CN109977251A - 一种构建基于rgb直方图特征识别商品的方法 - Google Patents
一种构建基于rgb直方图特征识别商品的方法 Download PDFInfo
- Publication number
- CN109977251A CN109977251A CN201910162415.1A CN201910162415A CN109977251A CN 109977251 A CN109977251 A CN 109977251A CN 201910162415 A CN201910162415 A CN 201910162415A CN 109977251 A CN109977251 A CN 109977251A
- Authority
- CN
- China
- Prior art keywords
- commodity
- histogram
- picture
- value
- rgb histogram
- 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
- 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
- G06V10/507—Summing image-intensity values; Histogram 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种构建基于RGB直方图特征识别商品的方法，通过构建图片数据库，采集每个种类商品的图片，通过图片以得到每个商品对应的直方图的特征信息，即获取到每个商品对应的图片识别信息，通过构建训练模型，输入不同商品的种类和商品特征值，利用训练模型计算获取得到计算得到的商品种类，将计算得到的商品种类与输入商品种类对比，对训练模型的参数修正，以得到最终的判断匹配模型。与现有技术相比较，本发明识别准确度高，且特征提取方便、简单、快捷，且匹配的准确度和效率高。
Description
技术领域
本发明涉及自动售货技术领域，更具体地，涉及一种构建基于RGB直方图特征识别商品的方法。
背景技术
随着无人超市的兴起，商品识别技术也得到了很大的应用，商品识别技术主要是通过拍摄用户购物时的图像，从图像中提取出商品信息。目前市场上的商品识别方法主要是：基于商品外形轮廓的识别。
基于商品外形轮廓的识别就是通过使用摄像头抓取用户购物时的图像，然后从图像中提取出商品轮廓，对比已保存的商品列表中的轮廓，从而识别出购买的商品，其在识别商品的时候主要识别的是商品的轮廓特征。
因为基于商品外形轮廓识别的方法主要是识别商品的轮廓，这样在商品被遮挡住部分或者全部轮廓的时候，将会导致无法识别，而在现实生活中买东西的时候，商品往往会被用户的手部或者衣服遮挡住，因此会导致识别率和准确度比较低。
针对上述的技术问题，急需发明一种可根据部分商品图像信息，快速判断识别出商品的方法，以解决现有无人售货机根据商品图片判断商品种类，识别率和准确度低的问题。
发明内容
本发明提供一种结构简单、投入成本低廉的基于电子锁的无人超市及其售货方法，以解决上现有无人超市进出超市需刷脸造成排队等待时间长的技术问题。
根据本发明的一个方面，提供一种构建基于RGB直方图特征识别商品的方法，包括以下步骤：
步骤S1，构建图片数据库，所述图片数据库内设有与商品种类对应的存储空间；
步骤S2，采集每一个种类商品的图片，对获取的图片进行图像处理，以获取商品的RGB直方图；
步骤S3，提取商品的RGB直方图的特征值，利用哈希算法，对获取的商品特征值进行转换，并存储至对应的商品种类存储空间；
步骤S4，基于步骤S3得到的图片数据库，构建训练模型，输入商品种类和商品特征值，以获取计算结果，将计算结果与实际结果匹配，对训练模型的参数修正，以获取得到匹配模型。
在上述方案基础上优选，所述步骤S2中，每种商品选择上下左右四个方位进行拍摄，且每种商品的每个方位拍摄3张不同角度的图片。
在上述方案基础上优选，所述步骤S2中，将获取的图片进行噪声分析和降噪处理，以获取商品的RGB直方图。
在上述方案基础上优选，所述步骤S3中商品的RGB直方图的特征值提取具体步骤为：
步骤S31，基于步骤S2获取的商品的RGB直方图，根据商品的RGB直方图中分离出R，G，B三个颜色通道，对所述三个颜色通道分别建立直方图；
步骤S32，分别对每个颜色对应的直方图信息进行离散化处理，提取每个颜色对应的直方图的特征信息；
步骤S33，对所述每个颜色对应直方图的特征信息放大，以获取RGB直方图的特征值。
在上述方案基础上优选，所述步骤S32中离散化处理方法是，以相同的梯度，对每个颜色对应的直方图的灰度值进行提取。
在上述方案基础上优选，所述步骤S33中特征信息放大是，对步骤S32中获得的每个颜色对应的直方图的灰度值求取平均值，将每个颜色对应的直方图的灰度值与对应颜色的灰度值的平均值比较，当获取的比较值大于1，则对该灰度值进行正向运算；当获取的比较值小于1，则对该灰度值进行逆向运算，以获取每个颜色对应的直方图的特征值。
在上述方案基础上优选，所述训练模型为贝叶斯决策树模型。
本发明还提供了一种基于RGB直方图特征识别商品的控制器，包括控制模块、存储模块和比较模块，所述控制模块分别于所述存储模块和比较模块电性连接，
所述存储模块，用于容纳图片数据库；
所述控制模块，用于对获取的图片进行图像处理和商品的RGB直方图的特征值提取，且其内置训练模型，所述控制模块用于完成商品特征值的转换；
所述比较模块，用于将训练模型输出的计算结构与实际结构比较匹配。
本发明还提供了一种基于RGB直方图特征识别商品的无人售货机，包括柜体、摄像头和控制柜，所述控制柜内装设有如商所述的控制器，所述柜体内设有用于安置商品的货架，所述摄像头装设在柜体上，用于采集取出商品的图像信息，且所述摄像头与所述控制器相连。
本发明提供了一种构建基于RGB直方图特征识别商品的方法，通过构建图片数据库，采集每个种类商品的图片，通过图片以得到每个商品对应的直方图的特征信息，即获取到每个商品对应的图片识别信息，通过构建训练模型，输入不同商品的种类和商品特征值，利用训练模型计算获取得到计算得到的商品种类，将计算得到的商品种类与输入商品种类对比，对训练模型的参数修正，以得到最终的判断匹配模型。
使用时，将上述的商品识别方法，存储至控制器内，将控制器安装在无人售货机的控制柜中，当用户从柜体中取出商品后，摄像头可以获取得到商品的图片，利用图片以获取得到商品RGB直方图的特征信息，将其输入至训练模型，从而以得到用户购买商品的信息，以完成商品的快速准确识别的目的。
与现有技术相比较，本发明具备以下技术效果：
1.对商品从上下左右四个方向各拍摄多张不同角度的图像，可以充分提取商品的特征信息，增强识别准确度。
2.对每一张图片提取RGB直方图信息作为特征信息，这样就不用关心商品的形状和轮廓特征，特征提取方便、简单、快捷。
3.通过对RGB直方图信息进行预处理，对特征信息进行放大，提升了不同特征的差异性，从而提升识别准确度。
4.利用机器学习算法建立匹配模型，提升匹配的准确度和效率。
附图说明
图1为本发明的构建基于RGB直方图特征识别商品的方法流程框图；
图2为本发明的图片拍摄的拍摄示意图；
图3为本发明的RGB直方图的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参阅图1所示，本发明提供了一种构建基于RGB直方图特征识别商品的方法，包括以下步骤：
步骤S1，构建图片数据库，图片数据库内设有与商品种类对应的存储空间；
步骤S2，采集每一个种类商品的图片，对获取的图片进行图像处理，以获取商品的RGB直方图；
步骤S3，提取商品的RGB直方图的特征值，利用哈希算法，对获取的商品特征值进行转换，并存储至对应的商品种类存储空间；
步骤S4，基于步骤S3得到的图片数据库，构建训练模型，输入商品种类和商品特征值，以获取计算结果，将计算结果与实际结果匹配，对训练模型的参数修正，以获取得到匹配模型。
其中，通过扩大获取图片拍摄数量可丰富商品特征信息，有利于准确匹配，但是图片数量过多会造成特征信息庞大，增加空间资源消耗，降低匹配速度，因此，权衡空间和时间及匹配准确度的，本发明在步骤S2中，每种商品选择上下左右四个方位进行拍摄，如图2所示，且每种商品的每个方位拍摄3张不同角度的图片，从而获得每个商品的12张不同角度的图片，以得到每个商品足够的特征信息，在保证占用空间不多的情况下，满足高准确度的要求。
进一步，为了确保获取的特征信息的准确性，本发明还在步骤S2中，将获取的图片进行噪声分析和降噪处理，以获取商品的RGB直方图。
而，目前噪声大致可以分为四类，分别是加性噪声、乘性噪声、量化噪声、椒盐噪声。加性噪声：此类噪声与输入图像信号无关,信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声；乘性噪声：此类噪声与图像信号有关,飞点扫描器扫描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声；量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生；椒盐噪声：椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。
首先，通过噪声分析算法分析图像中存在哪些噪声，然后针对各种噪声，进行降噪处理。目前的降噪处理方法有四类，第一种，均值滤波器：均值滤波的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。这种方法可以通过把突变点的灰度值分散在其相邻点中来达到平滑效果，操作起来简单。第二种，中值滤波器：中值滤波是一种非线性滤波，它能在滤除噪声的同时很好的保持图像边缘。中值滤波的原理：把以当前像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值。第三种，维纳滤波：维纳滤波是一种自适应滤波，它能根据图像的局部方差调整滤波器的输出。第四种，图像小波域滤波：小波分析用于图像去噪处理，主要是针对图像信号与噪声信号经小波变换后在不同分辨率呈现不同的规律，在不同的分辨率下，设定阈值门限，调整小波系数，达到图像去噪目的。
其中，本发明的步骤S3中商品的RGB直方图的特征值提取具体步骤为：
步骤S31，基于步骤S2获取的商品的RGB直方图，根据商品的RGB直方图中分离出R，G，B三个颜色通道，对三个颜色通道分别建立直方图；
步骤S32，分别对每个颜色对应的直方图信息进行离散化处理，提取每个颜色对应的直方图的特征信息；
步骤S33，对所述每个颜色对应直方图的特征信息放大，以获取RGB直方图的特征值。
而在步骤S32中离散化处理方法是，以相同的梯度，对每个颜色对应的直方图的灰度值进行提取。为了进一步详细了解步骤S3，以下将进一步详细说明本发明的技术方案。
本发明的RGB直方图是以(0,255)灰度值作为横轴，以每种灰度出现的频率作为数轴的一个直方图，如图3所示。由于直方图是作为一个连续的图像，因此，必须进行离散化操作以提取一些离散值来代表整个直方图的信息。本发明将以0.2作为梯度，即从横坐标0开始，每间隔0.2的梯度取一个值，所取得的值则是这个梯度内的平均值。由于平均值可以比较准确地代表这个范围内的灰度值特征，经计算，共取得255/0.2＝1275个值。
而步骤S33中特征信息放大是，对步骤S32中获得的每个颜色对应的直方图的灰度值求取平均值，将每个颜色对应的直方图的灰度值与对应颜色的灰度值的平均值比较，当获取的比较值大于1，则对该灰度值进行正向运算，将该离散值乘以一个大于1的值；当获取的比较值小于1，则对该灰度值进行逆向运算，将该离散值乘以一个小于1的值，以获取每个颜色对应的直方图的特征值。
值得说明的时，本发明的训练模型为贝叶斯决策树模型。
本发明还提供了一种基于RGB直方图特征识别商品的控制器，包括控制模块、存储模块和比较模块，所述控制模块分别于所述存储模块和比较模块电性连接，
所述存储模块，用于容纳图片数据库；
所述控制模块，用于对获取的图片进行图像处理和商品的RGB直方图的特征值提取，且其内置训练模型，所述控制模块用于完成商品特征值的转换；
所述比较模块，用于将训练模型输出的计算结构与实际结构比较匹配。
本发明还提供了一种基于RGB直方图特征识别商品的无人售货机，包括柜体、摄像头和控制柜，所述控制柜内装设有如商所述的控制器，所述柜体内设有用于安置商品的货架，所述摄像头装设在柜体上，用于采集取出商品的图像信息，且所述摄像头与所述控制器相连。
本发明提供了一种构建基于RGB直方图特征识别商品的方法，通过构建图片数据库，采集每个种类商品的图片，通过图片以得到每个商品对应的直方图的特征信息，即获取到每个商品对应的图片识别信息，通过构建训练模型，输入不同商品的种类和商品特征值，利用训练模型计算获取得到计算得到的商品种类，将计算得到的商品种类与输入商品种类对比，对训练模型的参数修正，以得到最终的判断匹配模型。
本发明还提供了一种基于RGB直方图特征识别商品的五人售货柜，使用时，将上述的商品识别方法，存储至控制器内，将控制器安装在无人售货机的控制柜中，当用户从柜体中取出商品后，摄像头可以获取得到商品的图片，利用图片以获取得到商品RGB直方图的特征信息，将其输入至匹配模型，从而以得到用户购买商品的信息，以完成商品的快速准确识别的目的。
与现有技术相比较，本发明具备以下技术效果：
1.对商品从上下左右四个方向各拍摄多张不同角度的图像，可以充分提取商品的特征信息，增强识别准确度。
2.对每一张图片提取RGB直方图信息作为特征信息，这样就不用关心商品的形状和轮廓特征，特征提取方便、简单、快捷。
3.通过对RGB直方图信息进行预处理，对特征信息进行放大，提升了不同特征的差异性，从而提升识别准确度。
4.利用机器学习算法建立匹配模型，提升匹配的准确度和效率。
最后，本申请的方法仅为较佳的实施方案，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，均应包含在本发明的保护范围之内。
Claims (9)
1.一种构建基于RGB直方图特征识别商品的方法，其特征在于，包括以下步骤：
步骤S1，构建图片数据库，所述图片数据库内设有与商品种类对应的存储空间；
步骤S2，采集每一个种类商品的图片，对获取的图片进行图像处理，以获取商品的RGB直方图；
步骤S3，提取商品的RGB直方图的特征值，利用哈希算法，对获取的商品特征值进行转换，并存储至对应的商品种类存储空间；
步骤S4，基于步骤S3得到的图片数据库，构建训练模型，输入商品种类和商品特征值，以获取计算结果，将计算结果与实际结果匹配，对训练模型的参数修正，以获取得到匹配模型。
2.如权利要求1所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述步骤S2中，每种商品选择上下左右四个方位进行拍摄，且每种商品的每个方位拍摄3张不同角度的图片。
3.如权利要求1所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述步骤S2中，将获取的图片进行噪声分析和降噪处理，以获取商品的RGB直方图。
4.如权利要求1所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述步骤S3中商品的RGB直方图的特征值提取具体步骤为：
步骤S31，基于步骤S2获取的商品的RGB直方图，根据商品的RGB直方图中分离出R，G，B三个颜色通道，对所述三个颜色通道分别建立直方图；
步骤S32，分别对每个颜色对应的直方图信息进行离散化处理，提取每个颜色对应的直方图的特征信息；
步骤S33，对所述每个颜色对应直方图的特征信息放大，以获取RGB直方图的特征值。
5.如权利要求4所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述步骤S32中离散化处理方法是，以相同的梯度，对每个颜色对应的直方图的灰度值进行提取。
6.如权利要求5所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述步骤S33中特征信息放大是，对步骤S32中获得的每个颜色对应的直方图的灰度值求取平均值，将每个颜色对应的直方图的灰度值与对应颜色的灰度值的平均值比较，当获取的比较值大于1，则对该灰度值进行正向运算；当获取的比较值小于1，则对该灰度值进行逆向运算，以获取每个颜色对应的直方图的特征值。
7.如权利要求1所述的一种构建基于RGB直方图特征识别商品的方法，其特征在于，所述训练模型为贝叶斯决策树模型。
8.一种基于RGB直方图特征识别商品的控制器，其特征在于，包括控制模块、存储模块和比较模块，所述控制模块分别于所述存储模块和比较模块电性连接，
所述存储模块，用于容纳图片数据库；
所述控制模块，用于对获取的图片进行图像处理和商品的RGB直方图的特征值提取，且其内置训练模型，所述控制模块用于完成商品特征值的转换；
所述比较模块，用于将训练模型输出的计算结构与实际结构比较匹配。
9.一种基于RGB直方图特征识别商品的无人售货机，其特征在于，包括柜体、摄像头和控制柜，所述控制柜内装设有如权利要求8所述的控制器，所述柜体内设有用于安置商品的货架，所述摄像头装设在所述柜体上，用于采集取出商品的图像信息，且所述摄像头与所述控制器相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162415.1A CN109977251A (zh) | 2019-03-05 | 2019-03-05 | 一种构建基于rgb直方图特征识别商品的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162415.1A CN109977251A (zh) | 2019-03-05 | 2019-03-05 | 一种构建基于rgb直方图特征识别商品的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109977251A true CN109977251A (zh) | 2019-07-05 |
Family
ID=67077871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910162415.1A Pending CN109977251A (zh) | 2019-03-05 | 2019-03-05 | 一种构建基于rgb直方图特征识别商品的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977251A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860371A (zh) * | 2020-07-24 | 2020-10-30 | 浙江星星冷链集成股份有限公司 | 一种商品种类、数量及纯净度检测的方法及其冰柜 |
| CN112215168A (zh) * | 2020-10-14 | 2021-01-12 | 上海爱购智能科技有限公司 | 一种用于商品识别训练的图像编辑方法 |
| CN113052020A (zh) * | 2021-03-11 | 2021-06-29 | 浙江星星冷链集成股份有限公司 | 商品取放识别装置及商品取放识别方法 |
| CN113361511A (zh) * | 2020-03-05 | 2021-09-07 | 顺丰科技有限公司 | 修正模型的建立方法、装置、设备及计算机可读存储介质 |
| CN113505813A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于云计算的高压断路器分布式大数据存储方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169425A (zh) * | 2017-04-26 | 2017-09-15 | 深圳美云智数科技有限公司 | 一种商品属性的识别方法及装置 |
| CN107610379A (zh) * | 2017-09-11 | 2018-01-19 | 江苏弘冠智能科技有限公司 | 一种购物识别方法及购物车识别装置 |
| CN108280469A (zh) * | 2018-01-16 | 2018-07-13 | 佛山市顺德区中山大学研究院 | 一种基于稀疏表示的超市商品图像识别方法 |
| CN109345735A (zh) * | 2018-10-12 | 2019-02-15 | 南京理工大学 | 一种无人售货机商品识别方法及系统 |
-
2019
- 2019-03-05 CN CN201910162415.1A patent/CN109977251A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169425A (zh) * | 2017-04-26 | 2017-09-15 | 深圳美云智数科技有限公司 | 一种商品属性的识别方法及装置 |
| CN107610379A (zh) * | 2017-09-11 | 2018-01-19 | 江苏弘冠智能科技有限公司 | 一种购物识别方法及购物车识别装置 |
| CN108280469A (zh) * | 2018-01-16 | 2018-07-13 | 佛山市顺德区中山大学研究院 | 一种基于稀疏表示的超市商品图像识别方法 |
| CN109345735A (zh) * | 2018-10-12 | 2019-02-15 | 南京理工大学 | 一种无人售货机商品识别方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361511A (zh) * | 2020-03-05 | 2021-09-07 | 顺丰科技有限公司 | 修正模型的建立方法、装置、设备及计算机可读存储介质 |
| CN111860371A (zh) * | 2020-07-24 | 2020-10-30 | 浙江星星冷链集成股份有限公司 | 一种商品种类、数量及纯净度检测的方法及其冰柜 |
| CN112215168A (zh) * | 2020-10-14 | 2021-01-12 | 上海爱购智能科技有限公司 | 一种用于商品识别训练的图像编辑方法 |
| CN113052020A (zh) * | 2021-03-11 | 2021-06-29 | 浙江星星冷链集成股份有限公司 | 商品取放识别装置及商品取放识别方法 |
| CN113505813A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于云计算的高压断路器分布式大数据存储方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977251A (zh) | 一种构建基于rgb直方图特征识别商品的方法 | |
| CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
| Kim et al. | Spatiotemporal saliency detection and its applications in static and dynamic scenes | |
| Gao et al. | Discriminant saliency for visual recognition from cluttered scenes | |
| CN110414559B (zh) | 智能零售柜商品目标检测统一框架的构建方法及商品识别方法 | |
| Lipton | Local application of optic flow to analyse rigid versus non-rigid motion | |
| US5210799A (en) | System and method for ranking and extracting salient contours for target recognition | |
| CN108846401A (zh) | 商品检测终端、方法、系统以及计算机设备、可读介质 | |
| CN103118220B (zh) | 一种基于多维特征向量的关键帧提取算法 | |
| Dong et al. | Adaptive learning of multi-subspace for foreground detection under illumination changes | |
| CN103617420A (zh) | 基于图像特征匹配的商品快速识别方法及系统 | |
| CN104182721A (zh) | 提升人脸识别率的图像处理系统及图像处理方法 | |
| CN110008793A (zh) | 人脸识别方法、装置及设备 | |
| WO2004012147A1 (en) | Method for linking edges in stereo images into chains | |
| CN109410222B (zh) | 一种火焰检测方法及装置 | |
| CN109784230A (zh) | 一种人脸视频图像质量寻优方法、系统及设备 | |
| US20140376822A1 (en) | Method for Computing the Similarity of Image Sequences | |
| CN110096946A (zh) | 一种基于压感和视觉融合的无人售货系统 | |
| Stentiford | Attention-based vanishing point detection | |
| CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
| Apewokin et al. | Embedded real-time surveillance using multimodal mean background modeling | |
| CN112183333B (zh) | 基于微表情的人屏互动方法、系统和装置 | |
| CN112257617B (zh) | 多模态目标识别方法和系统 | |
| CN108171195A (zh) | 一种基于身份证件的人脸识别方法、装置及门禁系统 | |
| CN115170791A (zh) | 目标对象的识别方法、装置及售货设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190705 |