CN109559343A - 用于容器的图像处理方法和装置 - Google Patents

Abstract

本申请实施例公开了用于容器的图像处理方法和装置。该方法的一具体实施方式包括：获取摄像头采集到的图像；根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，其中，关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。根据位置信息确定透视变换矩阵；根据透视变换矩阵生成处理后的图像。该实施方式提高了后续图像识别等处理步骤的效率。

Description

用于容器的图像处理方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及用于容器的图像处理方法和装置。

背景技术

用于放置物品的容器广泛应用在家居环境中，为使用者提供了各种存储便利服务。

以智能冰箱为例，所谓智能冰箱，就是能对冰箱进行智能化控制、对食品进行智能化管理的冰箱类型。通过冰箱内置的摄像头，智能识别冰箱内食物，自动获取冰箱里食物的数量、保鲜保质信息，可为用户提供健康食谱和营养禁忌，可提醒用户定时补充食品等。

目前缺乏一种比较有效的对容器包括的摄像头采集到的图像进行初步处理，以提取出储物区图像的方案，影响了后续图像识别等处理步骤的效率。

发明内容

本申请实施例的目的在于提出一种改进的用于容器的图像处理方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种一种用于容器的图像处理方法，上述方法包括：获取摄像头采集到的图像；根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，其中，关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。根据位置信息确定透视变换矩阵；根据透视变换矩阵生成处理后的图像。

在一些实施例中，容器包括容器本体和容器盖，容器本体包括第一储物区，容器盖包括第二储物区，摄像头包括安装于容器盖用于采集第一储物区的图像的第一摄像头，和安装于容器本体用于采集第二储物区的图像的第二摄像头，容器还包括用于检测容器盖和容器本体之间的打开角度的传感器；以及获取摄像头采集到的图像，包括：响应于传感器检测到容器盖和容器本体之间的打开角度为预设角度，获取第一摄像头和/或第二摄像头采集的图像。

在一些实施例中，根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，包括：对图像进行预处理操作；将进行预处理操作后的图像导入关键点定位模型，生成图像的关键点的位置信息。

在一些实施例中，关键点定位模型是通过以下步骤训练得到的：获取样本图像以及预先设置的样本图像的关键点的位置信息；基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

在一些实施例中，基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练关键点定位模型，包括：对样本图像进行预处理操作；基于集成回归树算法和进行预处理操作后的样本图像训练关键点定位模型。

在一些实施例中，预处理操作，包括以下至少一项：在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

第二方面，本申请提供了一种用于容器的图像处理装置，上述装置包括：获取单元，用于获取摄像头采集到的图像；第一生成单元，用于根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，其中，关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。确定单元，用于根据位置信息确定透视变换矩阵；第二生成单元，用于根据透视变换矩阵生成处理后的图像。

在一些实施例中，容器包括容器本体和容器盖，容器本体包括第一储物区，容器盖包括第二储物区，摄像头包括安装于容器盖用于采集第一储物区的图像的第一摄像头，和安装于容器本体用于采集第二储物区的图像的第二摄像头，容器还包括用于检测容器盖和容器本体之间的打开角度的传感器；以及获取单元，进一步配置用于：响应于传感器检测到容器盖和容器本体之间的打开角度为预设角度，获取第一摄像头和/或第二摄像头采集的图像。

在一些实施例中，第一生成单元，包括：预处理子单元，用于对图像进行预处理操作；生成子单元，用于将进行预处理操作后的图像导入关键点定位模型，生成图像的关键点的位置信息。

在一些实施例中，装置还包括模型训练单元，模型训练单元，进一步配置用于：获取样本图像以及预先设置的样本图像的关键点的位置信息；基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

在一些实施例中，模型训练单元，进一步配置用于：对样本图像进行预处理操作；基于集成回归树算法和进行预处理操作后的样本图像训练关键点定位模型。

在一些实施例中，预处理操作，包括以下至少一项：在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

第三方面，本申请提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所述的方法。

本申请实施例提供的用于容器的图像处理方法和装置，通过获取摄像头采集到的图像，而后根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，并根据位置信息确定透视变换矩阵，最后根据透视变换矩阵生成处理后的图像，以此后续图像识别等处理步骤可以使用根据透视变换矩阵生成的图像，从而提高了后续图像识别等处理步骤的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于容器的图像处理方法的一个实施例的流程图；

图3是根据本申请的用于容器的图像处理方法中摄像头设置方式的一个示意图；

图4是根据本申请的用于容器的图像处理方法中关键点定位模型的一种训练方法的流程图；

图5是根据本申请的用于容器的图像处理方法的一个应用场景中关键点分布的一个示意图；

图6是根据本申请的用于容器的图像处理方法的一个应用场景中关键点分布的另一个示意图。

图7是根据本申请的用于容器的图像处理方法的又一个实施例的流程图；

图8是根据本申请的用于容器的图像处理方法中关键点分布异常的一个示意图；

图9是根据本申请的用于容器的图像处理装置的一个实施例的结构示意图；

图10是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于容器的图像处理方法或用于容器的图像处理装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以通过网络104与服务器105、106交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如食品管理类应用、购物类应用、搜索类应用和即时通信工具等。

终端设备101可以是各种包括储物区，以及用于采集储物区的图像的摄像头的容器，包括但不限于冰箱、冰柜和冷库等。终端设备102、103可以是具有显示屏并且支持网络连接、与终端设备101关联的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105、106可以是提供各种服务的服务器，例如可以对接收到的图像等数据进行分析等处理，并将处理结果(例如图像处理结果)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于容器的图像处理方法可以由终端101、102、103包括的处理器，或服务器105、106执行，相应地，监控智能冷藏设备的方法可以设置于终端101、102、103或服务器105、106中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于容器的图像处理方法的一个实施例的流程200。该用于容器的图像处理方法，包括以下步骤：

步骤201，获取摄像头采集到的图像。

在本实施例中，容器可以包括一个或多个储物区，以及用于采集储物区的图像的摄像头，容器可以是智能冷藏设备，例如智能冰箱，或其他储物容器。图像处理方法运行于其上的电子设备(例如图1所示的终端或服务器)，首先可以获取摄像头采集到的图像。由于摄像头安装位置、拍摄时机的限制，采集到的图像可能并不是储物区正面的图像，且采集到的图像可能还包括储物区周围的图像，以智能冰箱为例，用于拍摄箱门的储物区的摄像头会拍摄到整个箱门，甚至包括箱门以外的场景。因此需要对图像进一步处理，以提高后续图像识别等处理步骤的效率。

在本实施例的一些可选的实现方式中，容器包括容器本体和容器盖，容器本体包括第一储物区，容器盖包括第二储物区，摄像头包括安装于容器盖用于采集第一储物区的图像的第一摄像头，和安装于容器本体用于采集第二储物区的图像的第二摄像头，容器还包括用于检测容器盖和容器本体之间的打开角度的传感器；以及获取摄像头采集到的图像，包括：响应于传感器检测到容器盖和容器本体之间的打开角度为预设角度，获取第一摄像头和/或第二摄像头采集的图像。

在本实现方式中，以智能冰箱为例，如图3所示，容器本体可以是智能冰箱的箱体301，容器盖可以是智能冰箱的箱门302，智能冰箱的箱体301具有第一储物区，智能冰箱的箱门302具有第二储物区，智能冰箱的箱体301上可以安装有用于采集第二储物区的图像的第二摄像头303，智能冰箱的箱门302可以安装有用于采集第一储物区的图像的第一摄像头304。传感器可以设置在容器本体和容器盖之间连接的转轴上，用于测量容器盖与容器本体之间的打开角度，预设角度可以根据实际需要进行设置，例如，可以设置为45度。此外，也可以使用距离传感器，测量容器盖与容器本体之间在预定位置处的距离，响应于距离传感器检测到容器盖和容器本体之间的距离为预设距离，获取第一摄像头和/或第二摄像头采集的图像。本实现方式通过限定获取图像的条件，使得获取到的图像较为统一，便于后续的处理。

步骤202，根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息。

在本实施例中，上述电子设备可以根据步骤201中获取的图像和预先训练的关键点定位模型，生成图像中关键点的位置信息。其中，储物区可以包括若干个子储物区，当储物区包括若干个子储物区时可以将显示子储物区的区域的各个顶点也作为关键点。关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。作为示例，关键点定位模型可以是技术人员基于对大量的图像和关键点位置信息的统计而预先制定的、存储有多个图像与关键点位置信息的对应关系的对应关系表，也可以是基于图像语义分割、集成回归树(Ensemble Regress Tree，ERT)或随机蕨(RandomFerns)等算法建立的模型。图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类，对于关键点的定位，可以通过判断图像中的像素点的颜色值所在的范围确定出各个像素点属于关键点的概率值，在深度学习领域，可以使用多层神经网络模型，例如深度神经网络、卷积神经网络等来进行图像的语义分割。

在本实施例的一些可选的实现方式中，关键点定位模型可以是通过以下步骤训练得到的：获取样本图像以及预先设置的样本图像的关键点的位置信息；基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

在本实现方式中，ERT算法是一种多级回归结构，每一级由若干棵回归树组成。具体的级数，每一级包括的树的数目，每棵树的深度可以根据实际需要进行设置。例如，可以采用10级结构，每一级含有500棵树，每棵树的深度为4。作为一个示例，具体训练过程可以参照图4以及步骤401～步骤413。其中：

步骤401，对样本图像进行形状归一化。

在本步骤中，归一化可以是对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程。归一化后，可以计算样本图像的平均形状，将平均形状作为初始的形状，也可以将预先设置的其他形状作为初始的形状。

步骤402，进入第一层第t个回归器。

在本步骤中，t的初始值可以为1。

步骤403，随机选取p个采样点。

在本步骤中，随机选取p个采样点可以是随机选取了p个点的坐标。P可以根据实际需要进行设置，一般情况下，p较大时，选取的特征点更优，但是计算量较大。

步骤404，对于每个样本图像，计算p个像素点中两两之间的灰度差，并计算每个样本图像当前形状与目标形状之间的差值，结合随机投影方向将每个形状差值降维成一个标量。

在本步骤中，可以将p个像素点两两组合，形成若干对备选特征点，对于每对备选特征点，计算它们之间的灰度差。

步骤405，计算灰度差与标量之间的相关系数，选择相关系数最大的前5对点作为特征。

在本步骤中，可以计算步骤404中得出的每个灰度差与步骤404中得出的标量之间的相关系数，选择相关系数最大的前5对点作为特征点。

步骤406，进入第二层第k个回归器。

在本步骤中，k的初始值可以为1。

步骤407，随机选取5个阈值，将样本图像分至32个叶子节点，计算并保存分至每个叶子节点的样本图像的平均残差。

在本步骤中，可以是将选取的5对特征点灰度差转换成由0和1组成字符串作为一棵树，将训练集中的样本图像分为32类，并计算每一个节点所有样本图像的平均差值作为回归偏差输出。

步骤408，对于每一个样本图像，将当前形状加上它所在叶子节点的平均残差作为当前形状。

步骤409，判断k＝K是否成立，如果是，则进入步骤411，如果否，则进入步骤410。

在本步骤中，K用于表征第二层回归器的总数，K的大小可以根据实际需要进行设置。

步骤410，令k＝k+1，并进入步骤406。

步骤411，判断t＝T是否成立，如果是，则进入步骤413，如果否，则进入步骤412。

在本步骤中，T用于表征第一层回归器的总数，T的大小可以根据实际需要进行设置。

步骤412，令t＝t+1，并进入步骤402。

步骤413，存储训练模型的数据。

作为示例，上述电子设备还可以基于梯度提升决策树(Gradient BoostingDecision Tree，GBDT)算法，进行训练。GBDT中后一棵树的建立在前一棵树的基础之上，每一棵树的叶子节点中保存的是残差，残差即每一个样本图像的当前形状和真实形状的差值，样本图像的关键点的位置信息即可用于表征真实形状。通过叶子节点上保存的残差，使形状不断地回归，从而回归到真实形状。在树的节点分裂时，可以在预先建立的特征池里随机挑选两个点，然后获取每一张样本图像在这两个点处的像素值，然后计算所获取的像素值之差，之后随机产生一个分裂阈值，根据产生的阈值进行分裂，将样本图像分成两部分。重复以上过程若干次，保存分出的两部分中每部分内部方差最小时，两个点的坐标值和分裂阈值。然后每一个节点的分裂都按照上述步骤进行，直到分裂到叶子节点。

步骤203，根据位置信息确定透视变换矩阵。

在本实施例中，上述电子设备可以根据步骤202中生成的位置信息确定透视变换矩阵。透视变换(Perspective Transformation)是将图片投影到一个新的视平面(ViewingPlane)，也称作投影映射(Projective Mapping)。具体可以基于RANSAC(Random SampleConsensus，随机抽样一致)算法求取透视变换矩阵，也可以基于最小二乘法，迭代求取透视变换矩阵。

步骤204，根据透视变换矩阵生成处理后的图像。

在本实施例中，上述电子设备可以根据步骤203中确定的透视变换矩阵生成处理后的图像。通过透视变换矩阵可以将一张透视图片变换回正面图，便于后续对储物区存储的物品进行识别等操作。

本申请的上述实施例提供的方法首先获取摄像头采集到的图像，而后根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，并根据位置信息确定透视变换矩阵，最后根据透视变换矩阵生成处理后的图像，从而提高了后续图像识别等处理步骤的效率。

继续参见图5和图6，图5和图6是根据本实施例的用于容器的图像处理方法的应用场景的示意图。在图5和图6的应用场景中，运行有用于容器的图像处理方法的电子设备首先获取摄像头采集到的智能冰箱箱体和箱门的图像，而后根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，例如图5中关键点501～508的位置信息，以及图6中关键点601～608的位置信息，或图5中关键点501、502、507、508的位置信息，以及图6中关键点601、602、607、608的位置信息，并根据位置信息确定透视变换矩阵，最后根据透视变换矩阵生成处理后的图像。

进一步参考图7，其示出了用于容器的图像处理方法的又一个实施例的流程700。该用于容器的图像处理方法的流程700，包括以下步骤：

步骤701，获取摄像头采集到的图像。

在本实施例中，容器可以包括一个或多个储物区，以及用于采集储物区的图像的摄像头，容器可以是智能冷藏设备，例如智能冰箱，或其他储物容器。图像处理方法运行于其上的电子设备(例如图1所示的处理器或服务器)，首先可以获取摄像头采集到的图像。

步骤702，对图像执行预处理操作。

在本实施例中，上述电子设备可以对步骤701中获取的图像执行预处理操作。在基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练关键点定位模型时，也可以先对样本图像执行预处理操作，再基于集成回归树算法和执行预处理操作后的样本图像训练关键点定位模型。

在本实施例的一些可选的实现方式中，预处理操作可以包括以下至少一项：在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

以智能冰箱为例，如图8所示，与图5相比，由于关键点可能未出现在图片范围以内，因此可以先对获取到的图像执行预处理操作，例如，可以随机上下或者左右移动图片，由于移动而遗留的区域赋值0，移动的距离范围可以为高度或者宽度的10％，也可以随机顺时针或者逆时针旋转图片，由于旋转而遗留的区域赋值0，旋转的角度范围为-10度～+10度；还可以将图片的左右和/或上下补贴图片宽度10％的黑边，以此模拟关键点异常，保证模型输出正常。此外，对样本图像执行预处理操作，可以得到更丰富的训练样本。

步骤703，将执行预处理操作后的图像导入关键点定位模型，生成图像的关键点的位置信息。

在本实施例中，上述电子设备可以将步骤702中执行预处理操作后的图像导入关键点定位模型，生成图像的关键点的位置信息。

步骤704，根据位置信息确定透视变换矩阵。

在本实施例中，上述电子设备可以根据步骤703中生成的位置信息确定透视变换矩阵。

步骤705，根据透视变换矩阵生成处理后的图像。

在本实施例中，上述电子设备可以根据步骤704中确定的透视变换矩阵生成处理后的图像。

步骤701、步骤704、步骤705的实现细节和技术效果可以参考步骤201、步骤203、步骤204中的说明，在此不再赘述。

从图7中可以看出，与图2对应的实施例相比，本实施例中的用于容器的图像处理方法的流程700中增加了对图像进行预处理的步骤，由此，本实施例描述的方案模拟了关键点异常的情况，保证了模型输出正常。

进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种用于容器的图像处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例的用于容器的图像处理装置900包括：获取单元901、第一生成单元902、确定单元903、第二生成单元904。其中，获取单元901，用于获取摄像头采集到的图像；第一生成单元902，用于根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，其中，关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。确定单元903，用于根据位置信息确定透视变换矩阵；第二生成单元904，用于根据透视变换矩阵生成处理后的图像。

在本实施例中，用于容器的图像处理装置900的获取单元901、第一生成单元902、确定单元903、第二生成单元904的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，容器包括容器本体和容器盖，容器本体包括第一储物区，容器盖包括第二储物区，摄像头包括安装于容器盖用于采集第一储物区的图像的第一摄像头，和安装于容器本体用于采集第二储物区的图像的第二摄像头，容器还包括用于检测容器盖和容器本体之间的打开角度的传感器；以及获取单元901，进一步配置用于：响应于传感器检测到容器盖和容器本体之间的打开角度为预设角度，获取第一摄像头和/或第二摄像头采集的图像。

在本实施例的一些可选实现方式中，第一生成单元902，包括：预处理子单元(图中未示出)，用于对图像进行预处理操作；生成子单元(图中未示出)，用于将进行预处理操作后的图像导入关键点定位模型，生成图像的关键点的位置信息。

在本实施例的一些可选实现方式中，装置还包括模型训练单元(图中未示出)，模型训练单元(图中未示出)，进一步配置用于：获取样本图像以及预先设置的样本图像的关键点的位置信息；基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

在本实施例的一些可选实现方式中，模型训练单元(图中未示出)，进一步配置用于：对样本图像进行预处理操作；基于集成回归树算法和进行预处理操作后的样本图像训练关键点定位模型。

在本实施例的一些可选实现方式中，预处理操作，包括以下至少一项：在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

本申请的上述实施例提供的装置，通过获取摄像头采集到的图像，而后根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，并根据位置信息确定透视变换矩阵，最后根据透视变换矩阵生成处理后的图像，从而提高了后续图像识别等处理步骤的效率。

下面参考图10，其示出了适于用来实现本申请实施例的电子设备的计算机系统1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1006。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、确定单元、第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取摄像头采集到的图像的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入电子设备中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取摄像头采集到的图像；根据图像和预先训练的关键点定位模型，生成图像中关键点的位置信息，其中，关键点包括图像中显示储物区的区域的顶点，关键点确定模型用于表征图像与关键点位置的对应关系。根据位置信息确定透视变换矩阵；根据透视变换矩阵生成处理后的图像。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于容器的图像处理方法，其特征在于，所述容器包括储物区，以及用于采集所述储物区的图像的摄像头，所述方法包括：

获取摄像头采集到的图像；

根据所述图像和预先训练的关键点定位模型，生成所述图像中关键点的位置信息，其中，所述关键点包括所述图像中显示所述储物区的区域的顶点，所述关键点确定模型用于表征图像与关键点位置的对应关系。

根据所述位置信息确定透视变换矩阵；

根据所述透视变换矩阵生成处理后的图像。

2.根据权利要求1所述的方法，其特征在于，所述容器包括容器本体和容器盖，所述容器本体包括第一储物区，所述容器盖包括第二储物区，所述摄像头包括安装于所述容器盖用于采集所述第一储物区的图像的第一摄像头，和安装于所述容器本体用于采集所述第二储物区的图像的第二摄像头，所述容器还包括用于检测所述容器盖和容器本体之间的打开角度的传感器；以及

所述获取摄像头采集到的图像，包括：

响应于所述传感器检测到所述容器盖和容器本体之间的打开角度为预设角度，获取所述第一摄像头和/或所述第二摄像头采集的图像。

3.根据权利要求1所述的方法，其特征在于，所述根据所述图像和预先训练的关键点定位模型，生成所述图像中关键点的位置信息，包括：

对所述图像进行预处理操作；

将进行所述预处理操作后的图像导入所述关键点定位模型，生成所述图像的关键点的位置信息。

4.根据权利要求1所述的方法，其特征在于，所述关键点定位模型是通过以下步骤训练得到的：

获取样本图像以及预先设置的所述样本图像的关键点的位置信息；

基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

5.根据权利要求4所述的方法，其特征在于，所述基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练所述关键点定位模型，包括：

对所述样本图像进行预处理操作；

基于集成回归树算法和进行所述预处理操作后的样本图像训练所述关键点定位模型。

6.根据权利要求3或5所述的方法，其特征在于，所述预处理操作，包括以下至少一项：

在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；

在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；

在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

7.一种用于容器的图像处理装置，其特征在于，所述容器包括储物区，以及用于采集所述储物区的图像的摄像头，所述装置包括：

获取单元，用于获取摄像头采集到的图像；

第一生成单元，用于根据所述图像和预先训练的关键点定位模型，生成所述图像中关键点的位置信息，其中，所述关键点包括所述图像中显示所述储物区的区域的顶点，所述关键点确定模型用于表征图像与关键点位置的对应关系。

确定单元，用于根据所述位置信息确定透视变换矩阵；

第二生成单元，用于根据所述透视变换矩阵生成处理后的图像。

8.根据权利要求7所述的装置，其特征在于，所述容器包括容器本体和容器盖，所述容器本体包括第一储物区，所述容器盖包括第二储物区，所述摄像头包括安装于所述容器盖用于采集所述第一储物区的图像的第一摄像头，和安装于所述容器本体用于采集所述第二储物区的图像的第二摄像头，所述容器还包括用于检测所述容器盖和容器本体之间的打开角度的传感器；以及

所述获取单元，进一步配置用于：

响应于所述传感器检测到所述容器盖和容器本体之间的打开角度为预设角度，获取所述第一摄像头和/或所述第二摄像头采集的图像。

9.根据权利要求7所述的装置，其特征在于，所述第一生成单元，包括：

预处理子单元，用于对所述图像进行预处理操作；

生成子单元，用于将进行所述预处理操作后的图像导入所述关键点定位模型，生成所述图像的关键点的位置信息。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括模型训练单元，所述模型训练单元，进一步配置用于：

获取样本图像以及预先设置的所述样本图像的关键点的位置信息；

基于集成回归树算法、所获取的样本图像以及所获取的位置信息训练得到关键点定位模型。

11.根据权利要求10所述的装置，其特征在于，所述模型训练单元，进一步配置用于：

对所述样本图像进行预处理操作；

基于集成回归树算法和进行所述预处理操作后的样本图像训练所述关键点定位模型。

12.根据权利要求9或11所述的装置，其特征在于，所述预处理操作，包括以下至少一项：

在预先设置的移动范围内随机移动待预处理操作图像，将移动后遗留的区域的像素值赋为第一预设值；

在预先设置的旋转范围内随机旋转待预处理操作图像，将旋转后遗留的区域的像素值赋为第二预设值；

在待预处理操作图像周围的预设区域内的像素值赋为第二预设值。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。