CN108230581A - 一种无人超市商品结算的商品图像分割方法 - Google Patents
一种无人超市商品结算的商品图像分割方法 Download PDFInfo
- Publication number
- CN108230581A CN108230581A CN201711412213.5A CN201711412213A CN108230581A CN 108230581 A CN108230581 A CN 108230581A CN 201711412213 A CN201711412213 A CN 201711412213A CN 108230581 A CN108230581 A CN 108230581A
- Authority
- CN
- China
- Prior art keywords
- commodity
- pixel
- image
- super
- pixel layer
- 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
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07G—REGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
- G07G1/00—Cash registers
- G07G1/0036—Checkout procedures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人超市商品结算的商品图像分割方法，包括获取结算商品图像，设置图像分割种子点，使用SLIC算法生成超像素层，构建像素层和多重超像素层的图模型及邻接矩阵，计算图模型中像素层内的像素点间及超像素层内的超像素点间的相似度得到邻接矩阵参数，再使用标签传递算法的能量函数计算像素的标签概率，让每个节点反复迭代传递其标记信息到其近邻，直到所有样本的标记达到稳定；再使用最大流/最小割算法进行优化得到相同代价的图割集，再去掉图割集的所有边，得到分割后的图像并与商品图库中的图像进行匹配，直到商品图像完全分割；本发明提供的一种无人超市商品结算的商品图像分割方法，实现超市无人值守自动结算，提高经营效益。
Description
技术领域
本发明涉及无人超市自助购物商品图像识别系统，尤其涉及一种无人超市商品结算的商品图像分割方法。
技术背景
在现代的零售业中，采用无人值守的自助结算系统一般采用RFID电子标签进行商品标识，或使用条码扫描器由顾客进行自助购物商品识别；其中，使用RFID电子标签进行商品标记绑定的无人超市自动结算系统，存在标签使用成本高，结算系统成本高，商家上货时工作量大等据点；而使用条码扫描器进行商品结算时，存在顾客扫描结算，顾客购物体验差、商品失效率高等缺点。随着现代智能技术的发展，图像识别技术已经应用得越来越广泛，在现代的零售业中使用图像识别技术，特别是在无人值守超市中，使用图像识别技术和人工智能成为现代零售业发展的必然趋势，而商品图像识别技术中，商品图像的商品分割是商品图像识别技术的关键。
针对上述问题，需要一种应用在无人值守超市商品自结算中商品图像识别的快速准确的商品图像分割技术，既能提高无人值守超市自动结算速度和可靠性，又能提高商品结算时商品识别的准确性，还能提高现代零售业中无人值守超市的智能性，同时降低超市运营成本、提高超市结算效率和超市经营效益的一种无人超市商品结算的商品图像分割方法。
发明内容
本发明针对上述问题，提供了一种使用和扩展方便，使用人工智能的超市值守的无人值守的智能自动商品结算的一种结算商品的图像分割方法，替代目前无人超市中广泛使用的RFID技术和条码扫描技术，大大降低了销售经营和人力成本，方便顾客购物，提升顾客购物结算效率，提高超市经营效益以及社会效益。
本发明提供的一种无人超市商品结算的商品图像分割方法，包括一种无人超市商品结算的商品图像分割方法，其特征在于，包括：获取结算商品图像，根据SLIC算法将图像分割种子点设置为2(n+1)*100(其中：n=1,2,3…)个分割种子点，对获取商品图像生成超像素层，将获取图像分割得到三层超像素层。
所述根据SLIC算法割得到三层超像素层，将每个超像素层中超像素和像素层中像素点连接，得到像素层、超像素层及像素层与超像素层之间的连接边，从而建立结合了像素层和多重超像素层的图模型。
在所述SLIC算法建立的图模型，根据图模型中层节点间的相似性，构建图模型的邻接矩阵A：
；
根据邻接矩阵中像素层及超像素层内像素点有相似性较高的特点，对邻接矩阵A进行权重。
在所述SLIC算法建立的图模型，计算图模型中像素层内的像素点之间及超像素层内的超像素点之间的相似度Aij：
得到邻接矩阵A。
其特征在于，根据Aij建立S矩阵：
其中B是对角矩阵，其对角元素为：
在所述SLIC算法建立的图模型，引入标签，使用LPA算法的能量函数公式：
计算每个像素的标签概率，让每个节点反复迭代传递它的标记信息到它的近邻，直到所有样本的标记达到稳定；再使用最大流/最小割（Max-Flow/Min-Cut）算法优化能量函数，求得能量函数的最小值，得到相同代价的图像割集；最后在图中去掉图像割集的所有边，得到分割后的图像。
所述的一种无人超市商品结算的商品图像分割方法还设置有检验模块，用于将自动分割后的商品图像与商品图像库中的图像进行匹配，以用于判断当前分割的商品图像是否满足要求；当判定当前分割的商品图像不满足要求时，发送继续分割的指令。
本发明的一种无人超市商品结算的商品图像分割方法能自动对顾客所购商品进行获取及图像处理与图像分割，并通过其他处理图像方法提取商品特征和商品结算信息，使商品结算自动化和智能化，商品结算准确、速度快，结算效率高，要大在减轻超市收银员的劳动强度，提高工作效率；同时，降低超市经营成本，显著提升超市经营效益，具有广泛的应用价值。
附图说明
图1是本发明的一种无人超市商品结算的商品图像分割方法流程示意图。
图2为本发明的一种无人超市商品结算的商品图像分割算法流程示意图。
具体实施方式
如图1所示，本发明中一种无人超市商品结算的商品图像分割方法的商品图像分割流程，其主要步骤为：首先，获取结算商品图像，其次，对所获取的商品图像，根据SLIC算法将图像分割种子点设置为2(n+1)*100(其中：n=1,2,3…)个分割种子点。
本实例中设置n=3,对获取商品图像生成超像素层，将获取图像分割得到三层超像素层；所述根据SLIC算法割得到三层超像素层，将每个超像素层中超像素和像素层中像素点连接，得到像素层、超像素层及像素层与超像素层之间的连接边，从而建立结合了像素层和多重超像素层的图模型。
再根据图模型中层节点间的相似性，构建图模型的邻接矩阵，根据邻接矩阵中像素层及超像素层内像素点有相似性较高的特点，对邻接矩阵A进行权重；计算图模型中像素层内的像素点之间及超像素层内的超像素点之间的相似度，然后得到邻接矩阵A。
然后，根据SLIC算法建立的图模型，引入标签，使用标签传递算法的能量函数公式，计算计算每个像素点标签的概率，对每个点进行反复迭代传递它的标签信息到它的近邻，直到所有的样本标签都达到稳定。
最后，使用最大流/最小割算法优化能量函数，求得能量函数的最小值，得到相同代价的图像割集；最后在图中去掉图像割集的所有边，得到分割后的图像。。
如图2所示，为本发明一种无人超市商品结算的商品图像分割方法的算法流程。
获取结算商品图像。
根据SLIC算法进行图像分割，将图像分割为三层超像素层。
根据SLIC算法将图像分割种子点设置为：
2(n+1)*100(n=1,2,3…)
个分割种子点，对获取商品图像生成超像素层，将获取图像分割得到三层超像素层。
根据SLIC算法割得到三层超像素层，将每个超像素层中超像素和像素层中像素点连接，得到像素层、超像素层及像素层与超像素层之间的连接边，从而建立结合了像素层和多重超像素层的图模型。
根据图模型中层节点间的相似性，构建图模型的邻接矩阵A：
；
对邻接矩阵A中的计算边Axx及Ayy进行权重为αAxx及αAyy。
对SLIC算法建立的图模型，计算图模型中像素层内的像素点之间及超像素层内的超像素点之间的相似度Aij：
得到邻接矩阵A。
根据Aij建立S矩阵：
其中B是对角矩阵，其对角元素为：
对SLIC算法建立的图模型，引入标签，使用LPA算法的能量函数公式：
。
计算每个像素的标签概率，让每个节点反复迭代传递它的标记信息到它的近邻，直到所有样本的标记达到稳定。
再使用最大流/最小割（Max-Flow/Min-Cut）算法优化能量函数，
求得能量函数的最小值，得到相同代价的图像割集。
最后在图中去掉图像割集的所有边，得到分割后的结算商品图像。
本发明一种无人超市商品结算的商品图像分割方法还设置有检验模块，用于将自动分割后的商品图像与商品图像库中的图像进行匹配，以用于判断当前分割的商品图像是否满足要求；当判定当前分割的商品图像不满足要求时，发送继续分割的指令。
上述仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟透本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种无人超市商品结算的商品图像分割方法，其特征在于，包括：获取结算商品图像，根据SLIC算法将图像分割种子点设置为2(n+1)*100(其中：n=1,2,3…)个分割种子点，对获取商品图像生成超像素层，将获取图像分割得到三层超像素层。
2.根据权利要求1所述的一种无人超市商品结算的商品图像分割方法，其特征在于，所述根据SLIC算法割得到三层超像素层，将每个超像素层中超像素和像素层中像素点连接，得到像素层、超像素层及像素层与超像素层之间的连接边，从而建立结合了像素层和多重超像素层的图模型。
3.根据权利要求2所述的一种无人超市商品结算的商品图像分割方法，其特征在于，在所述SLIC算法建立的图模型，根据图模型中层节点间的相似性，构建图模型的邻接矩阵A：
；
根据邻接矩阵中像素层及超像素层内像素点有相似性较高的特点，对邻接矩阵A进行权重。
4.根据权利要求3所述的一种无人超市商品结算的商品图像分割方法，其特征在于，在所述SLIC算法建立的图模型，计算图模型中像素层内的像素点之间及超像素层内的超像素点之间的相似度Aij：
得到邻接矩阵A。
5.根据权利要求4所述的一种无人超市商品结算的商品图像分割方法，其特征在于，根据Aij建立S矩阵，其中B是对角矩阵，其对角元素为：
。
6.根据权利要求5所述的一种无人超市商品结算的商品图像分割方法，其特征在于，在所述SLIC算法建立的图模型，使用标签传递算法的能量函数公式：
计算每个像素的标签概率，让每个节点反复迭代传递它的标记信息到它的近邻，直到所有样本的标记达到稳定；再使用最大流/最小割算法优化能量函数，求得能量函数的最小值，得到相同代价的图像割集；最后在图中去掉图像割集的所有边，得到分割后的图像。
7.根据权利要求1所述的一种无人超市商品结算的商品图像分割方法，其特征在于，还包括：检验模块，用于将自动分割后的商品图像与商品图像库中的图像进行匹配，以用于判断当前分割的商品图像是否满足要求；当判定当前分割的商品图像不满足要求时，发送继续分割的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711412213.5A CN108230581A (zh) | 2017-12-23 | 2017-12-23 | 一种无人超市商品结算的商品图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711412213.5A CN108230581A (zh) | 2017-12-23 | 2017-12-23 | 一种无人超市商品结算的商品图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108230581A true CN108230581A (zh) | 2018-06-29 |
Family
ID=62648583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711412213.5A Pending CN108230581A (zh) | 2017-12-23 | 2017-12-23 | 一种无人超市商品结算的商品图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108230581A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982332A (zh) * | 2012-09-29 | 2013-03-20 | 顾坚敏 | 基于云处理方式的零售终端货架影像智能分析系统 |
| CN104537676A (zh) * | 2015-01-12 | 2015-04-22 | 南京大学 | 一种基于在线学习的渐进式图像分割方法 |
| CN106960380A (zh) * | 2017-04-12 | 2017-07-18 | 无锡北斗星通信息科技有限公司 | 超市快速结账平台 |
| CN107133955A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种多层次结合的协同显著性检测方法 |
| CN107239777A (zh) * | 2017-05-13 | 2017-10-10 | 大连理工大学 | 一种基于多视角图模型的餐具检测和识别方法 |
-
2017
- 2017-12-23 CN CN201711412213.5A patent/CN108230581A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982332A (zh) * | 2012-09-29 | 2013-03-20 | 顾坚敏 | 基于云处理方式的零售终端货架影像智能分析系统 |
| CN104537676A (zh) * | 2015-01-12 | 2015-04-22 | 南京大学 | 一种基于在线学习的渐进式图像分割方法 |
| CN106960380A (zh) * | 2017-04-12 | 2017-07-18 | 无锡北斗星通信息科技有限公司 | 超市快速结账平台 |
| CN107133955A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种多层次结合的协同显著性检测方法 |
| CN107239777A (zh) * | 2017-05-13 | 2017-10-10 | 大连理工大学 | 一种基于多视角图模型的餐具检测和识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁恒东: "基于标签传递图割的图像分割算法", 《计算机技术与发展》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734162B (zh) | 商品图像中目标识别方法、系统、设备及存储介质 | |
| US10733661B1 (en) | Automatic mapping of store layout using soft object recognition | |
| CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
| CN107992820B (zh) | 基于双目视觉的货柜自助售货方法 | |
| Winkenbach et al. | Classification of last‐mile delivery models for e‐commerce distribution: A global perspective | |
| CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
| CN111168687B (zh) | 一种服务机器人控制方法及服务机器人 | |
| US11875570B1 (en) | Updating agent position information | |
| CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
| CN107016329A (zh) | 图像处理方法 | |
| CN108805495A (zh) | 物品存放管理方法和系统及计算机可读介质 | |
| CN104978585A (zh) | 一种自动计价方法 | |
| CN108389230A (zh) | 冰箱容量自动检测方法、系统、设备及存储介质 | |
| CN111814754A (zh) | 面向夜间场景的单帧图像行人检测方法和装置 | |
| Jodas et al. | A deep learning-based approach for tree trunk segmentation | |
| CN108230581A (zh) | 一种无人超市商品结算的商品图像分割方法 | |
| CN115170652A (zh) | 全局重定位方法、装置、电子设备及计算机存储介质 | |
| KR101991186B1 (ko) | 철근 검출 방법 및 그 장치 | |
| KR102392532B1 (ko) | 실물 이미지 기반 인터넷 판매 플랫폼용 신선 식품 생산 방법, 장치 및 시스템 | |
| Merrad et al. | A Real-time Mobile Notification System for Inventory Stock out Detection using SIFT and RANSAC. | |
| JP2023106081A (ja) | モデル生成方法、モデル生成装置、推論プログラム、及び推論装置 | |
| Gutzeit et al. | Automatic wood log segmentation using graph cuts | |
| Montazeri | Memetic algorithm image enhancement for preserving mean brightness without losing image features | |
| CN113989504A (zh) | 一种三维点云数据的语义分割方法 | |
| Krockel et al. | Intelligent processing of video streams for visual customer behavior analysis |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 312352 No. 2 Ni Yuan Road, Lianghu Town Industrial Function Zone, Shangyu District, Shaoxing City, Zhejiang Province Applicant after: Zhejiang rain Network Technology Co., Ltd. Address before: 312352 No. C-05, C-06, 12-storey Hewlett-Packard Plaza, Cao'e Street, Shangyu District, Shaoxing City, Zhejiang Province Applicant before: Zhejiang rain Network Technology Co., Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |