CN108229498B - 一种拉链片识别方法、装置及设备 - Google Patents

一种拉链片识别方法、装置及设备 Download PDF

Info

Publication number
CN108229498B
CN108229498B CN201710762893.7A CN201710762893A CN108229498B CN 108229498 B CN108229498 B CN 108229498B CN 201710762893 A CN201710762893 A CN 201710762893A CN 108229498 B CN108229498 B CN 108229498B
Authority
CN
China
Prior art keywords
zipper
image
feature
slide
feature extraction
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
Application number
CN201710762893.7A
Other languages
English (en)
Other versions
CN108229498A (zh
Inventor
黄建龙
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710762893.7A priority Critical patent/CN108229498B/zh
Publication of CN108229498A publication Critical patent/CN108229498A/zh
Application granted granted Critical
Publication of CN108229498B publication Critical patent/CN108229498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种拉链片识别方法包括：获取多个包括拉链片样本的第一图像；依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别。有利于提高拉链片识别的准确率，并且可以适应不同拉链片的识别要求，有利于节约成本。

Description

一种拉链片识别方法、装置及设备
技术领域
本发明属于智能识别领域，尤其涉及一种拉链片识别方法、装置及设备。
背景技术
拉链片又名拉链牌、拉片、拉牌，一般同拉链配套使用于服装、箱包等产品。拉链片可制作为锌合金、铜、铁、塑胶等多种材质，表面可电镀不同颜色及镭射、丝印、滴胶等，款式可制作不同图案、字母、形状等款式，从而满足不同用户的需求。
在拉链的生产过程中，需要将拉链片摆放为按照预定的姿态，以及确定好拉链片的正反面，使得拉链片能够正确的组装在拉链头上。但是，传统的拉链片设备通过振动滑轨的方式对拉链片进行校正，一般局限于对其中一种拉链片，不能同时适应多种拉链片的组装要求，并且，随着拉链片的形状的多样化，针对不同的拉链片需要使用不同的设备，导致生产成本增加，而且准确度不高。
发明内容
有鉴于此，本发明实施例提供了拉链片识别方法、装置及设备，以解决现有技术中的拉链片设备一般局限于对其中一种拉链片，随着拉链片的形状的多样化，针对不同的拉链片需要使用不同的设备，导致生产成本增加而且准确度不高的问题。
本发明实施例的第一方面提供了一种拉链片识别方法，所述拉链片识别方法包括：
获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合；
依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
结合第一方面，在第一方面的第一种可能实现方式中，所述拉链片样本的第一图像正面图像和所述拉链片样本的背面图像，所述依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子的步骤包括：
通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
结合第一方面，在第一方面的第二种可能实现方式中，所述根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别的步骤包括：
获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
结合第一方面，在第一方面的第三种可能实现方式中，在所述根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别的步骤之后，所述方法还包括：
建立拉链片样式与拉链片识别模型对应关系表；
在所述对应关系表中查找与需要识别的拉链片的样式相近的拉链片，根据查找的拉链片所对应的拉链片识别模型对拉链片进行识别。
结合第一方面、第一方面的第一种可能实现方式、第一方面的第二种可能实现方式或第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述特征提取算法包括尺度不变特征变换SIFT算法、加速稳健特征SURF算法、定向鲁棒的独立二元初级特征描述ORB算法、方向梯度直方图HOG算法或局部二值模式LBP算法。
本发明实施例的第二方面提供了一种拉链片识别装置，所述拉链片识别装置包括：
第一图像获取单元，用于获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合；
特征描述子提取单元，用于依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
训练单元，用于根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
拉链片识别模型选择单元，用于根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
结合第二方面，在第二方面的第一种可能实现方式中，所述拉链片样本的第一图像正面图像和所述拉链片样本的背面图像，所述特征描述子提取单元包括：
第一提取子单元，用于通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
第二提取子单元，用于通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
结合第二方面，在第二方面的第二种可能实现方式中，所述拉链片识别模型选择单元包括：
第二图像识别子单元，用于获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
比较子单元，用于将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
选择子单元，用于根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
本发明实施例的第三方面提供了一种拉链片识别设备，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任一项所述拉链片识别方法的步骤。
本发明实施例的第四方面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，其特征在于，所述计算机程序被处理器执行时实现如第一方面任一项所述拉链片识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过使用样本拉链的图像，由不同的特征提取算法提取特征描述子，然后根据提取的特征描述子进行训练，得到不同特征提取算法对应的拉链片识别模型，并根据不同的拉链片识别模型对第二集合中的相同样式的拉链片进行识别，根据识别的准确率选择与拉链片样式对应的拉链片识别模型，从而有利于提高拉链片识别的准确率，并且可以适应不同拉链片的识别要求，有利于节约成本。
附图说明
为了更清楚地说明本发明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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种拉链片识别方法的实现流程示意图；
图2是本发明实施例提供的选择拉链片识别模型方法的实现流程示意图；
图3是本发明实施例提供的又一拉链片识别方法的实现流程示意图；
图4是本发明实施例提供的拉链片识别装置的示意图；
图5是本发明实施例提供的拉链片识别设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。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发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的一种拉链片识别方法的实现流程示意图，详述如下：
在步骤S101中，获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合。
具体的，所述拉链片样本为待组装的拉链片。可以将所述拉链片样品分为两部分，分别为第一集合和第一集合。其中，第一集合用于采用不同的特征提取算法提取特征描述子，并根据提取的特征描述子以及拉链样本信息，进行反复训练，得到不同的特征提取算法所对应的拉链片识别模型。第二集合中的拉链片可以用于对不同的拉链片识别模型进行检测，从而可以得到与拉链片样式最为匹配的特征提取算法以及特征提取算法所对应的拉链片识别模型。
其中，所述多个包括拉链片样本的第一图像，可以理解为获取多个第一图像，第一图像中包括拉链片样本。比如，在第一集合中包括N个拉链片时，可以获取2N个第一图像，在每个第一图像中分别包括一个拉链片正面的图像和一个包括拉链片背面的图像。当然，也可以将拉链片均匀摆放，在同一个第一图像中包括多个拉链片，便于对图像进行特征提取即可。
在步骤S102中，依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子。
具体的，所述特征提取算法库中包括的特征提取算法，可以包括尺度不变特征变换SIFT(英文全称为Scale-invariant feature transform)算法、加速稳健特征SURF(英文全称为Speeded Up Robust Features)算法、定向鲁棒的独立二元初级特征描述ORB(英文全称为Orient Binary Robust Independent Elementary Features)算法、方向梯度直方图HOG(英文全称为Histogram of Oriented Gradient)算法或局部二值模式LBP(英文全称为Local Binary Patterns)算法中的一种或多种，并不局限于此。其中：
所述尺度不变特征变换SIFT基于物体上的一些局部外观的兴趣点，与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高，相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。
加速稳健特征SURF是一个稳健的图像识别和描述算法，这个算法可被用于计算机视觉任务，如物件识别和3D重构。加速稳健特征SURF标准的版本比SIFT要快数倍，并且在不同图像变换方面比SIFT更加稳健。
定向鲁棒的独立二元初级特征描述ORB是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。它利用FAST特征点检测的方法来检测特征点，然后利用Harris角点的度量方法，从FAST特征点从挑选出Harris角点响应值最大的N个特征点，具有很高的效率。
所述方向梯度直方图HOG是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
可以在获取包括第一集合的拉链片的正面图像和背面图像的多个所述第一图像后，分别采用所述特征提取算法进行特征描述子的提取，具体可以包括：
通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
比如，通过第一种特征提取算法，得到第一种特征描述子，通过第二种特征提取算法进行特征提取，得到第二种特征描述子……通过第N种特征提取算法，得到第N种特征描述子。
在步骤S103中，根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型。
根据不同的特征提取算法，对第一集合中的拉链片样本的第一图像进行特征提取后，根据提取的特征描述子，结合拉链片信息，比如可以包括拉链片的信息，比如可以包括翻转角度的识别、固定拉链片的位置的识别、挂钩点位置的识别中的一种或者多种，对拉链片识别模型进行训练，得到训练完成的拉链片识别模型。
所述拉链片识别模型的训练，可以采用支持向量机模型训练方法或者采用神经网络模型训练方法等。其中，所述支持向量机是一种监督式学习的方法，建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以求获得最好的推广能力。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化，平行超平面间的距离或差距越大，分类器的总误差越小。
在步骤S104中，根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
根据多个特征提取算法所对应的拉链片识别模型，可以对拉链片样式相同的第二集合的拉链片样本进行识别检测，根据检测的结果，选择较优的拉链片识别模型。比如，可以根据识别的翻转角度的准确率，来选择较优的拉链片识别模型，也可以根据固定拉链片的位置的识别准确率，来选择较优的拉链片识别模型，或者还可以根据挂钩点位置的识别准确率，来选择较优的拉链片识别模型。当然，还可以将其中任意两种相结合，或者三种准确率相结合，进行拉链片识别模型的选择。
作为本申请可选的一种实施方式，如图2所示，所述根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别的步骤包括：
在步骤S201中，获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
在步骤S202中，将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
在步骤S203中，根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
根据不同的拉链片识别模型进行拉链片识别时，为了能够快速有效的比较得到较优的拉链片识别模型，可以根据将识别结果与标准的拉链片的图像进行比较，得到第二图像中的拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种，然后根据拉链片信息进行结装，根据组装的合格率或者准确率，来选择较优的拉链片识别模型。
图3为本发明实施例提供的又一拉链片识别方法的实现流程示意图，详述如下：
在步骤S301中，获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合。
在步骤S302中，依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子。
在步骤S303中，根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型。
在步骤S304中，根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
在步骤S305中，建立拉链片样式与拉链片识别模型对应关系表。
在步骤S304后，可以得到与拉链片样式对应的较佳拉链片识别模型，可以将所述选择的结果存储在数据库中，即建立拉链片样式与拉链片识别模型对应关系表。在所述对应关系表中，可以根据拉链片新式，快速的查找到所述拉链片所对应的拉链片识别模型。
在步骤S306中，在所述对应关系表中查找与需要识别的拉链片的样式相近的拉链片，根据查找的拉链片所对应的拉链片识别模型对拉链片进行识别。
在新增需要加工的拉链片时，首先将拉链片的样式与已存储的拉链片的样式进行比较，在存储的多个拉链片样式中，查找到与新增需要加工的拉链片样式的相似度最高的拉链片样式，从而可以相应的确定较优的拉链片识别模型，从而可以更加快速有效的对新增加的拉链片样式进行识别。其中，所述拉链片样式包括但不限于拉链片形状、图案。
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，而不应对本发明实施例的实施过程构成任何限定。
图4为本申请实施例提供的一种拉链片识别装置的结构示意图，所述拉链片识别装置包括：
第一图像获取单元401，用于获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合；
特征描述子提取单元402，用于依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
训练单元403，用于根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
拉链片识别模型选择单元404，用于根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
优选的，所述拉链片样本的第一图像正面图像和所述拉链片样本的背面图像，所述特征描述子提取单元包括：
第一提取子单元，用于通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
第二提取子单元，用于通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
优选的，所述拉链片识别模型选择单元包括：
第二图像识别子单元，用于获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
比较子单元，用于将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
选择子单元，用于根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
图4所述拉链片识别装置，与图1-3所述的拉链片识别方法对应，在此不作重复描述。
图5是本发明一实施例提供的拉链片识别设备的示意图。如图5所示，该实施例的拉链片识别设备5包括：处理50、存储器51以及存储在所述存储器51中并可在所述处理50上运行的计算机程序52，例如拉链片识别程序。所述处理50执行所述计算机程序52时实现上述各个拉链片识别方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至504的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述拉链片识别设备5中的执行过程。例如，所述计算机程序52可以被分割成第一图像获取单元、特征描述子提取单元、训练单元和拉链片识别模型选择单元，各单元具体功能如下：
第一图像获取单元，用于获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合；
特征描述子提取单元，用于依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
训练单元，用于根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
拉链片识别模型选择单元，用于根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片。
所述拉链片识别设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述拉链片识别设备可包括，但不仅限于，处理50、存储器51。本领域技术人员可以理解，图5仅仅是拉链片识别设备5的示例，并不构成对拉链片识别设备5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，例如所述拉链片识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理50可以是中央处理单元(Central Processing Unit，CPU)，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)、现成可编程门阵列(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51可以是所述拉链片识别设备5的内部存储单元，例如拉链片识别设备5的硬盘或内存。所述存储器51也可以是所述拉链片识别设备5的外部存储设备，例如所述拉链片识别设备5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51还可以既包括所述拉链片识别设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述拉链片识别设备所需的其他程序和数据。所述存储器51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。上述系统中单元、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。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端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。
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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也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可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种拉链片识别方法，其特征在于，所述拉链片识别方法包括：
获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合，所述拉链片为待组装的拉链片；
依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片；
所述根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别的步骤包括：
获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
2.根据权利要求1所述的拉链片识别方法，其特征在于，所述拉链片样本的第一图像正面图像和所述拉链片样本的背面图像，所述依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子的步骤包括：
通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
3.根据权利要求1所述的拉链片识别方法，其特征在于，在所述根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别的步骤之后，所述方法还包括：
建立拉链片样式与拉链片识别模型对应关系表；
在所述对应关系表中查找与需要识别的拉链片的样式相近的拉链片，根据查找的拉链片所对应的拉链片识别模型对拉链片进行识别。
4.根据权利要求1-3任一项所述的拉链片识别方法，其特征在于，所述特征提取算法包括尺度不变特征变换SIFT算法、加速稳健特征SURF算法、定向鲁棒的独立二元初级特征描述ORB算法、方向梯度直方图HOG算法或局部二值模式LBP算法。
5.一种拉链片识别装置，其特征在于，所述拉链片识别装置包括：
第一图像获取单元，用于获取多个包括拉链片样本的第一图像，所述拉链片样本属于第一集合，所述拉链片为待组装的拉链片；
特征描述子提取单元，用于依次采用特征提取算法库中的特征提取算法，分别提取所述第一图像中包括的特征描述子；
训练单元，用于根据不同算法所获取的特征描述子，分别进行拉链片识别模型训练，得到与特征提取算法对应的拉链片识别模型；
拉链片识别模型选择单元，用于根据得到的所述拉链片识别模型对第二集合中的拉链片进行识别，选择识别准确度较高的拉链片识别模型对拉链片进行识别，所述第二集合中的拉链片与第一集合中的拉链片样本为相同样式的拉链片；
所述拉链片识别模型选择单元包括：
第二图像识别子单元，用于获取第二集合中的拉链片的第二图像，根据所述拉链片识别模型对第二图像进行识别，得到第二图像对应的特征描述子；
比较子单元，用于将得到的第二图像的特征描述子与对应的标准图像的特征描述子进行比较，得到拉链片的翻转角度、固定拉链片的坐标、挂钩点坐标中的一种或者多种；
选择子单元，用于根据识别的拉链片信息进行拉链片组装，选择合格率较高的拉链片模型对拉链片进行识别。
6.根据权利要求5所述的拉链片识别装置，其特征在于，所述拉链片样本的第一图像正面图像和所述拉链片样本的背面图像，所述特征描述子提取单元包括：
第一提取子单元，用于通过特征提取算法库中的第i种特征提取算法，在所述正面图像和背面图像中提取第i种特征提取算法所对应的特征描述子；
第二提取子单元，用于通过特征提取算法库中的第i+1种特征提取算法，在所述正面图像和背面图像中提取第i+1种特征提取算法所对应的特征描述子，其中i大于或等于1。
7.一种拉链片识别设备，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4任一项所述拉链片识别方法的步骤。
8.一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4任一项所述拉链片识别方法的步骤。
CN201710762893.7A 2017-08-30 2017-08-30 一种拉链片识别方法、装置及设备 Active CN108229498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710762893.7A CN108229498B (zh) 2017-08-30 2017-08-30 一种拉链片识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710762893.7A CN108229498B (zh) 2017-08-30 2017-08-30 一种拉链片识别方法、装置及设备

Publications (2)

Publication Number Publication Date
CN108229498A CN108229498A (zh) 2018-06-29
CN108229498B true CN108229498B (zh) 2022-02-22

Family

ID=62654420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710762893.7A Active CN108229498B (zh) 2017-08-30 2017-08-30 一种拉链片识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN108229498B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059594B (zh) * 2019-04-02 2021-10-22 北京旷视科技有限公司 一种环境感知自适应图像识别方法和装置
CN111612828A (zh) * 2019-12-27 2020-09-01 珠海大横琴科技发展有限公司 一种遥感图像纠正匹配方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3178628U (ja) * 2012-07-12 2012-09-20 Ｙｋｋ株式会社 スライドファスナー
TW201416020A (zh) * 2012-10-29 2014-05-01 zhi-wen Yu 可發光之拉鍊
CN104281843A (zh) * 2014-10-20 2015-01-14 上海电机学院 基于自适应特征和分类模型选择的图像识别方法及系统
CN106570703A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 商品对象鉴定信息处理方法及装置
CN107066980A (zh) * 2017-04-18 2017-08-18 腾讯科技（深圳）有限公司 一种图像变形检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3178628U (ja) * 2012-07-12 2012-09-20 Ｙｋｋ株式会社 スライドファスナー
TW201416020A (zh) * 2012-10-29 2014-05-01 zhi-wen Yu 可發光之拉鍊
CN104281843A (zh) * 2014-10-20 2015-01-14 上海电机学院 基于自适应特征和分类模型选择的图像识别方法及系统
CN106570703A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 商品对象鉴定信息处理方法及装置
CN107066980A (zh) * 2017-04-18 2017-08-18 腾讯科技（深圳）有限公司 一种图像变形检测方法及装置

Also Published As

Publication number Publication date
CN108229498A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
Kim et al. Salient region detection via high-dimensional color transform
Yu et al. Feature integration analysis of bag-of-features model for image retrieval
CN112052186B (zh) 目标检测方法、装置、设备以及存储介质
Simon et al. Part detector discovery in deep convolutional neural networks
Ommer et al. Multi-scale object detection by clustering lines
Wang et al. Visual saliency by selective contrast
CN110765954A (zh) 一种车辆重识别方法、设备及存储装置
Chen et al. Robust feature matching with alternate hough and inverted hough transforms
CN111079785A (zh) 一种图像识别方法、装置及终端设备
Pickup et al. Euclidean-distance-based canonical forms for non-rigid 3D shape retrieval
Xu et al. Discriminative analysis for symmetric positive definite matrices on lie groups
CN103839066A (zh) 一种源于生物视觉的特征提取方法
CN112861934A (zh) 一种嵌入式终端的图像分类方法、装置及嵌入式终端
CN109740674A (zh) 一种图像处理方法、装置、设备和存储介质
CN108229498B (zh) 一种拉链片识别方法、装置及设备
Jiang et al. Object recognition and tracking for indoor robots using an RGB-D sensor
CN110765917A (zh) 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
CN106056133A (zh) 一种图像识别方法及装置
Winter et al. Differential feature distribution maps for image segmentation and region queries in image databases
CN105224957A (zh) 一种基于单样本的图像识别的方法及系统
CN105631896A (zh) 一种基于混合分类器决策的压缩感知跟踪方法
CN107704819B (zh) 一种动作识别方法、系统及终端设备
Gupta et al. Object detection of colored images using improved point feature matching algorithm
Ma et al. Learning coupled conditional random field for image decomposition with application on object categorization
CN111209948A (zh) 图像处理方法、装置和电子设备

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