CN112949423A - 物体识别方法、物体识别装置及机器人 - Google Patents
物体识别方法、物体识别装置及机器人 Download PDFInfo
- Publication number
- CN112949423A CN112949423A CN202110168772.6A CN202110168772A CN112949423A CN 112949423 A CN112949423 A CN 112949423A CN 202110168772 A CN202110168772 A CN 202110168772A CN 112949423 A CN112949423 A CN 112949423A
- Authority
- CN
- China
- Prior art keywords
- image
- object recognition
- target image
- processed
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/10—Terrestrial 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本申请适用于机器人技术领域,提供了物体识别方法、物体识别装置及机器人,包括:对待处理图像进行预处理,得到目标图像,所述预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别;输出对应的物体识别结果。通过上述方法,使得离线也能实现对物体的识别。
Description
技术领域
本申请属于机器人技术领域,尤其涉及物体识别方法、物体识别装置、机器人及计算机可读存储介质。
背景技术
现有的物体识别算法通常是直接对图像进行识别,且部署在云端。由于直接对图像进行识别,因此容易得到误识别的结论;而且,由于物体识别算法部署在云端,会受限于网络条件,例如,当网络不好时物体识别的功能体验不好,而当无网络时更无法使用物体识别功能。
故,需要提供一种新的方法,以解决上述技术问题。
发明内容
本申请实施例提供了物体识别方法,使得机器人离线也能对物体进行识别。
第一方面,本申请实施例提供了一种物体识别方法,应用于机器人,包括:
对待处理图像进行预处理,得到目标图像,所述预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;
若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别;
输出对应的物体识别结果。
第二方面,本申请实施例提供了一种物体识别装置,应用于机器人,包括:
目标图像确定单元,用于对待处理图像进行预处理,得到目标图像,所述预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;
物体识别单元,用于若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别;
物体识别结果输出单元,用于输出对应的物体识别结果。
第三方面,本申请实施例提供了一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面,本申请实施例提供了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程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,对待处理图像进行预处理,得到目标图像,若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别,输出对应的物体识别结果。其中,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测,也即,在本申请实施例中,只有通过清晰度检测、色度检测和亮度检测中的至少一种检测后的待处理图像才会被进行物体识别,由于满足上述预设条件的待处理图像的图像质量较高,因此,对通过上述检测后的待处理图像进行物体识别,能够提高得到的物体识别结果的准确度。此外,由于物体识别算法是本地的算法,因此,即使离线也能实现对物体的识别。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的第一种物体识别方法的流程示意图;
图2是本申请一实施例提供的第二种物体识别方法的流程示意图;
图3是本申请一实施例提供的目标图像有2个主体的示意图;
图4是本申请一实施例提供的第三种物体识别方法的流程示意图;
图5是本申请一实施例提供的一种物体识别装置的结构示意图;
图6是本申请一实施例提供的机器人的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
现有的物体识别算法中,通常是直接对图像进行物体识别,且部署在云端。基于机器人通常是处于运动状态,因此,运动状态的机器人拍摄得到的图像极可能是模糊的图像,若直接对机器人拍摄的图像进行识别,则很可能得到错误的识别结果。此外,运动状态的机器人也可能处于网络条件不好的环境,此时,机器人难以及时将其拍摄得到的图像上传至云端,或者,云端难以及时将得到的物体识别结果下发至机器人。无论哪一种情况,机器人都难以及时获得其拍摄得到的图像的物体识别结果。为了解决上述技术问题,本申请实施例提供了一种物体识别方法,在该物体识别方法中,将物体识别算法部署在机器人上,在机器人执行拍摄动作,得到拍摄的图像后,对该图像进行清晰度检测、色度检测和/或亮度检测等预处理,只有在预处理后的图像满足预设条件,才会采用本地的物体识别算法进行相应的物体识别。
下面结合附图对本申请实施例提供的物体识别方法进行描述。
图1示出了本申请实施例提供的第一种物体识别方法的流程图,该物体识别方法应用于机器人,详述如下:
步骤S11,对待处理图像进行预处理,得到目标图像,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测。
其中,待处理图像是机器人执行拍摄动作(拍摄照片的动作或者拍摄视频流的动作)后得到的图像(后续将机器人执行拍摄动作后得到的图像记为原始图像),或者,待处理图像为对原始图像进行一定处理后的图像。
在一些实施例中,待处理图像为机器人拍摄的视频流中的一个图像帧。
具体地,(1)若待处理图像为机器人拍摄的视频流中的一个图像帧,考虑到相邻图像帧通常是相似的,不相似的则为存在抖动现象,而抖动的图像通常为不清晰的图像,此时,通过以下方式对待处理图像进行清晰度检测:获取该待处理图像在视频流中的上一个图像帧,即为待比较图像。将待处理图像与待比较图像进行比较,得到待处理图像与待比较图像在每一个像素点上的像素值的差异,计算各个像素点的像素值的差异的均值,若各个像素点的像素值的差异的均值大于预设的相似度阈值,则判定该待处理图像的清晰度满足预设的清晰度条件,否则,判定该待处理图像的清晰度不满足预设的清晰度条件。(2)若待处理图像为机器人执行拍摄照片得到的一个图像,考虑到机器人拍到纯色的图像的概率非常小,而图像在某个区域存在模糊时,该区域的像素值通常很接近,此时,通过以下方式对待处理图像进行清晰度检测:通过预设窗口确定待处理图像中的待处理区域,对待处理区域中的每个像素点,分别计算该像素点与该待处理区域内其他像素点的像素值的差异,得到计算结果后,按照预设的步长以及预设顺序(比如从待处理图像的左边逐步移动到该待处理图像的右边之后,再从待处理图像的上面移动到该待处理图像的下面)移动该预设窗口,得到新的待处理区域,再对新的待处理区域中的每个像素点,分别计算该像素点与该新的待处理区域内其他像素点的像素值的差异,得到另一个计算结果,返回按照预设的步长移动该预设窗口的步骤以及后续步骤,直到待处理图像的全部区域均已被预设窗口移动覆盖,得到各个计算结果,统计各个计算结果的总和的均值,若各个计算结果的总和的均值大于预设的模糊度阈值,则判定该待处理图像的清晰度不满足预设的清晰度条件,否则,判定该待处理图像的清晰度满足预设的清晰度条件。
具体地,通过以下方式对待处理图像进行色度检测:获取待处理图像中各个像素点的色度值,判断各个像素点的色度值是否在预设色度值范围内,若是,则判定该待处理图像的色度满足预设的色度条件,否则,判定该待处理图像的色度不满足预设的色度条件。
具体地,通过以下方式对待处理图像进行亮度检测:获取待处理图像中各个像素点的亮度值,若最大的亮度值小于预设的最大亮度阈值,且最小的亮度值小于预设的最小亮度阈值,则判定该待处理图像的亮度满足预设的亮度条件,否则,判定该待处理图像的亮度不满足预设的亮度条件。
在上述步骤S11之前,包括:按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为待处理图像,原始图像为机器人执行拍摄动作后所获得的图像。
其中,预设比例是指中心区域与原始图像的比例,例如,假设预设比例为1/3,则中心区域的长为原始图像的长*1/3,中心区域的宽为原始图像的宽*1/3。需要指出的是,上述中心区域的中心点为原始图像的中心点,即,以原始图像的中心点为中心,向原始图像的左、右、上、下方向分别延伸,左、右方向延伸后得到的中心区域的长度值作为该中心区域的宽,上、下方向延伸后得到的中心区域的长度值作为该中心区域的长。
本实施例中,考虑到机器人只关心其视野中心的物体,因此,将原始图像的中心区域裁剪出来作为待处理图像,能够去除无关的背景,从而有助于提高后续得到的物体识别结果的准确度。
在一些实施例中,按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为待处理图像,具体包括:若原始图像的颜色模式不是目标模式,则将原始图像的颜色模式转换成目标模式,再按预设比例裁剪出转换成目标模式的原始图像的中心区域,裁剪得到的图像作为待处理图像。
在一些实施例中,按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为待处理图像,具体包括:按预设比例裁剪出原始图像的中心区域,若裁剪得到的图像的颜色模式不是目标模式,则将裁剪得到的图像的颜色模式转换成目标模式,转换成目标模式的裁剪得到的图像作为待处理图像。
步骤S12,若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别。
其中,上述本地的物体识别算法,是指运行在机器人上的基于深度学习的物体识别算法,也即,本实施例的物体识别算法是一种离线的物体识别算法,即使机器人与云端断开连接,该机器人也能对图像进行物体识别。
步骤S13,输出对应的物体识别结果。
具体地,通过语音或文字的形式输出物体识别结果,该物体识别结果用于指示该物体所属的类别。
本申请实施例中,对待处理图像进行预处理,得到目标图像,若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别,输出对应的物体识别结果。其中,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测,也即,在本申请实施例中,只有通过清晰度检测、色度检测和亮度检测中的至少一种检测后的待处理图像才会被进行物体识别,由于满足上述预设条件的待处理图像的图像质量较高,因此,对通过上述检测后的待处理图像进行物体识别,能够提高得到的物体识别结果的准确度。此外,由于物体识别算法是本地的算法,因此,即使机器人处于离线状态也能实现对物体的识别。
图2示出了本申请实施例提供的第二种物体识别方法的流程示意图,本实施例中,步骤S22和步骤S23为对步骤S12的进一步描述,步骤S21和步骤S24分别与步骤S11和步骤S13相同,此处不再赘述。
步骤S21,对待处理图像进行预处理,得到目标图像,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测。
步骤S22,若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行主体检测。
需要指出的是,上述物体识别算法包括2部分,一部分是物体检测,另一部分是对得到的主体进行物体分类。
具体地,采用本地的物体识别算法中的物体检测算法对目标图像进行物体检测,得到该目标图像包含的物体的检测结果,该检测结果包含物体框、物体框对应的类别,该物体框对应的类别的置信度。判断该物体的物体框对应的类别的置信度是否大于预设的置信度阈值,若大于预设的置信度阈值,则保留该物体的检测结果,即该物体的检测结果中的物体框内的物体即为目标图像的主体。若不大于预设的置信度阈值,相当于目标图像无突出的物体,则表明图像中不存在主体,此时,可输出未检测到物体的信息。
步骤S23,若目标图像存在主体,则对主体进行物体识别。
本实施例中,当判断出目标图像存在主体时,使用训练好的多类别分类网络对该主体进行物体识别。
在一些实施例中,由于目标图像可能存在多个主体,此时,步骤S23包括:
A1、若目标图像存在至少2个主体,则保留距离目标图像的中心最近的主体。
A2、对保留的主体进行物体识别。
上述A1和A2中,考虑到机器人只关注其视野中心的物体,因此,为了快速实现对物体的识别,则只保留距离目标图像的中心最近的主体作为待识别的主体。如图3所示,检测到目标图像的主体有2个:主体1和主体2,且主体1距离目标图像的中心点更近,因此,保留主体1,后续将对主体1进行物体识别。
在一些实施例中,步骤A2具体包括:
将保留的主体所对应的图像调整为预设大小,对大小调整后的保留的主体所对应的图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
具体地,若物体识别算法包括2部分,一部分是物体检测,另一部分是对得到的主体进行物体分类,也即物体识别算法对应的物体识别模型包括2部分,一部分是用于进行物体检测的网络,另一部分是用于对得到的主体进行物体分类的分类网络。这里的训练样本大小是指训练用于物体分类的分类网络的训练样本的大小。例如,若训练分类网络所采用的训练样本大小为224*224,那么这里的预设大小也为224*224。也即,如果保留的主体所对应的图像的图像大小与训练样本大小不同(比如大于训练样本大小,或小于训练样本大小),那么则对该保留的主体所对应的图像的大小进行调整。
本实施例中,由于将保留的主体所对应的图像大小调整为预设大小,而预设大小与训练样本大小相同,因此,有利于分类网络对物体进行更准确的物体识别。
在一些实施例中,考虑到机器人所希望识别的物体不一定就正好在目标图像的中心,但距离中心也不远,此时,可结合主体的面积以及距离中心点的距离确定需要保留的主体,具体地,步骤S23包括:
A1’、若目标图像存在至少2个主体,则确定距离目标图像的中心最近的两个主体,假设确定的主体为第一主体和第二主体,第一主体与目标图像的中心的距离为第一距离,第二主体与目标图像的中心的距离为第二距离,第一主体的物体框的面积为第一面积,第二主体的物体框的面积为第二面积,确定第一面积与第一距离的比值,以及确定第二面积与第二距离的比值,保留较大的比值所对应的主体。
具体地,当物体框的面积越大,与中心的距离越近,则得到的比值越大,反之,得到的比值越小。
A2’、对保留的主体进行物体识别。
上述A1’和A2’中,确定不同主体的物体框的面积,以及确定不同主体与中心点的距离,进而确定同一主体的面积与距离的比值,最后保留比值最大的主体。由于比值最大时,表示该主体的物体框的面积较大,且距离中心点较近,也即表明该主体为机器人需要识别的主体的可能性更大,因此,只对这种类型的主体进行识别能够提高得到的物体识别结果的准确性。
步骤S24,输出对应的物体识别结果。
本申请实施例中,先对目标图像进行主体检测,只有在检测到主体后才对主体进行物体识别,而不是直接对目标图像进行物体识别,因此,能够屏蔽掉目标图像的背景信息所属的类别,而机器人在进行物体识别时,其只关注主体所属的类别,因此,通过对目标图像进行主体检测后再对得到的主体进行物体识别,能够保证得到的物体识别结果更准确,更符合机器人的需求。
图4示出了本申请实施例提供的第三种物体识别方法的流程示意图,在本实施例中,步骤S42为对步骤S12的进一步的描述,步骤S41与步骤S43分别与上述步骤S11与步骤S13相同,此处不再赘述。
步骤S41,对待处理图像进行预处理,得到目标图像,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测。
步骤S42,若目标图像符合预设条件,则将目标图像调整为预设大小,采用本地的物体识别算法对大小调整后的目标图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
本实施例中,若物体识别算法只包括对图像的物体进行分类的分类网络,则该预设大小为训练该分类网络的训练样本大小。若物体识别算法对应的物体识别模型包括2部分,一部分是用于进行物体检测的网络,另一部分是用于对得到的主体进行物体分类的分类网络,则该预设大小为是指训练用于物体检测的网络的训练样本的大小。当然,若训练用于物体检测的网络以及训练用于物体分类的网络的训练样本都相同,则这里的训练样本大小也是指训练用于物体分类的分类网络的训练样本的大小。
需要指出的是,采用本地的物体识别算法对大小调整后的目标图像进行物体识别与上述步骤S22和步骤S23相同,即本地的物体识别算法对大小调整后的目标图像先进行主体识别,再对该主体进行物体识别。
步骤S43,输出对应的物体识别结果。
本申请实施例中,由于将目标图像大小调整为预设大小,而预设大小与物体识别算法所采用的训练样本大小相等,因此,有利于得到更准确的物体识别结果。
在一些实施例中,若预处理包括清晰度检测、色度检测以及亮度检测,预设条件包括清晰度条件、色度条件以及亮度条件,则步骤S11(或步骤S21或步骤S41)包括:
B1、对待处理图像进行清晰度检测、色度检测以及亮度检测。
B2、若待处理图像的清晰度和色度分别符合清晰度条件和色度条件,但待处理图像的亮度不符合亮度条件,则判断待处理图像的亮度是否在可调控范围内,若待处理图像的亮度在可调控范围内,则对待处理图像进行高动态光照渲染,进行高动态光照渲染后的待处理图像符合清晰度条件、色度条件以及亮度条件。
具体地,若待处理图像的亮度在可调控范围内,则表明该待处理图像的亮度经过高动态光照渲染(High-Dynamic Range,HDR)后,其对应的最大的亮度值小于预设的最大亮度阈值,且最小的亮度值小于预设的最小亮度阈值。
在一些实施例中,若待处理图像的清晰度不符合清晰度条件,或待处理图像的色度不符合色度条件,或待处理图像的亮度不在可调控范围内,则不对该待处理图像进行识别,即机器人拒绝对该待处理图像进行识别。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例的物体识别方法,图5示出了本申请实施例提供的物体识别装置的结构框图,该物体识别装置应用于机器人为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该物体识别装置5包括:目标图像确定单元51、物体识别单元52、物体识别结果输出单元53。其中:
目标图像确定单元51,用于对待处理图像进行预处理,得到目标图像,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测。
其中,清晰度检测、色度检测、亮度检测等详见上面的物体识别方法,此处不再赘述。
物体识别单元52,用于若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别。
物体识别结果输出单元53,用于输出对应的物体识别结果。
本申请实施例中,只有通过清晰度检测、色度检测和亮度检测中的至少一种检测后的待处理图像才会被进行物体识别,由于满足上述预设条件的待处理图像的图像质量较高,因此,对通过上述检测后的待处理图像进行物体识别,能够提高得到的物体识别结果的准确度。此外,由于物体识别算法是本地的算法,因此,即使离线也能实现对物体的识别。
在一些实施例中,物体识别单元52包括主体检测模块和主体存在处理模块,其中:
主体检测模块,用于若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行主体检测。
主体存在处理模块,用于若目标图像存在主体,则对主体进行物体识别。
在一些实施例中,主体存在处理模块包括:
中心主体保留模块,用于若目标图像存在至少2个主体,则保留距离目标图像的中心最近的主体。
第一保留主体识别模块,用于对保留的主体进行物体识别。
在一些实施例中,第一保留主体识别模块具体用于:
将保留的主体所对应的图像调整为预设大小,对大小调整后的保留的主体所对应的图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
在一些实施例中,主体存在处理模块包括比值确定模块和第二保留主体识别模块,其中:
比值确定模块,用于若目标图像存在至少2个主体,则确定距离目标图像的中心最近的两个主体,假设确定的主体为第一主体和第二主体,第一主体与目标图像的中心的距离为第一距离,第二主体与目标图像的中心的距离为第二距离,第一主体的物体框的面积为第一面积,第二主体的物体框的面积为第二面积,确定第一面积与第一距离的比值,以及确定第二面积与第二距离的比值,保留较大的比值所对应的主体。
第二保留主体识别模块,用于对保留的主体进行物体识别。
在一些实施例中,物体识别单元52具体用于:
若目标图像符合预设条件,则将目标图像调整为预设大小,采用本地的物体识别算法对大小调整后的目标图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
在一些实施例中,该物体识别装置5包括:
裁剪单元,用于按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为待处理图像,原始图像为机器人执行拍摄动作后所获得的图像。
其中,预设比例是指中心区域与原始图像的比例。
在一些实施例中,裁剪单元具体用于:若原始图像的颜色模式不是目标模式,则将原始图像的颜色模式转换成目标模式,再按预设比例裁剪出转换成目标模式的原始图像的中心区域,裁剪得到的图像作为待处理图像。
在一些实施例中,裁剪单元具体用于:按预设比例裁剪出原始图像的中心区域,若裁剪得到的图像的颜色模式不是目标模式,则将裁剪得到的图像的颜色模式转换成目标模式,转换成目标模式的裁剪得到的图像作为待处理图像。
在一些实施例中,若预处理包括清晰度检测、色度检测以及亮度检测,预设条件包括清晰度条件、色度条件以及亮度条件,则目标图像确定单元51包括:
清晰度检测模块,用于对待处理图像进行清晰度检测、色度检测以及亮度检测。
亮度处理模块,用于若待处理图像的清晰度和色度分别符合清晰度条件和色度条件,但待处理图像的亮度不符合亮度条件,则判断待处理图像的亮度是否在可调控范围内,若待处理图像的亮度在可调控范围内,则对待处理图像进行高动态光照渲染,进行高动态光照渲染后的待处理图像符合清晰度条件、色度条件以及亮度条件。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图6为本申请一实施例提供的机器人的结构示意图。如图6所示,该实施例的机器人6包括:至少一个处理器60(图6中仅示出一个处理器)、存储器61以及存储在存储器61中并可在至少一个处理器60上运行的计算机程序62,处理器60执行计算机程序62时实现上述任意各个方法实施例中的步骤:
对待处理图像进行预处理,得到目标图像,预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;
若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别;
输出对应的物体识别结果。
可选地,若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别,包括:
若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行主体检测;
若目标图像存在主体,则对主体进行物体识别。
可选地,若目标图像存在主体,则对主体进行物体识别,包括:
若目标图像存在至少2个主体,则保留距离目标图像的中心最近的主体;
对保留的主体进行物体识别。
可选地,对保留的主体进行物体识别,包括:
将保留的主体所对应的图像调整为预设大小,对大小调整后的保留的主体所对应的图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
可选地,若目标图像符合预设条件,则采用本地的物体识别算法对目标图像进行物体识别,包括:
若目标图像符合预设条件,则将目标图像调整为预设大小,采用本地的物体识别算法对大小调整后的目标图像进行物体识别,其中,预设大小与物体识别算法所采用的训练样本大小相等。
可选地,在对待处理图像进行预处理之前,包括:
按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为待处理图像,原始图像为机器人执行拍摄动作后所获得的图像。
可选地,若预处理包括清晰度检测、色度检测以及亮度检测,预设条件包括清晰度条件、色度条件以及亮度条件,则对待处理图像进行预处理,包括:
对待处理图像进行清晰度检测、色度检测以及亮度检测;
若待处理图像的清晰度和色度分别符合清晰度条件和色度条件,但待处理图像的亮度不符合亮度条件,则判断待处理图像的亮度是否在可调控范围内,若待处理图像的亮度在可调控范围内,则对待处理图像进行高动态光照渲染,进行高动态光照渲染后的待处理图像符合清晰度条件、色度条件以及亮度条件。
所述机器人6可以是人形机器人或其他形状的机器人。该机器人可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是机器人6的举例,并不构成对机器人6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述机器人6的内部存储单元,例如机器人6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述机器人6的外部存储设备,例如所述机器人6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述机器人6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了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程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/机器人的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种物体识别方法,其特征在于,应用于机器人,包括:
对待处理图像进行预处理,得到目标图像,所述预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;
若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别;
输出对应的物体识别结果。
2.如权利要求1所述的物体识别方法,其特征在于,所述若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别,包括:
若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行主体检测;
若所述目标图像存在主体,则对所述主体进行物体识别。
3.如权利要求2所述的物体识别方法,其特征在于,所述若所述目标图像存在主体,则对所述主体进行物体识别,包括:
若所述目标图像存在至少2个主体,则保留距离所述目标图像的中心最近的主体;
对保留的主体进行物体识别。
4.如权利要求3所述的物体识别方法,其特征在于,所述对保留的主体进行物体识别,包括:
将保留的主体所对应的图像调整为预设大小,对大小调整后的所述保留的主体所对应的图像进行物体识别,其中,所述预设大小与所述物体识别算法所采用的训练样本大小相等。
5.如权利要求1所述的物体识别方法,其特征在于,所述若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别,包括:
若所述目标图像符合预设条件,则将所述目标图像调整为预设大小,采用本地的物体识别算法对大小调整后的所述目标图像进行物体识别,其中,所述预设大小与所述物体识别算法所采用的训练样本大小相等。
6.如权利要求1至5任一项所述的物体识别方法,其特征在于,在所述对待处理图像进行预处理之前,包括:
按预设比例裁剪出原始图像的中心区域,裁剪得到的图像作为所述待处理图像,所述原始图像为所述机器人执行拍摄动作后所获得的图像。
7.如权利要求1至5任一项所述的物体识别方法,其特征在于,若所述预处理包括清晰度检测、色度检测以及亮度检测,所述预设条件包括清晰度条件、色度条件以及亮度条件,则所述对待处理图像进行预处理,包括:
对待处理图像进行清晰度检测、色度检测以及亮度检测;
若所述待处理图像的清晰度和色度分别符合所述清晰度条件和色度条件,但所述待处理图像的亮度不符合所述亮度条件,则判断所述待处理图像的亮度是否在可调控范围内,若所述待处理图像的亮度在可调控范围内,则对所述待处理图像进行高动态光照渲染,进行高动态光照渲染后的所述待处理图像符合所述清晰度条件、所述色度条件以及所述亮度条件。
8.一种物体识别装置,其特征在于,应用于机器人,包括:
目标图像确定单元,用于对待处理图像进行预处理,得到目标图像,所述预处理包括以下至少一种:清晰度检测、色度检测、亮度检测;
物体识别单元,用于若所述目标图像符合预设条件,则采用本地的物体识别算法对所述目标图像进行物体识别;
物体识别结果输出单元,用于输出对应的物体识别结果。
9.一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168772.6A CN112949423B (zh) | 2021-02-07 | 2021-02-07 | 物体识别方法、物体识别装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168772.6A CN112949423B (zh) | 2021-02-07 | 2021-02-07 | 物体识别方法、物体识别装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949423A true CN112949423A (zh) | 2021-06-11 |
CN112949423B CN112949423B (zh) | 2024-05-24 |
Family
ID=76243277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110168772.6A Active CN112949423B (zh) | 2021-02-07 | 2021-02-07 | 物体识别方法、物体识别装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949423B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175980A (zh) * | 2019-04-11 | 2019-08-27 | 平安科技(深圳)有限公司 | 图像清晰度识别方法、图像清晰度识别装置及终端设备 |
CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN111222419A (zh) * | 2019-12-24 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、机器人以及计算机可读存储介质 |
CN111797835A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市识农智能科技有限公司 | 一种病症识别方法、病症识别装置及终端设备 |
CN111861965A (zh) * | 2019-04-08 | 2020-10-30 | Tcl集团股份有限公司 | 图像逆光检测方法、图像逆光检测装置及终端设备 |
WO2020252917A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技(深圳)有限公司 | 一种模糊人脸图像识别方法、装置、终端设备及介质 |
CN112183212A (zh) * | 2020-09-01 | 2021-01-05 | 深圳市识农智能科技有限公司 | 一种杂草识别方法、装置、终端设备及可读存储介质 |
-
2021
- 2021-02-07 CN CN202110168772.6A patent/CN112949423B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861965A (zh) * | 2019-04-08 | 2020-10-30 | Tcl集团股份有限公司 | 图像逆光检测方法、图像逆光检测装置及终端设备 |
CN110175980A (zh) * | 2019-04-11 | 2019-08-27 | 平安科技(深圳)有限公司 | 图像清晰度识别方法、图像清晰度识别装置及终端设备 |
WO2020252917A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技(深圳)有限公司 | 一种模糊人脸图像识别方法、装置、终端设备及介质 |
CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN111222419A (zh) * | 2019-12-24 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、机器人以及计算机可读存储介质 |
CN111797835A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市识农智能科技有限公司 | 一种病症识别方法、病症识别装置及终端设备 |
CN112183212A (zh) * | 2020-09-01 | 2021-01-05 | 深圳市识农智能科技有限公司 | 一种杂草识别方法、装置、终端设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112949423B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3327668B1 (en) | Image-processing device and method for foreground mask correction for object segmentation | |
WO2020140610A1 (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN109711407B (zh) | 一种车牌识别的方法及相关装置 | |
US20210099646A1 (en) | Method and Apparatus for Detecting Subject, Electronic Device, and Computer Readable Storage Medium | |
US10949984B2 (en) | Object tracking system and method thereof | |
CN112348778B (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
CN110399842B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN111079613B (zh) | 姿势识别方法和装置、电子设备及存储介质 | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
CN109005367B (zh) | 一种高动态范围图像的生成方法、移动终端及存储介质 | |
CN108805838B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
WO2020140611A1 (zh) | 一种基于图像处理的vin码识别方法、设备及介质 | |
CN110599516A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN115115611B (zh) | 车辆损伤识别方法、装置、电子设备和存储介质 | |
EP4139840A2 (en) | Joint objects image signal processing in temporal domain | |
CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
CN113781421A (zh) | 基于水下的目标识别方法、装置及*** | |
US20160180545A1 (en) | Method and electronic device for object tracking in a light-field capture | |
CN111882565A (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN112949423A (zh) | 物体识别方法、物体识别装置及机器人 | |
CN112036342A (zh) | 单证抓拍方法、设备及计算机存储介质 | |
CN112052726A (zh) | 图像处理方法及装置 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别*** | |
CN114037741B (zh) | 一种基于事件相机的自适应目标检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |