图像特征值,为第四特征值。
10.根据权利要求6所述的装置,其特征在于,所述比对物品为标准物品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811012273.2A CN109472279B (zh) | 2018-08-31 | 2018-08-31 | 基于图像处理的物品识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811012273.2A CN109472279B (zh) | 2018-08-31 | 2018-08-31 | 基于图像处理的物品识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472279A true CN109472279A (zh) | 2019-03-15 |
CN109472279B CN109472279B (zh) | 2020-02-07 |
Family
ID=65659945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811012273.2A Active CN109472279B (zh) | 2018-08-31 | 2018-08-31 | 基于图像处理的物品识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472279B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149507A (zh) * | 2020-08-25 | 2020-12-29 | 合肥工业大学 | 基于图像的无人机自主地面污染物推理与定位方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203298A (zh) * | 2016-06-30 | 2016-12-07 | 北京集创北方科技股份有限公司 | 生物特征识别方法及装置 |
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
US20170075885A1 (en) * | 2010-08-09 | 2017-03-16 | Sk Planet Co., Ltd. | Integrated image searching system and service method thereof |
CN107274442A (zh) * | 2017-07-04 | 2017-10-20 | 北京云测信息技术有限公司 | 一种图像识别方法和装置 |
CN107871137A (zh) * | 2016-10-18 | 2018-04-03 | 浙江大学 | 一种基于图像识别的物料匹配方法 |
-
2018
- 2018-08-31 CN CN201811012273.2A patent/CN109472279B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170075885A1 (en) * | 2010-08-09 | 2017-03-16 | Sk Planet Co., Ltd. | Integrated image searching system and service method thereof |
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
CN106203298A (zh) * | 2016-06-30 | 2016-12-07 | 北京集创北方科技股份有限公司 | 生物特征识别方法及装置 |
CN107871137A (zh) * | 2016-10-18 | 2018-04-03 | 浙江大学 | 一种基于图像识别的物料匹配方法 |
CN107274442A (zh) * | 2017-07-04 | 2017-10-20 | 北京云测信息技术有限公司 | 一种图像识别方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149507A (zh) * | 2020-08-25 | 2020-12-29 | 合肥工业大学 | 基于图像的无人机自主地面污染物推理与定位方法及*** |
CN112149507B (zh) * | 2020-08-25 | 2023-01-13 | 合肥工业大学 | 基于图像的无人机自主地面污染物推理与定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109472279B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897675B (zh) | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 | |
WO2020125216A1 (zh) | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 | |
CN103390164B (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN103530599B (zh) | 一种真实人脸和图片人脸的区别方法和*** | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN104966081B (zh) | 书脊图像识别方法 | |
CN102938065A (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN107977656A (zh) | 一种行人重识别方法及*** | |
CN110223310B (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN103984920B (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
CN109871821A (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
US11816946B2 (en) | Image based novelty detection of material samples | |
CN109949227A (zh) | 图像拼接方法、***及电子设备 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN109508623A (zh) | 基于图像处理的物品识别方法和装置 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
Martinez et al. | Parameterization of a forgery handwritten signature verification system using SVM | |
CN106203446B (zh) | 用于增强现实辅助维修***的三维对象识别定位方法 | |
Yawen et al. | Research on vehicle detection technology based on SIFT feature | |
CN109472279A (zh) | 基于图像处理的物品识别方法和装置 | |
CN105095901B (zh) | 用于处理尿液沉渣图像的待处理区块的方法和装置 | |
Zhu et al. | Recaptured image detection through enhanced residual-based correlation coefficients |
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 |