CN107633061A - 一种腕表识别系统 - Google Patents
一种腕表识别系统 Download PDFInfo
- Publication number
- CN107633061A CN107633061A CN201710858277.1A CN201710858277A CN107633061A CN 107633061 A CN107633061 A CN 107633061A CN 201710858277 A CN201710858277 A CN 201710858277A CN 107633061 A CN107633061 A CN 107633061A
- Authority
- CN
- China
- Prior art keywords
- watch
- picture
- identification
- unit
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种腕表识别系统,用于对腕表进行识别,包括拍摄单元、存储单元、处理单元、通信单元、显示单元和服务器:拍摄单元,用于对手腕部分进行拍摄,并将拍摄得到的图片存入存储单元;存储单元,用于存储图片,所述图片可由拍摄单元或其他设备写入;处理单元,读取存储单元中的图片,并通过通信单元将其发送至服务器;服务器,根据所接收到的图片信息,通过神经网络对图片中的腕表进行识别,并将识别结果通过同通信单元发送给显示单元;显示单元根据所述识别结果进行显示。本发明提供的腕表识别系统能够解决传统腕表识别系统过于依赖对腕表上的文字标识的识别结果而导致的识别率不高的问题,能够提高对腕表的识别率。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种腕表识别系统。
背景技术
随着社会经济的发展,人们对于腕表等的需求也越来越多,然而现在的腕表外形多种多样,人们在见到别人带的或者电视、电影中的比较好看的腕表时,往往无法得知是什么型号的腕表,因此需要一种腕表识别系统来对腕表进行识别。
现在的腕表识别系统往往是先识别出表盘上的文字标识,然后通过识别出的文字标识再在该品牌下的腕表中进行匹配识别。当对表盘上的文字识别出现错误时,后续的识别必然出错。而由于表盘上的文字标识过小,不清晰的或者角度不好的图片往往导致现在的腕表识别系统对表盘上的文字标识的识别错误,从而使现在的腕表识别系统的识别率不高。
发明内容
为了解决以上问题,本发明提供了一种腕表识别系统,能够解决传统腕表识别系统过于依赖对腕表上的文字标识的识别结果而导致的识别率不高的问题,能够提高对腕表的识别率。
本发明提供的一种腕表识别系统,用于对腕表进行识别,包括拍摄单元、存储单元、处理单元、通信单元、显示单元和服务器:
拍摄单元,用于对腕表进行拍摄,并将拍摄得到的图片存入存储单元;
存储单元,用于存储图片,所述图片可由拍摄单元或其他设备写入;
处理单元,读取存储单元中的图片,并通过通信单元将其发送至服务器;
服务器,根据所接收到的图片信息,通过神经网络对图片中的腕表进行识别,并将识别结果通过通信单元发送给处理单元,并由处理单元发送给显示单元;
显示单元根据所述识别结果进行显示;
拍摄单元拍摄到腕表的图片后,将其存入存储单元,由处理单元进行选择或读取后通过通信单元发送至服务器,由服务器通过神经网络识别后,将识别结果发送给处理单元,并由处理单元发送给显示单元进行显示。
优选的,
所述服务器包括样本数据库,网络爬虫和样本生成单元;
所述样本数据库用于存储腕表图片的样本,用于对神经网络进行训练;
所述网络爬虫用于通过互联网抓取腕表图片,并将作为其存入样本数据库中;
所述样本生成单元,用于根据样本数据库中的原始的腕表图片的样本,生成新的腕表图片的样本。
优选的,
所述样本生成单元,包括第一样本生成单元和第二样本生成单元;
所述第一样本生成单元通过对原始的腕表图片的样本进行图像几何变换得到新的腕表图片的样本,所述图像几何变换包括:旋转变换、反射变换、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动和颜色变换中的一种或多种的组合;
所述第二样本生成单元通过对预设的腕表的三维模型进行缩放操作、投影操作和噪声扰动操作后得到。
优选的,
所述第二样本生成单元还通过变换腕表的三维模型中的可变部件生成新的腕表的三维模型;
所述变换包括转动和替换;
所述可变部件包括:指针、日历、星期中的一个或多个。
优选的,
所述第二样本生成单元还通过替换腕表的三维模型中的可替换部件生成新的腕表的三维模型;
所述可替换部件包括:表带。
优选的,
所述通过神经网络对图片中的腕表进行识别,包括进行整体识别、表盘识别和表带识别;
所述整体识别、表盘识别和表带识别的识别结果均为概率结果;
所述整体识别、表盘识别和表带识别均预设有权重系数;
所述识别结果为满足第一公式的腕表,所述第一公式为:
x=argmax{max(W1·P1(x),θ1)×max(W2·P2(x),θ2)×max(W3·P3(x),θ3)}
其中,x为被识别的腕表;P1(x)为整体识别时,x被整体识别过程中标记其为识别结果的概率值;P2(x)为表盘识别时,x被表盘识别过程中标记其为识别结果的概率值;P3(x)为表带识别时,x被表带识别过程中标记其为识别结果的概率值;W1、W2、W3为对整体识别、表盘识别和表带识别预设的权重系数;θ1、θ2、θ3为预设的阈值,用于控制误识别对识别结果的影响。
优选的,
所述显示单元还具有交互操作界面,用于进行拍摄的操作、识别的操作和识别结果显示的操作;
所述拍摄的操作和识别的操作的操作信息由显示单元发送给处理单元执行;
所述识别结果显示的操作由显示单元执行。
本发明的一些有益效果可以包括:
本发明提供的腕表识别系统,能够解决传统腕表识别系统过于依赖对腕表上的文字标识的识别结果而导致的识别率不高的问题,能够提高对腕表的识别率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种腕表识别系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
为了解决传统腕表识别系统过于依赖对腕表上的文字标识的识别结果而导致的识别率不高的问题,本发明实施例提供了一种腕表识别系统,通过使用神经网络对腕表的图片进行整个的识别,从而能够避免识别表盘上的文字标识所容易造成的误识别,进而避免这种情况下识别率不高的问题。本发明提供的一种腕表识别系统,如图1所示,为本发明实施例中一种腕表识别系统的示意图,包括拍摄单元、存储单元、处理单元、通信单元、显示单元和服务器:
拍摄单元,用于对腕表进行拍摄,并将拍摄得到的图片存入存储单元;
存储单元,用于存储图片,所述图片可由拍摄单元或其他设备写入;
处理单元,读取存储单元中的图片,并通过通信单元将其发送至服务器;
服务器,根据所接收到的图片信息,通过神经网络对图片中的腕表进行识别,并将识别结果通过通信单元发送给处理单元,并由处理单元发送给显示单元;
显示单元根据所述识别结果进行显示;
拍摄单元拍摄到腕表的图片后,将其存入存储单元,由处理单元进行选择或读取后通过通信单元发送至服务器,由服务器通过神经网络识别后,将识别结果发送给处理单元,并由处理单元发送给显示单元进行显示。
由于使用了神经网络,需要大量的样本进行训练才能保证比较高的识别率,为了获取更多的样本,在本发明的一个优选实施例中,
所述服务器包括样本数据库,网络爬虫和样本生成单元;
所述样本数据库用于存储腕表图片的样本,用于对神经网络进行训练;
所述网络爬虫用于通过互联网抓取腕表图片,并将作为其存入样本数据库中;
所述样本生成单元,用于根据样本数据库中的原始的腕表图片的样本,生成新的腕表图片的样本。
为了获取更多的样本,除了获取已经存在的腕表图片外,还可以自己生成新的腕表图片,在本发明的一个进一步优选实施例中,
所述样本生成单元,包括第一样本生成单元和第二样本生成单元;
所述第一样本生成单元通过对原始的腕表图片的样本进行图像几何变换得到新的腕表图片的样本,所述图像几何变换包括:旋转变换、反射变换、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动和颜色变换中的一种或多种的组合;
所述第二样本生成单元通过对预设的腕表的三维模型进行缩放操作、投影操作和噪声扰动操作后得到。
通过两种生成方式的结合,可以生成更多的训练样本。
为了获取更多的样本,还可以通过产生更多的三维模型进而得到更多的样本,在本发明的一个进一步优选实施例中,
所述第二样本生成单元还通过变换腕表的三维模型中的可变部件生成新的腕表的三维模型;
所述变换包括转动和替换;
所述可变部件包括:指针、日历、星期中的一个或多个。
为了获取更多的样本,还可以通过产生更多的三维模型进而得到更多的样本,在本发明的一个进一步优选实施例中,
所述第二样本生成单元还通过替换腕表的三维模型中的可替换部件生成新的腕表的三维模型;
所述可替换部件包括:表带。
为了避免由于更换表带的等对神经网络大识别造成的影响,还可以通过同时进行整体识别、表盘识别和表带识别来控制这种影响,在本发明的一个优选实施例中,
所述通过神经网络对图片中的腕表进行识别,包括进行整体识别、表盘识别和表带识别;
所述整体识别、表盘识别和表带识别的识别结果均为概率结果;
所述整体识别、表盘识别和表带识别均预设有权重系数;
所述识别结果为满足第一公式的腕表,所述第一公式为:
x=argmax{max(W1·P1(x),θ1)×max(W2·P2(x),θ2)×max(W3·P3(x),θ3)}
其中,x为被识别的腕表;P1(x)为整体识别时,x被整体识别过程中标记其为识别结果的概率值;P2(x)为表盘识别时,x被表盘识别过程中标记其为识别结果的概率值;P3(x)为表带识别时,x被表带识别过程中标记其为识别结果的概率值;W1、W2、W3为对整体识别、表盘识别和表带识别预设的权重系数;θ1、θ2、θ3为预设的阈值,用于控制误识别对识别结果的影响。
为了方便腕表识别系统的操作,在本发明的一个优选实施例中,
所述显示单元还具有交互操作界面,用于进行拍摄的操作、识别的操作和识别结果显示的操作;
所述拍摄的操作和识别的操作的操作信息由显示单元发送给处理单元执行;
所述识别结果显示的操作由显示单元执行。
本发明提供的腕表识别系统,能够解决传统腕表识别系统过于依赖对腕表上的文字标识的识别结果而导致的识别率不高的问题,能够提高对腕表的识别率。
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和光学存储器等)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。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种腕表识别系统,用于对腕表进行识别,包括拍摄单元、存储单元、处理单元、通信单元、显示单元和服务器,其特征在于:
拍摄单元,用于对腕表进行拍摄,并将拍摄得到的图片存入存储单元;
存储单元,用于存储图片,所述图片可由拍摄单元或其他设备写入;
处理单元,读取存储单元中的图片,并通过通信单元将其发送至服务器;
服务器,根据所接收到的图片信息,通过神经网络对图片中的腕表进行识别,并将识别结果通过通信单元发送给处理单元,并由处理单元发送给显示单元;
显示单元根据所述识别结果进行显示;
拍摄单元拍摄到腕表的图片后,将其存入存储单元,由处理单元进行选择或读取后通过通信单元发送至服务器,由服务器通过神经网络识别后,将识别结果发送给处理单元,并由处理单元发送给显示单元进行显示。
2.根据权利要求1所述的一种腕表识别系统,其特征在于:
所述服务器包括样本数据库,网络爬虫和样本生成单元;
所述样本数据库用于存储腕表图片的样本,用于对神经网络进行训练;
所述网络爬虫用于通过互联网抓取腕表图片,并将作为其存入样本数据库中;
所述样本生成单元,用于根据样本数据库中的原始的腕表图片的样本,生成新的腕表图片的样本。
3.根据权利要求2所述的一种腕表识别系统,其特征在于:
所述样本生成单元,包括第一样本生成单元和第二样本生成单元;
所述第一样本生成单元通过对原始的腕表图片的样本进行图像几何变换得到新的腕表图片的样本,所述图像几何变换包括:旋转变换、反射变换、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动和颜色变换中的一种或多种的组合;
所述第二样本生成单元通过对预设的腕表的三维模型进行缩放操作、投影操作和噪声扰动操作后得到。
4.根据权利要求3所述的一种腕表识别系统,其特征在于:
所述第二样本生成单元还通过变换腕表的三维模型中的可变部件生成新的腕表的三维模型;
所述变换包括转动和替换;
所述可变部件包括:指针、日历、星期中的一个或多个。
5.根据权利要求3所述的一种腕表识别系统,其特征在于:
所述第二样本生成单元还通过替换腕表的三维模型中的可替换部件生成新的腕表的三维模型;
所述可替换部件包括:表带。
6.根据权利要求1所述的一种腕表识别系统,其特征在于:
所述通过神经网络对图片中的腕表进行识别,包括进行整体识别、表盘识别和表带识别;
所述整体识别、表盘识别和表带识别的识别结果均为概率结果;
所述整体识别、表盘识别和表带识别均预设有权重系数;
所述识别结果为满足第一公式的腕表,所述第一公式为:
x=argmax{max(W1·P1(x),θ1)×max(W2·P2(x),θ2)
×max(W3·P3(x),θ3)}
其中,x为被识别的腕表;P1(x)为整体识别时,x被整体识别过程中标记其为识别结果的概率值;P2(x)为表盘识别时,x被表盘识别过程中标记其为识别结果的概率值;P3(x)为表带识别时,x被表带识别过程中标记其为识别结果的概率值;W1、W2、W3为对整体识别、表盘识别和表带识别预设的权重系数;θ1、θ2、θ3为预设的阈值,用于控制误识别对识别结果的影响。
7.根据权利要求1所述的一种腕表识别系统,其特征在于:
所述显示单元还具有交互操作界面,用于进行拍摄的操作、识别的操作和识别结果显示的操作;
所述拍摄的操作和识别的操作的操作信息由显示单元发送给处理单元执行;
所述识别结果显示的操作由显示单元执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710858277.1A CN107633061B (zh) | 2017-09-21 | 2017-09-21 | 一种腕表识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710858277.1A CN107633061B (zh) | 2017-09-21 | 2017-09-21 | 一种腕表识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633061A true CN107633061A (zh) | 2018-01-26 |
CN107633061B CN107633061B (zh) | 2020-08-21 |
Family
ID=61102374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710858277.1A Active CN107633061B (zh) | 2017-09-21 | 2017-09-21 | 一种腕表识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633061B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446700A (zh) * | 2018-03-07 | 2018-08-24 | 浙江工业大学 | 一种基于对抗攻击的车牌攻击生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877146A (zh) * | 2010-07-15 | 2010-11-03 | 北京工业大学 | 一种扩充三维人脸数据库的方法 |
CN105740767A (zh) * | 2016-01-22 | 2016-07-06 | 江苏大学 | 一种基于脸部特征的驾驶员路怒症实时识别和预警方法 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
US20170132581A1 (en) * | 2012-06-16 | 2017-05-11 | Evrio, Inc. | Mobile Wireless Object Recognition and Control |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
-
2017
- 2017-09-21 CN CN201710858277.1A patent/CN107633061B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877146A (zh) * | 2010-07-15 | 2010-11-03 | 北京工业大学 | 一种扩充三维人脸数据库的方法 |
US20170132581A1 (en) * | 2012-06-16 | 2017-05-11 | Evrio, Inc. | Mobile Wireless Object Recognition and Control |
CN105740767A (zh) * | 2016-01-22 | 2016-07-06 | 江苏大学 | 一种基于脸部特征的驾驶员路怒症实时识别和预警方法 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
Non-Patent Citations (2)
Title |
---|
黎哲明 等: "基于卷积神经网络的车辆品牌和型号识别", 《东华大学学报(自然科学版)》 * |
黎哲明 等: "基于卷积神经网络的车辆品牌和型号识别", 《东华大学学报(自然科学版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446700A (zh) * | 2018-03-07 | 2018-08-24 | 浙江工业大学 | 一种基于对抗攻击的车牌攻击生成方法 |
CN108446700B (zh) * | 2018-03-07 | 2021-10-29 | 浙江工业大学 | 一种基于对抗攻击的车牌攻击生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107633061B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Towards vqa models that can read | |
US20190080148A1 (en) | Method and apparatus for generating image | |
US20190158927A1 (en) | Smart closed caption positioning system for video content | |
CN104735468B (zh) | 一种基于语义分析将图像合成新视频的方法及系统 | |
CN110458918A (zh) | 用于输出信息的方法和装置 | |
CN111738243B (zh) | 人脸图像的选择方法、装置、设备及存储介质 | |
US20200202226A1 (en) | System and method for context based deep knowledge tracing | |
CN108701352A (zh) | 使用基于三维对象模型的识别的图像修改与增强 | |
CN110148400A (zh) | 发音类型的识别方法、模型的训练方法、装置及设备 | |
CN108665742A (zh) | 一种通过阅读设备进行阅读的方法与设备 | |
CN109389038A (zh) | 一种信息的检测方法、装置及设备 | |
US10678855B2 (en) | Generating descriptive text contemporaneous to visual media | |
CN111507097A (zh) | 一种标题文本处理方法、装置、电子设备及存储介质 | |
CN114144790A (zh) | 具有三维骨架正则化和表示性身体姿势的个性化语音到视频 | |
CN207408959U (zh) | 具有文本及语音处理功能的混合现实智能眼镜 | |
WO2016014373A1 (en) | Identifying presentation styles of educational videos | |
US20230143452A1 (en) | Method and apparatus for generating image, electronic device and storage medium | |
US20200210644A1 (en) | Removable spell checker device | |
EP3268911A1 (en) | Course skill matching system and method thereof | |
CN110444058A (zh) | 微课制作系统及微课教学系统 | |
CN110489747A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN108259949A (zh) | 一种广告推荐方法、装置及电子设备 | |
CN108986569A (zh) | 一种桌面ar交互学习方法及装置 | |
CN109784128A (zh) | 具有文本及语音处理功能的混合现实智能眼镜 | |
CN108921138B (zh) | 用于生成信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |