CN109784227A - 图像检测识别方法和装置 - Google Patents
图像检测识别方法和装置 Download PDFInfo
- Publication number
- CN109784227A CN109784227A CN201811628865.7A CN201811628865A CN109784227A CN 109784227 A CN109784227 A CN 109784227A CN 201811628865 A CN201811628865 A CN 201811628865A CN 109784227 A CN109784227 A CN 109784227A
- Authority
- CN
- China
- Prior art keywords
- image
- display
- rectangular
- cut zone
- correcting
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种图像检测识别方法和装置。该方法包括:对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;在识别区域中识别出陈列图像中的矩形陈列物品。本申请可以解决了相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的技术问题。
Description
技术领域
本申请涉及图像数据处理技术领域,具体而言,涉及一种图像检测识别方法和装置。
背景技术
与传统行业不同,烟草行业的推广不能通过传媒广告展开,因此主动搜集烟草销售情报,了解掌握消费者的消费动向是烟草行业研发新品、制定销售方案的重要手段。
烟盒陈列图像信息是指各类烟品在柜台中的摆放方式。通过分析烟盒陈列信息,可获得烟盒的种类和变化频率信息,进而得到消费者的消费动向。在传统做法中,烟盒陈列信息通常通过专人手持拍照设备,定期定点收集。这种采集方式不但费事费力,且后期识别过程也全靠人工完成,效率低下。相关技术中烟盒图像检测识别方法,先对整个图像(包含有多个陈列烟盒的图像)进行识别,确定整个图像中三个方向消隐点,再基于消隐点确定透视变换矩阵,基于透视变换矩阵得到陈列物品正投影的矫正图像,再对矫正图像进行矩形物品(烟盒)识别,从而识别出图像中的矩形物品。但是,收到图像拍摄角度的影响,通过一个透视变换矩阵对图像进行矫正,矫正图像中一些区域存在扭曲的矩形物品图像,进而导致无法在烟盒陈列图像中准确地识别出烟盒。
针对相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像检测识别方法和装置,以解决相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的问题。
为了实现上述目的,第一方面,本申请提供了一种图像检测识别方法,该方法应用在包含有矩形陈列物品的陈列图像上,该方法包括:
对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;
对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;
基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;
基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;
在识别区域中识别出陈列图像中的矩形陈列物品。
可选地,基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域,包括:
基于每个分割区域对应的透视矩阵确定每个矫正图像对应的逆矩阵;
根据逆矩阵确定对应的矫正图像中每个矩形区域在阵列图像中的投影区域;
基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域。
可选地,基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域,包括:
计算任意两个对应不同矫正图像的投影区域之间的重合率;
确定两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
当两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个矩形陈列物品;
将同一个矩形陈列物品的投影区域或矩形区域生成该矩形陈列物品的识别区域。
可选地,合并阈值取值为0.75。
可选地,对陈列图像进行分割,包括:
按阵列方式对陈列图像进行均匀分割,得到N个面积相同的分割区域。
第二方面,本申请实施例还提供了一种图像检测识别装置,该装置应用在包含有矩形陈列物品的陈列图像上,该装置包括:
分割模块,用于对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;
变换模块,用于对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;
矫正模块,用于基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;
确定模块,用于基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;
识别模块,用于在识别区域中识别出陈列图像中的矩形陈列物品。
可选地,确定模块,用于:
基于每个分割区域对应的透视矩阵确定每个矫正图像对应的逆矩阵;
根据逆矩阵确定对应的矫正图像中每个矩形区域在阵列图像中的投影区域;
基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域。
可选地,确定模块,用于:
计算任意两个对应不同矫正图像的投影区域之间的重合率;
确定两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
当两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个矩形陈列物品;
将同一个矩形陈列物品的投影区域或矩形区域生成该矩形陈列物品的识别区域。
可选地,合并阈值取值为0.75。
第三方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机代码,当计算机代码被执行时,上述的图像检测识别方法被执行。
在本申请提供的图像检测识别方法中,通过对陈列图像进行分割,得到N个分割区域;对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;在识别区域中识别出陈列图像中的矩形陈列物品。通过上述方法,将陈列图像图片化为多个区域,分别计算透视矫正矩阵,而后在原始的阵列图像进行透视矫正,得到多个透视矫正后的矫正图片后,利用矩形陈列物品检测算法对矫正后的图片进行检测处理,从而得到矩形陈列物品的检测结果。这样,通过对陈列图像进行分割处理,再根据多个矫正后的图像进行检测处理,综合得到矩形陈列物品的检测结果,从而实现了在烟盒陈列图像中准确地识别出矩形陈列物品的目的。进而解决了相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一种图像检测识别方法的流程示意图;
图2是本申请实施例提供的一种步骤S400的流程示意图;
图3是本申请实施例提供的一种步骤S430的流程示意图;
图4是本申请实施例提供的一种图像检测识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个方面,本申请实施例提供了一种图像检测识别方法,该方法可以应用在包含有矩形陈列物品(例如卷烟盒)的陈列图像上,矩形陈列物品显示在陈列图像中的棱边都是直线,因此存在多个卷烟盒的陈列图像中会存在大量的直线。图1是本申请实施例提供的一种图像检测识别方法的流程示意图,如图1所示,该方法包括如下的步骤S100至步骤S500:
S100,对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数。
其中,对陈列图像的采集,可以由单摄像头完成,也可以通过在本地存储器中读取或在云端存储器中获取,基于陈列图像的像素面积对陈列图像进行分割,从而得到N个分割区域。
具体地,基于陈列图像的像素,分区块的对陈列图像添加遮罩,从而完成对陈列图像的分割,对于每个分割区域,对应该分割区域的陈列图像中其他区域均进行添加遮罩处理,进而只显示出该分割区域的图像,这样,即可得到N个分割区域。需要说明的是,N个分割区域之间可以是互不重叠的区域,N个分割区域之间也可以是部分重叠的区域,本领域的技术人员可以基于实际情况具体设置分割方式对陈列图像进行分割。
举例说明,对陈列图像进行十字形分割,将该陈列图像分为左上、左下、右上和右下四个区域的分割区域,又例如,对陈列图像进行井字形分割,将该陈列图像分为九个分割区域。
可选地,N的取值可以是2、3、4、5、6、7、8、9……需要说明的是,本领域的技术人员可以基于实际需要具体设置N的取值。
其中,可选地,S100,对陈列图像进行分割,具体为:按阵列方式对陈列图像进行均匀分割,得到N个面积相同的分割区域。这样,可以保证N个分割区域具有相同的面积,并且通过阵列方式对陈列图像进行均匀分割,可以保证N个分割区域在陈列图像中分布均匀。
S200,对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵。
其中,透视矩阵是透视变换的矩阵,透视变换是一种常见图像处理方法,常用于图像的校正,得到图像中物品的正投影图像。
具体地,对于每个分割区域,对分割区域中包含的直线进行处理,得到消隐点,进而透视变换计算出该分割区域的透视矩阵,从而得到每个分割区域对应的透视矩阵,这样,从而得到了N个互不相同的透视矩阵。
举例说明,可以采用霍夫变化直线检测和/或RANSAC算法分别对每个分割区域的透视矩阵进行估算,从而得到每个分割区域对应的透视矩阵。
S300,基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像。
具体地,基于每个分割区域对应的透视矩阵分别对原始的陈列图像进行校正,从而得到对应每个透视矩阵的矫正图像,即得到N个矫正图像,因为每个透视矩阵互不相同,因此,可以得到N个视角下的N个矫正图像,这样,可以使得矩形陈列物品在每个矫正图像中形状均不相同。
S400,基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域。
具体地,对于每个矫正图像,识别该矫正图像中存在的每个矩形区域(即矩形陈列物品在该矫正图像中的边缘影像),这样,可以得到每个矫正图像中存在的每个矩形区域,再根据N个矫正图像中包括的全部矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域,该识别区域可以是一个矫正图像中的矩形区域,该识别区域也可以是陈列图像中的一个区域,这样,基于算法综合确定出每个矩形陈列物品对应的该识别区域后,执行步骤S500。
其中,识别该矫正图像中存在的每个矩形区域可以通过YOLO框架训练得到检测识别模块,通过该YOLO框架训练得到检测识别模块兼顾了检测的精度与检测速度。
S500,在识别区域中识别出陈列图像中的矩形陈列物品。
具体地,在识别区域中截取图像纹理,再基于预先训练好的识别模块对该图像纹理进行识别,从而确定矩形陈列物品,进而获取该矩形陈列物品的物品信息(例如,矩形陈列物品的名称、生产厂家、产品类别等等)。可选地,可以基于多个网络模型给出识别区域中矩形陈列物品预测结果后,再通过信息融合进行决策,对多个预测结果通过投票选举产生最终结果,例如,当有多个网络模型的Top1预测结果指向同一类时,该类作为最终结果输出;当有多个类投票结果相当时,选择概率值最高的预测结果作为最终结果输出。
其中,通过上述步骤S100至步骤S500,将陈列图像图片化为多个区域,分别计算透视矫正矩阵,而后在原始的阵列图像进行透视矫正,得到多个透视矫正后的矫正图片后,利用矩形陈列物品检测算法对矫正后的图片进行检测处理,从而得到矩形陈列物品的检测结果。也就是说,通过对陈列图像进行分割处理,再根据多个矫正后的图像进行检测处理,综合得到矩形陈列物品的检测结果,从而实现了在烟盒陈列图像中准确地识别出矩形陈列物品的目的。
在一个可行的实施方式中,图2是本申请实施例提供的一种步骤S400的流程示意图,如图2所示,步骤S400,基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域,包括如下的步骤S410至步骤S430:
S410,基于每个分割区域对应的透视矩阵确定每个矫正图像对应的逆矩阵;
S420,根据逆矩阵确定对应的矫正图像中每个矩形区域在阵列图像中的投影区域;
S430,基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域。
具体地,先基于每个每个分割区域对应的透视矩阵计算得到对应每个透视矩阵的逆矩阵,再通过逆矩阵对与其对应的透视矩阵矫正的矫正图像进行图像处理,从而即可得到每个矫正图像中矩形区域在阵列图像中的投影区域,之后,再基于每个矫正图像中矩形区域在阵列图像中的投影区域确定出每个矩形陈列物品的识别区域,该识别区域可以是矫正图像中矩形区域,该识别区域也可以是由矫正图像中矩形区域在阵列图像中的投影区域生成。
在一个可行的实施方式中,图3是本申请实施例提供的一种步骤S430的流程示意图,如图3所示,步骤S430,基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域,包括如下的步骤S431至步骤S434:
S431,计算任意两个对应不同矫正图像的投影区域之间的重合率;
S432,确定两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
S433,当两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个矩形陈列物品;
S434,将同一个矩形陈列物品的投影区域或矩形区域生成该矩形陈列物品的识别区域。
具体地,确定每个矩形陈列物品的识别区域过程可以包括:先计算任意两个对应不同矫正图像的投影区域之间的重合率,其中,重叠率计算公式可以为:
重叠率ab=重叠区域面积/(投影区域a面积+投影区域b面积-重叠区域面积)其中,投影区域a和投影区域b分别为两个不同矫正图像中矩形区域的投影,这样,可以得到对应不同矫正图像的投影区域之间的重合率,将每个重合率与合并阈值比较,当重合率不小于合并阈值时,可以确定对应该重合率的两个投影区域属于同一个矩形陈列物品,进而确定分别该两个投影区域的两个不同矫正图像中矩形区域同属于一个矩形陈列物品,从而将同一个矩形陈列物品的投影区域或矩形区域生成该矩形陈列物品的识别区域,例如,在同一个矩形陈列物品的多个矩形区域中筛选出面积最大的一个矩形区域作为识别区域,又或者,根据同一个矩形陈列物品的多个投影区域在陈列图像中重合部分生成识别区域。
可选地,合并阈值取值可以为0.75。
在本申请提供的图像检测识别方法中,通过步骤S100,对陈列图像进行分割,得到N个分割区域;步骤S200,对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;步骤S300,基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;步骤S400,基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;步骤S500,在识别区域中识别出陈列图像中的矩形陈列物品。通过上述方法,将陈列图像图片化为多个区域,分别计算透视矫正矩阵,而后在原始的阵列图像进行透视矫正,得到多个透视矫正后的矫正图片后,利用矩形陈列物品检测算法对矫正后的图片进行检测处理,从而得到矩形陈列物品的检测结果。这样,通过对陈列图像进行分割处理,再根据多个矫正后的图像进行检测处理,综合得到矩形陈列物品的检测结果,从而实现了在烟盒陈列图像中准确地识别出矩形陈列物品的目的。进而解决了相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的技术问题。
基于相同的技术构思,本申请实施例还提供了一种图像检测识别装置,该装置应用在包含有矩形陈列物品的陈列图像上,图4是本申请实施例提供的一种图像检测识别装置的结构示意图,如图4所示,该装置包括:
分割模块10,用于对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;
变换模块20,用于对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;
矫正模块30,用于基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;
确定模块40,用于基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;
识别模块50,用于在识别区域中识别出陈列图像中的矩形陈列物品。
可选地,确定模块40,用于:
基于每个分割区域对应的透视矩阵确定每个矫正图像对应的逆矩阵;
根据逆矩阵确定对应的矫正图像中每个矩形区域在阵列图像中的投影区域;
基于每个矫正图像中每个矩形区域在阵列图像中的投影区域确定陈列图像中每个矩形陈列物品的识别区域。
可选地,确定模块40,用于:
计算任意两个对应不同矫正图像的投影区域之间的重合率;
确定两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
当两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个矩形陈列物品;
将同一个矩形陈列物品的投影区域或矩形区域生成该矩形陈列物品的识别区域。
可选地,合并阈值取值为0.75。
可选地,分割模块10,用于:
按阵列方式对陈列图像进行均匀分割,得到N个面积相同的分割区域
在本申请提供的图像检测识别装置中,通过分割模块10,用于对陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;变换模块20,用于对N个分割区域中每个分割区域分别进行透视变换计算,得到每个分割区域对应的透视矩阵;矫正模块30,用于基于每个分割区域对应的透视矩阵分别对陈列图像进行矫正,得到每个透视矩阵对应的矫正图像;确定模块40,用于基于每个矫正图像中包括的每个矩形区域确定对应陈列图像中每个矩形陈列物品的识别区域;识别模块50,用于在识别区域中识别出陈列图像中的矩形陈列物品。将陈列图像图片化为多个区域,分别计算透视矫正矩阵,而后在原始的阵列图像进行透视矫正,得到多个透视矫正后的矫正图片后,利用矩形陈列物品检测算法对矫正后的图片进行检测处理,从而得到矩形陈列物品的检测结果。这样,通过对陈列图像进行分割处理,再根据多个矫正后的图像进行检测处理,综合得到矩形陈列物品的检测结果,从而实现了在烟盒陈列图像中准确地识别出矩形陈列物品的目的。进而解决了相关技术中图像检测识别方法无法在烟盒陈列图像中准确地识别出烟盒的技术问题。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机代码,当计算机代码被执行时,上述的图像检测识别方法被执行。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本申请所涉及的计算机程序可以存储于计算机可读存储介质中,所述计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体装置、虚拟装置、优盘、移动硬盘、磁碟、光盘、计算机存储器、只读计算机存储器(Read-Only Memory,ROM)、随机存取计算机存储器(Random Access Memory,RAM)、电载波信号、电信信号以及其他软件分发介质等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像检测识别方法,其特征在于,该方法应用在包含有矩形陈列物品的陈列图像上,该方法包括:
对所述陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;
对所述N个分割区域中每个所述分割区域分别进行透视变换计算,得到每个所述分割区域对应的透视矩阵;
基于每个所述分割区域对应的透视矩阵分别对所述陈列图像进行矫正,得到每个所述透视矩阵对应的矫正图像;
基于每个所述矫正图像中包括的每个矩形区域确定对应所述陈列图像中每个矩形陈列物品的识别区域;
在所述识别区域中识别出所述陈列图像中的所述矩形陈列物品。
2.根据权利要求1所述的图像检测识别方法,其特征在于,所述基于每个所述矫正图像中包括的每个矩形区域确定对应所述陈列图像中每个矩形陈列物品的识别区域,包括:
基于每个所述分割区域对应的透视矩阵确定每个所述矫正图像对应的逆矩阵;
根据所述逆矩阵确定对应的矫正图像中每个矩形区域在所述阵列图像中的投影区域;
基于每个所述矫正图像中每个矩形区域在所述阵列图像中的投影区域确定所述陈列图像中每个矩形陈列物品的识别区域。
3.根据权利要求2所述的图像检测识别方法,其特征在于,所述基于每个所述矫正图像中每个矩形区域在所述阵列图像中的投影区域确定所述陈列图像中每个矩形陈列物品的识别区域,包括:
计算任意两个对应不同矫正图像的投影区域之间的重合率;
确定所述两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
当所述两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个所述矩形陈列物品;
将同一个所述矩形陈列物品的所述投影区域或所述矩形区域生成该矩形陈列物品的识别区域。
4.根据权利要求3所述的图像检测识别方法,其特征在于,所述合并阈值取值为0.75。
5.根据权利要求1所述的图像检测识别方法,其特征在于,所述对所述陈列图像进行分割,包括:
按阵列方式对所述陈列图像进行均匀分割,得到N个面积相同的分割区域。
6.一种图像检测识别装置,其特征在于,该装置应用在包含有矩形陈列物品的陈列图像上,该装置包括:
分割模块,用于对所述陈列图像进行分割,得到N个分割区域,其中,N为大于1的整数;
变换模块,用于对所述N个分割区域中每个所述分割区域分别进行透视变换计算,得到每个所述分割区域对应的透视矩阵;
矫正模块,用于基于每个所述分割区域对应的透视矩阵分别对所述陈列图像进行矫正,得到每个所述透视矩阵对应的矫正图像;
确定模块,用于基于每个所述矫正图像中包括的每个矩形区域确定对应所述陈列图像中每个矩形陈列物品的识别区域;
识别模块,用于在所述识别区域中识别出所述陈列图像中的所述矩形陈列物品。
7.根据权利要求6所述的图像检测识别装置,其特征在于,所述确定模块,用于:
基于每个所述分割区域对应的透视矩阵确定每个所述矫正图像对应的逆矩阵;
根据所述逆矩阵确定对应的矫正图像中每个矩形区域在所述阵列图像中的投影区域;
基于每个所述矫正图像中每个矩形区域在所述阵列图像中的投影区域确定所述陈列图像中每个矩形陈列物品的识别区域。
8.根据权利要求7所述的图像检测识别装置,其特征在于,所述确定模块,用于:
计算任意两个对应不同矫正图像的投影区域之间的重合率;
确定所述两个对应不同矫正图像的投影区域之间的重合率是否不小于合并阈值;
当所述两个对应不同矫正图像的投影区域之间的重合率不小于合并阈值时,确定该两个对应不同矫正图像的投影区域对应同一个所述矩形陈列物品;
将同一个所述矩形陈列物品的所述投影区域或所述矩形区域生成该矩形陈列物品的识别区域。
9.根据权利要求8所述的图像检测识别装置,其特征在于,所述合并阈值取值为0.75。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机代码,当所述计算机代码被执行时,如权利要求1-5任一项所述的图像检测识别方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628865.7A CN109784227B (zh) | 2018-12-29 | 2018-12-29 | 图像检测识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628865.7A CN109784227B (zh) | 2018-12-29 | 2018-12-29 | 图像检测识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784227A true CN109784227A (zh) | 2019-05-21 |
CN109784227B CN109784227B (zh) | 2019-12-10 |
Family
ID=66498817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628865.7A Active CN109784227B (zh) | 2018-12-29 | 2018-12-29 | 图像检测识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784227B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334768A (zh) * | 2019-07-08 | 2019-10-15 | 创新奇智(重庆)科技有限公司 | 一种冰柜陈列检测方法、***及电子设备 |
CN111223065A (zh) * | 2020-01-13 | 2020-06-02 | 中国科学院重庆绿色智能技术研究院 | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 |
CN113361299A (zh) * | 2020-03-03 | 2021-09-07 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN114693717A (zh) * | 2022-02-24 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN118072128A (zh) * | 2024-04-19 | 2024-05-24 | 深圳爱莫科技有限公司 | 一种细粒度多模态大模型训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101137011A (zh) * | 2006-08-29 | 2008-03-05 | 索尼株式会社 | 图像处理装置、图像处理方法和计算机程序 |
US20140270482A1 (en) * | 2013-03-15 | 2014-09-18 | Sri International | Recognizing Entity Interactions in Visual Media |
CN105740806A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于多视角的透视变换目标特征提取方法 |
CN108038826A (zh) * | 2017-12-28 | 2018-05-15 | 上海小零网络科技有限公司 | 透视变形的搁架图像的校正方法和装置 |
-
2018
- 2018-12-29 CN CN201811628865.7A patent/CN109784227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101137011A (zh) * | 2006-08-29 | 2008-03-05 | 索尼株式会社 | 图像处理装置、图像处理方法和计算机程序 |
US20140270482A1 (en) * | 2013-03-15 | 2014-09-18 | Sri International | Recognizing Entity Interactions in Visual Media |
CN105740806A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于多视角的透视变换目标特征提取方法 |
CN108038826A (zh) * | 2017-12-28 | 2018-05-15 | 上海小零网络科技有限公司 | 透视变形的搁架图像的校正方法和装置 |
Non-Patent Citations (1)
Title |
---|
国佳杰 等: "一种鲁棒的户外建筑物图像校正方法", 《计算机辅助设计与图形学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334768A (zh) * | 2019-07-08 | 2019-10-15 | 创新奇智(重庆)科技有限公司 | 一种冰柜陈列检测方法、***及电子设备 |
CN110334768B (zh) * | 2019-07-08 | 2023-08-22 | 创新奇智(重庆)科技有限公司 | 一种冰柜陈列检测方法、***及电子设备 |
CN111223065A (zh) * | 2020-01-13 | 2020-06-02 | 中国科学院重庆绿色智能技术研究院 | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 |
CN113361299A (zh) * | 2020-03-03 | 2021-09-07 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN113361299B (zh) * | 2020-03-03 | 2023-08-15 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN114693717A (zh) * | 2022-02-24 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN118072128A (zh) * | 2024-04-19 | 2024-05-24 | 深圳爱莫科技有限公司 | 一种细粒度多模态大模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109784227B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784227A (zh) | 图像检测识别方法和装置 | |
CN106952402A (zh) | 一种数据处理方法及装置 | |
CN107492091A (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN109784290A (zh) | 一种目标检测方法、装置、设备及可读存储介质 | |
CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN110232404A (zh) | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 | |
CN111881894A (zh) | 采集货柜商品售卖信息的方法、***、设备和存储介质 | |
CN107369131A (zh) | 图像的显著性检测方法、装置、存储介质和处理器 | |
CN110569789B (zh) | 商品组合型sku识别方法及其装置 | |
CN107742318A (zh) | 商品实时三维成像方法及基于实时三维展示的交易*** | |
CN109348731A (zh) | 一种图像匹配的方法及装置 | |
CN108122280A (zh) | 一种三维点云的重建方法及装置 | |
CN109190639A (zh) | 一种车辆颜色识别方法、装置及*** | |
CN109544262A (zh) | 物品推荐方法、装置、电子设备、***及可读存储介质 | |
CN108389230A (zh) | 冰箱容量自动检测方法、***、设备及存储介质 | |
CN115601672A (zh) | 一种基于深度学习的vr智能巡店方法及装置 | |
CN109522933A (zh) | 用于货架的商品检测方法及装置 | |
JPH0981739A (ja) | 損害額算出システム及び損傷位置検出装置 | |
CN111429512A (zh) | 图像处理方法和装置、存储介质及处理器 | |
CN115249356A (zh) | 识别方法、装置、设备及存储介质 | |
CN113763419B (zh) | 一种目标跟踪方法、设备及计算机可读存储介质 | |
CN114037934A (zh) | 一种工服穿戴行为的识别方法、终端设备和存储介质 | |
CN107067295A (zh) | 一种信息处理方法及电子设备 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Long Tao Inventor before: Yang Heng |
|
CB03 | Change of inventor or designer information |