CN112001289A - 物品的检测方法和装置、存储介质及电子装置 - Google Patents
物品的检测方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112001289A CN112001289A CN202010828027.5A CN202010828027A CN112001289A CN 112001289 A CN112001289 A CN 112001289A CN 202010828027 A CN202010828027 A CN 202010828027A CN 112001289 A CN112001289 A CN 112001289A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- similarity
- target
- determining
- 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
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种物品的检测方法和装置、存储介质及电子装置,上述方法包括:确定第一图像与第二图像之间的一组结构相似度,一组结构相似度中的每个结构相似度为第一图像中的一个子图像和第二图像中的一个对应子图像之间的结构相似度;确定第一图像与第二图像之间的一组目标相似度;根据一组结构相似度和一组目标相似度,确定第一图像中的每个子图像与第二图像中的对应子图像之间的相似度;根据第一图像中的每个子图像与第二图像中的对应子图像之间的相似度,确定第二图像中的目标图像区域,目标图像区域为第二图像相对于第一图像发生变化的区域。通过本发明,解决了相关技术中对目标装置中的物品进行检测时耗时较长的技术问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种物品的检测方法和装置、存储介质及电子装置。
背景技术
相关技术中,对于用于存储物品的目标装置(例如冰箱),用户经常对该目标装置中放置的物品执行放入和取出操作,并且经常由于距离执行放入或取出操作的时间间隔较长或其它问题而忘记放入或取出的是什么物品(例如食材),因此用户希望方便的得知新放入或取出的物品,即目标装置中存在变动的物品。相关技术中,采用深度学习算法实现对目标装置中变动的物品进行检测,而该深度学习算法中需要采集大量的样本并根据样本进行训练,其中需要对大量的样本进行标注,因此处理所需的时间较长、工作量较大并且较为繁琐,以及需要采用具有专用图形处理器(Graphics Processing Unit,简称为GPU)算法的服务器,并在云端进行计算,从而导致该算法整体的检测效率较低、所需时间较长、处理工作量较大、成本较高。
针对相关技术中,对目标装置中的物品进行检测时耗时较长的技术问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种物品的检测方法和装置、存储介质及电子装置,以至少解决相关技术中对目标装置中的物品进行检测时耗时较长的技术问题。
根据本发明的一个实施例,提供了一种物品的检测方法,包括:确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
可选地,所述确定第一图像与第二图像之间的一组结构相似度,包括:将所述第一图像和所述第二图像分别划分为m×n个子图像,得到所述第一图像的子图像Sij,以及所述第二图像中的子图像S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;确定所述第一图像中的子图像Sij与所述第二图像中的子图像S′ij的结构相似度Fij,共得到所述一组结构相似度。
可选地,所述确定所述第一图像与所述第二图像之间的一组目标相似度,包括:确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij;确定所述显著图Kij与所述显著图K′ij之间的相似度Dij,共得到所述一组目标相似度。
可选地,所述确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij,包括:对所述第一图像中的子图像Si进行正交小波变换,得到所述子图像Sij的低频分量ILL和高频分量IHL、IHH、ILH;确定所述低频分量ILL与所述低频分量ILL的平均值之间的差值c;基于所述高频分量IHL、IHH、ILH以及所述差值c,进行逆小波变换,得到所述第一图像中的子图像Sij的显著图Kij;对所述第二图像中的子图像S′ij进行正交小波变换,得到所述子图像S′ij的低频分量I′LL和高频分量I′HL、I′HH、I′LH;确定所述低频分量I′LL与所述低频分量I′LL的平均值之间的差值c′;基于所述高频分量I′HL、I′HH、I′LH以及所述差值c′,进行逆小波变换,得到所述第二图像中的子图像S′ij的显著图K′ij。
可选地,所述根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,包括:根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,其中,所述第一图像以及所述第二图像均被划分为m×n个子图像,所述m、n为正整数,1≤i≤m,1≤j≤n。
可选地,所述根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,包括:根据以下公式确定所述相似度Rij:Rij=w1×Fij+w2×Dij,其中,所述w1,w2分别为所述结构相似度Fij、所述目标相似度Dij对应的权重。
可选地,所述根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,包括:在所述相似度Rij小于相似度阈值的情况下,对所述相似度Rij对应的所述第二图像中的子图像S′ij添加标记值;将添加了所述标记值的所有所述子图像S′ij在所述第二图像中组成的联通区域确定为所述目标图像区域。
根据本发明的另一个实施例,提供了一种物品的检测装置,包括:第一确定模块,用于确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;第二确定模块,用于确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;第三确定模块,用于根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;第四确定模块,用于根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
可选地,所述第一确定模块,还用于:将所述第一图像和所述第二图像分别划分为m×n个子图像,得到所述第一图像的子图像Sij,以及所述第二图像中的子图像S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;确定所述第一图像中的子图像Sij与所述第二图像中的子图像S′ij的结构相似度Fij,共得到所述一组结构相似度。
可选地,所述第二确定模块,还用于:确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij;确定所述显著图Kij与所述显著图K′ij之间的相似度Dij,共得到所述一组目标相似度。
可选地,所述第二确定模块,还用于:对所述第一图像中的子图像Sij进行正交小波变换,得到所述子图像Sij的低频分量ILL和高频分量IHL、IHH、ILH;确定所述低频分量ILL与所述低频分量ILL的平均值之间的差值c;基于所述高频分量IHL、IHH、ILH以及所述差值c,进行逆小波变换,得到所述第一图像中的子图像Sij的显著图Kij;对所述第二图像中的子图像S′ij进行正交小波变换,得到所述子图像S′ij的低频分量I′LL和高频分量I′HL、I′HH、I′LH;确定所述低频分量I′LL与所述低频分量I′LL的平均值之间的差值c′;基于所述高频分量I′HL、I′HH、I′LH以及所述差值c′,进行逆小波变换,得到所述第二图像中的子图像S′ij的显著图K′ij。
可选地,第三确定模块,还用于:根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,其中,所述第一图像以及所述第二图像均被划分为m×n个子图像,所述m、n为正整数,1≤i≤m,1≤j≤n。
可选地,所述第三确定模块,还用于:根据以下公式确定所述相似度Rij:Rij=w1×Fij+w2×Dij,其中,所述w1,w2分别为所述结构相似度Fij、所述目标相似度Dij对应的权重。
可选地,所述第四确定模块,还用于:在所述相似度Rij小于相似度阈值的情况下,对所述相似度Rij对应的所述第二图像中的子图像S′ij添加标记值;将添加了所述标记值的所有所述子图像S′ij在所述第二图像中组成的联通区域确定为所述目标图像区域。
可选地,根据本发明的另一个实施例,提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述方法。
可选地,根据本发明的另一个实施例,提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述方法。
通过本发明,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。由于不需要对大量的训练数据进行标注,以及依赖于大量的训练对深度学习算法进行训练,而是根据对第一图像以及第二图像进行上述处理步骤,检测到存在物品发生变化的区域,因此,可以解决相关技术中对目标装置中的物品进行检测时耗时较长的技术问题,缩短了对目标装置中的物品进行检测所需的时间,提高了对目标装置中的物品进行检测的效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为根据本发明实施例的物品的检测方法的流程图;
图2为根据本发明实施例的第一图像中的子图像的示意图;
图3为根据本发明实施例的第二图像中的子图像的示意图;
图4为根据本发明实施例的对第二图像中的子图像进行标记的示意图;
图5中根据本发明实施例的第二图像中所有添加标记的子图像的示意图;
图6为根据本发明实施例的目标图像区域的示意图;
图7为根据本发明另一实施例的物品的检测方法的流程图;
图8为根据本发明实施例的检测特征图的示意图;
图9为根据本发明另一实施例的目标图像区域的示意图;
图10是根据本发明一实施例的物品的检测装置的结构框图;
图11为根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。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。
需要说明的是,本发明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。
本发明实施例提供了一种物品的检测方法,图1为根据本发明实施例的物品的检测方法的流程图,如图1所示,包括:
步骤S102,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
步骤S104,确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
步骤S106,根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
步骤S108,根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
通过本发明,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。由于不需要对大量的训练数据进行标注,以及依赖于大量的训练对深度学习算法进行训练,而是根据对第一图像以及第二图像进行上述处理步骤,检测到存在物品发生变化的区域,因此,可以解决相关技术中对目标装置中的物品进行检测时耗时较长的技术问题,缩短了对目标装置中的物品进行检测所需的时间,提高了对目标装置中的物品进行检测的效率。
基于上述实施例,所述确定第一图像与第二图像之间的一组结构相似度,包括:将所述第一图像和所述第二图像分别划分为m×n个子图像,得到所述第一图像的子图像Sij,以及所述第二图像中的子图像S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;确定所述第一图像中的子图像Sij与所述第二图像中的子图像S′ij的结构相似度Fij,共得到所述一组结构相似度。
在上述实施例中,可以通过以下方式确定所述第一图像中的子图像i与所述第二图像中的子图像S′ij的结构相似度Fij:
确定所述第一图像中的子图像Sij与第二图像中的子图像S′ij之间的结构化相似特征将所述结构化相似特征Tij作为所述结构相似度Fij,其中,μ1表示子图像Sij中像素值的平均值,μ2表示子图像S′ij中像素值的平均值,σ1表示子图像Sij中像素值的方差,σ2表示子图像S′ij中像素值的方差,σ12表示子图像Sij中像素值与子图像S′ij中像素值的协方差。可选地,c1=(p1L)2,c2=(p2L)2,p1=0.01,p2=0.03,L表示目标装置内置的用于拍摄第一图像和第二图像的摄像机支持的像素值范围的取值(即最大像素值与最小像素值之间的像素值差值)。在另一可选的实施方式中,c1、c2可以为预先设置的数值。
如图2和图3所示,第一图像与第二图像均被划分为m×n个子图像,在图2和图3中,m=3,n=3,第一图像和第二图像中处于相同位置处的两张子图像为互相对应的子图像,例如,第一图像中的子图像S11与第二图像中的子图像S′11互为对应子图像。
其中,所述确定所述第一图像与所述第二图像之间的一组目标相似度,包括:确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij;确定所述显著图Kij与所述显著图K′ij之间的相似度Dij,共得到所述一组目标相似度。
需要说明的是,显著图是用于表示图像显著性的图,例如子图像Sij的显著图Kij用于表示子图像Sij的显著性,子图像S′ij的显著图K′ij用于表示子图像S′ij的显著性。
作为一种可选的实施方式,所述显著图Kij与所述显著图K′ij之间的相似度Dij为所述显著图Kij与所述显著图K′ij之间的余弦相似度。
基于上述实施例,所述确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij,包括:对所述第一图像中的子图像Sij进行正交小波变换,得到所述子图像Sij的低频分量ILL和高频分量IHL、IHH、ILH;确定所述低频分量ILL与所述低频分量ILL的平均值之间的差值c;基于所述高频分量IHL、IHH、ILH以及所述差值c,进行逆小波变换,得到所述第一图像中的子图像Sij的显著图Kij;对所述第二图像中的子图像S′ij进行正交小波变换,得到所述子图像S′ij的低频分量I′LL和高频分量I′HL、I′HH、I′LH;确定所述低频分量I′LL与所述低频分量I′LL的平均值之间的差值c′;基于所述高频分量I′HL、I′HH、I′LH以及所述差值c′,进行逆小波变换,得到所述第二图像中的子图像S′ij的显著图K′ij。
其中,高频分量IHL、IHH、ILH分别表示子图像Sij的水平方分量、对角分量、垂直分量,高频分量I′HL、I′HH、I′LH分别表示子图像S′ij的水平方分量、对角分量、垂直分量。
需要说明的是,低频分量ILL的表示形式为ILL(x,y),其中(x,y)表示低频分量ILL对应的子图像Sij中的像素点在子图像Sij中的坐标,即x∈[x0,xe],y∈[y0,ye],其中,x0,xe,,y0,ye分别表示子图像Sij中像素点的横坐标的最小值,横坐标的最大值,纵坐标的最小值,纵坐标的最大值;低频分量I′LL=I′LL(x′,y′),其中x′∈[x′0,x′e],y′∈[y′0,y′e],x′0,x′e,y′0,y′e分别表示子图像S′ij中像素点的横坐标的最小值,横坐标的最大值,纵坐标的最小值,纵坐标的最大值。
在上述实施例中,所述根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,包括:根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,其中,所述第一图像以及所述第二图像均被划分为m×n个子图像,所述m、n为正整数,1≤i≤m,1≤j≤n。
基于上述实施例,结合第一图像的子图像与第二图像的子图像之间的结构相似度以及目标相似度,确定第一图像的子图像与第二图像的子图像的相似度,从而提高了第一图像的子图像与第二图像的子图像之间的相似度的准确性,因此采用基于上述方式确定出的子图像之间的相似度确定第二图像中的目标图像区域,提高了确定出的目标图像区域的准确性。
所述根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,包括:根据以下公式确定所述相似度Rij:Rij=w1×Fij+w2×Dij,其中,所述w1,w2分别为所述结构相似度Fij,所述目标相似度Dij对应的权重。可选地,w1,w2均为0.5。
所述根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,包括:在所述相似度Rij小于相似度阈值的情况下,对所述相似度Rij对应的所述第二图像中的子图像S′ij添加标记值;将添加了所述标记值的所有所述子图像S′ij在所述第二图像中组成的联通区域确定为所述目标图像区域。
如图4所示,在确定出子图像S11与子图像S′11之间的相似度R11小于相似度阈值的情况下,对第二图像中的子图像S′11添加标记包括:对第二图像中的子图像S′11添加标识(例如“N”或“255”),或是对第二图像中的子图像S′11中的每个像素值添加标识,图5中显示了第二图像中添加了所述标记值的所有子图像;图6中显示了第二图像中添加了所述标记值的所有子图像所组成的联通区域,即图6中的网格区域(即上述实施例中的目标图像区域)。
在上述实施例中,在确定所述第二图像中的目标图像区域之后,上述实施例还用于执行以下技术方案:在所述目标装置的显示屏上显示提醒消息,其中,所述提示消息用于提示所述目标图像区域中放置的物品发生了变动。
以下以目标装置为冰箱、目标装置内的存储空间放置的物品为食材为例,对上述实施例中的物品的检测方法进行解释说明,但不用于限定本发明实施例的技术方案。如图7所示,本发明实施例的方案包括以下步骤:
步骤1、拍摄冰箱放入食材前的图像I和放入食材后的图片I′(即分别对应上述实施例中的第一图像和第二图像),对两张图像分别进行分块处理,分成m×n块,图像I中的图像块(即上述实施例中的第一图像中的子图像)为Sij,图片I′中的图像块(即上述实施例中的第二图像中的子图像)为S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;
步骤2、计算每一块图像Sij、S′ij之间的相似度。
其中,步骤2具备包括以下步骤:
步骤2.1、计算每一块图像Sij、S′ij之间的结构化相似特征Fij(即上述实施例中的结构化相似度),其中,结构化相似特征Fij的计算公式为:μ1表示子图像Sij中像素值的平均值,μ2表示子图像S′ij中像素值的平均值,σ1表示子图像Sij中像素值的方差,σ2表示子图像S′ij中像素值的方差,σ12表示子图像Sij中像素值与子图像S′ij中像素值的协方差。c1,c2为用于维持稳定的常数。可选地,c1=(p1L)2,c2=(p2L)2,p1=0.01,p2=0.03,L表示用于拍摄第一图像和第二图像的摄像机支持的像素值范围的取值(即最大像素值与最小像素值之间的像素值差值);Fij的数值范围为0至1,当两张子图像一模一样时Fij的值为1。
步骤2.2、计算每一块图像Sij的对比显著图像Kij(即上述实施例中的显著图),以及每一块图像S′ij的对比显著图像K′ij(即上述实施例中的显著图),其中Kij的计算过程包括:
步骤2.2.1、对图像Sij进行正交小波变换,得到图像的四个小波分量,即一个低频分量ILL(x,y)(即上述实施例中的低频分量ILL)和三个高频分量IHL(x,y)、IHH(x,y)、ILH(x,y)(即上述实施例中的高频分量IHL、IHH、ILH),其中每个分量中的(x,y)表示分量所对应的子图像中的像素点的坐标,例如,ILL(x,y)中的x,y表示图像Sij中的像素点在图像Sij中的坐标,x∈[x0,xe],y∈[y0,ye],其中,x0,xe,,y0,ye分别表示子图像Sij中像素点的横坐标的最小值,横坐标的最大值,纵坐标的最小值,纵坐标的最大值;
步骤2.2.2、计算低频分量ILL(x,y)与其平均值之间的差值:
C(x,y)=(ILL(x,y)-Iμ)2,其中Iμ为低频分量ILL(x,y)的平均值;
步骤2.2.3、基于所述C(x,y),IHL(x,y)、IHH(x,y)、ILH(x,y)进行逆小波变换,从而得到对比显著图像Kij。
按照上述计算过程,同理计算出每一小块图像S′ij的对比显著图像K′ij;
步骤2.3、计算对比显著图Kij与K′ij的余弦相似度距离Dij(即上述实施例中的目标相似度Dij);
步骤2.4、对结构化相似度Fij与对比显著相似度Dij加权求和得到综合相似度Rij,加权系数分别为0.5,0.5,当Rij大于相似度阈值时,取S′ij块中每个像素标记为255,当Rij小于或等于相似度阈值时,取S′ij块中每个像素标记为0。相似度阈值可以根据经验或实际场景从0至1的范围中选取某一数值;
步骤3、对所有图像块完成标记后,将添加了标记0的图像块记为S″ij,将S″ij重新按照第二图像中的分块顺序组合成新的图像,该新的图像即为检测特征图;
可选地,如图8所示,将S″ij重新按照第二图像中的分块顺序组合成新的图像为图8所示的图像;
步骤4、将检测特征图进行连通域合并,并标记出所有连通域的外接矩形框(该外接矩形框所表示的区域即上述实施例中的目标图像区域),连通域即为检测到的食材变动位置,如图9中显示的由实线所围成的区域即为检测到的食材变动位置。
通过上述实施例,可以实现在向冰箱食材放入或取出食材时提醒用户食材变动的技术效果,并且能够提醒用户在哪个位置有新放入的食材,并能够解决在检测食材位置变动时采用深度学习算法需要采集大量的数据,以及需要对数据进行标定所导致的耗时耗力的技术问题,本发明实施例中不需要采集大量数据和进行大量标注工作,即可完成食材位置变动的检测,检测速度快,不需用专用GPU服务器,对网络依赖小,并且可以在前端部署和实现。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明的另一个实施例,提供了一种物品的检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图10是根据本发明一实施例的物品的检测装置的结构框图,该装置包括:
第一确定模块62,用于确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
第二确定模块64,用于确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
第三确定模块66,用于根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
第四确定模块68,用于根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
通过本发明,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。由于不需要对大量的训练数据进行标注,以及依赖于大量的训练对深度学习算法进行训练,而是根据对第一图像以及第二图像进行上述处理步骤,检测到存在物品发生变化的区域,因此,可以解决相关技术中对目标装置中的物品进行检测时耗时较长的技术问题,缩短了对目标装置中的物品进行检测所需的时间,提高了对目标装置中的物品进行检测的效率。
可选地,所述第一确定模块62,还用于:将所述第一图像和所述第二图像分别划分为m×n个子图像,得到所述第一图像的子图像Sij,以及所述第二图像中的子图像S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;确定所述第一图像中的子图像Sij与所述第二图像中的子图像S′ij的结构相似度Fij,共得到所述一组结构相似度。
可选地,所述第二确定模块64,还用于:确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij;确定所述显著图Kij与所述显著图K′ij之间的相似度Dij,共得到所述一组目标相似度。
可选地,所述第二确定模块64,还用于:对所述第一图像中的子图像Sij进行正交小波变换,得到所述子图像Sij的低频分量ILL和高频分量IHL、IHH、ILH;确定所述低频分量ILL与所述低频分量ILL的平均值之间的差值c;基于所述高频分量IHL、IHH、ILH以及所述差值c,进行逆小波变换,得到所述第一图像中的子图像Sij的显著图Kij;对所述第二图像中的子图像S′ij进行正交小波变换,得到所述子图像S′ij的低频分量I′LL和高频分量I′HL、I′HH、I′LH;确定所述低频分量I′LL与所述低频分量I′LL的平均值之间的差值c′;基于所述高频分量I′HL、I′HH、I′LH以及所述差值c′,进行逆小波变换,得到所述第二图像中的子图像S′ij的显著图K′ij。
可选地,第三确定模块66,还用于:根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,其中,所述第一图像以及所述第二图像均被划分为m×n个子图像,所述m、n为正整数,1≤i≤m,1≤j≤n。
可选地,所述第三确定模块66,还用于:根据以下公式确定所述相似度Rij:Rij=w1×Fij+w2×Dij,其中,所述w1,w2分别为所述结构相似度Fij,所述目标相似度Dij对应的权重。
可选地,所述第四确定模块68,还用于:在所述相似度Rij小于相似度阈值的情况下,对所述相似度Rij对应的所述第二图像中的子图像S′ij添加标记值;将添加了所述标记值的所有所述子图像S′ij在所述第二图像中组成的联通区域确定为所述目标图像区域。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
S2,确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
S3,根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
S4,根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
S2,确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
S3,根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
S4,根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
图11是根据本发明实施例的一种可选的电子装置的结构示意图。可选地,本领域普通技术人员可以理解,图11所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图11其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图11中所示更多或者更少的组件(如网络接口等),或者具有与图11所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本发明实施例中的物品的检测的方法和物品的检测的装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的物品的检测的方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。作为一种示例,上述存储器1002中可以但不限于包括上述物品的检测的装置的第一确定模块62,第二确定模块64,第三确定模块66以及第四确定模块68。此外,还可以包括但不限于上述物品的检测的装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输设备1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输设备1006包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输设备1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1008,用于显示画面;和连接总线1010,用于连接上述电子装置中的各个模块部件。
在其他实施例中,上述终端或者服务器可以是一个分布式***中的一个节点,其中,该分布式***可以为区块链***,该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
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,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种物品的检测方法,其特征在于,包括:
确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
2.根据权利要求1所述的方法,其特征在于,所述确定第一图像与第二图像之间的一组结构相似度,包括:
将所述第一图像和所述第二图像分别划分为m×n个子图像,得到所述第一图像的子图像Sij,以及所述第二图像中的子图像S′ij,其中,所述m、n为正整数,1≤i≤m,1≤j≤n;
确定所述第一图像中的子图像Sij与所述第二图像中的子图像S′ij的结构相似度Fij,共得到所述一组结构相似度。
3.根据权利要求2所述的方法,其特征在于,所述确定所述第一图像与所述第二图像之间的一组目标相似度,包括:
确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij;
确定所述显著图Kij与所述显著图K′ij之间的相似度Dij,共得到所述一组目标相似度。
4.根据权利要求3所述的方法,其特征在于,所述确定所述第一图像中的子图像Sij的显著图Kij,以及所述第二图像中的子图像S′ij的显著图K′ij,包括:
对所述第一图像中的子图像Sij进行正交小波变换,得到所述子图像Sij的低频分量ILL和高频分量IHL、IHH、ILH;
确定所述低频分量ILL与所述低频分量ILL的平均值之间的差值c;
基于所述高频分量IHL、IHH、ILH以及所述差值c,进行逆小波变换,得到所述第一图像中的子图像Sij的显著图Kij;
对所述第二图像中的子图像S′ij进行正交小波变换,得到所述子图像S′ij的低频分量I′LL和高频分量I′HL、I′HH、I′LH;
确定所述低频分量I′LL与所述低频分量I′LL的平均值之间的差值c′;
基于所述高频分量I′HL、I′HH、I′LH以及所述差值c′,进行逆小波变换,得到所述第二图像中的子图像S′ij的显著图K′ij。
5.根据权利要求1所述的方法,其特征在于,所述根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,包括:
根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,其中,所述第一图像以及所述第二图像均被划分为m×n个子图像,所述m、n为正整数,1≤i≤m,1≤j≤n。
6.根据权利要求5所述的方法,其特征在于,所述根据所述一组结构相似度中的结构相似度Fij以及所述一组目标相似度中的目标相似度Dij,确定所述第一图像中的子图像Sij与所述第二图像中的对应子图像S′ij之间的相似度Rij,包括:
根据以下公式确定所述相似度Rij:
Rij=w1×Fij+w2×Dij,其中,所述w1,w2分别为所述结构相似度Fij、所述目标相似度Dij对应的权重。
7.根据权利要求5所述的方法,其特征在于,所述根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,包括:
在所述相似度Rij小于相似度阈值的情况下,对所述相似度Rij对应的所述第二图像中的子图像S′ij添加标记值;
将添加了所述标记值的所有所述子图像S′ij在所述第二图像中组成的联通区域确定为所述目标图像区域。
8.一种物品的检测装置,其特征在于,包括:
第一确定模块,用于确定第一图像与第二图像之间的一组结构相似度,其中,所述一组结构相似度中的每个结构相似度为所述第一图像中的一个子图像和所述第二图像中的一个对应子图像之间的结构相似度,所述第一图像为第一时刻对目标装置内的存储空间进行拍摄得到的图像,所述第二图像为第二时刻对所述存储空间进行拍摄得到的图像,所述第一图像和所述第二子图像均被划分为多个子图像;
第二确定模块,用于确定所述第一图像与所述第二图像之间的一组目标相似度,其中,所述一组目标相似度中的每个目标相似度为所述第一图像中的所述一个子图像的显著图与所述第二图像中的所述一个对应子图像的显著图之间的相似度;
第三确定模块,用于根据所述一组结构相似度和所述一组目标相似度,确定所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度;
第四确定模块,用于根据所述第一图像中的每个子图像与所述第二图像中的对应子图像之间的相似度,确定所述第二图像中的目标图像区域,其中,所述目标图像区域为所述第二图像相对于所述第一图像发生变化的区域,所述目标图像区域用于表示所述目标图像区域中的放置的物品发生了改变。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010828027.5A CN112001289A (zh) | 2020-08-17 | 2020-08-17 | 物品的检测方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010828027.5A CN112001289A (zh) | 2020-08-17 | 2020-08-17 | 物品的检测方法和装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001289A true CN112001289A (zh) | 2020-11-27 |
Family
ID=73474063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010828027.5A Pending CN112001289A (zh) | 2020-08-17 | 2020-08-17 | 物品的检测方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001289A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361509A (zh) * | 2021-08-11 | 2021-09-07 | 西安交通大学医学院第一附属医院 | 用于面神经麻痹检测的图像处理方法 |
CN113989696A (zh) * | 2021-09-18 | 2022-01-28 | 北京远度互联科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212704A1 (en) * | 2005-03-15 | 2006-09-21 | Microsoft Corporation | Forensic for fingerprint detection in multimedia |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
CN106575366A (zh) * | 2014-07-04 | 2017-04-19 | 光实验室股份有限公司 | 关于检测和/或指示脏镜头状况的方法和装置 |
CN107346409A (zh) * | 2016-05-05 | 2017-11-14 | 华为技术有限公司 | 行人再识别方法和装置 |
CN107657608A (zh) * | 2017-09-25 | 2018-02-02 | 北京小米移动软件有限公司 | 图像质量确定方法、装置及电子设备 |
CN108615042A (zh) * | 2016-12-09 | 2018-10-02 | 炬芯(珠海)科技有限公司 | 视频格式识别的方法和装置以及播放器 |
CN109300096A (zh) * | 2018-08-07 | 2019-02-01 | 北京智脉识别科技有限公司 | 一种多聚焦图像融合方法及装置 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN110149553A (zh) * | 2019-05-10 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质及电子装置 |
-
2020
- 2020-08-17 CN CN202010828027.5A patent/CN112001289A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212704A1 (en) * | 2005-03-15 | 2006-09-21 | Microsoft Corporation | Forensic for fingerprint detection in multimedia |
CN106575366A (zh) * | 2014-07-04 | 2017-04-19 | 光实验室股份有限公司 | 关于检测和/或指示脏镜头状况的方法和装置 |
CN104574399A (zh) * | 2015-01-06 | 2015-04-29 | 天津大学 | 基于多尺度视觉显著性与梯度幅值的图像质量评价方法 |
CN107346409A (zh) * | 2016-05-05 | 2017-11-14 | 华为技术有限公司 | 行人再识别方法和装置 |
CN108615042A (zh) * | 2016-12-09 | 2018-10-02 | 炬芯(珠海)科技有限公司 | 视频格式识别的方法和装置以及播放器 |
CN107657608A (zh) * | 2017-09-25 | 2018-02-02 | 北京小米移动软件有限公司 | 图像质量确定方法、装置及电子设备 |
CN109300096A (zh) * | 2018-08-07 | 2019-02-01 | 北京智脉识别科技有限公司 | 一种多聚焦图像融合方法及装置 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN110149553A (zh) * | 2019-05-10 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像的处理方法和装置、存储介质及电子装置 |
Non-Patent Citations (3)
Title |
---|
刘彦甲: "视觉注意模型及其在SAR图像中的应用研究", 《中国优秀硕士学位学位论文全文数据库信息科技辑》, no. 01, pages 136 - 1199 * |
宋明煜;张靖;俞一彪;: "多向滤波结合小波逆变换的图像超分辨率重建", 现代信息科技, no. 15, pages 5 - 8 * |
杨杰,张翔: "《视频目标检测和跟踪及其应用》", vol. 1, 31 August 2012, 上海交通大学出版社, pages: 189 - 192 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361509A (zh) * | 2021-08-11 | 2021-09-07 | 西安交通大学医学院第一附属医院 | 用于面神经麻痹检测的图像处理方法 |
CN113989696A (zh) * | 2021-09-18 | 2022-01-28 | 北京远度互联科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN112001289A (zh) | 物品的检测方法和装置、存储介质及电子装置 | |
CN111459269B (zh) | 一种增强现实显示方法、***及计算机可读存储介质 | |
CN108647264A (zh) | 一种基于支持向量机的图像自动标注方法及装置 | |
CN112115292A (zh) | 图片搜索方法及装置、存储介质、电子装置 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN114638846A (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
CN114612531B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112750146B (zh) | 目标对象跟踪方法和装置、存储介质及电子设备 | |
CN114299230A (zh) | 一种数据生成方法、装置、电子设备及存储介质 | |
CN111127529B (zh) | 图像配准方法及装置、存储介质、电子装置 | |
CN107181767A (zh) | 信息共享方法、***及服务器 | |
CN104424635A (zh) | 一种信息处理方法、***和设备 | |
CN108764206B (zh) | 目标图像识别方法和***、计算机设备 | |
CN113435515B (zh) | 图片识别方法和装置、存储介质及电子设备 | |
CN114882115B (zh) | 车辆位姿的预测方法和装置、电子设备和存储介质 | |
CN115550645A (zh) | 帧内预测模式的确定方法、装置、存储介质及电子设备 | |
CN113781541B (zh) | 基于神经网络的三维图像处理方法、装置及电子设备 | |
US9679363B1 (en) | System and method for reducing image noise | |
US10636137B1 (en) | System for determining object orientations in an image | |
CN108062741B (zh) | 双目图像处理方法、成像装置和电子设备 | |
CN113141495A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN111768443A (zh) | 基于移动摄像头的图像处理方法和装置 | |
CN112767348B (zh) | 一种检测信息的确定方法和装置 |
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 |