CN111145194A - 处理方法、处理装置和电子设备 - Google Patents
处理方法、处理装置和电子设备 Download PDFInfo
- Publication number
- CN111145194A CN111145194A CN201911415251.5A CN201911415251A CN111145194A CN 111145194 A CN111145194 A CN 111145194A CN 201911415251 A CN201911415251 A CN 201911415251A CN 111145194 A CN111145194 A CN 111145194A
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- color
- identified
- partition
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title abstract description 18
- 238000005192 partition Methods 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 47
- 235000019580 granularity Nutrition 0.000 claims description 30
- 239000003086 colorant Substances 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 29
- 238000003709 image segmentation Methods 0.000 description 13
- 230000036544 posture Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 239000013589 supplement Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000019587 texture Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种处理方法,包括:至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同;以及获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。本公开还提供了一种处理装置和一种电子设备。
Description
技术领域
本公开涉及一种处理方法、一种处理装置和一种电子设备。
背景技术
随着人工智能、自动控制、通信和计算机技术的快速发展,无人商店蓬勃发展,待识别对象视觉识别技术的应用场景越来越广泛。其中,基于结算台方式的待识别对象识别技术已经实用。这种待识别对象识别技术的最关键因素是对待识别对象进行图像分割,然后对分割得到的图像进行识别。
在实现本公开构思的过程中,发明人发现现有技术中至少存在如下问题。图像分割的精确与否,影响待识别对象识别的精度。由于待识别对象色彩的多样性,一些待识别对象的颜色与结算台的背景颜色相近,待识别对象识别的精度不高。
发明内容
本公开的一个方面提供了一种处理方法,包括:首先,至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同。然后,获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
可选地,至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数可以包括:基于所述待识别对象的颜色信息确定所述待识别对象具有的颜色类型和分布情况;确定与所述颜色类型和分布情况匹配的第一调整策略,以基于所述第一调整策略向所述待识别对象所在的待识别区域补偿第一颜色;其中,所述第一颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度符合第一阈值。
可选地,至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数可以包括:获得待识别对象在其所在的待识别区域中的姿态信息;基于所述姿态信息及所述待识别对象具有的颜色类型和分布情况确定用于调整所述环境参数的第二调整策略,以基于所述第二调整策略确定所述待识别区域的补偿参数;至少基于所述补偿参数向所述待识别区域中的待识别对象补偿第二颜色及与所述第二颜色匹配的亮度;其中,所述第二颜色与所述待识别对象所具有的颜色类型不同。
可选地,至少基于所述补偿参数向所述待识别区域中的待识别对象补偿与所述第二颜色匹配的亮度可以包括:基于所述姿态信息确定与所述第二颜色相同的亮度可调光源;基于所述补偿参数控制所述亮度可调光源向所述待识别对象补偿与所述第二颜色匹配的亮度的光。
可选地,所述至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息可以包括:至少基于待识别对象的属性信息确定所述第一图像的分区粒度;按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区;至少基于所述属性信息提取所述至少一图像分区的向量特征,以至少基于所述向量特征对所述待识别对象进行标记,得到所述待识别对象的标识信息;其中,不同的分区粒度对应的图像分区的边缘像素点的数量不同。
可选地,所述按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区可以包括:
获得所述第一图像在不同像素点的图像梯度;将所述图像梯度大于第一阈值的像素点确定为所述第一图像的边缘像素点;按照所述分区粒度,从确定的边缘像素点中确定出分区边缘像素点,以基于所述分区边缘像素点形成至少一个图像分区;基于待识别对象的颜色信息从所述至少一个图像分区中去除第一环境对应的图像分区,得到所述待识别对象的至少一图像分区。
可选地,所述方法还包括:检测到待识别对象处于所述第一环境的待识别区域,获得所述待识别对象的第二图像,以基于所述第二对象确定所述待识别对象的颜色信息。
可选地,所述方法还包括:将待识别对象的第一图像与样本数据库中的样本进行比对,以输出更新样本数据库的提示信息或待识别对象的标识信息。
本公开的另一个方面提供了一种处理装置,包括环境参数调整模块和第一图像获得模块。其中,环境参数调整模块用于至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同;以及第一图像获得模块用于获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
可选地,所述环境参数调整模块包括:对象颜色确定子模块、第一调整策略确定子模块。其中,对象颜色确定子模块用于基于所述待识别对象的颜色信息确定所述待识别对象具有的颜色类型和分布情况;第一调整策略确定子模块用于确定与所述颜色类型和分布情况匹配的第一调整策略,以基于所述第一调整策略向所述待识别对象所在的待识别区域补偿第一颜色;其中,所述第一颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度符合第一阈值。
可选地,所述环境参数调整模块包括:姿态获得子模块、第一调整策略确定子模块、补偿子模块。姿态获得子模块用于获得待识别对象在其所在的待识别区域中的姿态信息;第一调整策略确定子模块用于基于所述姿态信息及所述待识别对象具有的颜色类型和分布情况确定用于调整所述环境参数的第二调整策略,以基于所述第二调整策略确定所述待识别区域的补偿参数;补偿子模块用于至少基于所述补偿参数向所述待识别区域中的待识别对象补偿第二颜色及与所述第二颜色匹配的亮度;其中,所述第二颜色与所述待识别对象所具有的颜色类型不同。
可选地,所述补偿子模块包括光源确定单元、补偿单元。光源确定单元用于基于所述姿态信息确定与所述第二颜色相同的亮度可调光源;补偿单元用于基于所述补偿参数控制所述亮度可调光源向所述待识别对象补偿与所述第二颜色匹配的亮度的光。
可选地,所述装置还包括图像识别模块,包括粒度确定子模块、分区子模块、标识信息获得子模块。其中,粒度确定子模块用于至少基于待识别对象的属性信息确定所述第一图像的分区粒度;分区子模块用于按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区;标识信息获得子模块用于至少基于所述属性信息提取所述至少一图像分区的向量特征,以至少基于所述向量特征对所述待识别对象进行标记,得到所述待识别对象的标识信息;其中,不同的分区粒度对应的图像分区的边缘像素点的数量不同。
可选地,所述分区子模块包括:图像梯度获得单元、边缘像素点确定单元、分区单元、筛除单元。其中,图像梯度获得单元用于获得所述第一图像在不同像素点的图像梯度;边缘像素点确定单元用于将所述图像梯度大于第一阈值的像素点确定为所述第一图像的边缘像素点;分区单元用于按照所述分区粒度,从确定的边缘像素点中确定出分区边缘像素点,以基于所述分区边缘像素点形成至少一个图像分区;筛除单元用于基于待识别对象的颜色信息从所述至少一个图像分区中去除第一环境对应的图像分区,得到所述待识别对象的至少一图像分区。
可选地,所述装置还包括第二图像获得模块,第二图像获得模块用于检测到待识别对象处于所述第一环境的待识别区域,获得所述待识别对象的第二图像,以基于所述第二对象确定所述待识别对象的颜色信息。
可选地,所述装置还包括提示模块,该提示模块用于将待识别对象的第一图像与样本数据库中的样本进行比对,以输出更新样本数据库的提示信息或待识别对象的标识信息。
本公开的另一方面提供了一种电子设备,包括:图像采集组件,用于采集图像;光源组件,用于提供多种颜色的光源;一个或多个处理器、计算机可读存储介质,用于存储一个或多个计算机程序,所述计算机程序在被所述处理器执行时,实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开实施例提供的处理方法,先预采集待识别对象图像,识别待识别对象图像中的颜色,然后计算出与待识别对象图像中的颜色反差大的颜色,以自动调整结环境参数,使待识别对象图像和环境图像有较明显的区隔,这样可以有效提升待识别对象图像的分割精度,从而实现提升待识别对象识别的精确度。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的处理方法、处理装置和电子设备的应用场景;
图2示意性示出了根据本公开实施例的适用于处理方法、处理装置和电子设备的***架构;
图3示意性示出了根据本公开实施例的处理方法的流程图;
图4示意性示出了现有技术的待检测对象在第一场景的示意图;
图5示意性示出了现有技术的待检测对象在第二场景的示意图;
图6示意性示出了根据本公开实施例的待检测对象在第一场景的示意图;
图7示意性示出了根据本公开实施例的待检测对象在第二场景的示意图;
图8示意性示出了根据本公开实施例的边缘像素点的示意图;
图9示意性示出了根据本公开另一实施例的边缘像素点的示意图;
图10示意性示出了根据本公开实施例的电子设备的光源的示意图;
图11示意性示出了根据本公开另一实施例的电子设备的光源的示意图;
图12示意性示出了根据本公开另一实施例的处理方法的流程图;
图13示意性示出了根据本公开实施例的处理装置的框图;以及
图14示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。
图1示意性示出了根据本公开实施例的处理方法、处理装置和电子设备的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,以使用结算台进行结算的场景为例进行说明。结算台包括台体1、结算区域2、显示装置3和图像采集装置4。当然,结算台还可以包括诸如:入库检测平台、称重设备、支付设备、二维码、打包设备、扫码装置等。结算台可以利用图像采集装置4对结算区域2上的商品进行图像采集,然后对商品进行商品识别,以确定商品的价格等信息,这样便于用户进行结算。相对于采用扫描枪对商品进行扫描的结算方式而言,无需用户或收银员对商品的指定区域进行扫描,只需要将商品放置在结算区域2中即可识别商品的价格等信息,有助于提升用户的或收银员等的操作便捷度。
然而,基于结算台方式的商品识别技术已经实用。这种技术的最关键因素是对商品进行图像分割,然后进行识别。图像分割的精确与否,影响商品识别的精度。在实际使用中,由于商品图像色彩的多样性,有些商品图像颜色与结算台背景相近,导致图像分割精度低,从而降低了商品识别的精度。
本公开的实施例提供了一种处理方法、处理装置和电子设备。该方法包括环境调整过程和图像处理过程。在环境调整过程中,至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同。在完成环境调整过程之后,进入图像处理过程,获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。由于先预采集待识别对象图像,识别待识别对象图像中的颜色,然后计算出与待识别对象图像中的颜色反差大的颜色,以自动调整结环境参数,使待识别对象图像和环境图像有较明显的区隔,提升图像分割精度,进而提升商品识别的精度。
图2示意性示出了根据本公开实施例的适用于处理方法、处理装置和电子设备的***架构。
需要注意的是,图2所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图2所示,根据该实施例的***架构200可以包括终端设备201、202、203,网络204和服务器205。网络204可以包括多个网关、路由器、集线器、网线等,用以在终端设备201、202、203和服务器205之间提供通信链路的介质。网络204可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备201、202通过网络204与其他终端设备和服务器205进行交互,以接收或发送信息等,如发送支付请求、图像处理请求和接收处理结果等。终端设备201、202、203可以安装有各种具有通讯用户端应用,例如银行类应用、购物类应用、网页浏览器应用、搜索类应用、办公类应用、即时通信工具、邮箱用户端、社交平台软件等应用(仅为示例)。
终端设备201、202、包括但不限于智能手机、虚拟现实设备、增强现实设备、平板电脑、膝上型便携计算机等等可以实现在线支付功能的电子设备。
终端设备203可以为具有摄像头和特定颜色补光功能的电子设备,该电子设备可以通过补光、拍照、图像处理等来识别待识别对象,包括但不限于结算台、物体识别装置等。
服务器205可以接收请求,并对请求进行处理。例如,服务器205可以为后台管理服务器、服务器集群等。后台管理服务器可以对接收到的支付请求、图像处理请求、补偿色请求等进行分析处理,并将处理结果反馈给终端设备。
需要说明的是,本公开实施例所提供的处理方法一般可以由终端设备203、服务器205执行。相应地,本公开实施例所提供的处理装置一般可以设置于终端设备203、服务器205中。本公开实施例所提供的处理方法也可以由与终端设备201、202、203和/或服务器205通信的终端设备、服务器或服务器集群执行。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图3示意性示出了根据本公开实施例的处理方法的流程图。
如图3所示,该方法包括操作S301~S303。
在操作S301,至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同。
在本实施例中,待识别对象的颜色信息可以是通过图像处理确定的颜色信息,还可以是用户输入的颜色信息,还可以是接收的来自其它电子设备的颜色信息。环境参数包括但不限于:颜色、补光亮度、补偿色、补光时长中的任意一种或多种。调整策略包括但不限于以下至少一种:补光相关策略、切换背景相关策略等。其中,补光相关策略可以是由补光灯等对待识别对象和/或环境光进行补光。切换背景相关策略可以切换待识别对象所处环境的背景,如待识别对象被放置于可以调节显示图像的装置之上(如显示面板、可进行颜色调节的背光源等),通过调节显示图像来实现环境参数的调整。通过该方法可以使得所述待识别对象所处第一环境的颜色与所述待识别对象不同,有助于从图像中准确地确定出待识别对象的图像。
在一个实施例中,所述至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数可以包括如下操作。
首先,基于所述待识别对象的颜色信息确定所述待识别对象具有的颜色类型和分布情况。例如,可以先拍摄一个包括待识别对象和待识别对象所处环境的图像,并对该图像进行图像处理,如颜色识别来确定待识别对象具有的颜色类型和分布情况。如图像中包括红色、黄色、蓝色和白色四种颜色,其中,待识别对象所在的大致区域包括红色、黄色、蓝色和白色四种颜色,待识别对象的边缘区域主要包括蓝色和白色,红色和黄色处于待识别对象的内部区域等。
然后,确定与所述颜色类型和分布情况匹配的第一调整策略,以基于所述第一调整策略向所述待识别对象所在的待识别区域补偿第一颜色。例如,由于待识别对象的边缘区域主要包括蓝色和白色,而待识别对象所处第一环境的背景色为白色,则需要将第一环境的背景色调整为与白色和蓝色的色差相差较大的颜色,如红色、黄色等。此外,第一调整策略中还可以包括背景色调整方式:如通过补光的方式来调整背景色或是通过调节显示图像的方式来调整背景色。此外,第一调整策略中还可以包括调整背景色的时长信息等。具体地,可以通过查数据库等方式确定第一调整策略。例如,数据库中存储有颜色类型和分布情况与第一调整策略之间的映射关系。第一调整策略中的各策略可以是通过仿真、标定等方式确定。
其中,所述第一颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度符合第一阈值。例如,当某种特定颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度超过90%时,则该特定颜色可以作为第一颜色。其中,颜色的分布情况如分布区域的90%与第一颜色存在差别等。
颜色类型和分布情况与第一调整策略之间的映射关系可以如下所示。针对指定的物品(如测试样本,包括分布在多个区域的多种颜色),基于第一调整策略调整环境参数,并针对各种第一调整策略拍照得到的图像进行待识别对象图像划分,得到待识别对象的图像切分准确度。然后,基于图像切分准确度标定颜色类型和分布情况与第一调整策略之间的映射关系。其中,图像切分准确度是指从摄像头拍摄的图像中,自动将待识别对象的图像切分出来后,利用切分出来的图像的面积(或包括的像素个数)与准确图像(如通过标定确定的图像)的面积(或包括的像素个数)之比。颜色类型和分布情况与第一调整策略之间的映射关系可以通过如下所示的方式进行标定:如基于颜色类型和分布情况确定第一调整策略后,基于第一调整策略调整第一环境的环境参数,然后获得待识别对象的图像后,进行待识别对象的图像切分,基于待识别对象的图像切分准确度是否超过预设准确度阈值,来确定颜色类型和分布情况与第一调整策略之间的映射关系(如将待识别对象的图像切分准确度超过预设准确度阈值时建立关联关系)。
在另一个实施例中,所述至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数可以包括如下操作。
首先,获得待识别对象在其所在的待识别区域中的姿态信息。其中,姿态信息可以包括:待识别对象的立卧姿态信息、折叠姿态信息等。
然后,基于所述姿态信息及所述待识别对象具有的颜色类型和分布情况确定用于调整所述环境参数的第二调整策略,以基于所述第二调整策略确定所述待识别区域的补偿参数。
接着,至少基于所述补偿参数向所述待识别区域中的待识别对象补偿第二颜色及与所述第二颜色匹配的亮度。其中,所述第二颜色与所述待识别对象所具有的颜色类型不同。在本实施例中,补偿参数除了包括补偿颜色外,还可以包括补偿亮度。其中,图像传感器对不同的颜色的敏感度不完全一样,对于敏感度高的颜色,可以适当的降低补偿光的亮度,以节省电能和提升补光灯的寿命。对于敏感度低的颜色,可以适当的提升补偿光的亮度,以提升识别效果。
以通过补偿光的方式调整第一环境的环境参数为例进行说明,至少基于所述补偿参数向所述待识别区域中的待识别对象补偿与所述第二颜色匹配的亮度可以包括如下操作。
首先,基于所述姿态信息确定与所述第二颜色相同的亮度可调光源。其中,亮度可调光源可以分别分布在待识别对象的不同方向上。一个亮度可调光源可以发出一种或多种颜色的光。例如,一个亮度可调光源中集成了蓝色光源(如蓝光LED)和黄色光源(如黄光LED),可以通过调节给蓝色光源和/或黄色光源施加的电流来调节蓝光的亮度和/或黄光的亮度。此外,当调节蓝光的亮度和黄光的亮度时,还可以实现对颜色的调整(如通过调节蓝光和黄光的比例来实现蓝光、绿光、黄光或白光等)。又例如,可以分别设置多个亮度可调的单色光源。
然后,基于所述补偿参数控制所述亮度可调光源向所述待识别对象补偿与所述第二颜色匹配的亮度的光。
在操作S303,获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
其中,第一图像的识别处理可以包括如下操作:从拍摄的第一图像中将商品图像提取出来,然后,对商品图像进行特征提取,得到图像特征,接着,基于图像特征得到图像识别结果。此外,还可以对第一图像和/或商品图像进行图像预处理。
为了便于理解本公开的技术方案,以下以图4~图5为例对现有技术进行说明,然后基于相同的场景,以图6~图7为例进行说明。
图4示意性示出了现有技术的待检测对象在第一场景的示意图。
如图4所示,结合图1的结算台实施例为例进行说明。如图4上图所示,结算区域2上放置的商品包括颜色区域51和52。其中,颜色区域51与结算区域2的颜色相同或相近,如拍摄的图像中二者的颜色不易进行区分。现有技术中对商品进行图像识别时,由于颜色区域51与结算区域2的颜色不易进行区分,很可能得到的商品图像如图4下图52所示的区域,而图像区域51可能会被误判为结算区域2。因此,图像识别的结果可能由于上述误判而不准确。
图5示意性示出了现有技术的待检测对象在第二场景的示意图。
如图5所示,结合图1的结算台实施例为例进行说明。如图5上图所示,结算区域2上放置的商品包括颜色区域51和52。其中,颜色区域52与结算区域2的颜色相同或相近,如拍摄的图像中二者的颜色不易进行区分。现有技术中对商品进行图像识别时,由于颜色区域52与结算区域2的颜色不易进行区分,很可能得到的商品图像如图4下图51所示的区域,而图像区域52可能会被误判为结算区域2。因此,图像识别的结果可能由于上述误判而不准确。
图6示意性示出了根据本公开实施例的待检测对象在第一场景的示意图。
如图6所示,图6的上图为图4所示的场景,当检测到图像中包括两种颜色时,可以寻找与上述两种颜色互补的补偿色,然后对环境进行补光,可以得到如图6下图所示的结果。此时,结算区域2的颜色与商品上颜色区域51和颜色区域52的颜色的差别都比较大,可以有效提升商品图像的识别准确度,进而提升基于商品图像识别的商品信息的准确度。
图7示意性示出了根据本公开实施例的待检测对象在第二场景的示意图。
如图7所示,图7的上图为图5所示的场景,当检测到图像中包括两种颜色时,可以寻找与上述两种颜色互补的补偿色,然后对环境进行补光,可以得到如图7下图所示的结果。此时,结算区域2的颜色与商品上颜色区域51和颜色区域52的颜色的差别都比较大,可以有效提升商品图像的识别准确度,进而提升基于商品图像识别的商品信息的准确度。
在另一个实施例中,所述至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息可以包括如下操作。
首先,至少基于待识别对象的属性信息确定所述第一图像的分区粒度。其中,待识别对象的属性信息包括但不限于以下至少一种:物品类型、依据用户对物品预处理要求输入的配置属性等,该待识别对象的属性信息可以是默认属性,也可以是配置的信息。例如,商品名称、数量、价格、总价、厂商、型号等。
然后,按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区。例如,从第一图像中确定一个或多个商品的商品图像(如允许同时对多个商品进行识别),将第一图像中商品图像之外的图像作为环境噪音进行去除,即,可以去除背景图像。
接着,至少基于所述属性信息提取所述至少一图像分区的向量特征,以至少基于所述向量特征对所述待识别对象进行标记,得到所述待识别对象的标识信息。其中,图像分区的向量特征提取过程可以同现有技术。例如,向量特征可以包括针对以下至少一种的向量:边缘、角、区域、脊、颜色、纹理、形状、空间关系等。
其中,不同的分区粒度对应的图像分区的边缘像素点的数量不同。
具体地,所述按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区可以包括如下操作。
首先,获得所述第一图像在不同像素点的图像梯度。例如,图像梯度可以为灰度值或像素值。本实施例可以利用灰度图像或原始彩色图像,通过边缘检测方式,实现图像分区,进而获得待识别对象的图像。其中,边缘检测方式的目的是检测图像中亮度等参数明显变化的点。图像属性中的显著变化通常反映了属性的重要事件和变化。例如,深度上的不连续、表面方向不连续、物质属性变化、场景照明变化等。通过边缘检测,可以大幅度减少数据量,并且剔除可以认为不相关的信息,保留了图像重要的结构属性。
然后,将所述图像梯度大于第一阈值的像素点确定为所述第一图像的边缘像素点。具体地,可以基于查找和基于零穿越的方法进行边缘检测。其中,基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界,通常是拉普拉斯算子(Laplacian)过零点或者非线性差分表示的过零点。第一阈值可以是通过标定等方法确定的。
接着,按照所述分区粒度,从确定的边缘像素点中确定出分区边缘像素点,以基于所述分区边缘像素点形成至少一个图像分区。
图8示意性示出了根据本公开实施例的边缘像素点的示意图。图9示意性示出了根据本公开另一实施例的边缘像素点的示意图。
如图8和图9所示,为相同图案在不同分区粒度下的像素点示意图。在分区粒度不同时,确定的边缘像素点的数量不同。通常情况下,分区粒度越小,则边缘像素点越多,并且得到的边缘越与图像的真实边缘越接近。
然后,基于待识别对象的颜色信息从所述至少一个图像分区中去除第一环境对应的图像分区,得到所述待识别对象的至少一图像分区。
以下结合图10和图11对亮度可调光源进行示例性说明。
图10示意性示出了根据本公开实施例的电子设备的光源的示意图。
如图10所示,多个亮度可调光源6可以分别设置在台体1和/或结算区域2的上方的一个或多个方向。多个亮度可调光源6可以为单色光源或颜色可调光源。多个亮度可调光源6可以分为多组,并分别设置多个方向上,每组可以包括多个相同或不同颜色的光源。
图11示意性示出了根据本公开另一实施例的电子设备的光源的示意图。
如图11所示,结算区域2可以为透明或半透明区域。多个亮度可调光源6可以分别设置在结算区域2之下。多个亮度可调光源6可以为单色光源或颜色可调光源。多个亮度可调光源6可以分为多组,并分别设置多个方向上,每组可以包括多个相同或不同颜色的光源。
通过以上方式可以简便、快捷地实现对环境参数进行调节的功能,并且成本较低,便于推广。
图12示意性示出了根据本公开另一实施例的处理方法的流程图。
如图12所示,所述方法还可以包括操作S1201。
检测到待识别对象处于所述第一环境的待识别区域,获得所述待识别对象的第二图像,以基于所述第二对象确定所述待识别对象的颜色信息。
例如,待识别区域可以为结算区域2,当检测到结算区域2上放置有物品时,则可以进行拍照,以获得所述待识别对象的第二图像,并确定待识别对象的颜色信息。其中,可以通过图像传感器、电子称等确定结算区域2上是否有物品。此外,还可以是由人工输入的信号,如点击设定按钮等,来确定结算区域2上是否有物品。
需要说明的是,对于设置在固定位置的摄像头,该摄像头的取景范围则可以作为待识别区域。此外,在确定待识别对象的颜色信息时,可以将待识别区域中包括的所有颜色均作为待识别对象的颜色信息。通过以上方法可以简洁快速地确定待识别对象的颜色信息。
在另一个实施例中,所述方法还可以包括操作S1203。
在操作S1203,将待识别对象的第一图像与样本数据库中的样本进行比对,以输出更新样本数据库的提示信息或待识别对象的标识信息。
在本实施例中,可以通过图像相似度比对的方法从样本数据库中确定与图像最相似的样本,进而基于样本的标识信息确定待识别对象的标识信息。其中,样本数据库可以包括样本与标识信息之间的映射关系。
此外,以结算台为例进行说明,由于结算台上放置的物品的姿态可以为各种各样,如摆放位置、摆放角度、弯折度、折叠度等。因此,针对一个商品的图像可以存在很多个,在构建样本数据库时,针对一个样品,只能以有限的几个姿态的照片与对应的标识信息建立关联关系。但是,如果能增多不同姿态下的样本的照片时,则有助于提升待检测对象的识别准确度。因此,可以基于待识别对象的第一图像对样本数据库进行更新,该更新操作可以是自动进行的,也可以是将待识别对象的第一图像发送给审核人员进行审核通过后,再对样本数据库进行更新。这样使得随着样本数据使用的次数增多,基于其进行待识别对象识别的准确度增高。
本公开实施例提供的处理方法,以硬件调光的方式对环境参数(如结算台的背景色和亮度等)进行调整,如将结算台优化为透明玻璃台,台内增加彩灯,通过控制灯光颜色及光照强度对环境参数进行调整。具体地,先预采集包括商品的图像,识别图像中的颜色,然后根据特定算法计算出合适的背景颜色,自动调整环境参数,如调整背景灯光颜色及光照强度,使商品图像和结算台背景有明显区隔,提升图像分割的精度,从而实现提升商品识别的精确度。
图13示意性示出了根据本公开实施例的处理装置的框图。
如图13所示,电子设备1300可以包括环境参数调整模块1310和第一图像获得模块1330。
其中,环境参数调整模块1310用于至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同。
第一图像获得模块1330用于获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
在一个实施例中,所述环境参数调整模块1310可以包括:对象颜色确定子模块、第一调整策略确定子模块。
其中,对象颜色确定子模块用于基于所述待识别对象的颜色信息确定所述待识别对象具有的颜色类型和分布情况。
第一调整策略确定子模块用于确定与所述颜色类型和分布情况匹配的第一调整策略。
所述第一调整策略向所述待识别对象所在的待识别区域补偿第一颜色。其中,所述第一颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度符合第一阈值。
在另一个实施例中,所述环境参数调整模块可以包括:姿态获得子模块、第一调整策略确定子模块和补偿子模块。
其中,姿态获得子模块用于获得待识别对象在其所在的待识别区域中的姿态信息。
第一调整策略确定子模块用于基于所述姿态信息及所述待识别对象具有的颜色类型和分布情况确定用于调整所述环境参数的第二调整策略,以基于所述第二调整策略确定所述待识别区域的补偿参数。
补偿子模块用于至少基于所述补偿参数向所述待识别区域中的待识别对象补偿第二颜色及与所述第二颜色匹配的亮度。其中,所述第二颜色与所述待识别对象所具有的颜色类型不同。
具体地,所述补偿子模块可以包括光源确定单元、补偿单元。
其中,光源确定单元用于基于所述姿态信息确定与所述第二颜色相同的亮度可调光源。
补偿单元用于基于所述补偿参数控制所述亮度可调光源向所述待识别对象补偿与所述第二颜色匹配的亮度的光。
在另一个实施例中,所述装置1300还可以包括图像识别模块,该图像识别模块可以包括粒度确定子模块、分区子模块、标识信息获得子模块。
其中,粒度确定子模块用于至少基于待识别对象的属性信息确定所述第一图像的分区粒度。
分区子模块用于按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区。
标识信息获得子模块用于至少基于所述属性信息提取所述至少一图像分区的向量特征,以至少基于所述向量特征对所述待识别对象进行标记,得到所述待识别对象的标识信息。其中,不同的分区粒度对应的图像分区的边缘像素点的数量不同。
例如,所述分区子模块可以包括:图像梯度获得单元、边缘像素点确定单元、分区单元、筛除单元。
其中,图像梯度获得单元用于获得所述第一图像在不同像素点的图像梯度。
边缘像素点确定单元用于将所述图像梯度大于第一阈值的像素点确定为所述第一图像的边缘像素点。
分区单元用于按照所述分区粒度,从确定的边缘像素点中确定出分区边缘像素点,以基于所述分区边缘像素点形成至少一个图像分区。
筛除单元用于基于待识别对象的颜色信息从所述至少一个图像分区中去除第一环境对应的图像分区,得到所述待识别对象的至少一图像分区。
在另一个实施例中,所述装置1300还可以包括:第二图像获得模块。该第二图像获得模块用于检测到待识别对象处于所述第一环境的待识别区域,获得所述待识别对象的第二图像,以基于所述第二对象确定所述待识别对象的颜色信息。
在另一个实施例中,所述装置1300还可以包括提示模块。该提示模块用于将待识别对象的第一图像与样本数据库中的样本进行比对,以输出更新样本数据库的提示信息或待识别对象的标识信息。
所述装置1300包括的各模块、各子模块、各单元所执行的操作可以参见上面的描述,这里不再重复。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,环境参数调整模块1310和第一图像获得模块1330中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,环境参数调整模块1310和第一图像获得模块1330中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,环境参数调整模块1310和第一图像获得模块1330中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图14示意性示出了根据本公开实施例的电子设备的框图。图14示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图14所示,所述电子设备1400包括:一个或多个处理器1410、计算机可读存储介质1420、图像采集组件1430和光源组件1440。图像采集组件1430用于采集图像。光源组件1440用于提供多种颜色的光源。该电子设备可以执行根据本公开实施例的方法。
具体地,处理器1410例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1410还可以包括用于缓存用途的板载存储器。处理器1410可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质1420,例如可以是非易失性的计算机可读存储介质,具体示例包括但不限于:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存等等。
计算机可读存储介质1420可以包括程序1421,该程序1421可以包括代码/计算机可执行指令,其在由处理器1410执行时使得处理器1410执行根据本公开实施例的方法或其任何变形。
程序1421可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,程序1421中的代码可以包括一个或多个程序模块,例如包括程序模块1421A、程序模块1421B、……。应当注意,程序模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器1410执行时,使得处理器1410可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,处理器1410可以与计算机可读存储介质1420进行交互,来执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,环境参数调整模块1310和第一图像获得模块1330中的至少一个可以实现为参考图14描述的程序模块,其在被处理器1410执行时,可以实现上面描述的相应操作。
本公开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可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种处理方法,包括:
至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同;以及
获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
2.根据权利要求1所述的方法,其中,所述至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,包括:
基于所述待识别对象的颜色信息确定所述待识别对象具有的颜色类型和分布情况;
确定与所述颜色类型和分布情况匹配的第一调整策略,以基于所述第一调整策略向所述待识别对象所在的待识别区域补偿第一颜色;
其中,所述第一颜色与所述待识别对象所具有的颜色类型和分布情况之间的辨识度符合第一阈值。
3.根据权利要求1所述的方法,其中,所述至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,包括:
获得待识别对象在其所在的待识别区域中的姿态信息;
基于所述姿态信息及所述待识别对象具有的颜色类型和分布情况确定用于调整所述环境参数的第二调整策略,以基于所述第二调整策略确定所述待识别区域的补偿参数;
至少基于所述补偿参数向所述待识别区域中的待识别对象补偿第二颜色及与所述第二颜色匹配的亮度;
其中,所述第二颜色与所述待识别对象所具有的颜色类型不同。
4.根据权利要求3所述的方法,其中,至少基于所述补偿参数向所述待识别区域中的待识别对象补偿与所述第二颜色匹配的亮度,包括:
基于所述姿态信息确定与所述第二颜色相同的亮度可调光源;
基于所述补偿参数控制所述亮度可调光源向所述待识别对象补偿与所述第二颜色匹配的亮度的光。
5.根据权利要求1所述的方法,其中,所述至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息,包括:
至少基于待识别对象的属性信息确定所述第一图像的分区粒度;
按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区;
至少基于所述属性信息提取所述至少一图像分区的向量特征,以至少基于所述向量特征对所述待识别对象进行标记,得到所述待识别对象的标识信息;
其中,不同的分区粒度对应的图像分区的边缘像素点的数量不同。
6.根据权利要求5所述的方法,其中,所述按照所述分区粒度对所述第一图像进行图像分区,以去除环境噪音,得到所述待识别对象的至少一图像分区,包括:
获得所述第一图像在不同像素点的图像梯度;
将所述图像梯度大于第一阈值的像素点确定为所述第一图像的边缘像素点;
按照所述分区粒度,从确定的边缘像素点中确定出分区边缘像素点,以基于所述分区边缘像素点形成至少一个图像分区;
基于待识别对象的颜色信息从所述至少一个图像分区中去除第一环境对应的图像分区,得到所述待识别对象的至少一图像分区。
7.根据权利要求1所述的方法,还包括:
检测到待识别对象处于所述第一环境的待识别区域,获得所述待识别对象的第二图像,以基于所述第二对象确定所述待识别对象的颜色信息。
8.根据权利要求1至7任一项所述的方法,还包括:
将待识别对象的第一图像与样本数据库中的样本进行比对,以输出更新样本数据库的提示信息或待识别对象的标识信息。
9.一种处理装置,包括:
环境参数调整模块,用于至少基于待识别对象的颜色信息按照确定的调整策略调整所述待识别对象所处第一环境的环境参数,所述调整策略至少使得所述待识别对象所处第一环境的颜色与所述待识别对象不同;以及
第一图像获得模块,用于获得所述待识别对象的第一图像,以至少基于对所述第一图像的识别处理,得到所述待识别对象的标识信息。
10.一种电子设备,包括:
图像采集组件,用于采集图像;
光源组件,用于提供多种颜色的光源;
一个或多个处理器;以及
计算机可读存储介质,用于存储一个或多个计算机程序,所述计算机程序在被所述处理器执行时,实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415251.5A CN111145194A (zh) | 2019-12-31 | 2019-12-31 | 处理方法、处理装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415251.5A CN111145194A (zh) | 2019-12-31 | 2019-12-31 | 处理方法、处理装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145194A true CN111145194A (zh) | 2020-05-12 |
Family
ID=70522743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415251.5A Pending CN111145194A (zh) | 2019-12-31 | 2019-12-31 | 处理方法、处理装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640179A (zh) * | 2020-06-26 | 2020-09-08 | 百度在线网络技术(北京)有限公司 | 宠物模型的显示方法、装置、设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551014A (zh) * | 2015-11-27 | 2016-05-04 | 江南大学 | 基于具有时空联合信息的信念传播算法的图像序列变化检测方法 |
US20170223326A1 (en) * | 2016-01-28 | 2017-08-03 | International Business Machines Corporation | Automated color adjustment of media files |
CN107609514A (zh) * | 2017-09-12 | 2018-01-19 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
CN107729099A (zh) * | 2017-09-25 | 2018-02-23 | 联想(北京)有限公司 | 背景调整方法及其*** |
CN108038889A (zh) * | 2017-11-10 | 2018-05-15 | 维沃移动通信有限公司 | 一种图像偏色的处理方法及移动终端 |
CN110490852A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 目标对象的检索方法、装置、计算机可读介质及电子设备 |
-
2019
- 2019-12-31 CN CN201911415251.5A patent/CN111145194A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551014A (zh) * | 2015-11-27 | 2016-05-04 | 江南大学 | 基于具有时空联合信息的信念传播算法的图像序列变化检测方法 |
US20170223326A1 (en) * | 2016-01-28 | 2017-08-03 | International Business Machines Corporation | Automated color adjustment of media files |
CN107609514A (zh) * | 2017-09-12 | 2018-01-19 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
CN107729099A (zh) * | 2017-09-25 | 2018-02-23 | 联想(北京)有限公司 | 背景调整方法及其*** |
CN108038889A (zh) * | 2017-11-10 | 2018-05-15 | 维沃移动通信有限公司 | 一种图像偏色的处理方法及移动终端 |
CN110490852A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 目标对象的检索方法、装置、计算机可读介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640179A (zh) * | 2020-06-26 | 2020-09-08 | 百度在线网络技术(北京)有限公司 | 宠物模型的显示方法、装置、设备以及存储介质 |
CN111640179B (zh) * | 2020-06-26 | 2023-09-01 | 百度在线网络技术(北京)有限公司 | 宠物模型的显示方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
US9740967B2 (en) | Method and apparatus of determining air quality | |
US11265481B1 (en) | Aligning and blending image data from multiple image sensors | |
CN106993112A (zh) | 基于景深的背景虚化方法及装置和电子装置 | |
US20190132584A1 (en) | Method and device for calibration | |
CN113673305A (zh) | 使用最短连线特征的图像标记 | |
CN105678318B (zh) | 交通标牌的匹配方法及装置 | |
US11354885B1 (en) | Image data and simulated illumination maps | |
US20220114396A1 (en) | Methods, apparatuses, electronic devices and storage media for controlling image acquisition | |
CN107682685A (zh) | 白平衡处理方法及装置、电子装置和计算机可读存储介质 | |
CN112149348A (zh) | 一种基于无人货柜场景的仿真空间模型训练数据生成方法 | |
CN112750162A (zh) | 一种目标识别定位方法和装置 | |
Xiao et al. | Accurate extrinsic calibration between monocular camera and sparse 3D lidar points without markers | |
Wang et al. | Combining semantic scene priors and haze removal for single image depth estimation | |
CN116157867A (zh) | Lfa测试条的神经网络分析 | |
Li et al. | Color constancy using achromatic surface | |
Lee et al. | A taxonomy of color constancy and invariance algorithm | |
US11854233B1 (en) | Detecting overexposure in images from sunlight | |
CN111145194A (zh) | 处理方法、处理装置和电子设备 | |
Drew | Robust specularity detection from a single multi-illuminant color image | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
EP3671410A1 (en) | Method and device to control a virtual reality display unit | |
US10650246B1 (en) | System for determining a camera radiance | |
CN113065521B (zh) | 物体识别方法、装置、设备及介质 | |
CN110910379B (zh) | 一种残缺检测方法及装置 |
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 |