CN107967447B - 对象的显示方法、装置、存储介质和电子装置 - Google Patents
对象的显示方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN107967447B CN107967447B CN201711064502.0A CN201711064502A CN107967447B CN 107967447 B CN107967447 B CN 107967447B CN 201711064502 A CN201711064502 A CN 201711064502A CN 107967447 B CN107967447 B CN 107967447B
- Authority
- CN
- China
- Prior art keywords
- sub
- position information
- target
- image
- scene
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种对象的显示方法、装置、存储介质和电子装置。其中,该方法包括:获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第三对象显示在第二场景中的第二区域中的第二位置信息所指示的位置上。本发明解决了相关技术中对象的显示效率低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种对象的显示方法、装置、存储介质和电子装置。
背景技术
目前,在对象的显示方法中,可以识别棋类游戏的图像进行显示,类似的技术有围棋照相机、围棋之眼、慧眼识棋等游戏应用。
图1是根据相关技术中的一种围棋照相机的图像识别的示意图。如图1所示,在围棋照相机的客户端上,需要对着棋盘进行拍照,在拍照之后需要调整围棋的网格以匹配四个角,进而切换到棋盘,需要用户进一步拖动滑块以调整黑白灵敏度,还需要用户点击以增加或者移去棋子。
目前,围棋照相机在图像识别上准确度不高,会导致棋子大片的缺失。另外,由于操作流程复杂导致用户操作体验也不太友好,功能也不够强大,围棋活动中棋局结束数子耗时长、易错,导致普通的用户几乎不使用这类应用,甚至没人知道有这类应用的存在,存在对象的显示效率低的问题。
针对上述的对象的显示效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种对象的显示方法、装置、存储介质和电子装置,以至少解决相关技术中对象的显示效率低的技术问题。
根据本发明实施例的一个方面,提供了一种对象的显示方法。该方法包括:获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
根据本发明实施例的另一方面,还提供了一种对象的显示装置。该装置包括:获取单元,用于获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;识别单元,用于通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置;转换单元,用于将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;显示单元,用于将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
根据本发明实施例的另一方面,还提供了一种存储介质。该存储介质包括存储的程序,其中,程序运行时执行本发明实施例的对象的显示方法。
根据本发明实施例的另一方面,还提供了一种电子装置。该电子装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器通过计算机程序执行本发明实施例的对象的显示方法。
在本发明实施例中,通过获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。由于通过目标数据模型识别第一对象在第一图像中的第一区域中的位置,得到第一位置信息,并将第一位置信息转换为第二位置信息,最终将与第一对象在第二场景中对应的第三对象,显示在第二场景中的第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果,进而解决了相关技术中对象的显示效率低的技术问题。
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是根据相关技术中的一种围棋照相机的图像识别的示意图;
图2是根据本发明实施例的一种对象的显示方法的硬件环境的示意图;
图3是根据本发明实施例的一种对象的显示方法的流程图;
图4是根据本发明实施例的另一种对象的显示方法的流程图;
图5是根据本发明实施例的另一种对象的显示方法的流程图;
图6是根据本发明实施例的一种对实际棋盘场景中的棋盘图像进行检测的方法的流程图;
图7是根据本发明实施例的一种棋子及空位检测的结果示意图;
图8是根据本发明实施例的一种图像处理的交互流程图;
图9是根据本发明实施例的一种拍照数据功能入口的示意图;
图10是根据本发明实施例的一种拍照数字功能界面的示意图;
图11是根据本发明实施例的一种拍照数子识别确认界面的示意图;
图12是根据本发明实施例的一种拍照数子识别过程的示意图;
图13是根据本发明实施例的一种拍照数子识别结果的示意图;
图14是根据本发明实施例的一种对象的显示装置的示意图;以及
图15是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种对象的显示方法的实施例。
可选地,在本实施例中,上述对象的显示方法可以应用于如图2所示的由服务器202和终端204所构成的硬件环境中。图2是根据本发明实施例的一种对象的显示方法的硬件环境的示意图。如图2所示,服务器202通过网络与终端204进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端204并不限定于PC、手机、平板电脑等。本发明实施例的对象的显示方法可以由服务器202来执行,也可以由终端204来执行,也即,本发明实施例的对象的显示方法可以不依赖于客户端与服务器之间的交互,所有步骤可以都在本地完成,或者将某些步骤放在服务器进行完成。可选地,该实施例由服务器202和终端204共同执行。其中,终端204执行本发明实施例的对象的显示方法也可以是由安装在其上的客户端来执行。
下面对本发明实施例的对象的显示方法进行详细说明。
图3是根据本发明实施例的一种对象的显示方法的流程图。如图3所示,该方法可以包括以下步骤:
步骤S302,获取第一图像。
在本申请上述步骤S302提供的技术方案中,获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象。
在该实施例中,第一图像为第一场景中的图像,该第一场景可以为现实场景,比如,为真实生活场景,第一场景中的图像可以为真实生活场景中的与游戏相关的图像,也可以为体育竞技项目中的图像等,比如,为真实棋局图像,该真实棋局图像可以为围棋的棋局图像,也可以为象棋的棋局图像等,此处不做任何限制。可选地,该第一图像为图片,可以为对第一场景进行拍照得到的图片,也可以为本地保存的图片。
该实施例的第一图像中具有第一区域,比如,第一区域为第一图像中的棋盘对应的区域,第一对象位于该第一区域中,用于指示第一场景中的第二对象,比如,该第一对象为第一图像中的棋盘上的棋子,用于指示第一场景中的真实棋子,也可以为第一图像中棋盘上除棋子之外的空位,用于指示第一场景中除棋盘上的棋子之外的空位,该空位为棋盘上没有放上棋子的交叉点,可以按照空位在棋盘上的位置进一步分为角空位、边空位和中部空位等。
步骤S304,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息。
在本申请上述步骤S304提供的技术方案中,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置。
在该实施例中,目标数据模型可以基于神经网络的数学模型进行训练得到,可以为图像物体检测模型。可选地,该图像物体检测模型为一个公开的基于卷积神经网络的图像物体检测模型(You Only Look Once,简称为YOLO),可以使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置,可以预先采集到用于指示目标图像、目标图像中位于目标区域中的目标对象、目标图像中位于目标区域中的目标对象的大量数据,其中,目标图像可以为大量的棋局图像,目标区域可以为大量棋局图像中的不同棋盘,目标对象可以为大量的棋子和空位,目标图像中位于目标区域中的目标对象可以为大量棋局图像中位于不同棋盘中的大量棋子和空位,目标对象在目标区域中的位置可以为大量棋子在不同棋盘中的位置。
可选地,在对上述多组数据进行处理时,通过机器学习来解析上述多组数据,从中学习来对神经网络模型进行训练。其中,在通过机器学习来解析多组数据时,可以对多组数据按照分布一致性算法、去噪、采样等算法进行预处理,再从预处理后的数据中进行特征提取、特征变换、特征归一、特征组合等得到用于训练神经网络模型的特征,再进一步通过优化算法、假设函数、损失函数、决策边界、收敛速度、迭代策略等对特征进行处理,得到对于神经网络模型进行训练后的目标数据模型。最后可以对目标数据模型进行交叉验证、评估目标、过拟合、欠拟合等评价,从而最终确定用于识别第一对象在第一区域中的位置,得到第一位置信息的目标数据模型。
在获取第一图像之后,通过上述目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,比如,第一对象为第一图像中的棋子,第一区域为第一图像中的棋盘,通过上述目标数据模型识别第一图像中的棋子在第一图像中的棋盘的位置,得到第一位置信息,该第一位置信息可以由坐标值进行表示,比如,该第一位置信息的坐标范围为0~1024。可选地,通过上述目标数据模型识别第一对象在第一图像中的位置,得到第一位置信息,比如,识别棋子和空位在图片中得到的位置,得到第一位置信息,并通过目标数据模型输出第一位置信息,该第一位置信息可以为第一场景中的真实区域对第一场景中的第二对象、边界、交叉点的坐标,比如,为真实棋盘对棋子、棋盘边界、棋盘交叉点识别标记和识别坐标。
可选地,该实施例可以对图像分辨率不一致的第一图像使用图像插值法将图像分辨率调整为固定分辨率,然后采用自适应直方图均衡化使第一图像各个位置光照强度趋于正常。使用目标数据模型对光照强度趋于正常的第一图像中的第一对象进行检测,比如,对围棋棋子和空位进行检测。由于围棋棋子特征明显,而围棋棋盘边缘特征不明显,所以分别对目标数据模型进行训练,训练棋子和空位两个数据模型。最终合并两个数据模型的检测结果,进一步输出检测结果。
可选地,在目标数据模型中,使用非极大值抑制法,分别剔除第一位置信息中重叠程度较大的检测结果。比如,考虑到棋盘这一特殊场景,各种棋子和空位相互之间也不会重叠,因此修改非极大值抑制法,将棋子和空位分别去重叠这一步骤调整为同时对棋子和空位去重叠,从而提高目标数据模型检测的准确度。
步骤S306,将第一位置信息转换为第二位置信息。
在本申请上述步骤S306提供的技术方案中,将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置。
在该实施例中,第一对象为第一图像中位于第一区域中的对象,对应第一场景中的第二对象,比如,第一图像中位于棋盘中的棋子对应现实场景中的真实棋子。而在第二场景中,第一对象与第三对象相对应,该第二场景可以为游戏场景,体育竞技场景等,该第三对象可以为第二场景中的游戏棋盘中的棋子,也即,为最终显示的游戏场景中的游戏棋盘中的棋子。
在通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之后,将第一位置信息转换为第二位置信息,该第二位置信息用于指示上述第三对象在第二场景中的第二区域中的位置,可以为坐标值,比如,当第二场景中的棋盘为19路棋盘时,该第二位置信息的坐标值的范围为0~19。其中,19路棋盘为围棋棋盘为19*19,第二区域与第一区域相对应,可以为游戏场景中的棋盘。该实施例通过将第一位置信息转换为第二位置信息,实现了将由目标数据模型输出的第一位置信息转换为第二场景中的第二位置信息的目的。
可选地,该实施例查找所有第一对象的相邻对象的数量,将相邻对象的数量最多的第一对象作为定位起点,以该定位起点向上、下、左、右进行第一对象的遍历,遍历所有第一对象的上、下、左、右的相邻第一对象,最终将所有的第一对象对应的第一位置信息转换为第二位置信息。
举例而言,根据目标数据模型输出的围棋棋子、棋盘边界、棋盘交叉点的坐标值,首先查找所有棋子相邻棋子的个数,找到相邻棋子最多的棋子,并将其作为棋子定位起点,从而以该棋子向上、下、左、右四个方向进行棋子遍历。遍历所有棋子和空位的上、下、左、右方向上的临接点,找到其相邻的棋子或者空位,最终生成19路棋子对应的坐标。
步骤S308,将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
在本申请上述步骤S308提供的技术方案中,在将第一位置信息转换为第二位置信息之后,将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上,最终完成第一场景中的第一图像到游第二场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换。
通过上述步骤S302至步骤S308,通过获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。由于通过目标数据模型识别第一对象在第一图像中的第一区域中的位置,得到第一位置信息,并将第一位置信息转换为第二位置信息,最终将与第一对象在第二场景中对应的第三对象,显示在第二场景中的第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果,进而解决了相关技术中对象的显示效率低的技术问题。
作为一种可选的实施方式,步骤S304,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息包括:通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,其中,目标数据模型包括第一数据模型,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,多组第一数据中的每组第一数据均用于指示:目标图像中位于目标区域中的目标操作对象,以及目标操作对象在目标区域中的位置,第一位置信息包括第一子位置信息,目标对象包括目标操作对象;步骤S306,将第一位置信息转换为第二位置信息包括:将第一子位置信息转换为第二子位置信息,其中,第二位置信息包括第二子位置信息,第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;步骤S308,将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上包括:将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第二子位置信息所指示的位置上。
在该实施例中,第一对象包括第一操作对象,该第一操作对象可以为棋局图像中的棋子,目标数据模型可以包括第一数据模型,该第一数据模型可以为棋子检测模型。由于棋子的种类比较少,比如,棋子包括黑棋和白棋,特征明显,经过训练的棋子检测模型可以很准确地检测到棋子。可选地,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,可以预先采集到用于指示目标图像、目标图像中位于目标区域中的目标操作对象、目标图像中位于目标区域中的目标操作对象的大量第一数据,其中,目标图像可以为大量的棋局图像,目标区域可以为大量棋局图像中的不同棋盘,目标操作对象可以为大量的棋子,目标图像中位于目标区域中的目标操作对象可以为大量棋局图像中位于不同棋盘中的大量棋子,目标操作对象在目标区域中的位置可以为大量棋子在不同棋盘中的位置,通过上述大量第一数据对神经网络模型进行训练,得到第一数据模型。
这样通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,可以为通过棋子检测模型识别第一对象中的棋子在棋盘中的位置,得到第一子位置信息,该第一子位置信息可以为坐标值,该坐标值的范围可以为0~1024。
在将第一位置信息转换为第二位置信息时,将上述第一子位置信息转换为第二子位置信息,上述第二位置信息包括该第二子位置信息,该第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置,比如,用于指示现实场景中的第一图像中的棋子在游戏场景中对应的棋子,在游戏场景中的棋盘中的位置。在将第一子位置信息转换为第二子位置信息之后,将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二子位置信息所指示的位置上,最终完成第一场景中的第一图像到第二场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,该方法还包括:通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,其中,第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,目标数据模型包括第二数据模型,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,多组第二数据中的每组第二数据均用于指示:目标图像中位于目标区域中的目标空位对象,以及目标空位对象在目标区域中的位置,第一位置信息包括第三子位置信息,目标对象包括目标空位对象;在将第一子位置信息转换为第二子位置信息时,该方法还包括:将第三子位置信息转换为第四子位置信息,其中,第二位置信息包括第四子位置信息,第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;在将第三对象显示在第二区域中的第二位置信息所指示的位置上时,该方法还包括:将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第四子位置信息所指示的位置上。
在该实施例中,目标数据模型还包括第二数据模型,该第二数据模型可以为空位检测模型,可以用于检测棋盘上的空位对象,该空位对象为第一区域中除棋子之外的没有放上棋子的交叉点,可以按照空位对象在棋盘上的位置进一步将空位对象分为角空位、边空位和中部空位。由于空位的特征非常不明显,不同棋盘之间空位的差异也比较大,这样训练得到空位检测模型,以检测空位。可选地,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,可以预先采集到用于指示目标图像、目标图像中位于目标区域中的目标空位对象、目标图像中位于目标区域中的目标空位对象的大量第二数据,其中,目标图像可以为大量的棋局图像,目标区域可以为大量棋局图像中的不同棋盘,目标空位对象可以为大量的棋盘上的空位,目标图像中位于目标区域中的目标空位对象可以为大量棋局图像中位于不同棋盘中的大量空位,目标空位对象在目标区域中的位置可以为大量空位在不同棋盘中的位置,通过上述大量第二数据对神经网络模型训练,得到第二数据模型。
这样在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,通过上述第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,该第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,比如,为棋盘中除棋子之外的没有放上棋子的交叉点,可以按照第一空位对象在棋盘上的位置进一步将第一空位对象分为角空位、边空位和中部空位。可选地,通过空位检测模型识别第一对象中的空位在棋盘中的位置,得到第三子位置信息,该第三子位置信息可以为坐标值,坐标值的范围可以为0~1024。
可选地,在通过第二数据模型检测第一空位对象时,可以通过降低模型的判定阈值,使其尽可能多地输出可能是空位对象的位置信息,多余的空位对象会剔除,合并由第一数据模型识别得到的第一子位置信息和由第二数据模型识别得到的第二子位置信息,作为检测的结果。
在将第一子位置信息转换为第二子位置信息时,还将上述第三子位置信息转换为第四子位置信息,上述第二位置信息包括该第四子位置信息,该第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象,在第二场景中的第二区域中的位置,比如,用于指示现实场景中的棋局图像中的空位在游戏场景中对应的空位,在游戏场景中的棋盘中的位置。在将第三子位置信息转换为第四子位置信息之后,向客户端发送第二子位置信息时,还将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第四子位置信息所指示的位置上,最终完成第一场景中的第一图像到第二场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置、且通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置之后,该方法还包括:同时对第一子位置信息中的重叠位置信息和第三子位置信息中的重叠位置信息,进行去重处理,得到去重处理之后的第一子位置信息和第三子位置信息。
在该实施例中,第一操作对象和第一空位对象对应的位置之间不会重叠,而非极大值抑制法为一种对检测结果去重复的方法,常用于图像物体检测算法中,分别剔除各类物体中重叠程度较大的检测结果。该实施例修改非极大值抑制法,在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息、且通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息之后,同时对第一子位置信息中的重叠位置信息和第三子位置信息中的重叠位置信息,进行去重处理,得到去重处理之后的第一子位置信息和第三子位置信息,从而提高了图像识别的准确度。
作为一种可选的实施方式,将第一子位置信息转换为第二子位置信息、且将第三子位置信息转换为第四子位置信息包括:分别获取多个子操作对象的相邻子操作对象的数量,其中,第一操作对象包括多个子操作对象,每个子操作对象的相邻子操作对象与每个子操作对象相邻;将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
在该实施例中,第一操作对象包括多个子操作对象,在将第一子位置信息转换为第二子位置信息、且将第三子位置信息转换为第四子位置信息时,可以分别获取多个子操作对象的相邻子操作对象的数量,比如,根据图像检测模块输出的图像中围棋棋子、棋盘边界、棋盘交叉点的坐标,查找所有棋子相邻棋子的个数。在分别获取多个子操作对象的相邻子操作对象的数量之后,将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象,该子目标操作对象可以为棋子定位起点,比如,将相邻棋子最多的棋子作为棋子定位起点。在将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象之后,将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象,比如,以棋子定位起点向上、下、左、右四个方向进行棋子遍历。在以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象之后,将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息,比如,遍历所有棋子和空位的上、下、左、右方向上的临接棋子找到与其相邻的棋子或者空位,最终生成19路围棋棋子的对应坐标,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,将第一子位置信息转换为第二子位置信息、且将第三子位置信息转换为第四子位置信息包括:在第一操作对象中,获取第一数量的子操作对象,其中,第一数量的子操作对象的识别率均高于目标阈值;从第一数量的子操作对象中随机选择一个子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
在该实施例中,在将第一子位置信息转换为第二子位置信息、且将第三子位置信息转换为第四子位置信息时,在第一操作对象中,获取第一数量的子操作对象,该第一数量的子操作对象的识别率均高于目标阈值,比如,根据图像检测模块将识别到的棋子和空位的准确率由高到低进行排序,获取识别率排在前1/3的所有棋子。在获取第一数量的子操作对象之后,从第一数量的子操作对象中随机选择一个子目标操作对象,比如,从第一数量的棋子中随机选择1枚棋子,最多可以随机选择三次,查询该棋子上、下、左、右相邻的棋子个数,选出相邻棋子最多的棋子作为棋子遍历起点,按照目标顺序遍历多个子操作对象和第一空位对象,最终生成19路棋子围棋棋子的对应坐标,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,在步骤S304,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之前,该方法还包括:将第一图像的分辨率调整为目标分辨率;将具有目标分辨率的第一图像的第一光照信息,调整为第二光照信息,其中,第一光照信息用于指示第一图像的第一光照强度,第二光照信息用于指示第一图像的第二光照强度。
在该实施例中,第一图像的分辨率和用户所使用的设备有关,不同设备向服务器上传的第一图像的分辨率不一致。可选地,图像检测模块接收到用户上传的原始棋盘图像的分辨率和用户所使用的设备有关,不同设备上传的真实棋盘图像分辨率不一致。该实施例在通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之前,将第一图像的分辨率调整为目标分辨率,该目标分辨率可以为一个固定值,可以使用插值法将所有接收到的第一图像的分辨率调整为目标分辨率。其中,插值法为一种对数字图像的大小进行调整的算法,可以在保证图像缩放的同时,保证图像的质量不变。
由于不同用户拍摄到的第一图像的环境光照条件复杂多样,时常出现环境光照过强、过弱、分布不均的情况,严重影响图像检测的准确率,目标数据模型可以采用自适应直方图均衡化使图像各位置光照强度趋于正常、均匀,其中,自适应直方图均衡化是一种提升图像的对比度的一种计算机图像处理技术,通过计算图像的局部直方图,然后重新分布亮度来改变图像对比度。该实施例在将第一图像的分辨率调整为目标分辨率之后,将具有目标分辨率的第一图像的第一光照信息,通过自适应直方图均衡化调整为第二光照信息,该第一光照信息用于指示第一图像的第一光照强度,第二光照信息用于指示第一图像的第二光照强度,使第一图像的光照强度趋于正常、均匀,提高了图像识别的准确率。
作为一种可选的实施方式,在步骤S308,将第三对象显示在第二区域中的第二位置信息所指示的位置上之后,该方法还包括:识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果。
该实施例识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果,比如,识别游戏场景中的棋盘中的棋子的数量,包括识别黑棋的数量和/或白棋的数量等,线下对局的围棋玩家根据识别结果可以在棋局未结束时快速地进行形势判断,帮助线下对局的围棋玩家在棋局已结束时快速地显示出棋局的最终结果,提高了对象显示的效率。
作为一种可选的实施方式,步骤S302,获取第一图像包括:获取第一请求,其中,第一请求用于请求获取第一图像;响应第一请求,并获取第一图像。
在该实施例中,在获取第一图像时,可以获取第一请求,该第一请求用于请求获取该第一图像。在接收到该第一请求之后,对第一请求进行响应,得到响应结果,该响应结果用于指示可以获取第一图像,进而通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,将第一位置信息转换为第二位置信息,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,步骤S302,获取第一图像包括:获取本地保存的第一图像;或者获取通过直接拍摄得到的第一图像。
在该实例中,第一图像可以为本地保存的第一图像,比如,保存的之前拍摄好的棋局照片,还可以为直接对着第一场景中的棋局进行拍照得到的棋局照片,从而实现了获取第一图像的目的。
下面从服务器一侧,对本发明实施例的对象的显示方法进行详细介绍。
图4是根据本发明实施例的另一种对象的显示方法的流程图。如图4所示,该方法可以包括以下步骤:
步骤S402,获取客户端发送的第一图像。
在本申请上述步骤S402提供的技术方案中,获取客户端发送的第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象。
在该实施例中,客户端可以为棋类客户端,比如,为围棋客户端。客户端可以获取第一图像,该第一图像为第一场景中的图像,比如,该第一场景可以为现实场景,第一场景中的图像可以为真实生活场景中的与游戏相关的图像,比如,可以为真实棋局图像。可选地,该第一图像为图片,可以通过客户端对第一场景进行拍照得到的图片,也可以是客户端的本地保存的图片。客户端可以向服务器发送第一请求,以请求向服务器上传第一图像,在服务器响应第一请求之后,客户端向服务器上传第一图像,从而使得服务器获取客户端发送的第一图像。
步骤S404,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息。
在本申请上述步骤S404提供的技术方案中,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置。
在获取客户端发送的第一图像之后,通过上述目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,比如,第一对象为第一图像中的棋子,第一区域为第一图像中的棋盘,在获取客户端发送的第一图像之后,通过上述目标数据模型识别第一图像中的棋子在第一图像中的棋盘的位置,得到第一位置信息,该第一位置信息可以由坐标值进行表示。
步骤S406,将第一位置信息转换为第二位置信息。
在本申请上述步骤S406提供的技术方案中,将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置。
在该实施例中,第一对象为第一图像中位于第一区域中的对象,对应第一场景中的第二对象,比如,第一场景为现实场景,第一图像中位于棋盘中的棋子对应现实场景中的真实棋子。第二场景可以为游戏场景,在第二场景中,第一对象与第三对象相对应,该第三对象可以为第二场景中的游戏棋盘中的棋子,也即,为最终在客户端上显示的第二场景中的游戏棋盘中的棋子。
在通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之后,将第一位置信息转换为第二位置信息,该第二位置信息用于指示上述第三对象在第二场景中的第二区域中的位置。
步骤S408,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
在本申请上述步骤S408提供的技术方案中,在将第一位置信息转换为第二位置信息之后,向客户端发送第二位置信息,客户端根据第二位置信息渲染第二区域,比如,根据游戏场景中的棋子坐标值渲染游戏场景中的棋盘,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上,最终完成现实场景中的第一图像到客户端上显示的游戏场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换。
通过上述步骤S402至步骤S408,通过获取客户端发送的第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。由于通过目标数据模型识别第一对象在第一图像中的第一区域中的位置,得到第一位置信息,并将第一位置信息转换为第二位置信息,最终将与第一对象在第二场景中对应的第三对象,显示在第二场景中的第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果,进而解决了相关技术中对象的显示效率低的技术问题。
作为一种可选的实施方式,步骤S404,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息包括:通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,其中,目标数据模型包括第一数据模型,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,多组第一数据中的每组第一数据均用于指示:目标图像中位于目标区域中的目标操作对象,以及目标操作对象在目标区域中的位置,第一位置信息包括第一子位置信息,目标对象包括目标操作对象;步骤S406,将第一位置信息转换为第二位置信息包括:将第一子位置信息转换为第二子位置信息,其中,第二位置信息包括第二子位置信息,第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;步骤S408,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上包括:向客户端发送第二子位置信息,以使在客户端上将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第二子位置信息所指示的位置上。
在该实施例中,在将第一子位置信息转换为第二子位置信息之后,向客户端发送第二子位置信息。客户端根据第二子位置信息渲染第二区域,比如,客户端根据游戏场景中的棋子坐标值渲染现实场景中的棋盘,以使在客户端上将棋子在游戏场景中对应棋子,显示在游戏场景中的第二子位置信息所指示的位置上,最终完成现实场景中的第一图像到客户端上显示的第二场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,该方法还包括:通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,其中,第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,目标数据模型包括第二数据模型,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,多组第二数据中的每组第二数据均用于指示:目标图像中位于目标区域中的目标空位对象,以及目标空位对象在目标区域中的位置,第一位置信息包括第三子位置信息,目标对象包括目标空位对象;在将第一子位置信息转换为第二子位置信息时,该方法还包括:将第三子位置信息转换为第四子位置信息,其中,第二位置信息包括第四子位置信息,第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;在向客户端发送第二子位置信息时,该方法还包括:向客户端发送第四子位置信息,以使在客户端上将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第四子位置信息所指示的位置上。
在该实施例中,在将第一子位置信息转换为第二子位置信息时,还将上述第三子位置信息转换为第四子位置信息,上述第二位置信息包括该第四子位置信息,该第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象,在第二场景中的第二区域中的位置,比如,用于指示现实场景中的第一图像中的空位在游戏场景中对应的空位,在游戏场景中的棋盘中的位置。在将第三子位置信息转换为第四子位置信息之后,向客户端发送第二子位置信息时,还向客户端发送第四子位置信息,客户端根据第四子位置信息渲染第二区域,比如,根据第二场景中的空位坐标值渲染第二场景中的棋盘,以使在客户端上将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第四子位置信息所指示的位置上,最终完成现实场景中的第一图像到客户端上显示的游戏场景中的图像的转换,比如,完成现实场景中的真实棋局图像到游戏场景中的游戏棋局的转换,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,在步骤S408,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上之后,该方法还包括:识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果;向客户端发送识别结果。
该实施例在向客户端发送第二位置信息之后,由服务器识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果,比如,识别棋盘中的棋子的数量,包括黑棋的数量和/或白棋的数量等。在识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果之后,向客户端发送识别结果,从而帮助线下对局的围棋玩家在棋局未结束时快速地进行形势判断,帮助线下对局的围棋玩家在棋局已结束时快速地显示出棋局的最终结果,提高了对象显示的效率。
作为一种可选的实施方式,步骤S402,获取客户端发送的第一图像包括:获取客户端发送的第一请求,其中,第一请求用于请求上传第一图像;向客户端发送响应第一请求得到的响应结果;获取客户端在接收到响应结果之后,上传的第一图像。
在该实施例中,在获取客户端发送的第一图像时,客户端可以向服务器发送第一请求,该第一请求用于客户端请求向服务器上传第一图像,服务器获取客户端发送的第一请求。在获取客户端发送的第一请求之后,服务器响应第一请求,得到响应结果,向客户端发送该响应结果,该响应结果用于指示允许客户端向服务器上传第一图像。客户端在接收到响应结果之后,向服务器上传第一图像,服务器获取该第一图像,进而通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,将第一位置信息转换为第二位置信息,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果。
作为一种可选的实施方式,步骤S402,获取客户端发送的第一图像包括:获取由客户端的本地保存的第一图像;或者获取由客户端直接拍摄得到的第一图像。
在该实例中,第一图像可以为客户端本地保存的第一图像,比如,保存的之前拍摄好的棋局照片,还可以为客户端直接对着第一场景中的棋局进行拍照得到的棋局照片,从而实现了获取客户端发送的第一图像。
在该实施例中,客户端可以向服务器端通过通用网关接口(Common GatewayInterface,简称为CGI)程序发起请求,上传用户使用客户端拍摄得到的第一图像,其中,CGI程序描述了服务器和请求处理程序之间传输数据的一种标准,可以让一个客户端通过HTTP向网络服务器上的程序请求数据。服务器端通过CGI程序收到第一图像后,将第一图像向目标数据模型转发,目标数据模型在接收到第一图像之后,对第一图像中的第一对象进行识别,向服务器端的CGI程序返回识别到的第一对象在第一区域中的位置所对应的第一位置信息,服务器端的CGI程序以识别到的第一位置信息和识别准确率为数据,将第一位置信息转化为第二位置信息,并将第二位置信息向客户端返回。客户端根据第二位置信息渲染第二场景中的第二区域。
举例而言,围棋客户端向服务器端的CGI程序发起请求,上传用户使用围棋客户端拍摄真实棋局图像。服务器端程序收到真实棋局图像后,将真实棋局对象转发给图像检测模块,图像检测模块对接收到的真实棋局图像进行棋子和空位识别,向服务器程序返回识别到的棋子和空位在图像中的坐标和识别准确率。服务器的CGI程序以识别到的棋子和空位坐标和识别准确率为数据,执行围棋棋子图像定位算法,将棋子和空位的图像坐标都定位到游戏棋盘中,进而将游戏棋子的坐标返回给围棋客户端。围棋客户端根据棋子坐标渲染游戏棋盘,最终完成真实棋局图像转换为游戏棋局。
该实施例对于服务部署,CGI程序可以基于Apache(版本号2.0.59),CGI程序整体部署在服务器上,服务器配置为Intel(R)Xeon(R)CPU E5-2620v3,40G内存。图像检测模块可以基于以python darkflow,调用tensorflow执行图片处理和棋子和空位的识别,图像检测模块整体部署在TS80服务器上,TS80服务器配置为双6核CPU(其中CPU型号为Intel(R)Xeon(R)E5-2620v3),64G内存,12*480G SSD,1*80G SSD,万兆网卡。
该实施例可以将大数据图像识别算法应用于真实生活场景中,通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,将第一位置信息转换为第二位置信息,向客户端发送第二位置信息,以使在客户端上将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上,从而将第一场景中的第一图像中的第一对象对应的第一位置信息,转化为第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置所对应的第二位置信息,并输出对第二场景中的第二区域中显示的第三对象进行识别得到的识别结果,进而帮助线下对局的游戏玩家快速地进行形势判断,帮助线下对局的游戏玩家快速地显示出游戏的最终结果,提高了对象的显示效率。
需要说明的是,该实施例的服务器与客户端之间的交互方法仅为本发明实施例的优选实施方式,并不代表本发明实施例的服务器只能与客户端进行交互,比如,服务器还可以与作为竞技项目比赛结果的统计工具进行交互,此处不再一一举例说明。
下面从客户端一侧对本发明实施例的对象的显示方法进行介绍。
图5是根据本发明实施例的另一种对象的显示方法的流程图。如图5所示,该方法包括以下步骤:
步骤S502,客户端获取第一图像。
在本申请上述步骤S502提供的技术方案中,客户端获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象。
步骤S504,客户端通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息。
在本申请上述步骤S504提供的技术方案中,客户端通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置。
步骤S506,客户端将第一位置信息转换为第二位置信息。
在本申请上述步骤S506提供的技术方案中,客户端将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置。
步骤S508,客户端将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
在本申请上述步骤S508提供的技术方案中,在客户端将第一位置信息转换为第二位置信息之后,客户端将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
需要说明的是,该实施例对象的显示方法可以由客户端执行,比如,由游戏客户端执行,还可以通过作为竞技项目比赛结果的统计工具进行执行,任何可以通过目标数据模型识别第一对象在第一图像中的第一区域中的位置,得到第一位置信息,并将第一位置信息转换为第二位置信息,最终将与第一对象在第二场景中对应的第三对象,显示在第二场景中的第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果的方案都在本实施例的范围之内,此处不再一一举例说明。
下面结合优选的实施例对本发明实施例的技术方案进行举例说明。具体以客户端为围棋客户端,以棋盘场景进行举例说明。
该实施例的图像处理方法可以通过图像检测模块检测围棋棋子及空位图像。
下面图像检测模块的检测进行介绍。
图6是根据本发明实施例的一种对实际棋盘场景中的棋盘图像进行检测的方法的流程图。如图6所示,该方法包括以下步骤:
步骤S601,读取原始棋局图像。
该实施例的图像检测模块可以读取原始棋局图像,接收用户通过围棋客户端上传的在拍摄棋盘时所得到的原始棋局图像,该原始棋局图像也即为真实棋盘图像。
步骤S602,规范原始棋局图像的分辨率。
原始棋局图像的分辨率和用户所使用的设备有关,通过不同设备上传的原始棋局图像的分辨率不一样。可选地,该实施例的图像检测模块可以使用插值法将所有接收到的原始棋局图像的分辨率调整为固定值。也即,图像检测模块数字图像的大小进行调整,从而在图像缩放的同时,保证图像的质量不变。
步骤S603,均衡原始棋局图像的亮度。
由于环境光照条件复杂多样,不同用户在拍摄棋盘时的环境光照条件不同,时常会出现环境光照过强、光照过弱、光照分布不均等情况,从而严重影响图像检测的准确率。可选地,该实施例的图像检测模块采用自适应直方图均衡化以使图像各位置的光照强度趋于正常、均匀,也即,图像检测模块提升图像的对比度,通过计算图像的局部直方图,然后重新分布亮度来改变图像的对比度,实现图像各位置的光照强度趋于正常、均匀。
步骤S604,检测原始棋局图像中的棋子位置。
步骤S605,检测原始棋局图像中的空位位置。
在该实施例中,图像检测模块的核心算法是使用基于卷积神经网络的YOLO模型对棋子和空位进行检测,其中,卷积神经网络为深度学习中的一种网络结构框架,是一种前馈神经网络,YOLO模型为一个公开的基于卷积神经网络的图像检测模块,也即,图像物体检测模型,空位为围棋棋盘上没有放上棋子的交叉点,边缘位置等,可以按照空位在围棋棋盘上的位置细分为角空位、边空位和中部空位。向经过训练的YOLO模型输入围棋客户端上传的原始棋局图像,经过YOLO模型计算,可以直接得到图像中存在的对象的位置和种类。
在围棋的图像处理中,由于棋子的种类比较少,并且特征明显,经过训练的图像物体检测模型可以很准确地检测到棋子,而空位的特征非常不明显,不同棋盘之间空位的差异也比较大,图像物体检测模型难以准确地检测空位。因此,该实施例使用两个图像物体检测模型分别训练、检测棋子和空位。该两个图像检测模型分别为棋子检测模型和空位检测模型。其中,棋子检测模型可以输出黑子和白子的位置信息,空位检测模型可以输出棋盘上的空位信息,比如,输出棋盘角空位、边空位和中部空位的位置信息。可选地,在使用空位检测模型对空位进行检测时,可以通过降低模型的判定阈值,使其尽可能多地输出可能是空位的位置信息,而多于的空位的位置信息在后续剔除掉。最后合并棋子检测模型的检测结果和空位检测模型的检测结果,以作为下一步输入。
步骤S606,进行非极大值抑制算法。
在该实施例中,在YOLO模型中,在检测到图像中的物体的位置之后,可以使用非极大值抑制法进行处理,以对棋子检测模型的检测结果和空位检测模型的检测结果进行去重处理,其中,非极大值法常用于图像物体检测算法中。从而分别剔除图像中的各类物体中,重叠程度较大的检测结果。考虑到游戏棋盘这一特殊场景,各种棋子和空位之间也不会产生重叠,修改上述非极大值抑制法,将图像中的物体按照种类分别进行去重叠这一步骤调整为同时去重叠,从而提高图像检测的准确度。
步骤S607,检测结果输出。
在将图像中的物体按照种类同时进行区重叠之后,将去重叠后的检测结果输出到识别19路模块部分,比如,将围棋棋子、棋盘边界、棋盘交叉点的坐标输出到识别19路模块部分。该19路模块部分用于根据棋子的坐标渲染游戏棋盘,最终完成真实棋局图像转换为游戏棋局的图像。
该实施例通过首先对图像分辨率不一致的棋局图片使用图像插值法将图像分辨率调整为固定分辨率,然后采用自适应直方图均衡化使图像各个位置光照强度趋于正常。使用基于卷积神经网络的YOLO模型对围棋棋子和空位进行检测。由于围棋棋子特征明显,而围棋棋盘边缘特征不明显,所以分别训练棋子和空位两个数据模型的方法解决。最终合并去重两个模型的检测结果,输出真实棋盘对棋子、棋盘边界、棋盘交叉点识别标记和识别坐标,从而实现了棋子及空位的检测,提高了对象显示的效率。
图7是根据本发明实施例的一种棋子及空位检测的结果示意图。如图7所示,在按照图6所示的方法对棋子及空位进行检测之后,识别到的棋子和空位,其中,红色指示框所在的位置用于表示识别到的棋子中的黑子所在的位置,绿色指示框所在的位置用于表示识别到的棋子中的白子所在的位置,其中,红色指示框比绿色指示框的线条粗,蓝色指示框所在的位置用于表示识别到的空位中的中部空位所在的位置,黄色指示框所在的位置用于表示识别到的空位中的边空位所在的位置,浅蓝指示框用于指示角空位所在的位置。
下面对围棋棋子的图像的定位算法进行介绍。
该实施例的定位算法为将图像检测模块输出的棋子及空位在图片中的位置信息转换为游戏棋盘中的位置信息,具体将棋子及空位在图片中的坐标信息转换为游戏棋盘中的坐标信息。
根据图像检测模块输出的图像中的围棋棋子、棋盘边界、棋盘交叉点的坐标,首先查找所有棋子的相邻棋子的个数,将相邻棋子的个数最多的棋子确定为对棋子定位的起点,也即,将相邻棋子的个数最多的棋子确定为种子棋子,从而以该种子棋子向上、下、左、右四个方向进行遍历,从而遍历所有棋子和空位的上、下、左、右方向上的临接点,再找到与临接点相邻的棋子或者空位,最终生成19路棋子的围棋棋子的坐标。
可选地,该实施例根据图像检测模块检测到棋子及空位的识别准确率进行由高到低的排序,获取识别率排在前1/3的所有棋子。在获取识别率排在前1/3的所有棋子之后,随机选择其中的1枚棋子,最多随机选择三次,再查询与该棋子上、下、左、右相邻的棋子的个数,选出相邻棋子的个数最多的棋子作为棋子在遍历时的起点。
在确定起点棋子之后,以起点棋子作为遍历基点,根据图像中给出的棋子和空位,在图像上汇总坐标,查找起点棋子上、下、左、右的临接棋子。然后继续对上、下、左、右的临接棋子查找其临接棋子,直到所有棋子都找到了临接棋子。
在遍历完所有的棋子之后,以每个棋子作为左上角棋子来构造19路棋盘,将棋子及空位在图像中的坐标点转换为游戏棋盘中的坐标,也即,将棋子及空位在图像中的范围为0~1024的坐标点转换为0到19的坐标点,并计算该棋盘的边数和总棋子数,取出边数最高、总棋子数最高的棋盘以及棋子所在游戏棋盘的坐标。
下面对本发明实施例的图像处理方法的整体流程进行介绍。
图8是根据本发明实施例的一种图像处理的交互流程图。如图8所示,该方法包括以下步骤:
步骤S801,客户端向CGI服务器请求上传原始棋局图像。
客户端可以为围棋客户端,向CGI服务器请求上传原始棋局图像,也即,向服务器端CGI程序发起请求,上传用户使用客户端拍摄的原始棋局图像。
步骤S802,CGI服务器通过Http请求向图像检测模块上传原始棋局图像。
CGI服务器接收到原始棋局图像之后,将原始棋局图像向图像检测模块转发。该CGI服务器基于Apache,用于图片上传以及图片检测结果处理。
可选地,该实施例的服务器端的CGI程序基于Apache(版本号2.0.59),CGI程序整体部署在服务器上,服务器配置为Intel(R)Xeon(R)CPU E5-2620v3,40G内存。
步骤S803,图像检测模块向CGI服务器返回原始棋局图像的检测结果。
该实施例的图像检测模块基于Docker容器,部署与tensorflow和Apache Web服务器,接收图像检测模块发送的原始棋局图像,对接收到的原始棋局图像进行棋子和空位识别,实现对原始棋局图像的检测,得到棋子和空位在图像中的坐标和识别准确率的检测结果,并向CGI服务器返回识别到的检测结果。
可选地,图像检测模块基于以Python库和darkflow库,调用tensorflow执行图片处理和棋子和空位的识别,图像检测模块整体部署在TS80服务器上,TS80服务器配置为双6核CPU(其中CPU型号为Intel(R)Xeon(R)E5-2620v3),64G内存,12*480G SSD,1*80G SSD,万兆网卡。
步骤S804,客户端请求拉取棋串。
步骤S805,CGI服务器将识别到的棋子和空位坐标和识别准确率为数据,执行围棋棋子图像定位算法,将棋子和空位的图像坐标都定位到游戏棋盘中,得到游戏棋子的坐标。
将游戏棋子的坐标返回给客户端。客户端根据棋子坐标渲染游戏棋盘,最终完成真实棋局图像转换为游戏棋局。
该实施例可以将大数据图像识别算法应用于真实生活场景中,用于解决围棋活动中棋局结束数子耗时长、易错的痛点。通过结合图像识别模块和围棋棋子图像定位算法,棋子需要拍照上传真实棋局图像,客户端将棋局图片向服务器上传,经过图像检测模块检测,以及围棋棋子定位算法,从而将真实棋子中的棋子的坐标转化为第二场景中的棋子坐标,并输出数子结果和形势判断,提高了游戏中的对象显示的效率。
本发明实施例的应用环境可以但不限于参照上述实施例中的应用环境,本实施例中对此不再赘述。本发明实施例提供了用于实施对象的显示方法的一种可选的具体应用,具体以客户端为围棋客户端的应用场景进行介绍。
在该实施例中,拍照数子是围棋客户端提供的一个和围棋相关的线下、线上相结合的功能,主要有两个作用:一是帮助线下对局的围棋玩家在棋局未结束时快速地进行形势判断;二是帮助线下对局的围棋玩家在棋局已结束时快速地显示出棋局的最终结果。
在线下围棋对局中或者在线下围棋对局结束之后,打开围棋客户端,对着真实棋盘进行拍照,即可实时识别出棋盘、棋子,并给出当前形势的判断或者对局结果。
图9是根据本发明实施例的一种拍照数据功能入口的示意图。如图9所示,在启动围棋客户端之后,点击右下角“更多”-“拍照数子”标识,即可进入到围棋客户端的拍照数子界面。
图10是根据本发明实施例的一种拍照数字功能界面的示意图。如图10所示,在进入到围棋客户端的拍照数子界面时,对准真实棋局,按下中间的拍照图标,对真实棋局进行拍照,得到原始棋局图像。在拍照过程中,围棋客户端会提示“请将棋子摆放整齐、镜头正对棋子”,从而拍到效果较好的棋局图像。该实施例也可以从围棋客户端的本地相册中选择一张棋局图片作为原始棋局图像。
图11是根据本发明实施例的一种拍照数子识别确认界面的示意图。如图11所示,在对准真实棋局进行拍照,得到原始棋局图像,或者从围棋客户端的本地相册中选择一张棋局图片作为原始棋局图像之后,进入到识别界面。用户点击“开始识别”标识,或者等待5秒自动开始对原始棋局图像进行识别。如果对原始棋局图像不满意,还可以点击“重拍”,以重新选择原始棋局图像。
图12是根据本发明实施例的一种拍照数子识别过程的示意图。如图12所示,在识别过程中,有一个竖条线光栅不断地扫描棋盘,其中,图中的1区域为未识别的棋盘和棋子,2区域为已识别的棋盘和棋子。识别完成后进入到“识别结果”界面。
图13是根据本发明实施例的一种拍照数子识别结果的示意图。如图13所示,识别完成后进入到“识别结果”界面之后,识别出结果,比如,识别出对局已结束状态,可以显示出黑184子。用黑184子代表最终的数子结果,这并不显示黑胜或者白胜。这样适合范围更广,即使让子棋、倒帖目棋都没问题。
该实施例将大数据图像识别算法应用于真实生活场景中,用于解决围棋活动中棋局结束数子耗时长、易错的痛点。通过结合棋子和空位图像识别模块和围棋棋子图像定位算法,棋子需要拍照上传真实围棋棋局,腾讯围棋拍照数子模块会将棋局图片上传服务器,经过图像识别模块和围棋棋子定位算法,将真实棋子中的棋子转化为游戏中的棋子坐标,并输出数子结果和形势判断,提高了游戏中的对象显示的效率。
本发明实施例所提供的技术方案首先解决了现有的拍照数子功能针对棋子识别率低的问题,优化了整个拍照数子的流程,保证了用户在以棋盘水平角度拍摄棋盘时,识子准确率可以达99%,在用户以相对倾斜角度拍摄棋时,识子准确率可以达90%,从而提高了围棋对象的显示效率。
需要说明的是,上述技术方案中以围棋进行举例说明,并不代表本发明的技术方案仅应用在围棋中,还可以为其它的体育竞技项目,比如,应用在象棋中等;该实施例的方案可以由客户端执行,比如,由游戏客户端执行,但并不限定本申请的技术方案仅由游戏客户端执行,还可以由比赛结果的统计工具执行,此处不再一一举例说明。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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。
根据本发明实施例的另一方面,还提供了一种用于实施上述对象的显示方法的对象的显示装置。图14是根据本发明实施例的一种对象的显示装置的示意图。如图14所示,该装置可以包括:获取单元10、识别单元20、转换单元30和显示单元40。
获取单元10,用于获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象。
识别单元20,用于通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置。
转换单元30,用于将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置。
显示单元40,用于将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
可选地,识别单元20包括:第一识别模块,用于通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,其中,目标数据模型包括第一数据模型,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,多组第一数据中的每组第一数据均用于指示:目标图像中位于目标区域中的目标操作对象,以及目标操作对象在目标区域中的位置,第一位置信息包括第一子位置信息,目标对象包括目标操作对象;转换单元30包括:第一转换模块,用于将第一子位置信息转换为第二子位置信息,其中,第二位置信息包括第二子位置信息,第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;显示单元40包括:第一显示模块,用于将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第二子位置信息所指示的位置上。
可选地,识别单元20还包括:第二识别模块,用于在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,其中,第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,目标数据模型包括第二数据模型,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,多组第二数据中的每组第二数据均用于指示:目标图像中位于目标区域中的目标空位对象,以及目标空位对象在目标区域中的位置,第一位置信息包括第三子位置信息,目标对象包括目标空位对象;转换单元30还包括:第二转换模块,用于在将第一子位置信息转换为第二子位置信息时,将第三子位置信息转换为第四子位置信息,其中,第二位置信息包括第四子位置信息,第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;显示单元40还包括:第二显示模块,用于在将第三对象显示在第二区域中的第二位置信息所指示的位置上时,向客户端发送第四子位置信息,以使在客户端上将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第四子位置信息所指示的位置上。
需要说明的是,该实施例中的获取单元10可以用于执行本申请实施例中的步骤S302,该实施例中的识别单元20可以用于执行本申请实施例中的步骤S304,该实施例中的转换单元30可以用于执行本申请实施例中的步骤S306,该实施例中的显示单元40可以用于执行本申请实施例中的步骤S308。
此处需要说明的是,上述单元和模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图2所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。其中,硬件环境包括网络环境。
根据本发明实施例的另一方面,还提供了一种用于实施上述对象的显示方法的电子装置。
图15是根据本发明实施例的一种电子装置的结构框图。如图15所示,该的电子装置可以包括:一个或多个(图中仅示出一个)处理器151、存储器153。可选地,如图15所示,该电子装置还可以包括传输装置155、输入输出设备157。
其中,存储器153可用于存储软件程序以及模块,如本发明实施例中的对象的显示方法和装置对应的程序指令/模块,处理器151通过运行存储在存储器153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,即实现上述的对象的显示方法。存储器153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153可进一步包括相对于处理器151远程设置的存储器,这些远程存储器可以通过网络连接至电子装置。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。
上述的传输装置155用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。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,传输装置155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,传输装置155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。
其中,具体地,存储器153用于存储应用程序。
处理器151可以通过传输装置155调用存储器153存储的应用程序,以执行下述步骤:
获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;
通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置;
将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;
将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
处理器151还用于执行下述步骤:通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,其中,目标数据模型包括第一数据模型,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,多组第一数据中的每组第一数据均用于指示:目标图像中位于目标区域中的目标操作对象,以及目标操作对象在目标区域中的位置,第一位置信息包括第一子位置信息,目标对象包括目标操作对象;将第一子位置信息转换为第二子位置信息,其中,第二位置信息包括第二子位置信息,第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第二子位置信息所指示的位置上。
处理器151还用于执行下述步骤:在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,其中,第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,目标数据模型包括第二数据模型,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,多组第二数据中的每组第二数据均用于指示:目标图像中位于目标区域中的目标空位对象,以及目标空位对象在目标区域中的位置,第一位置信息包括第三子位置信息,目标对象包括目标空位对象;在将第一子位置信息转换为第二子位置信息时,将第三子位置信息转换为第四子位置信息,其中,第二位置信息包括第四子位置信息,第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;在将第三对象显示在第二区域中的第二位置信息所指示的位置上时,将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第四子位置信息所指示的位置上。
处理器151还用于执行下述步骤:在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置、且通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置之后,同时对第一子位置信息中的重叠位置信息和第三子位置信息中的重叠位置信息,进行去重处理,得到去重处理之后的第一子位置信息和第三子位置信息。
处理器151还用于执行下述步骤:分别获取多个子操作对象的相邻子操作对象的数量,其中,第一操作对象包括多个子操作对象,每个子操作对象的相邻子操作对象与每个子操作对象相邻;将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
处理器151还用于执行下述步骤:在第一操作对象中,获取第一数量的子操作对象,其中,第一数量的子操作对象的识别率均高于目标阈值;从第一数量的子操作对象中随机选择一个子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
处理器151还用于执行下述步骤:在通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之前,将第一图像的分辨率调整为目标分辨率;将具有目标分辨率的第一图像的第一光照信息,调整为第二光照信息,其中,第一光照信息用于指示第一图像的第一光照强度,第二光照信息用于指示第一图像的第二光照强度。
处理器151还用于执行下述步骤:在将第三对象显示在第二区域中的第二位置信息所指示的位置上之后,识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果;向客户端发送识别结果。
处理器151还用于执行下述步骤:获取的第一请求,其中,第一请求用于请求获取第一图像;响应第一请求,并获取第一图像。
处理器151还用于执行下述步骤:获取本地保存的第一图像;或者通过直接拍摄得到的第一图像。
采用本发明实施例,提供了一种对象的显示方案。通过获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息;将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。由于通过目标数据模型识别第一对象在第一图像中的第一区域中的位置,得到第一位置信息,并将第一位置信息转换为第二位置信息,最终将与第一对象在第二场景中对应的第三对象,显示在第二场景中的第二位置信息所指示的位置上,从而实现了提高对象的显示效率的技术效果,进而解决了相关技术中对象的显示效率低的技术问题。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图15所示的结构仅为示意,电子装置可以是智能手机(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(MobileInternet Devices,MID)、PAD等电子装置。图15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15中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图15所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令电子装置相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行对象的显示方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取第一图像,其中,第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;
通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息,其中,目标数据模型为使用多组数据对神经网络模型训练得到的模型,多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及目标对象在目标区域中的位置;
将第一位置信息转换为第二位置信息,其中,第二位置信息用于指示第一对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;
将第三对象显示在第二场景中的第二区域中第二位置信息所指示的位置上。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息,其中,目标数据模型包括第一数据模型,第一数据模型为使用多组第一数据对神经网络模型训练得到的模型,多组第一数据中的每组第一数据均用于指示:目标图像中位于目标区域中的目标操作对象,以及目标操作对象在目标区域中的位置,第一位置信息包括第一子位置信息,目标对象包括目标操作对象;将第一子位置信息转换为第二子位置信息,其中,第二位置信息包括第二子位置信息,第二子位置信息用于指示第一操作对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;将第一操作对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第二子位置信息所指示的位置上。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置,得到第一子位置信息时,通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置,得到第三子位置信息,其中,第一空位对象为第一区域中除第一操作对象之外的具有目标特征的对象,目标数据模型包括第二数据模型,第二数据模型为使用多组第二数据对神经网络模型训练得到的模型,多组第二数据中的每组第二数据均用于指示:目标图像中位于目标区域中的目标空位对象,以及目标空位对象在目标区域中的位置,第一位置信息包括第三子位置信息,目标对象包括目标空位对象;在将第一子位置信息转换为第二子位置信息时,将第三子位置信息转换为第四子位置信息,其中,第二位置信息包括第四子位置信息,第四子位置信息用于指示第一对象中的第一空位对象在第二场景中对应的第三对象在第二场景中的第二区域中的位置;在将第三对象显示在第二区域中的第二位置信息所指示的位置上时,将第一空位对象在第二场景中对应的第三对象,显示在第二场景中的第二区域中第四子位置信息所指示的位置上。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在通过第一数据模型识别第一对象中的第一操作对象在第一区域中的位置、且通过第二数据模型识别第一对象中的第一空位对象在第一区域中的位置之后,同时对第一子位置信息中的重叠位置信息和第三子位置信息中的重叠位置信息,进行去重处理,得到去重处理之后的第一子位置信息和第三子位置信息。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:分别获取多个子操作对象的相邻子操作对象的数量,其中,第一操作对象包括多个子操作对象,每个子操作对象的相邻子操作对象与每个子操作对象相邻;将相邻子操作对象的数量最多的子操作对象确定为子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在第一操作对象中,获取第一数量的子操作对象,其中,第一数量的子操作对象的识别率均高于目标阈值;从第一数量的子操作对象中随机选择一个子目标操作对象;以子目标操作对象为起点,按照目标顺序遍历多个子操作对象和第一空位对象;将遍历到的子操作对象的第一子位置信息转换为第二子位置信息,将遍历到的第一空位对象的第三子位置信息转换为第四子位置信息。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在通过目标数据模型识别第一对象在第一区域中的位置,得到第一位置信息之前,将第一图像的分辨率调整为目标分辨率;将具有目标分辨率的第一图像的第一光照信息,调整为第二光照信息,其中,第一光照信息用于指示第一图像的第一光照强度,第二光照信息用于指示第一图像的第二光照强度。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在将第三对象显示在第二区域中的第二位置信息所指示的位置上之后,识别在第二场景中的第二区域中进行显示的第三对象,得到识别结果。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取第一请求,其中,第一请求用于请求获取第一图像;响应第一请求,并获取第一图像。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取本地保存的第一图像;或者获取通过直接拍摄得到的第一图像。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的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,可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的第一客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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系统,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。
另外,在本发明各个实施例中的各功能单元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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种对象的显示方法,其特征在于,包括:
获取第一图像,其中,所述第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;
通过目标数据模型识别所述第一对象在所述第一区域中的位置,得到第一位置信息,其中,所述目标数据模型为使用多组数据对神经网络模型训练得到的模型,所述多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及所述目标对象在所述目标区域中的位置,所述目标数据模型包括第一数据模型和第二数据模型,所述第一数据模型用于识别所述第一对象中的第一操作对象在所述第一区域中的第一子位置信息,所述第二数据模型用于识别所述第一对象中的第一空位对象在所述第一区域中的第三子位置信息,对所述第一子位置信息中的重叠位置信息和所述第三子位置信息中的重叠位置信息进行去重处理,以得到去重后的所述第一位置信息;
将所述第一位置信息转换为第二位置信息,其中,所述第二位置信息用于指示所述第一对象在第二场景中对应的第三对象在所述第二场景中的第二区域中的位置;
将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上。
2.根据权利要求1所述的方法,其特征在于,
通过所述目标数据模型识别所述第一对象在所述第一区域中的位置,得到所述第一位置信息包括:通过所述第一数据模型识别所述第一对象中的所述第一操作对象在所述第一区域中的位置,得到所述第一子位置信息,其中,所述第一数据模型为使用多组第一数据对所述神经网络模型训练得到的模型,所述多组第一数据中的每组第一数据均用于指示:所述目标图像中位于所述目标区域中的目标操作对象,以及所述目标操作对象在所述目标区域中的位置,所述第一位置信息包括所述第一子位置信息,所述目标对象包括所述目标操作对象;
将所述第一位置信息转换为所述第二位置信息包括:将所述第一子位置信息转换为第二子位置信息,其中,所述第二位置信息包括所述第二子位置信息,所述第二子位置信息用于指示所述第一操作对象在所述第二场景中对应的所述第三对象,在所述第二场景中的所述第二区域中的位置;
将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上包括:将所述第一操作对象在所述第二场景中对应的所述第三对象,显示在所述第二区域中的所述第二子位置信息所指示的位置上。
3.根据权利要求2所述的方法,其特征在于,
在通过所述第一数据模型识别所述第一对象中的所述第一操作对象在所述第一区域中的位置,得到所述第一子位置信息时,所述方法还包括:通过所述第二数据模型识别所述第一对象中的所述第一空位对象在所述第一区域中的位置,得到所述第三子位置信息,其中,所述第一空位对象为所述第一区域中除所述第一操作对象之外的具有目标特征的对象,所述第二数据模型为使用多组第二数据对所述神经网络模型训练得到的模型,所述多组第二数据中的每组第二数据均用于指示:所述目标图像中位于所述目标区域中的目标空位对象,以及所述目标空位对象在所述目标区域中的位置,所述第一位置信息包括所述第三子位置信息,所述目标对象包括所述目标空位对象;
在将所述第一子位置信息转换为所述第二子位置信息时,所述方法还包括:将所述第三子位置信息转换为第四子位置信息,其中,所述第二位置信息包括所述第四子位置信息,所述第四子位置信息用于指示所述第一对象中的所述第一空位对象在所述第二场景中对应的所述第三对象,在所述第二区域中的位置;
在将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上时,所述方法还包括:将所述第一空位对象在所述第二场景中对应的所述第三对象,显示在所述第二区域中所述第四子位置信息所指示的位置上。
4.根据权利要求3所述的方法,其特征在于,在通过所述第一数据模型识别所述第一对象中的所述第一操作对象在所述第一区域中的位置、且通过所述第二数据模型识别所述第一对象中的所述第一空位对象在所述第一区域中的位置之后,所述方法还包括:
同时对所述第一子位置信息中的重叠位置信息和所述第三子位置信息中的重叠位置信息,进行去重处理,得到去重处理之后的所述第一子位置信息和所述第三子位置信息。
5.根据权利要求3所述的方法,其特征在于,将所述第一子位置信息转换为所述第二子位置信息、且将所述第三子位置信息转换为所述第四子位置信息包括:
分别获取多个子操作对象的相邻子操作对象的数量,其中,所述第一操作对象包括多个所述子操作对象,每个所述子操作对象的相邻子操作对象与每个所述子操作对象相邻;
将所述相邻子操作对象的数量最多的子操作对象确定为子目标操作对象;
以所述子目标操作对象为起点,按照目标顺序遍历所述多个子操作对象和所述第一空位对象;
将遍历到的所述子操作对象的所述第一子位置信息转换为所述第二子位置信息,将遍历到的所述第一空位对象的所述第三子位置信息转换为所述第四子位置信息。
6.根据权利要求3所述的方法,其特征在于,将所述第一子位置信息转换为所述第二子位置信息、且将所述第三子位置信息转换为所述第四子位置信息包括:
在所述第一操作对象中,获取第一数量的子操作对象,其中,所述第一数量的子操作对象的识别率均高于目标阈值;
从所述第一数量的子操作对象中随机选择一个子目标操作对象;
以所述子目标操作对象为起点,按照目标顺序遍历多个所述子操作对象和所述第一空位对象;
将遍历到的所述子操作对象的所述第一子位置信息转换为所述第二子位置信息,将遍历到的所述第一空位对象的所述第三子位置信息转换为所述第四子位置信息。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在通过所述目标数据模型识别所述第一对象在所述第一区域中的位置,得到所述第一位置信息之前,所述方法还包括:
将所述第一图像的分辨率调整为目标分辨率;
将具有所述目标分辨率的所述第一图像的第一光照信息,调整为第二光照信息,其中,所述第一光照信息用于指示所述第一图像的第一光照强度,所述第二光照信息用于指示所述第一图像的第二光照强度。
8.根据权利要求1至6中任意一项所述的方法,其特征在于,在将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上之后,所述方法还包括:
识别在所述第二场景中的所述第二区域中进行显示的所述第三对象,得到识别结果。
9.根据权利要求1至6中任意一项所述的方法,其特征在于,获取所述第一图像包括:
获取第一请求,其中,所述第一请求用于请求获取所述第一图像;
响应所述第一请求,并获取所述第一图像。
10.根据权利要求1至6中任意一项所述的方法,其特征在于,获取所述第一图像包括:
获取本地保存的所述第一图像;或者
获取通过直接拍摄得到的所述第一图像。
11.一种对象的显示装置,其特征在于,包括:
获取单元,用于获取第一图像,其中,所述第一图像中位于第一区域中的第一对象用于指示第一场景中的第二对象;
识别单元,用于通过目标数据模型识别所述第一对象在所述第一区域中的位置,得到第一位置信息,其中,所述目标数据模型为使用多组数据对神经网络模型训练得到的模型,所述多组数据中的每组数据均用于指示:目标图像中位于目标区域中的目标对象,以及所述目标对象在所述目标区域中的位置,所述目标数据模型包括第一数据模型和第二数据模型,所述第一数据模型用于识别所述第一对象中的第一操作对象在所述第一区域中的第一子位置信息,所述第二数据模型用于识别所述第一对象中的第一空位对象在所述第一区域中的第三子位置信息,对所述第一子位置信息中的重叠位置信息和所述第三子位置信息中的重叠位置信息进行去重处理,以得到去重后的所述第一位置信息;
转换单元,用于将所述第一位置信息转换为第二位置信息,其中,所述第二位置信息用于指示所述第一对象在第二场景中对应的第三对象在所述第二场景中的第二区域中的位置;
显示单元,将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上。
12.根据权利要求11所述的装置,其特征在于,
所述识别单元包括:第一识别模块,用于通过所述第一数据模型识别所述第一对象中的所述第一操作对象在所述第一区域中的位置,得到所述第一子位置信息,其中,所述第一数据模型为使用多组第一数据对所述神经网络模型训练得到的模型,所述多组第一数据中的每组第一数据均用于指示:所述目标图像中位于所述目标区域中的目标操作对象,以及所述目标操作对象在所述目标区域中的位置,所述第一位置信息包括所述第一子位置信息,所述目标对象包括所述目标操作对象;
所述转换单元包括:第一转换模块,用于将所述第一子位置信息转换为第二子位置信息,其中,所述第二位置信息包括所述第二子位置信息,所述第二子位置信息用于指示所述第一操作对象在所述第二场景中对应的所述第三对象,在所述第二场景中的所述第二区域中的位置;
所述显示单元包括:第一显示模块,用于将所述第一操作对象在所述第二场景中对应的所述第三对象,显示在所述第二区域中所述第二子位置信息所指示的位置上。
13.根据权利要求12所述的装置,其特征在于,
所述识别单元还包括:第二识别模块,用于在通过所述第一数据模型识别所述第一对象中的所述第一操作对象在所述第一区域中的位置,得到所述第一子位置信息时,通过所述第二数据模型识别所述第一对象中的所述第一空位对象在所述第一区域中的位置,得到所述第三子位置信息,其中,所述第一空位对象为所述第一区域中除所述第一操作对象之外的具有目标特征的对象,所述第二数据模型为使用多组第二数据对所述神经网络模型训练得到的模型,所述多组第二数据中的每组第二数据均用于指示:所述目标图像中位于所述目标区域中的目标空位对象,以及所述目标空位对象在所述目标区域中的位置,所述第一位置信息包括所述第三子位置信息,所述目标对象包括所述目标空位对象;
所述转换单元还包括:第二转换模块,用于在将所述第一子位置信息转换为所述第二子位置信息时,将所述第三子位置信息转换为第四子位置信息,其中,所述第二位置信息包括所述第四子位置信息,所述第四子位置信息用于指示所述第一对象中的所述第一空位对象在所述第二场景中对应的所述第三对象在所述第二场景中的所述第二区域中的位置;
所述显示单元还包括:第二显示模块,用于在将所述第三对象显示在所述第二区域中的所述第二位置信息所指示的位置上时,将所述第一空位对象在所述第二场景中对应的所述第三对象,显示在所述第二区域中所述第四子位置信息所指示的位置上。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至10任一项中所述的对象的显示方法。
15.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行所述权利要求1至10任一项中所述的对象的显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711064502.0A CN107967447B (zh) | 2017-11-02 | 2017-11-02 | 对象的显示方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711064502.0A CN107967447B (zh) | 2017-11-02 | 2017-11-02 | 对象的显示方法、装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967447A CN107967447A (zh) | 2018-04-27 |
CN107967447B true CN107967447B (zh) | 2021-11-19 |
Family
ID=62000851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711064502.0A Active CN107967447B (zh) | 2017-11-02 | 2017-11-02 | 对象的显示方法、装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967447B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896471B (zh) * | 2022-05-20 | 2023-03-17 | 佛山市计客创新科技有限公司 | 棋子变化检测方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103802111A (zh) * | 2013-12-23 | 2014-05-21 | 北京晨鑫意科技有限公司 | 下棋机器人 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7458894B2 (en) * | 2004-09-15 | 2008-12-02 | Microsoft Corporation | Online gaming spectator system |
-
2017
- 2017-11-02 CN CN201711064502.0A patent/CN107967447B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103802111A (zh) * | 2013-12-23 | 2014-05-21 | 北京晨鑫意科技有限公司 | 下棋机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN107967447A (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101121034B1 (ko) | 복수의 이미지들로부터 카메라 파라미터를 얻기 위한 시스템과 방법 및 이들의 컴퓨터 프로그램 제품 | |
CN103020885B (zh) | 深度图像压缩 | |
CN105551050B (zh) | 一种基于光场的图像深度估计方法 | |
CN105180836B (zh) | 控制装置、机器人、以及控制方法 | |
US9406140B2 (en) | Method and apparatus for generating depth information | |
JP2016151955A (ja) | 画像処理装置、撮像装置、距離計測装置、および画像処理方法 | |
CN108924427A (zh) | 一种摄像机聚焦方法、装置以及摄像机 | |
CN113011403B (zh) | 手势识别方法、系统、介质及设备 | |
CN106488215A (zh) | 图像处理方法和设备 | |
CN108304839A (zh) | 一种图像数据处理方法以及装置 | |
EP3549334A1 (en) | Method for rendering a final image from initial images acquired by a camera array, corresponding device, computer program product and computer-readable carrier medium | |
CN107622497A (zh) | 图像裁剪方法、装置、计算机可读存储介质和计算机设备 | |
CN107547839A (zh) | 基于图像分析的远程控制平台 | |
CN110266955B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN110213605B (zh) | 图像纠正方法、装置及设备 | |
CN105933676B (zh) | 基于图像分析的远程控制平台 | |
CN107967447B (zh) | 对象的显示方法、装置、存储介质和电子装置 | |
CN108764248B (zh) | 图像特征点的提取方法和装置 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN108263074A (zh) | 丝印网版的定位方法、装置、终端设备及可读存储介质 | |
KR20160024419A (ko) | Dibr 방식의 입체영상 카메라 판별 방법 및 장치 | |
Wang et al. | Chess move tracking using overhead RGB webcam | |
US11620765B2 (en) | Automatic detection of a calibration object for modifying image parameters | |
KR100472102B1 (ko) | 바둑 기보 생성 방법 및 장치 |
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 |