CN109359649A - 一种储物装置的存取物识别方法、存储介质及储物装置 - Google Patents

一种储物装置的存取物识别方法、存储介质及储物装置 Download PDF

Info

Publication number
CN109359649A
CN109359649A CN201711460898.0A CN201711460898A CN109359649A CN 109359649 A CN109359649 A CN 109359649A CN 201711460898 A CN201711460898 A CN 201711460898A CN 109359649 A CN109359649 A CN 109359649A
Authority
CN
China
Prior art keywords
article
storage device
picture
identification model
storage
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
Application number
CN201711460898.0A
Other languages
English (en)
Other versions
CN109359649B (zh
Inventor
陈敏
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.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Guangzhou Tcl Smart Home Technology Co Ltd
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 Guangzhou Tcl Smart Home Technology Co Ltd filed Critical Guangzhou Tcl Smart Home Technology Co Ltd
Priority to CN201711460898.0A priority Critical patent/CN109359649B/zh
Publication of CN109359649A publication Critical patent/CN109359649A/zh
Application granted granted Critical
Publication of CN109359649B publication Critical patent/CN109359649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Warehouses Or Storage Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种储物装置的存取物识别方法、存储介质及储物装置，所述方法包括：当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。

Description

一种储物装置的存取物识别方法、存储介质及储物装置
技术领域
本发明涉及图像拍摄与识别技术领域，具体涉及一种储物装置的存取物识别方法、存储介质及储物装置。
背景技术
在储物装置，比如冰箱或者自动售卖机等电器中，基于摄像头拍摄存入或取出物体的识别方法中，通常是在冰箱或者自动售卖机顶部安装一个摄像头，然后对用户操作进出的动作进行图片抓取，然后用深度学习的方法对图片进行识别，以得到用户拿进或者取出的东西类别。
现有技术中的储物装置的识别模型一般都不具备自动更新的功能，而储物装置中经常存在极其相似的物体，且储物装置中的物体不断进行更新，因此现有储物装置的识别模型是无法对物体进行精确识别的。此外，现有的储物装置一般采用顶部安装一个摄像头的方式，这样会导致用户存取物体时抓拍到的图片中所占的比例很小，其他噪声背景所占的比例很大，增加图像识别的难度，降低识别概率。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种储物装置的存取物识别方法、存储介质及储物装置，旨在解决现有技术的储物装置在识别物体的精度较差的问题。
本发明解决技术问题所采用的技术方案如下：
一种储物装置的存取物识别方法，其中，所述方法包括：
当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；
当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；
所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
所述的储物装置的存取物识别方法，其中，所述当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头之前还包括：
预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型，所述识别模型具有自动更新功能。
所述的储物装置的存取物识别方法，其中，所述储物装置自动调用预先建立好的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体之后还包括：
所述储物装置根据此次摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作。
所述的储物装置的存取物识别方法，其中， 所述摄像头设置在所述储物装置的每一层储物空间的上方，且每一层储物空间的隔板采用非透明的材料制成。
所述的储物装置的存取物识别方法，其中，所述预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型具体包括：
所述储物装置预先从互联网或者在所述储物装置被存入或者取出物体的过程中抓取图片，作为图片样本库；
所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配；
当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，在训练模型进行深度学习与训练，建立第一识别模型。
所述的储物装置的存取物识别方法，其中，所述根据分类样本中的图片，对所述训练模型进行重新深度学习与训练，完成所述训练模型的更新之后还包括：
所述储物装置将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；
当图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型。
所述的储物装置的存取物识别方法，其中，所述根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型之后还包括：
循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新。
所述的储物装置的存取物识别方法，其中，根据所述像素值差异进行图片的筛选具体包括：
预先设置用于图片筛选的像素值差异范围；
将计算得到的像素值差异值与像素值差异范围进行匹配；
对于符合像素值差异范围的图片，仅保留一个。
一种存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以实现上述任一项所述的储物装置的存取物识别方法。
一种储物装置，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的储物装置的存取物识别方法。
本发明的有益效果：本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。
附图说明
图1是本发明的储物装置的存取物识别方法较佳实施例的流程图。
图2是本发明本发明的储物装置的摄像头布设位置示意图。
图3本发明的储物装置的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种储物装置的存取物识别方法，如图1所示，图1是本发明的储物装置的存取物识别方法较佳实施例的流程图。所述储物装置的存取物识别方法包括以下步骤：
步骤S100、当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头。
具体实施时，由于本发明是通过创建用于通过图片识别出被存入或取出的物体的识别模型，来对用户存取物体的是抓取的图片进行识别，从而识别出物体。因此，本发需要预先在储物装置中建立识别模型，且本发明所创建的识别模型是具有自动更新功能。
具体地，由于储物装置中识别模型的好坏，直接影响到识别结果。而识别模型在进行深度训练时，输入训练模型的图片样本的好坏，对最终的模型有着非常大的影响。因此，为了建立具有高精度的识别模型，本发明采用两种方式进行图片样本的获取，分别为通过自动化工具（如Python等）从互联网获取大量图片以及通过在用户存取物体的过程中进行图像的获取。而所谓的在用户存取物体的过程中进行图像的获取就是利用设置在储物装置中的摄像头进行拍摄。
较佳地，为了进一步地提高识别精度，本发明对储物装置中摄像头的设置进行了改进。现有的储物装置，例如冰箱或者自动售卖机，基本都是在顶部安装一个摄像头，这样存在很明显的缺点：为了让摄像头能够拍到足够大的空间，所以会把摄像头的拍摄角度尽量调大，但是这样会导致用户操作的物体在整个抓拍到的图片中所占的比例很小，其他噪声背景所占的比例很大，这样给深度学习识别物体带来比较大的麻烦，降低识别概率。因此，为了克服上述缺陷，本发明在储物装置的每一层储物空间的顶部都设置摄像头。如图2所示，是本发明本发明的储物装置的摄像头布设位置示意图。图2中通过图2中的方式设置摄像头200，使得当有物体W从储物装置的某储物空间中存入获取取出物体W时，该储物空间上设置的摄像头200进行物体W图片的拍摄，使得物体W在所拍摄的图片所占的比例增大。并且，为了进一步增加拍摄的图片的质量，本发明将储物装置中的每个储物空间的隔板110采用不透明材料制成，使得物体W与隔板110具有明显的差异，从而使得摄像头200拍摄到的物体的图片中，物体与噪声区域（非物体区域）存在明显的区别，这样拍摄的图片质量明显高于传统的储物装置所拍摄的图片质量，进一步增加后续步骤中识别模型根据图片识别出物体的识别精度。
进一步地，本发明在获取到足够多的图片时，将这些图片作为图片样本库。所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配。优选地，本发明的训练模型采用卷积神经网络模型，且所述分类阈值可设置成0.8。当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值。然后将计算得到的像素值差异值与像素值差异范围进行匹配；本发明优选地将像素值差异范围设置为0.2之内，也就是说，当像素值差异值在0.2之内的图片，就为极其相似的图片，而对于符合像素值差异范围的图片，仅保留一个，从而完成图片的筛选，这样就去除了储物装置中抓取的图片相似度过高导致过拟合的问题。最后将筛选后的图片放入分类样本中，所述储物装置根据分类样本中的图片，对所述原始识别模型进行重新深度学习与训练，建立第一识别模型。
更进一步地，所述储物装置还将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；当图片符合预设的分类阈值时，则将该图片放入初步分类中；对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，从而建立第二识别模型。为了增加识别精度，本发明的识别模型是可更新迭代得，因此只需重新循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新，使识别模型可以更加准确的识别出物体。
具体地，在所述储物装置中创建好识别模型之后，当储物装置的门体被打开时，所述储物装置自动开启设置在储物装置中的摄像头，准备物体图片的拍摄。
进一步地，步骤S200、当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄。
具体实施时，当检测到有物体从所述储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄。由于每层储物空间的顶部都设置有摄像头，且每层储物空间的隔板都设置成不透明，因此，在摄像头所拍摄的图片中，物体所占的比例明显增大，且图片的质量更好，从而增加后续步骤中对于图片的识别精度。
进一步地，所述步骤S300、所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
具体实施时，当摄像头拍摄到物体的图片之后，所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。此时的识别模型是最新的更新的识别模型。当然，为了增加本发明的识别模型的精度，本发明的储物装置在每次抓取到存取物体的图片之后，还将摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作，以便进一步提高识别模型的精度。
基于上述实施例，本发明还公开了一种储物装置。如图3所示，包括：处理器(processor)10、与处理器10连接的存储介质(memory)20；其中，所述处理器10用于调用所述存储介质20中的程序指令，以执行上述实施例所提供的方法，例如执行：
步骤S100、当储物装置的门体被打开时，所述储物装置自动开启预设的若干摄像头；
步骤S200、当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄；
步骤S300、所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
本发明实施例还提供一种存储介质，所述存储介质上存储计算机指令，所述计算机指令使计算机执行上述各实施例所提供的方法。
综上所述，本发明提供的一种储物装置的存取物识别方法、存储介质及储物装置，方法包括：当储物装置的门体被打开时，所述储物装置自动开启预设的若干摄像头；当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄；所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种储物装置的存取物识别方法，其特征在于，所述方法包括：
当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；
当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；
所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
2.根据权利要求1中所述的储物装置的存取物识别方法，其特征在于，所述当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头之前还包括：
预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型，所述识别模型具有自动更新功能。
3.根据权利要求1中所述的储物装置的存取物识别方法，其特征在于，所述储物装置自动调用预先建立好的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体之后还包括：
所述储物装置根据此次摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作。
4.根据权利要求1中所述的储物装置的存取物识别方法，其特征在于， 所述摄像头设置在所述储物装置的每一层储物空间的上方，且每一层储物空间的隔板采用非透明的材料制成。
5.根据权利要求2中所述的储物装置的存取物识别方法，其特征在于，所述预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型具体包括：
所述储物装置预先从互联网或者在所述储物装置被存入或者取出物体的过程中抓取图片，作为图片样本库；
所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配；
当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，在训练模型进行深度学习与训练，建立第一识别模型。
6.根据权利要求5中所述的储物装置的存取物识别方法，其特征在于，所述根据分类样本中的图片，对所述训练模型进行重新深度学习与训练，完成所述训练模型的更新之后还包括：
所述储物装置将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；
当图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型。
7.根据权利要求6中所述的储物装置的存取物识别方法，其特征在于，所述根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型之后还包括：
循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新。
8.根据权利要求5或6中所述的储物装置的存取物识别方法，其特征在于，根据所述像素值差异进行图片的筛选具体包括：
预先设置用于图片筛选的像素值差异范围；
将计算得到的像素值差异值与像素值差异范围进行匹配；
对于符合像素值差异范围的图片，仅保留一个。
9.一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以实现上述权利要求1-8任一项所述的储物装置的存取物识别方法。
10.一种储物装置，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-8任一项所述的储物装置的存取物识别方法。
CN201711460898.0A 2017-12-28 2017-12-28 一种储物装置的存取物识别方法、存储介质及储物装置 Active CN109359649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711460898.0A CN109359649B (zh) 2017-12-28 2017-12-28 一种储物装置的存取物识别方法、存储介质及储物装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711460898.0A CN109359649B (zh) 2017-12-28 2017-12-28 一种储物装置的存取物识别方法、存储介质及储物装置

Publications (2)

Publication Number Publication Date
CN109359649A true CN109359649A (zh) 2019-02-19
CN109359649B CN109359649B (zh) 2022-03-11

Family

ID=65349744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711460898.0A Active CN109359649B (zh) 2017-12-28 2017-12-28 一种储物装置的存取物识别方法、存储介质及储物装置

Country Status (1)

Country Link
CN (1) CN109359649B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110703760A (zh) * 2019-10-30 2020-01-17 杭州叙简科技股份有限公司 一种用于安防巡检机器人的新增可疑物体检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203260A (zh) * 2016-06-27 2016-12-07 南京邮电大学 基于多摄像机监控网络的行人识别与跟踪方法
CN106710071A (zh) * 2016-12-19 2017-05-24 澳柯玛股份有限公司 一种带射频芯片识别的自动售卖系统
CN107146325A (zh) * 2017-07-13 2017-09-08 杭州宗盛智能科技有限公司 自动售货机及其控制方法、控制装置和系统
CN107358257A (zh) * 2017-07-07 2017-11-17 华南理工大学 一种大数据场景下可增量学习的图像分类训练方法
CN206757798U (zh) * 2017-01-24 2017-12-15 广州市蚁道互联网有限公司 自动售货机

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203260A (zh) * 2016-06-27 2016-12-07 南京邮电大学 基于多摄像机监控网络的行人识别与跟踪方法
CN106710071A (zh) * 2016-12-19 2017-05-24 澳柯玛股份有限公司 一种带射频芯片识别的自动售卖系统
CN206757798U (zh) * 2017-01-24 2017-12-15 广州市蚁道互联网有限公司 自动售货机
CN107358257A (zh) * 2017-07-07 2017-11-17 华南理工大学 一种大数据场景下可增量学习的图像分类训练方法
CN107146325A (zh) * 2017-07-13 2017-09-08 杭州宗盛智能科技有限公司 自动售货机及其控制方法、控制装置和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110703760A (zh) * 2019-10-30 2020-01-17 杭州叙简科技股份有限公司 一种用于安防巡检机器人的新增可疑物体检测方法
CN110703760B (zh) * 2019-10-30 2023-06-02 杭州叙简科技股份有限公司 一种用于安防巡检机器人的新增可疑物体检测方法

Also Published As

Publication number Publication date
CN109359649B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
US11361459B2 (en) Method, device and non-transitory computer storage medium for processing image
CN104601964B (zh) 非重叠视域跨摄像机室内行人目标跟踪方法及系统
CN109344742B (zh) 特征点定位方法、装置、存储介质和计算机设备
US10322510B2 (en) Fine-grained object recognition in robotic systems
CN105608447B (zh) 对人体面部微笑表情深度卷积神经网络的检测方法
CN109410316B (zh) 物体的三维重建的方法、跟踪方法、相关装置及存储介质
CN112070818A (zh) 基于机器视觉的机器人无序抓取方法和系统及存储介质
CN111476709B (zh) 人脸图像处理方法、装置及电子设备
CN106204660A (zh) 一种基于特征匹配的地面目标跟踪装置
CN106204435A (zh) 图像处理方法及装置
CN111460914A (zh) 一种基于全局和局部细粒度特征的行人重识别方法
CN109410211A (zh) 一种图像中目标物体的分割方法及装置
WO2021169754A1 (zh) 构图提示方法、装置、存储介质及电子设备
CN110298327A (zh) 一种视觉特效处理方法及装置、存储介质与终端
CN113011288A (zh) 一种基于Mask RCNN算法的遥感建筑物检测方法
WO2020135554A1 (zh) 图片处理方法、装置、设备及存储介质
CN106097354A (zh) 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法
CN110781778B (zh) 一种门禁控制方法、装置、存储介质及家居系统
CN109359649A (zh) 一种储物装置的存取物识别方法、存储介质及储物装置
CN110222752A (zh) 图像处理方法、系统、计算机设备、存储介质和芯片
CN110008835A (zh) 视线预测方法、装置、系统和可读存储介质
CN111144497B (zh) 基于美学分析的多任务深度网络下的图像显著性预测方法
Yuan et al. Segmentation of color image based on partial differential equations
CN111241943A (zh) 自动驾驶场景下基于背景目标检测与三元组损失的场景识别与回环检测方法
CN114170069A (zh) 一种基于连续多张照片的闭眼自动处理方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190321

Address after: 518000 No. 5, Industrial Avenue, Shekou Industrial Zone, Merchants Street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen TCL New Technology Co., Ltd.

Address before: 510000 Building A2, Science Avenue 187 Business Plaza, Science City, Luogang District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou TCL Smart Home Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant