CN108596192A - 一种币码堆的面值统计方法、装置及电子设备 - Google Patents

Abstract

本发明实施例提供了一种币码堆的面值统计方法、装置及电子设备。该方法包括：获得原始图像，原始图像中包含目标币码堆对应的币码堆区域；从原始图像中确定待识别的目标图像，目标图像基于原始图像中的币码堆区域所确定；提取目标图像中的角点特征和边缘特征；根据目标图像、角点特征、边缘特征，利用预先训练好的币码识别深度学习模型，识别目标币码堆的币码类型；币码识别深度学习模型是基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到的；基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计目标币码堆的总面值。应用本发明实施例提供的方案可以提高币码堆的面值的统计效率。

Description

一种币码堆的面值统计方法、装置及电子设备

技术领域

本发明涉及模式识别技术领域，特别是涉及一种币码堆的面值统计方法、装置、电子设备及计算机可读存储介质。

背景技术

币码是硬币、游戏币、筹码等的统称，每一币码均有对应的面值，例如硬币有一元、五角、一角等面值，筹码的不同颜色对应不同的面值。

而若干个币码叠放在一起组成为一个币码堆。在实际应用中，存在需要对币码堆进行面值统计的应用场景。以硬币为例，银行的工作人员经常需要对硬币堆进行面值统计，统计出硬币堆中所有硬币的总面值；以筹码为例，需要对玩家的筹码堆进行面值统计。

目前，币码堆的面值统计可以通过人工来完成，然而人工统计的方式统计效率较低。

发明内容

本发明实施例的目的在于提供一种币码堆的面值统计方法、装置、电子设备及计算机可读存储介质，以提高币码堆的面值的统计效率。具体技术方案如下：

第一方面，本发明实施例提供了一种币码堆的面值统计方法，所述方法包括：

获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取所述目标图像中的角点特征和边缘特征；

根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

可选的，所述目标币码堆中币码为横向排列；

所述从所述原始图像中，确定待识别的目标图像的步骤，包括：

检测所述原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

可选的，所述目标币码堆中币码为非横向排列；

所述从所述原始图像中，确定待识别的目标图像的步骤，包括：

检测所述原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域旋转预定角度；其中，所述预定角度为能够使得所述目标币码堆在币码堆区域中横向排列的角度；

将旋转后的币码堆区域作为目标图像。

可选的，所述样本图像所对应币码堆的币码类型以数字形式表示。

可选的，所述统计所述目标币码堆的总面值的步骤之后，所述方法还包括：

在所述原始图像中标注所述目标币码堆的总面值。

可选的，所述在所述原始图像中标注所述目标币码堆的总面值的步骤，包括：

在所述原始图像中与币码堆区域对应的预定标注区域，标注所述目标币码堆的总面值。

第二方面，本发明实施例提供了一种币码堆的面值统计装置，所述装置包括：

获得模块，用于获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

确定模块，用于从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取模块，用于提取所述目标图像中的角点特征和边缘特征；

识别模块，用于根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

统计模块，用于基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

可选的，所述目标币码堆中币码为横向排列；

所述确定模块，包括：

第一检测子模块，用于检测所述原始图像中的币码堆区域；

第一提取子模块，用于提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

可选的，所述目标币码堆中币码为非横向排列；

所述确定模块，可以包括：

第二检测子模块，用于检测所述原始图像中的币码堆区域；

第二提取子模块，用于提取所检测到的币码堆区域，并将所提取的币码堆区域旋转预定角度，将旋转后的币码堆区域作为目标图像；其中，所述预定角度为能够使得所述目标币码堆在币码堆区域中横向排列的角度。

可选的，所述样本图像所对应币码堆的币码类型可以以数字形式表示。

可选的，所述装置还可以包括：

标注模块，用于在统计所述目标币码堆的总面值之后，在所述原始图像中标注所述目标币码堆的总面值。

可选的，所述标注模块，具体可以用于：

在所述原始图像中与币码堆区域对应的预定标注区域，标注所述目标币码堆的总面值。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一所述的币码堆的面值统计方法的步骤。

第四方面，本发明实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的币码堆的面值统计方法的步骤。

本发明实施例提供的方案，预先基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到币码识别深度学习模型，然后在获得包含目标币码堆对应的币码堆区域的原始图像后，可以从原始图像中确定待识别的目标图像，提取目标图像中的角点特征和边缘特征，将目标图像、角点特征、边缘特征输入预先训练好的币码识别深度学习模型，识别出目标币码堆的币码类型，再基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计出目标币码堆的总面值，这种统计方法不需要人工统计，可以提高提高币码堆的面值的统计效率。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种币码堆的面值统计方法的流程示意图；

图2中(a)为中间样本图像P1、(b)为样本图像P2-1、(c)为样本图像P2-2；

图3为利用图2所示样本训练币码识别深度学习模型时的识别过程图；

图4为本发明实施例提供的一种币码堆的面值统计装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

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，都属于本发明保护的范围。

为提高币码堆的面值的统计效率，本发明实施例提供了一种币码堆的面值统计方法、装置、电子设备及计算机可读存储介质。

下面对本发明实施例提供的一种币码堆的面值统计方法进行介绍。

需要说明的是，本发明实施例所提供的一种币码堆的面值统计方法的执行主体可以为一种币码堆的面值统计装置，其中，该币码堆的面值统计装置运行于电子设备中。在具体应用中，该电子设备可以为：终端设备或服务器，当然并不局限于此。

参见图1所示，本发明实施例提供的一种币码堆的面值统计方法，包括如下步骤：

S101，获得原始图像。

其中，原始图像中包含目标币码堆对应的币码堆区域。

在一种实现方式中，原始图像可以为手机或摄像机等图像采集设备采集的图像，图像采集设备将采集的原始图像发送给执行主体所运行的电子设备，从而执行主体可以获得原始图像。执行主体所运行的电子设备也可以具有图像采集功能，从而，执行主体可以获得自身所采集的原始图像。

举例而言：在一个具体的应用场景中，监控场所的监控摄像头采集包含币码堆的原始图像，并将所采集的原始图像发送给执行主体所运行的电子设备，则执行主体执行后续步骤S102-S105来对原始图像中的币码堆进行面值统计。在该应用场景中，本发明实施例所提供的方法可以实现币码堆面值的实时统计，打破统计的限制情况，突破时间和空间上的限制，在一个开放的空间，随时通过图像采集设备获取图像数据，对图像数据处理分析，实时完成币码堆的面值统计，且识别统计率高。

S102，从原始图像中，确定待识别的目标图像。

其中，目标图像基于原始图像中的币码堆区域所确定。

在一种实现方式中，可以从原始图像中检测出币码堆区域，并提取所检测到的币码堆区域，将所提取的币码堆区域作为目标图像。具体的，可以通过预先训练的Faster R-CNN(Faster Region-based Convolutional Neural Networks)、SSD(Single ShotMultiBox Detector，单次检测器)、RFCN(Region-based Fully Convolutional Networks，基于区域的完全卷积网络)等神经网络来检测出原始图像中的币码堆区域。

可以理解的是，原始图像中目标币码堆中的币码可以为横向排列，也可以为纵向排列或者以其它角度倾斜的方式排列，由于在后续步骤S104中进行目标币码堆的币码类型的识别时，横向排列的币码堆的识别精度更高，因此，对于币码非横向排列的情况，可以在提取出币码堆区域后将所提取的币码堆区域旋转至币码横向排列的状态。

因此，当目标币码堆中币码为横向排列时，从原始图像中，确定待识别的目标图像的步骤，可以包括：

检测原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

而当目标币码堆中币码为非横向排列时，从原始图像中，确定待识别的目标图像的步骤，可以包括：

检测原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域旋转预定角度；其中，预定角度为能够使得目标币码堆在币码堆区域中横向排列的角度；

将旋转后的币码堆区域作为目标图像。

需要说明的是，预定角度可以根据币码堆中的币码的具体排列方式所确定。举例而言，当目标币码堆中币码为纵向排列时，可以将所提取的币码堆区域旋转90度或270度，则在旋转后的币码堆区域中，目标币码堆中的币码为横向排列。

在一种实现方式中，上述检测原始图像中的币码堆区域的步骤，可以利用预先训练好的用于检测币码堆区域的币码堆检测深度学习模型来检测，其中，该币码堆检测深度学习模型可以利用多个包含币码堆的图像组成的样本集来训练，具体的，该币码堆检测深度学习模型的训练方法可以参见图2所示实施例的相关描述。

可以理解的是，由于现有的深度学习模型检测长宽比例过大的小物体时检测精度较低，如果针对目标图像中的单个币码进行检测，检测难度较大，并且单个币码很难标注，因此，本发明实施例中，先通过物体检测模型检测出整个币码堆区域，再通过币码识别深度学习模型可以更加精确的获得币码堆中各个币码的特征，从而提高面值统计的准确度。

S103，提取目标图像中的角点特征和边缘特征。

可以理解的是，图像的边缘是指图像中像素亮度急剧变化的像素的集合，边缘特征检测的基本思想是先检测图像中的边缘点，然后按照某种策略将边缘点连接成轮廓。而图像中的角点是指两个边缘的交点，是邻域内具有两个主方向的特征点，角点所在的邻域通常是图像中稳定的、信息丰富的区域。

在一种实现方式中，可以使用Hessian Affine(局部区域检测)算法提取目标图像的角点特征，使用深度学习RCF(Richer Convolutional Features for Edge Detection)边缘提取算法提取目标图像的边缘特征。本发明实施例中提取目标图像的两种特征，这种多特征融合的方式在后续识别目标币码堆的币码类型时可以提高识别准确度。

S104，根据目标图像、角点特征、边缘特征，利用预先训练好的币码识别深度学习模型，识别目标币码堆的币码类型。

其中，币码识别深度学习模型是基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到的。

在一种实现方式中，币码识别深度学习模型可以为CRNN(Convolution RecurrentNeural Network，卷积循环神经网络)、RNN(Recurrent Neural Network，循环神经网络)等网络模型。

可以理解的是，与目标图像一样，样本图像是基于原始样本图像中的币码堆区域所确定的，原始样本图像中包含币码堆对应的币码堆区域。具体的，从原始样本图像中确定样本图像的方式与上述步骤S102从原始图像中确定目标图像的方式相同，在此不做赘述。

在一种实现方式中，样本图像所对应币码堆的币码类型可以以数字形式表示。例如，可以事先设定币码a对应的币码类型以数字1表示，币码b对应的币码类型以数字2表示，币码c对应的币码类型以数字3表示，这样，若样本图像所对应币码堆中包含四个币码，且币码的排列顺序为：币码b、币码a、币码c、币码c，则该样本图像所对应币码堆的币码类型可以表示为2133。

可以理解的是，在训练币码识别深度学习模型时，样本图像所对应币码堆的币码类型以数字形式表示，那么，利用训练好的币码识别深度学习模型识别目标币码堆的币码类型时，所识别出的目标币码堆的币码类型也是以数字形式表示的。

可以理解的是，本发明实施例中，将币码堆的币码类型以数字形式表示，以不同的数字表征不同类型的币码，将币码序列识别抽象成文字序列的识别，则在训练币码识别深度学习模型、以及利用训练好的币码识别深度学习模型识别目标币码堆的币码类型时，可以提高效率。

当然，也可以用其它形式来表示币码堆的币码类型，如根据币码的颜色、币码的尺寸等来表示，本发明实施例对此不做限定。

S105，基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计目标币码堆的总面值。

在预设的币码类型与币码面值的对应关系中，可以设置各个币码类型的币码所对应的面值。那么在获得目标币码堆的币码类型后，可以基于预设的币码类型与币码面值的对应关系，确定目标币码堆中各个币码的面值，从而将各个币码的面值相加，统计得到目标币码堆的总面值。

以筹码为例，可以根据筹码的颜色区分筹码的类型，具体的：币码类型为黄色的币码所对应的面值为10000元、币码类型为灰色的币码所对应的面值为1000元、币码类型为黑色的币码所对应的面值为100元。那么，当目标币码堆的币码类型为“灰黄黑黒”时，可以确定目标币码堆中第一个币码的面值为1000元、第二个币码的面值为10000元、第三和第四个币码的面值均为100元，从而可以得到目标币码堆的总面值为：11200元。

在一种实现方式中，为了便于人工获知目标币码堆的总面值，在统计得到目标币码堆的总面值之后，该币码堆的面值统计方法还可以包括：在原始图像中标注目标币码堆的总面值。例如，可以在原始图像的左上角、右上角、中间等位置标注目标币码堆的总面值。

具体的，上述在原始图像中标注目标币码堆的总面值的步骤，可以包括：在原始图像中与币码堆区域对应的预定标注区域，标注目标币码堆的总面值。例如，预定标注区域可以为原始图像中币码堆区域的上方、下方、左侧、右侧等位置。这样，当原始图像中有多个币码堆区域时，可以便于人工获知各个币码堆的总面值。

可见，应用本发明实施例提供的方案，预先基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到币码识别深度学习模型，然后在获得包含目标币码堆对应的币码堆区域的原始图像后，可以从原始图像中确定待识别的目标图像，提取目标图像中的角点特征和边缘特征，将目标图像、角点特征、边缘特征输入预先训练好的币码识别深度学习模型，识别出目标币码堆的币码类型，再基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计出目标币码堆的总面值，这种统计方法不需要人工统计，可以提高提高币码堆的面值的统计效率。

为便于理解，下面以图2所示的样本为例，对本发明实施例所提供的方法所涉及的币码识别深度学习模型的训练过程进行介绍。

首先，在训练币码识别深度学习模型之前，可以预先训练用于检测币码堆区域的物体检测模型，具体的训练过程包括：

利用摄像机等图像采集终端拍摄得到原始样本图像，再通过LabelImg(图片标注工具)将原始样本图像中的币码堆标注成PASCAL VOC格式(物体检测常用的标注格式)，如图2(a)所示的标签框。经过标注处理的原始样本图像集合可以称为第一样本集。其中，设原始样本图像为P，则标注后的原始样本图像为中间样本图像，命名为P1；

利用上述标注的第一样本集对深度学习物体检测模型进行训练，得到用于检测币码堆区域的物体检测模型。深度学习物体检测模型的网络结构可以为Faster R-CNN、SSD、RFCN等结构。

其次，训练币码识别深度学习模型的过程包括：

步骤1，获取第二样本集，具体为：

(1)利用上述训练好的物体检测模型，从原始样本图像中提取币码堆区域，并使其成为横向序列排列，具体方法是将检测到的币码堆区域剪切下来，并进行90度或270度旋转。通过剪切和旋转第一样本集中的中间样本图像所获得的各个图像，可以称为样本图像，各个样本图像组成第二样本集。对于上述中间样本图像P1所对应的原始样本图像为P，则第二样本集中该原始样本图像P对应的样本图像，可以命名为P2-1和P2-2。从广义上说，通过这种剪切并旋转的方法，第二样本集在第一样本集的基础上增广了数据的有效信息，使信息更加细腻精准。

(2)标注样本图像P2-1和P2-2所对应币码堆的币码类型的标签。将币码类型的标签以数字形式表示，如黑色币码以数字1表示，黄色币码以数字2表示，灰色币码以数字3表示，则标注样本图像P2-1所对应币码堆的币码类型的标签为11112223333333，同样的方法标注样本图像P2-2所对应币码堆的币码类型的标签为1111。

通过上述两个子步骤，获得了第二样本集。

步骤2，分别提取样本图像P2-1和P2-2的角点特征和边缘特征，具体的，可以使用Hessian Affine算法提取图像P2-1和P2-2的角点特征F1，使用深度学习RCF边缘提取算法提取图像P2-1和P2-2的边缘特征F2。

步骤3，利用步骤1和步骤2得到的样本图像P2-1和P2-2、特征F1和F2、以及标注得到的标签，训练币码识别深度学习模型。以币码识别深度学习模型为CRNN网络模型为例，利用图2所示样本图像对币码识别深度学习模型进行训练时，币码识别深度学习模型识别币码堆的币码类型的识别过程如图3所示。

与上述的币码堆的面值统计方法相对应，本发明实施例提供了一种币码堆的面值统计装置。与图1所示的方法实施例相对应，图4为本发明实施例提供的一种币码堆的面值统计装置的结构示意图，该装置可以包括：

获得模块401，用于获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

确定模块402，用于从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取模块403，用于提取所述目标图像中的角点特征和边缘特征；

识别模块404，用于根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

统计模块405，用于基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

本发明实施例提供的方案，预先基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到币码识别深度学习模型，然后在获得包含目标币码堆对应的币码堆区域的原始图像后，可以从原始图像中确定待识别的目标图像，提取目标图像中的角点特征和边缘特征，将目标图像、角点特征、边缘特征输入预先训练好的币码识别深度学习模型，识别出目标币码堆的币码类型，再基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计出目标币码堆的总面值，这种统计方法不需要人工统计，可以提高提高币码堆的面值的统计效率。

可选的，所述目标币码堆中币码为横向排列；

所述确定模块402，可以包括：

第一检测子模块，用于检测所述原始图像中的币码堆区域；

第一提取子模块，用于提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

可选的，所述目标币码堆中币码为非横向排列；

所述确定模块402，可以包括：

第二检测子模块，用于检测所述原始图像中的币码堆区域；

第二提取子模块，用于提取所检测到的币码堆区域，并将所提取的币码堆区域旋转预定角度，将旋转后的币码堆区域作为目标图像；其中，所述预定角度为能够使得所述目标币码堆在币码堆区域中横向排列的角度。

可选的，所述样本图像所对应币码堆的币码类型可以以数字形式表示。

可选的，所述装置还可以包括：

标注模块，用于在统计所述目标币码堆的总面值之后，在所述原始图像中标注所述目标币码堆的总面值。

可选的，所述标注模块，具体可以用于：

在所述原始图像中与币码堆区域对应的预定标注区域，标注所述目标币码堆的总面值。

本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，

存储器503，用于存放计算机程序；

处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：

获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取所述目标图像中的角点特征和边缘特征；

根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施例，在此不做赘述。

另外，处理器501执行存储器503上所存放的程序而实现的币码堆的面值统计方法的其他实现方式，与前述方法实施例部分所提及的实现方式相同，这里也不再赘述。

本发明实施例提供的方案，预先基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到币码识别深度学习模型，然后在获得包含目标币码堆对应的币码堆区域的原始图像后，可以从原始图像中确定待识别的目标图像，提取目标图像中的角点特征和边缘特征，将目标图像、角点特征、边缘特征输入预先训练好的币码识别深度学习模型，识别出目标币码堆的币码类型，再基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计出目标币码堆的总面值，这种统计方法不需要人工统计，可以提高提高币码堆的面值的统计效率。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述图1所示实施例中的币码堆的面值统计方法。

本发明实施例提供的方案，预先基于样本图像、样本图像中的角点特征和边缘特征以及样本图像所对应币码堆的币码类型训练得到币码识别深度学习模型，然后在获得包含目标币码堆对应的币码堆区域的原始图像后，可以从原始图像中确定待识别的目标图像，提取目标图像中的角点特征和边缘特征，将目标图像、角点特征、边缘特征输入预先训练好的币码识别深度学习模型，识别出目标币码堆的币码类型，再基于预设的币码类型与币码面值的对应关系以及目标币码堆的币码类型，统计出目标币码堆的总面值，这种统计方法不需要人工统计，可以提高提高币码堆的面值的统计效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，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，对于装置、电子设备以及计算机可读存储介质实施例而言，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。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种币码堆的面值统计方法，其特征在于，所述方法包括：

获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取所述目标图像中的角点特征和边缘特征；

根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

2.根据权利要求1所述的方法，其特征在于，所述目标币码堆中币码为横向排列；

所述从所述原始图像中，确定待识别的目标图像的步骤，包括：

检测所述原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

3.根据权利要求1所述的方法，其特征在于，所述目标币码堆中币码为非横向排列；

所述从所述原始图像中，确定待识别的目标图像的步骤，包括：

检测所述原始图像中的币码堆区域；

提取所检测到的币码堆区域，并将所提取的币码堆区域旋转预定角度；其中，所述预定角度为能够使得所述目标币码堆在币码堆区域中横向排列的角度；

将旋转后的币码堆区域作为目标图像。

4.根据权利要求1所述的方法，其特征在于，所述样本图像所对应币码堆的币码类型以数字形式表示。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述统计所述目标币码堆的总面值的步骤之后，所述方法还包括：

在所述原始图像中标注所述目标币码堆的总面值。

6.根据权利要求5所述的方法，其特征在于，所述在所述原始图像中标注所述目标币码堆的总面值的步骤，包括：

在所述原始图像中与币码堆区域对应的预定标注区域，标注所述目标币码堆的总面值。

7.一种币码堆的面值统计装置，其特征在于，所述装置包括：

获得模块，用于获得原始图像；其中，所述原始图像中包含目标币码堆对应的币码堆区域；

确定模块，用于从所述原始图像中，确定待识别的目标图像；其中，所述目标图像基于所述原始图像中的币码堆区域所确定；

提取模块，用于提取所述目标图像中的角点特征和边缘特征；

识别模块，用于根据所述目标图像、所述角点特征、所述边缘特征，利用预先训练好的币码识别深度学习模型，识别所述目标币码堆的币码类型；其中，所述币码识别深度学习模型是基于样本图像、所述样本图像中的角点特征和边缘特征以及所述样本图像所对应币码堆的币码类型训练得到的；

统计模块，用于基于预设的币码类型与币码面值的对应关系以及所述目标币码堆的币码类型，统计所述目标币码堆的总面值。

8.根据权利要求7所述的装置，其特征在于，所述目标币码堆中币码为横向排列；

所述确定模块，包括：

第一检测子模块，用于检测所述原始图像中的币码堆区域；

第一提取子模块，用于提取所检测到的币码堆区域，并将所提取的币码堆区域作为目标图像。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。