CN107103606A - 一种图像识别方法及装置 - Google Patents

一种图像识别方法及装置 Download PDF

Info

Publication number
CN107103606A
CN107103606A CN201710106822.1A CN201710106822A CN107103606A CN 107103606 A CN107103606 A CN 107103606A CN 201710106822 A CN201710106822 A CN 201710106822A CN 107103606 A CN107103606 A CN 107103606A
Authority
CN
China
Prior art keywords
color
images
recognized
threshold
pixel
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
Application number
CN201710106822.1A
Other languages
English (en)
Inventor
张沛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710106822.1A priority Critical patent/CN107103606A/zh
Publication of CN107103606A publication Critical patent/CN107103606A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种图像识别方法及装置。该方法包括：采集包含目标对象的待识别图像，转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量，针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。通过本方法，经过颜色空间的转换后，待识别图像中像素的亮度与色度进行分离，也就能够排除亮度分量所带来的干扰，此后，采用几何特征识别结合基于颜色阈值的区域分割识别的方式，能够有效提升对目标对象的识别速度以及准确性。

Description

一种图像识别方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像识别方法及装置。
背景技术
目前，对目标对象的检测已成为图像识别技术中的研究方向之一，特别是在一些基于人工智能的竞技项目中(如：机器人足球比赛)，对目标对象(如：比赛用球)的检测尤为重要。
现有技术中，对于上述的机器人足球比赛而言，比赛用球通常是一种单一颜色的球体(如：橙色球、黄色球等)，在此基础上，对球体的识别通常依赖于颜色识别，换言之，机器人可采用基于RGB颜色空间的颜色识别算法，对采集到的图像进行颜色识别，确定出单一颜色的球体。
但是，随着比赛规则的变化，比赛用球改为彩色球体，彩色球体在不同光照条件、与机器人之间的距离等因素的影响下，会使球体的颜色特征产生一定程度的变化，从而导致对彩色球体进行识别时出错，降低对球体识别的准确性。
发明内容
本申请实施例提供一种图像识别方法，用以解决现有技术中对彩色球体进行识别的准确率较低的问题。
本申请实施例提供一种图像识别装置，用以解决现有技术中对彩色球体进行识别的准确率较低的问题。
本申请实施例采用下述技术方案：
本申请实施例提供的一种图像识别方法，包括：
采集包含目标对象的待识别图像；
转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量；
针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。
本申请实施例还提供的一种图像识别装置，包括：
采集模块，采集包含目标对象的待识别图像；
转换模块，转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量；
识别模块，针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
当采集到包含目标对象的待识别图像后，首先会将待识别图像的颜色空间进行转换，经过颜色空间的转换后，将待识别图像中在该颜色空间中的指定分量滤除，也就能够排除指定分量所带来的干扰，此后，使用几何特征识别，配合基于颜色阈值的区域分割识别的方式，便识别出图像中包含的目标对象。
相较于现有技术，采用颜色空间转换并滤除某些指定分量的方式，能够减少或避免待识别图像原有颜色空间中，各颜色维度之间的相互影响，特别是亮度对颜色的影响，这样一来，也就能够较为准确地确定出颜色阈值，并且，本申请实施例中采用几何特征识别结合基于颜色阈值的区域分割识别的方式，能够有效提升对目标对象的识别速度以及准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例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为本申请实施例提供的图像识别过程示意图；
图2a为本申请实施例提供的颜色阈值的设定阶段的过程示意图；
图2b为本申请实施例提供的基于预处理过程后得到的图像示意图；
图3a为本申请实施例提供的比赛过程中识别球体的阶段的过程示意图；
图3b～3d为本申请实施例提供的区域分割过程得到的图像示意图。
图4为本申请实施例提供的在图像识别装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
如前所述，目前在机器人足球比赛中，由机器人所采集到的图像，其存储格式通常为RGB格式，在进行图像识别寻找球体的过程中，直接在该RGB格式图像的基础上采用颜色识别算法，以便于在图像中识别出球体。然而，由于光线的影响，图像中球体表面的颜色会出现一定程度的变化(如：颜色深浅的变化)，尤其对于彩色球体而言，受到不同光照条件的影响，球体上的颜色产生较大范围的变化，那么，若仍采用基于RGB的颜色识别算法，将导致颜色识别不准确的情况，进一步造成对球体的识别准确率下降。
基于此，在本申请实施例中，提供一种图像识别方法，通过几何特征寻圆结合基于颜色阈值的区域分割的方式，可以较为准确地识别出每一帧图像中的目标对象。
在本申请实施例中，对图像的采集由图像采集设备所实现，其中，图像采集设备可包括但不限于：监控摄像头、具有摄像功能的手机、平板电脑、足球机器人等设备。
此外，需要说明的是，本申请实施例中所涉及的颜色空间包括但不限于：RGB颜色空间、YUV颜色空间、YCrCb颜色空间、YIQ颜色空间等，其中：RGB颜色空间包含红色(Red，R)、绿色(Green，G)、蓝色(Blue，B)三种颜色，换言之，RGB颜色空间可看作是以RGB三种颜色作为坐标构成的三维空间。
YUV颜色空间，通常表示包含亮度(Y)、色度(U、V)特征构成的颜色空间。基于YUV颜色空间，又可进一步得到YCrCb颜色空间、YIQ颜色空间，具体而言，在YCrCb颜色空间中，Y表示亮度分量、Cr表示红色色度分量、Cb表示蓝色色度分量。在YIQ颜色空间中，Y表示亮度分量、I表示从橙色到青色的颜色分量、Q表示从紫色到黄绿色的颜色分量。
基于上述内容，如图1所示，为本申请实施例中所提供的图像识别过程，该过程具体包括以下步骤：
S101：采集包含目标对象的待识别图像。
在本申请实施例中，所述的目标对象，包括但不限于：在人工智能竞赛中所使用的足球、篮球、乒乓球等球体，且该目标对象的颜色至少包含两种颜色。
所述目标对象可以处于运动中，也可以保持静止状态，这里并不构成对本申请的限定。若目标对象处于运动中，那么，目标对象的位置将实时发生变化，此时，图像采集设备采集到的待识别图像，实质上包含至少一帧图像，通常情况下，图像采集设备会进行连续的多帧采集，得到多帧待识别图像。
当然，在实际操作中，图像采集设备可以采用固定的角度进行图像的采集，还可以采用跟踪采集的方式，即，图像采集设备会跟踪目标对象的运动并实时采集图像。这里并不构成对本申请的限定。
S102：转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量。
实际应用场景下，由图像采集设备所采集得到的待识别图像通常采用RGB颜色空间，但是，对于RGB颜色空间而言，其中的R、G、B颜色分量之间具有较强的相关性，对于同一颜色，在不同的外界光照条件(如：光源种类、强度以及物体反射特性等)下，其RGB值不同，从而会对后续的图像识别过程带来干扰。故为了消除干扰，本步骤中将对待识别图像的颜色空间进行转换。
针对待识别图像进行颜色空间转换，是为了滤除某些分量(即，指定分量)的影响，在本申请实施例中，通常会将待识别图像的颜色空间转换为亮度和色度分离的颜色空间，如：YUV颜色空间、YCrCb颜色空间等，从而可以在后续的识别过程中，滤除待识别图像中亮度(Y分量)带来的干扰，以便于提升识别的准确性。当然，在不同的实际应用场景下，所需滤除的指定分量通常不同，并且，所需滤除的指定分量的数量也可能不同(如：在某些场景下，需要滤除一种分量，而在另外的场景下，需要滤除两种分量)，具体可根据实际应用的需要进行确定，这里并不构成对本申请的限定。
S103：针对滤除指定分量的图像进行几何特征识别，以及基于预设的颜色阈值的区域分割识别，确定所述目标对象。
在本申请实施例中，经过前述过程滤除了指定分量后，能够在一定程度上增加对目标对象的识别准确率，同时，为了能够更加准确且快速地识别出待识别图像中所包含的目标对象，采用几何特征识别结合基于颜色阈值的区域分割识别的方式。
具体来说，几何特征识别用于识别出目标对象的几何形状，以机器人足球比赛为例，几何特征识别用于在图像中寻找圆形。其中，所述的几何特征识别可采用诸如霍夫变换(Hough Transform)圆形检测、顶点分布检测等算法，这里不作具体限定。
在本申请实施例中，区域分割算法包括但不限于：模糊K均值聚类算法、基于能量泛函数的分割算法、基于颜色阈值的区域分割算法等，在本申请实施例中，在前述步骤确定出颜色阈值的基础上，本申请实施例中对待识别图像的区域分割可采用基于颜色阈值的区域分割算法，也即，通过颜色阈值，划分出目标对象所在区域。当然，采用何种区域分割算法将根据实际应用的需要所决定，这里并不构成对本申请的限定。
需要说明的是，作为本申请实施例中的一种方式，对待识别图像进行几何特征识别和基于颜色阈值的区域分割识别，可以是并行执行的，而在另一种方式下，可以先执行几何特征识别，再执行基于颜色的区域分割识别，或者反之。在实际应用时，可以根据实际应用的需要选择合适的方式，这里并不构成对本申请的限定。
通过上述步骤，当采集到包含目标对象的待识别图像后，首先会将待识别图像的颜色空间进行转换，经过颜色空间的转换后，将待识别图像中在该颜色空间中的指定分量滤除，也就能够排除指定分量所带来的干扰，此后，使用几何特征识别，配合基于颜色阈值的区域分割识别的方式，便识别出图像中包含的目标对象。
相较于现有技术，采用颜色空间转换并滤除某些指定分量的方式，能够减少或避免待识别图像原有颜色空间中，各颜色维度之间的相互影响，特别是亮度对颜色的影响，这样一来，也就能够较为准确地确定出颜色阈值，并且，本申请实施例中采用几何特征识别结合基于颜色阈值的区域分割识别的方式，能够有效提升对目标对象的识别速度以及准确性。
下面以机器人足球比赛中球体的识别场景为例，对本申请实施例所述的图像识别方法中的不同阶段及步骤进行详细描述。在该场景下，图像采集设备为具有摄像功能的机器人，球体表面包含至少两种颜色。
在本场景中，由机器人所采集到的图像通常以RGB色彩格式进行存储，故本场景中的待识别图像的颜色空间为：RGB颜色空间，那么，转换所述待识别图像的颜色空间，包括：将所述待识别图像的RGB颜色空间，转换为YCrCb颜色空间。同时，考虑到亮度会对图像的颜色产生影响，所以，便可以将亮度分量滤除，换言之，前述步骤中，滤除所述待识别图像在转换后的颜色空间中的指定分量，包括：滤除所述待识别图像在所述YCrCb颜色空间中的亮度Y分量。
具体而言，在将RGB颜色空间转换为YCrCb颜色空间时，可以采用如下转换公式：
Y＝0.30R+0.59G+0.11B
Cb＝0.493(B-Y)+128
Cr＝0.877(R-Y)+128
通过上述公式可见，YCrCb颜色空间与RGB颜色空间之间满足线性转换关系，可快速实现颜色空间的转换。换言之，针对图像上的每个像素点，都可将该像素点的R、G、B值转换为Y、Cr、Cb值。
当然，在实际应用中，机器人的摄像头所采集的图像，在成像、数字化以及传输过程中，可能会受到不同噪声的干扰，导致图像的质量较低，故在针对待识别图像进行颜色空间转换的过程中，还可以执行诸如中值滤波降噪等处理，以便减少或消除图像噪声，这里并不构成对本申请的限定。
经过颜色空间转换并滤除了Y分量的影响后，便可以针对待识别图像进行目标对象的识别处理过程，在本申请实施例中，针对滤除指定分量的图像中进行几何特征识别，以及基于预设的色度范围的区域分割识别，包括：采用霍夫变换圆形检测算法，在滤除指定分量的图像中检测与所述球体相匹配的圆形，当未检测出圆形时，针对所述图像进行基于预设的颜色阈值的区域分割识别。
换言之，在该场景下，针对颜色空间转换后的待识别图像，将优先采用霍夫变换来识别其中的目标对象的几何形状，若识别出该目标对象的几何形状，便可确定出该目标对象。而只有在未识别出目标对象的几何形状时，才进一步采用基于预设的色度范围的区域分割识别，来确定目标对象。
在本申请实施例中，对颜色阈值的设定，将影响识别过程中的准确性，下面将详细描述预设颜色阈值的过程：
在实际应用中，为了能够使得准确地识别出目标对象，故可预先采集样本图像，样本图像中包含有目标对象，通过颜色标定的方式确定目标对象的颜色，具体而言，预设颜色阈值，包括：采集至少一个包含球体的样本图像(不同样本图像所对应的环境信息不同)，针对每一所述样本图像，将该样本图像的颜色空间转换为YCrCb颜色空间，确定该样本图像中目标对象范围内各像素点的颜色分量特征，根据确定出的所述颜色分量特征，确定所述颜色阈值。
其中，所述环境信息包括：光源角度、光源种类、球体位置、球体角度中的至少一种。
如前所述，诸如：光源种类、光源角度、球体位置、球体角度等实际环境将对球体上的颜色带来不同程度的影响，换言之，在不同的环境下所采集得到的图像中的环境信息是不同的，而在不同的环境信息下，球体的颜色特征也存在一定程度的差异，所以作为本申请实施例中的一种方式，为了确定出合适的颜色阈值，将在不同的实际环境下，采集目标对象的样本图像。特别是在机器人足球比赛的场景下，球体在赛场不同位置上，所受到的光照条件不同，那么，也就可以采集球体在赛场上不同位置上、不同角度的图像，作为样本图像。
当然，本申请实施例中并不对采集的样本图像的数量进行限定。可以理解地，样本图像的数量越多，也就越符合实际的比赛场景，所确定出的颜色阈值也就越准确。
在前述步骤中，确定出了不同像素点的颜色分量特征，换言之，在YCrCb颜色空间下，颜色分量特征可认为是不同像素点的Cr、Cb值，可以理解地，上述步骤中已滤除了亮度分量(Y)的影响，能够减少亮度分量带来的干扰。当然，在不同的环境信息的影响下，会使图像中颜色产生一定程度的变化，那么，对于样本图像而言，其中球体上各像素的Cr、Cb值，均会发生一定程度的变化。
例如：对于球体上对应于同一颜色的某个像素点M而言，在环境a下，其Cr＝10、Cb＝20；而在环境b下，其Cr＝15、Cb＝25。
从上例中可见，在不同的样本图像中，同一颜色区域上的像素点所对应的Cr、Cb值均会发生变化，那么，便可以基于Cr、Cb值的变化，来确定出Cr、Cb的阈值。
需要说明的是，在实际操作时，确定出球体中各像素点上的颜色分量特征的过程，实质上是确定不同类别颜色像素点的过程(可称为：颜色标定过程)，也即，在本申请实施例中，确定该样本图像中目标对象范围内各像素点的颜色分量特征，包括：按照预设的颜色分类标准，在所述样本图像中，确定所述目标对象范围内属于不同类别颜色的各像素点，并确定所述各像素点对应的颜色分量特征。
所述的颜色分类标准，可以认为是不同颜色的划分标准，基于颜色分类标准，可以在各样本图像中，确定出球体上包含的各颜色所对应的像素点。经过颜色分类的过程，使得足球机器人能够实际的比赛过程中，区分出不同类别的颜色，特别是球体上的不同颜色。
例如：假设在一张样本图像中，球体表面包含黄、紫、白三种颜色，那么，基于上述的颜色标定过程，可以得到如下表1所示的信息(其中，为了便于描述，表1中仅以单个像素为例)：
像素点 Cr、Cb值 所属颜色
N11 50、70 黄
N21 110、140 紫
N31 20、30 白
表1
实际应用中，基于表1所示的方式，可以将球体上不同类别颜色的像素点均进行标定。当然，表1可认为是一种简单的颜色表形式，这里并不构成对本申请的限定。
当确定出各像素点的颜色分量特征(即，Cr、Cb值)后，便可以确定颜色阈值。这里需要说明的是，对于不同类别颜色的像素点而言，由于受到实际光线、采集角度的影响，将使得对应于同一颜色的不同像素点呈现出明、暗的差异，也即，这些像素点的Cr、Cb值不同，那么，对于同一类别的颜色而言，其对应的Cr、Cb值并非单一取值，而是对应一定的范围值，在此情况下，确定颜色阈值的过程为：根据不同类别颜色的各像素点对应的第一颜色分量特征，确定第一分量平均值，根据不同类别颜色的各像素点对应的第二颜色分量特征，确定第二分量平均值，根据所述第一分量平均值及第二分量平均值确定颜色阈值。
作为本申请实施例中的一种方式，如果各像素点的颜色分量特征分布均匀，则可以直接将第一分量平均值及第二分量平均值确定为颜色阈值。
例如：沿用如表1所示的示例，三个像素点N11～N31分别对应于球体上的三种颜色，且具有不同的Cr、Cb值，那么，便可以确定出Cr及Cb的均值：
Cr＝(50+110+20)/3＝60
Cb＝(70+140+30)/3＝80
所以，在本示例中，Cr为第一分量平均值，Cb为第二分量平均值，则可将Cr＝60、Cb＝80作为颜色阈值。
而作为本申请实施例中的另一种更贴合实际场景的方式，考虑到实际环境的影响，致使球体表面颜色出现明暗变化，那么，球体上不同类别颜色所对应的像素的颜色分量特征会出现一定程度的浮动，即变化量，那么，也就可以根据颜色分量特征的变化量和颜色分量平均值，来确定出颜色阈值，也即，根据所述第一分量平均值及第二分量平均值确定颜色阈值，具体：统计不同类别颜色所对应的各像素点的颜色分量特征的变化量，根据所述变化量，确定对应于所述第一颜色分量特征的第一平均变化量，以及对应于所述第二颜色分量特征的第二平均变化量，根据所述第一平均变化量以及所述第一分量平均值，确定第一颜色阈值，根据所述第二平均变化量以及所述第二分量平均值确定第二颜色阈值，其中，所述第一颜色阈值小于所述第二颜色阈值。
具体而言，以前述示例中属于黄色的像素点为例：假设，属于黄色的像素点除了N11之外，还包括N12、N13等像素点，其Cr、Cb值之间具有一定差异，其中，假设像素点N12的Cr＝52，Cb＝75，像素点N13的Cr＝48，Cb＝65，那么，对于像素点N11、N12和N13，其Cr及Cb值的变化量均为2和5，所以，可认为属于黄色的像素点其Cr及Cb值的平均变化量分别为2和5，对于其他颜色的像素点，平均变化量的确定过程同上，这里便不再过多赘述。在此假设，其他颜色像素点的Cr及Cb值平均变化量均为2和5，那么，结合前述示例中所确定的第一及第二分量平均值(Cr＝60，Cb＝80)，便可以确定出颜色阈值，即：
Cr＝60±2；Cb＝80±5
这里，可进一步确定出Cr’＝58，Cb’＝75；Cr”＝62，Cb”＝85。故可将Cr’及Cb’作为第一颜色阈值，而将Cr”和Cb”作为第二颜色阈值，显然，第一颜色阈值小于第二颜色阈值。
以上便是本申请实施例中确定颜色阈值的过程，在获得了颜色阈值后，便可以应用在实际的比赛场景中，以在采集得到的待识别图像中识别出目标球体。
具体地，针对任一待识别图像而言，其基于颜色阈值的区域分割过程可以是：在所述待识别图像中，确定每一像素对应的颜色分量特征，根据所述颜色分量特征，将对应于所述球体表面颜色的像素进行颜色分离处理，在颜色分离后的图像中，将颜色分量特征小于所述第一阈值的像素点填充为第一颜色，将颜色分量特征大于所述第一阈值的像素点填充为第二颜色，得到第一图像；将颜色分量特征大于所述第二阈值的像素点填充为第一颜色，并将颜色分量特征小于所述第二阈值的像素点填充为第二颜色，得到第二图像，根据所述第一图像以及第二图像，确定球体区域。
在前述内容中，根据样本图像，已完成了球体上颜色的标定过程，那么，便可以根据待识别图像中每个像素点的颜色分量特征(即，Cr、Cb值)，确定出属于球体颜色的像素点，同时排除掉其他颜色的像素点(该过程便是颜色分离处理过程)。
之后，便可以在经过颜色分离后的图像中，采用颜色阈值进行区域分割。需要说明的是，本申请实施例中基于颜色阈值的区域分割过程，并非是针对图像进行裁剪、割离，而是根据颜色阈值，将图像中的像素分别表示为不同的颜色，即，上述的第一颜色和第二颜色，其中，第一颜色和第二颜色可以分别是白色、黑色(或者，分别是黑色、白色)，也可以使用其他颜色，具体可根据实际应用中的需要进行设定，这里并不构成对本申请的限定。
经过颜色阈值的区域分割所得到的第一图像和第二图像，实质上分别对应于深浅颜色两种图像区域，也就是说，无论球体表面实际包含多少中颜色，都可以按照阈值划分成深颜色和浅颜色，从而，结合第一图像和第二图像，便可以进一步确定出目标球体所对应的区域，也即：
根据所述第一图像以及第二图像，确定球体区域，包括：叠加所述第一图像以及第二图像，得到叠加区域，确定所述叠加区域的重心位置，根据所述重心位置确定球体对应的圆形区域。
在本申请实施例中，可以采用重心识别算法来确定叠加区域的重心位置，这里并不构成对本申请的限定，一旦确定出重心位置，便可以生成圆形区域，即确定出球体对应的圆形。
下面以一具体应用实例进行说明：
在该应用实例中，对目标球体进行识别的过程共分为两个阶段：颜色阈值的设定阶段，以及比赛过程中识别球体的阶段。
一、颜色阈值的设定阶段
该阶段的具体过程如图2a所示，包括以下步骤：
S201：采集至少一个包含目标球体的样本图像。
为了提升对后续颜色阈值设定的准确性，通常以处于静止状态的球体进行图像采集，得到样本图像。
S202：对所述样本图像进行预处理，并将所述样本图像的颜色空间转换为YCrCb颜色空间。
其中，所述的预处理过程可包括诸如：灰度转换、中值滤波等处理过程，在此不作具体限定。经过步骤S202处理后，所得到包含球体的样本图像如图2b所示。
S203：对样本图像进行颜色标定。
颜色标定的过程如前述内容记载，这里不再过多赘述。通过颜色标定过程，建立了像素点的Cr、Cb值与颜色类别的对应关系。
S204：基于标定的颜色，确定颜色阈值。
在本实例中，颜色阈值包含颜色分量平均值(即，Cr、Cb的平均值)以及平均变化量(及，Cr、Cb的平均变化量)。
二、比赛过程中识别球体的阶段
该阶段的具体过程如图3a所示，包括以下步骤：
S301：采集至少一帧包含目标球体的待识别图像。
S302：针对任一帧所述待识别图像进行预处理，并将所述待识别图像的颜色空间转换为YCrCb颜色空间。
S303：采用霍夫变换圆形检测算法，在转换后的待识别图像中检测与所述球体相匹配的圆形。
S304：判断是否检测到圆形，若是，则执行步骤S305，否则，则执行步骤S306。
S305：将检测到的圆形确定为球体。
S306：针对所述待识别图像进行基于预设的颜色阈值的区域分割识别。
经过前述阶段后，确定出的颜色阈值包含颜色分量平均值(即，Cr、Cb的平均值)以及平均变化量(及，Cr、Cb的平均变化量)，那么，便可以采用如下公式进行区域分割：
Cr1>Cr’+A1；
Cb1>Cb’+B1；
Cr2<Cr’-A2；
Cb2<Cb’-B2；
其中，Cr’及Cb’为前述过程中确定出的Cr、Cb的平均值；
A1、B1、A2、B2为前述过程中确定出的Cr、Cb的平均变化量。
Cr1、Cr2、Cb1、Cb2为颜色阈值。
在本实例中，Cr’＝120，Cb’＝100，A1＝15、A2＝20、B1＝25、B2＝30。
基于此，Cr1＝135，Cr2＝100，Cb1＝130，Cb2＝75。上述公式表示，将Cr值大于135且Cb值大于130的颜色确定为深色，将Cr值小于100且Cb值小于175的颜色确定为浅色。
则基于深色，可将如图2b所示的图像分割为如图3b所示的区域，基于浅色，可将如图2b所示的图像分割为如图3c所示的区域。结合图3b及图3c最终分割出如图3d所示的区域，此后再根据诸如重心识别算法在图3d所示的区域中确定出圆形重心，从而得到球体对应的圆形区域。
需要说明的是，在实际比赛中，由机器人采集到的图像通常为多帧图像，所以，当针对某一帧图像识别出了球体对应的圆形区域后，将针对下一帧图像执行上述过程。而如图针对某一帧图像，为识别出球体对应的圆形区域，则可以自动对下一帧图像进行识别处理。
以上为本申请实施例提供的图像识别方法，基于同样的思路，本申请实施例还提供一种图像识别装置。
如图4所示，图像识别装置包括：
采集模块401，采集包含目标对象的待识别图像；
转换模块402，转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量；
识别模块403，针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。
所述目标对象包括：表面包含至少两种颜色的球体。
所述采集模块401，以RGB格式采集包含目标对象的待识别图像，所述转换模块402，将所述待识别图像对应的RGB颜色空间，转换为YCrCb颜色空间，并滤除所述待识别图像在所述YCrCb颜色空间中的亮度Y分量。
所述识别模块403，采用霍夫变换圆形检测算法，在滤除指定分量的待识别图像中检测与所述球体相匹配的圆形，当未检测出圆形时，针对所述待识别图像进行基于预设的颜色阈值的区域分割识别。
所述装置还包括：预处理模块404，采集至少一个包含球体的样本图像；其中，不同样本图像所对应的环境信息不同；针对每一所述样本图像，将该样本图像的颜色空间转换为YCrCb颜色空间，确定该样本图像中球体范围内各像素点的颜色分量特征，根据确定出的所述颜色分量特征，确定所述颜色阈值.
其中，所述环境信息包括：光源角度、光源种类、球体位置、球体角度中的至少一种。
所述预处理模块404，按照预设的颜色分类标准，在所述样本图像中，确定所述球体范围内属于不同类别颜色的各像素点，并确定所述各像素点对应的颜色分量特征。
所述颜色分量特征包括：第一颜色分量特征以及第二颜色分量特征，所述预处理模块404，根据不同类别颜色的各像素点对应的第一颜色分量特征，确定第一分量平均值，根据不同类别颜色的各像素点对应的第二颜色分量特征，确定第二分量平均值，根据所述第一分量平均值及第二分量平均值确定颜色阈值。
所述预处理模块404，统计不同类别颜色所对应的各像素点的颜色分量特征的变化量，根据所述变化量，确定对应于所述第一颜色分量特征的第一平均变化量，以及对应于所述第二颜色分量特征的第二平均变化量，根据所述第一平均变化量以及所述第一分量平均值，确定第一颜色阈值，根据所述第二平均变化量以及所述第二分量平均值确定第二颜色阈值；
其中，所述第一颜色阈值小于所述第二颜色阈值。
所述识别模块403，在所述待识别图像中，确定每一像素对应的颜色分量特征，根据所述颜色分量特征，将对应于所述球体表面颜色的像素进行颜色分离处理，在颜色分离后的图像中，将颜色分量特征小于所述第一阈值的像素点填充为第一颜色，将颜色分量特征大于所述第一阈值的像素点填充为第二颜色，得到第一图像，将颜色分量特征大于所述第二阈值的像素点填充为第一颜色，并将颜色分量特征小于所述第二阈值的像素点填充为第二颜色，得到第二图像，根据所述第一图像以及第二图像，确定球体区域。
所述识别模块403，叠加所述第一图像以及第二图像，得到叠加区域，确定所述叠加区域的重心位置，根据所述重心位置确定球体对应的圆形区域。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (20)

1.一种图像识别方法，其特征在于，所述方法包括：
采集包含目标对象的待识别图像；
转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量；
针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。
2.如权利要求1所述的方法，其特征在于，所述目标对象包括：表面包含至少两种颜色的球体。
3.如权利要求2所述的方法，其特征在于，采集包含目标对象的待识别图像，具体包括：以RGB格式采集包含目标对象的待识别图像；
转换所述待识别图像的颜色空间，具体包括：
将所述待识别图像的RGB颜色空间，转换为YCrCb颜色空间；
滤除所述待识别图像在转换后的颜色空间中的指定分量，具体包括：
滤除所述待识别图像在所述YCrCb颜色空间中的亮度Y分量。
4.如权利要求3所述的方法，其特征在于，针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，具体包括：
采用霍夫变换圆形检测算法，在滤除指定分量的待识别图像中检测与所述球体相匹配的圆形；
当未检测出圆形时，针对所述待识别图像进行基于预设的颜色阈值的区域分割识别。
5.如权利要求4所述的方法，其特征在于，预设颜色阈值，具体包括：
采集至少一个包含球体的样本图像；其中，不同样本图像所对应的环境信息不同；
针对每一所述样本图像，将该样本图像的颜色空间转换为YCrCb颜色空间；
确定该样本图像中球体范围内各像素点的颜色分量特征；
根据确定出的所述颜色分量特征，确定所述颜色阈值；
其中，所述环境信息包括：光源角度、光源种类、球体位置、球体角度中的至少一种。
6.如权利要求5所述的方法，其特征在于，确定该样本图像中球体范围内各像素点的颜色分量特征，具体包括：
按照预设的颜色分类标准，在所述样本图像中，确定所述球体范围内属于不同类别颜色的各像素点，并确定所述各像素点对应的颜色分量特征。
7.如权利要求6所述的方法，其特征在于，所述颜色分量特征包括：第一颜色分量特征以及第二颜色分量特征；
根据确定出的所述颜色分量特征，确定所述颜色阈值，具体包括：
根据不同类别颜色的各像素点对应的第一颜色分量特征，确定第一分量平均值；
根据不同类别颜色的各像素点对应的第二颜色分量特征，确定第二分量平均值；
根据所述第一分量平均值及第二分量平均值确定颜色阈值。
8.如权利要求7所述的方法，其特征在于，根据所述第一分量平均值及第二分量平均值确定颜色阈值，具体包括：
统计不同类别颜色所对应的各像素点的颜色分量特征的变化量；
根据所述变化量，确定对应于所述第一颜色分量特征的第一平均变化量，以及对应于所述第二颜色分量特征的第二平均变化量；
根据所述第一平均变化量以及所述第一分量平均值，确定第一颜色阈值，根据所述第二平均变化量以及所述第二分量平均值确定第二颜色阈值；
其中，所述第一颜色阈值小于所述第二颜色阈值。
9.如权利要求8所述的方法，其特征在于，针对所述待识别图像进行基于预设的颜色阈值的区域分割识别，具体包括：
在所述待识别图像中，确定每一像素对应的颜色分量特征；
根据所述颜色分量特征，将对应于所述球体表面颜色的像素进行颜色分离处理；
在颜色分离后的图像中，将颜色分量特征小于所述第一阈值的像素点填充为第一颜色，将颜色分量特征大于所述第一阈值的像素点填充为第二颜色，得到第一图像；
将颜色分量特征大于所述第二阈值的像素点填充为第一颜色，并将颜色分量特征小于所述第二阈值的像素点填充为第二颜色，得到第二图像；
根据所述第一图像以及第二图像，确定球体区域。
10.如权利要求8所述的方法，其特征在于，根据所述第一图像以及第二图像，确定球体区域，具体包括：
叠加所述第一图像以及第二图像，得到叠加区域；
确定所述叠加区域的重心位置；
根据所述重心位置确定球体对应的圆形区域。
11.一种图像识别装置，其特征在于，所述装置包括：
采集模块，采集包含目标对象的待识别图像；
转换模块，转换所述待识别图像的颜色空间，滤除所述待识别图像在转换后的颜色空间中的指定分量；
识别模块，针对滤除指定分量的待识别图像进行几何特征识别，以及基于预设颜色阈值的区域分割识别，确定所述目标对象。
12.如权利要求1所述的装置，其特征在于，所述目标对象包括：表面包含至少两种颜色的球体。
13.如权利要求12所述的装置，其特征在于，所述采集模块，以RGB格式采集包含目标对象的待识别图像；
所述转换模块，将所述待识别图像的RGB颜色空间，转换为YCrCb颜色空间，并滤除所述待识别图像在所述YCrCb颜色空间中的亮度Y分量。
14.如权利要求13所述的装置，其特征在于，所述识别模块，采用霍夫变换圆形检测算法，在滤除指定分量的待识别图像中检测与所述球体相匹配的圆形，当未检测出圆形时，针对所述待识别图像进行基于预设的颜色阈值的区域分割识别。
15.如权利要求14所述的装置，其特征在于，所述装置还包括：预处理模块，采集至少一个包含球体的样本图像；其中，不同样本图像所对应的环境信息不同；针对每一所述样本图像，将该样本图像的颜色空间转换为YCrCb颜色空间，确定该样本图像中球体范围内各像素点的颜色分量特征，根据确定出的所述颜色分量特征，确定所述颜色阈值；
其中，所述环境信息包括：光源角度、光源种类、球体位置、球体角度中的至少一种。
16.如权利要求15所述的装置，其特征在于，所述预处理模块，按照预设的颜色分类标准，在所述样本图像中，确定所述球体范围内属于不同类别颜色的各像素点，并确定所述各像素点对应的颜色分量特征。
17.如权利要求16所述的装置，其特征在于，所述颜色分量特征包括：第一颜色分量特征以及第二颜色分量特征；
所述预处理模块，根据不同类别颜色的各像素点对应的第一颜色分量特征，确定第一分量平均值，根据不同类别颜色的各像素点对应的第二颜色分量特征，确定第二分量平均值，根据所述第一分量平均值及第二分量平均值确定颜色阈值。
18.如权利要求17所述的装置，其特征在于，所述预处理模块，统计不同类别颜色所对应的各像素点的颜色分量特征的变化量，根据所述变化量，确定对应于所述第一颜色分量特征的第一平均变化量，以及对应于所述第二颜色分量特征的第二平均变化量，根据所述第一平均变化量以及所述第一分量平均值，确定第一颜色阈值，根据所述第二平均变化量以及所述第二分量平均值确定第二颜色阈值；
其中，所述第一颜色阈值小于所述第二颜色阈值。
19.如权利要求18所述的装置，其特征在于，所述识别模块，在所述待识别图像中，确定每一像素对应的颜色分量特征，根据所述颜色分量特征，将对应于所述球体表面颜色的像素进行颜色分离处理，在颜色分离后的图像中，将颜色分量特征小于所述第一阈值的像素点填充为第一颜色，将颜色分量特征大于所述第一阈值的像素点填充为第二颜色，得到第一图像，将颜色分量特征大于所述第二阈值的像素点填充为第一颜色，并将颜色分量特征小于所述第二阈值的像素点填充为第二颜色，得到第二图像，根据所述第一图像以及第二图像，确定球体区域。
20.如权利要求19所述的装置，其特征在于，所述识别模块，叠加所述第一图像以及第二图像，得到叠加区域，确定所述叠加区域的重心位置，根据所述重心位置确定球体对应的圆形区域。
CN201710106822.1A 2017-02-27 2017-02-27 一种图像识别方法及装置 Pending CN107103606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710106822.1A CN107103606A (zh) 2017-02-27 2017-02-27 一种图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710106822.1A CN107103606A (zh) 2017-02-27 2017-02-27 一种图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN107103606A true CN107103606A (zh) 2017-08-29

Family

ID=59675500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710106822.1A Pending CN107103606A (zh) 2017-02-27 2017-02-27 一种图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN107103606A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107876429A (zh) * 2017-12-05 2018-04-06 湖南机电职业技术学院 一种基于机器视觉的废有色金属自动分选系统
CN108985803A (zh) * 2018-08-28 2018-12-11 深圳市鼎昇贸易有限公司 电子商务的退货管理方法及相关产品
CN109544659A (zh) * 2018-10-15 2019-03-29 阿里巴巴集团控股有限公司 示意图的生成方法和装置
CN110225318A (zh) * 2018-03-02 2019-09-10 佳能株式会社 图像处理设备和图像处理方法
CN110349223A (zh) * 2018-04-08 2019-10-18 中兴通讯股份有限公司 一种图像处理的方法及装置
CN112434581A (zh) * 2020-11-14 2021-03-02 武汉中海庭数据技术有限公司 一种室外目标颜色识别方法、系统、电子设备及存储介质
CN112468792A (zh) * 2020-11-05 2021-03-09 Oppo广东移动通信有限公司 图像识别方法、装置、电子设备及存储介质
CN112598674A (zh) * 2020-12-03 2021-04-02 北京汽车研究总院有限公司 用于车辆的图像处理方法、装置及车辆
CN112613452A (zh) * 2020-12-29 2021-04-06 广东电网有限责任公司清远供电局 人员越线识别方法、装置、设备及存储介质
CN113763402A (zh) * 2020-06-04 2021-12-07 Oppo（重庆）智能科技有限公司 一种检测方法、检测装置、电子设备和存储介质
CN113837928A (zh) * 2021-09-17 2021-12-24 平安普惠企业管理有限公司 对象颜色调整方法、装置、电子设备及存储介质
CN113947606A (zh) * 2021-09-26 2022-01-18 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114501293A (zh) * 2022-04-14 2022-05-13 荣耀终端有限公司 一种音频测试设备及图像识别方法
WO2024103892A1 (zh) * 2022-11-17 2024-05-23 博奥生物集团有限公司 罐印图像的颜色识别方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101404117A (zh) * 2008-10-21 2009-04-08 东软集团股份有限公司 交通标志识别方法及装置
CN101660932A (zh) * 2009-06-15 2010-03-03 浙江大学 一种指针式汽车仪表自动校验方法
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN101761038A (zh) * 2009-12-31 2010-06-30 华南理工大学 一种铁路临时限速标志识别系统及方法
CN103955693A (zh) * 2013-05-06 2014-07-30 北京瑞盖科技有限公司 一种九球的计算机辅助检测识别方法
CN104408459A (zh) * 2014-10-27 2015-03-11 国家电网公司 电力设备监控中使用的图像识别方法
CN105243664A (zh) * 2015-10-08 2016-01-13 东南大学 一种基于视觉的轮式移动机器人快速目标跟踪方法
CN105809151A (zh) * 2016-04-01 2016-07-27 中国电子科技集团公司第三十八研究所 灭火器压力表状态的图像识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101404117A (zh) * 2008-10-21 2009-04-08 东软集团股份有限公司 交通标志识别方法及装置
CN101660932A (zh) * 2009-06-15 2010-03-03 浙江大学 一种指针式汽车仪表自动校验方法
CN101702197A (zh) * 2009-10-26 2010-05-05 宁波大学 一种道路交通标志的检测方法
CN101761038A (zh) * 2009-12-31 2010-06-30 华南理工大学 一种铁路临时限速标志识别系统及方法
CN103955693A (zh) * 2013-05-06 2014-07-30 北京瑞盖科技有限公司 一种九球的计算机辅助检测识别方法
CN104408459A (zh) * 2014-10-27 2015-03-11 国家电网公司 电力设备监控中使用的图像识别方法
CN105243664A (zh) * 2015-10-08 2016-01-13 东南大学 一种基于视觉的轮式移动机器人快速目标跟踪方法
CN105809151A (zh) * 2016-04-01 2016-07-27 中国电子科技集团公司第三十八研究所 灭火器压力表状态的图像识别方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107876429A (zh) * 2017-12-05 2018-04-06 湖南机电职业技术学院 一种基于机器视觉的废有色金属自动分选系统
CN107876429B (zh) * 2017-12-05 2020-05-19 湖南机电职业技术学院 一种基于机器视觉的废有色金属自动分选系统
CN110225318A (zh) * 2018-03-02 2019-09-10 佳能株式会社 图像处理设备和图像处理方法
CN110349223B (zh) * 2018-04-08 2021-04-30 中兴通讯股份有限公司 一种图像处理的方法及装置
CN110349223A (zh) * 2018-04-08 2019-10-18 中兴通讯股份有限公司 一种图像处理的方法及装置
CN108985803A (zh) * 2018-08-28 2018-12-11 深圳市鼎昇贸易有限公司 电子商务的退货管理方法及相关产品
CN109544659A (zh) * 2018-10-15 2019-03-29 阿里巴巴集团控股有限公司 示意图的生成方法和装置
CN109544659B (zh) * 2018-10-15 2023-07-18 创新先进技术有限公司 示意图的生成方法和装置
CN113763402A (zh) * 2020-06-04 2021-12-07 Oppo（重庆）智能科技有限公司 一种检测方法、检测装置、电子设备和存储介质
CN112468792B (zh) * 2020-11-05 2023-03-28 Oppo广东移动通信有限公司 图像识别方法、装置、电子设备及存储介质
CN112468792A (zh) * 2020-11-05 2021-03-09 Oppo广东移动通信有限公司 图像识别方法、装置、电子设备及存储介质
CN112434581A (zh) * 2020-11-14 2021-03-02 武汉中海庭数据技术有限公司 一种室外目标颜色识别方法、系统、电子设备及存储介质
CN112598674A (zh) * 2020-12-03 2021-04-02 北京汽车研究总院有限公司 用于车辆的图像处理方法、装置及车辆
CN112598674B (zh) * 2020-12-03 2024-05-14 北京汽车研究总院有限公司 用于车辆的图像处理方法、装置及车辆
CN112613452A (zh) * 2020-12-29 2021-04-06 广东电网有限责任公司清远供电局 人员越线识别方法、装置、设备及存储介质
CN112613452B (zh) * 2020-12-29 2023-10-27 广东电网有限责任公司清远供电局 人员越线识别方法、装置、设备及存储介质
CN113837928A (zh) * 2021-09-17 2021-12-24 平安普惠企业管理有限公司 对象颜色调整方法、装置、电子设备及存储介质
CN113947606A (zh) * 2021-09-26 2022-01-18 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN113947606B (zh) * 2021-09-26 2024-03-26 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114501293A (zh) * 2022-04-14 2022-05-13 荣耀终端有限公司 一种音频测试设备及图像识别方法
CN114501293B (zh) * 2022-04-14 2022-09-20 荣耀终端有限公司 一种音频测试设备及图像识别方法
WO2024103892A1 (zh) * 2022-11-17 2024-05-23 博奥生物集团有限公司 罐印图像的颜色识别方法和装置

Similar Documents

Publication Publication Date Title
CN107103606A (zh) 一种图像识别方法及装置
CN109344701A (zh) 一种基于Kinect的动态手势识别方法
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN105493141B (zh) 非结构化道路边界检测
CN109255324A (zh) 手势处理方法、交互控制方法及设备
US8861847B2 (en) System and method for adaptive skin tone detection
CN102663358B (zh) 变电站二次保护设备运行状态的视频图像识别方法
CN103035013B (zh) 一种基于多特征融合的精确运动阴影检测方法
CN103634680B (zh) 一种智能电视的播放控制方法及装置
CN108388905B (zh) 一种基于卷积神经网络和邻域上下文的光源估计方法
CN110210360A (zh) 一种基于视频图像目标识别的跳绳计数方法
CN103310201B (zh) 目标混合颜色识别方法
Zhang et al. Application research of YOLO v2 combined with color identification
CN110070080A (zh) 一种文字检测方法及装置、设备和计算机可读存储介质
CN109284759A (zh) 一种基于支持向量机（svm）的魔方颜色识别方法
CN109903265A (zh) 一种图像变化区域侦测阀值设定方法、系统及其电子装置
CN108012135A (zh) 图像处理方法及装置、计算机可读存储介质和计算机设备
CN108063934A (zh) 图像处理方法及装置、计算机可读存储介质和计算机设备
CN102024264B (zh) 一种基于直方图统计的触摸笔颜色识别方法
CN106210446A (zh) 饱和度增强方法及装置
Mohammed et al. Image segmentation for skin detection
CN111340897B (zh) 基于模糊数学相似度的颜色识别方法
CN105989602A (zh) 有噪图像中的斑点检测
US20220319665A1 (en) Calculation Method of Food Volume and Food Calories, Electronic Apparatus, Electronic Device and Storage Medium
CN106991360B (zh) 人脸识别方法及人脸识别系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170829

RJ01 Rejection of invention patent application after publication