CN110472480A - 物品识别方法、装置及计算机可读存储介质 - Google Patents
物品识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110472480A CN110472480A CN201910578481.7A CN201910578481A CN110472480A CN 110472480 A CN110472480 A CN 110472480A CN 201910578481 A CN201910578481 A CN 201910578481A CN 110472480 A CN110472480 A CN 110472480A
- Authority
- CN
- China
- Prior art keywords
- image
- article
- target
- key
- type
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种物品识别方法,包括:接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框;获取待识别物品在所述目标图像采集框中的成像图像;将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息;根据所述目标预存特征信息确定待识别物品的标识码。本发明还公开了一种物品识别装置以及计算机可读存储介质。本发明可以简化物品识别的实现过程,降低物品识别的难度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种物品识别方法、装置及计算机可读存储介质。
背景技术
在生活中,常用特定的序列号作为物品的标识码,以供用户对物品进行识别。具体地,可以将基于物品的生产信息得到的生产序列号作为物品的标识码,也可以将基于物品的特定特征得到的特征码作为物品的标识码,例如,可以将钥匙的齿形码作为物品的标识码。上述不同类型的标识码中,生产序列号一般标注在物品的外包装上,可以起到将相同的物品归类到相同类,并区分不同物品的作用;而特征码则可以反映出物品的特征,一般不会直观地在物品或其包装中标注出来,在物品复制打印领域起到重要作用。生产序列码可能会由于破损而缺失,而特征标识码难以直接获得,导致物品无法识别。以钥匙齿形码为例,现有识别钥匙齿形码的方法一般是利用人工判断或结构复杂的专业系统通过复杂的运算得到,物品识别过程复杂,识别难度大。
发明内容
本发明的主要目的在于提供一种物品识别方法、装置及计算机可读存储介质,实现简化物品识别过程,降低物品识别难度。
为了实现上述目的,本发明提供一种物品识别方法,所属物品识别方法包括以下步骤:
接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框;
获取待识别物品在所述目标图像采集框中的成像图像;
将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息;
根据所述目标预存特征信息确定待识别物品的标识码。
可选地,所述接收用户触发的物品类型选定指令的步骤之前包括:
接收用户触发的物品识别指令,获取所有的预存类型信息;
显示所述预存类型信息,以供用户查看。
可选地,所述预存特征信息包括物品样本特征点的预存规格参数序列;
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
识别所述成像图像中的成像特征点;
获取各个所述成像特征点的成像参数,基于各个所述成像参数获得特征点成像参数序列;
计算所述成像参数序列与各个所述预存规格参数序列的距离参数,基于各个所述距离参数确定与所述成像图像匹配的目标预存规格参数序列;
所述根据所述目标预存特征信息确定待识别物品的标识码的步骤包括:
根据所述目标预存规格参数序列确定待识别物品的标识码。
可选地,所述物品识别方法还包括:
获取多个物品训练图像,以及用户对各个所述物品训练图像的物品类型标注信息,以作为深度学习网络模型的训练集;
将各个所述物品训练图像作为深度学习网络模型的输入,对应的物品类型标注信息作为深度学习网络模型的输出,训练得到物品类型识别深度学习模型。
可选地,所述训练得到物品类型识别深度学习模型的步骤之后包括:
获取物品样本图像;
将所述物品样本图像输入所述物品类型识别深度学习模型进行处理,获得所述物品样本图像的类型识别结果;
基于所述类型识别结果对所述预存类型信息或所述预存特征信息进行添加。
可选地,所述获取待识别物品在所述目标图像采集框中的成像图像的步骤包括:
获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像;
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
将所述标定成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述标定成像图像匹配的目标预存特征信息。
可选地,所述获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像的步骤包括:
获取所述待识别物品在所述目标图像采集框中的实时成像图像;
将所述实时成像图像与所述目标图像采集框进行对比,确定所述实时成像图像与所述目标图像采集框的实时几何关系;
判断所述实时几何关系是否满足预设标定条件;
若是,则将当前实时成像图像作为所述标定成像图像;
若否,则显示调整图像采集设备位置的实时提示信息,以供用户基于所述实时提示信息调整所述图像采集设备的位置。
可选地,所述待识别物品包括待识别钥匙,所述物品标识码包括钥匙齿形码。
为了实现上述目的,本发明还提供一种物品识别装置,所述物品识别装置包括:
所述物品识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物品识别程序,所述物品识别程序被所述处理器执行时实现如上述物品识别方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有物品识别程序,所述物品识别程序被处理器执行时实现如上述物品识别方法的步骤。
本发明提供的物品识别方法、装置及计算机可读存储介质,接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框;获取待识别物品在所述目标图像采集框中的成像图像;将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息;根据所述目标预存特征信息确定待识别物品的标识码。通过上述方式,基于用户出发的类型选定指令可以准确快捷地获得与待识别物品匹配的目标图像采集框,利用目标图像采集框规范图像的采集过程,获得准确规范的图像数据。对于相同物品的成像数据与其实际规格特征数据,会存在对应的匹配关系,可以基于待识别物品的成像数据与预存特征信息的对比结果来确定与该成像数据匹配的目标预存特征信息,并将目标预存特征信息关联的标识码作为待识别物品的标识码。在上述物品识别过程中,只需要用户通过带有图像采集功能的终端设备通过图像采集框采集待识别物品的成像图像,即可得到待识别物品的标识码,无需进行复杂的操作,也无需复杂的专业系统,简化物品识别过程,降低物品识别难度。
附图说明
图1为本发明实施例方案涉及的实施例终端的硬件运行环境示意图;
图2为本申请的实施例一提供的物品识别方法的步骤示意流程图;
图3为本申请的实施例一提供的物品识别方法的子步骤示意流程图;
图4为本申请的实施例一提供的物品识别方法的子步骤示意流程图;
图5为本申请的实施例一提供的物品识别方法的子步骤示意流程图;
图6为本申请的实施例一提供的钥匙结构说明图;
图7为本申请的实施例一提供的图像采集框示例说明图;
图8为本申请的实施例一提供的图像采集框分析要素说明图;
图9为本申请的实施例一提供的齿形区的实时成像图像为标定成像图像的示例图;
图10位本申请的实施例一提供的物品识别方法的子步骤示意流程图;
图11为本申请的实施例二提供的物品识别方法的步骤示意流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互组合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块的划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置示意图中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
现有的物品识别技术依赖人工或复杂的专业系统来进行,识别难度大。
为了解决上述技术问题,本发明提供一种物品识别方法,通过与待识别物品匹配的目标图像采集框采集待识别物品的成像图像,并同过成像图像与预存特征信息的对比来确定待识别物品的标识码,从而简化物品的识别过程,降低物品识别的难度。如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及物品识别程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的物品识别程序,并执行以下操作:
接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框;
获取待识别物品在所述目标图像采集框中的成像图像;
将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息;
根据所述目标预存特征信息确定待识别物品的标识码。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
接收用户触发的物品识别指令,获取所有的预存类型信息;
显示所述预存类型信息,以供用户查看。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
识别所述成像图像中的成像特征点;
获取各个所述成像特征点的成像参数,基于各个所述成像参数获得特征点成像参数序列;
计算所述成像参数序列与各个所述预存规格参数序列的距离参数,基于各个所述距离参数确定与所述成像图像匹配的目标预存规格参数序列;
根据所述目标预存规格参数序列确定待识别物品的标识码。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
获取多个物品训练图像,以及用户对各个所述物品训练图像的物品类型标注信息,以作为深度学习网络模型的训练集;
将各个所述物品训练图像作为深度学习网络模型的输入,对应的物品类型标注信息作为深度学习网络模型的输出,训练得到物品类型识别深度学习模型。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
获取物品样本图像;
将所述物品样本图像输入所述物品类型识别深度学习模型进行处理,获得所述物品样本图像的类型识别结果;
基于所述类型识别结果对所述预存类型信息或所述预存特征信息进行添加。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像;
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
将所述标定成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述标定成像图像匹配的目标预存特征信息。
进一步地,处理器1001可以调用存储器1005中存储的物品识别程序,还执行以下操作:
获取所述待识别物品在所述目标图像采集框中的实时成像图像;
将所述实时成像图像与所述目标图像采集框进行对比,确定所述实时成像图像与所述目标图像采集框的实时几何关系;
判断所述实时几何关系是否满足预设标定条件;
若是,则将当前实时成像图像作为所述标定成像图像;
若否,则显示调整图像采集设备位置的实时提示信息,以供用户基于所述实时提示信息调整所述图像采集设备的位置。
基于上述硬件结构,提出本发明物品识别方法的实施例。
参照图2,图2是本申请的实施例一提供的物品识别方法的步骤示意流程图,所述物品识别方法包括:
步骤S10,接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框。
具体地,本发明主要通过物品的图像来确定物品的标识码,从而达到识别物品的目的,物品识别的结果为获得待识别物品的标识码。其中,所述待识别物品包括待识别钥匙,所述物品标识码包括钥匙齿形码。本发明的实施例以钥匙的齿形码的识别过程进行说明,其中,钥匙的齿形码指的是用来标识钥匙齿形轮廓的序列码,具体可以基于钥匙齿形部分的齿位高度值或深度值的比例生成,根据一个钥匙的齿形码,可以得到钥匙齿形部分的特征信息,基于齿形特征信息实现对钥匙的复制。本发明的执行主体可以是手机、平板电脑等移动终端,也可以是个人电脑等固定终端,作为执行主体的终端配置摄像头等图像采集设备,在执行主体终端安装了基于本发明物品识别方法的应用程序物品识别APP,以供用户通过物品识别APP进行物品识别。
如图3所示,在步骤S10之前可以包括:步骤S50,接收用户触发的物品识别指令,获取所有的预存类型信息;步骤S60,显示所述预存类型信息,以供用户查看。
以钥匙为待识别物体为例,可以预先在执行主体终端设置一触发钥匙识别指令的功能按键,并预先将各种不同类型钥匙的类型信息存储在该执行主体终端的预设位置,以作为预存类型信息。其中,一钥匙类型可以对应一个钥匙型号或多个不同的钥匙型号,每个钥匙型号对应的钥匙相同。钥匙的预存类型信息可以包括所型号钥匙的具体规格参数,例如齿数、齿的尺寸以及钥匙类型的轮廓图等信息。此外还可以预先对每个钥匙类型设置一钥匙图像采集框,每个钥匙类型的图像采集框的轮廓基于该钥匙类型对应钥匙的轮廓来确定,或,将不同类型钥匙对应的图像采集框设定为统一相同的轮廓,例如矩形轮廓,基于钥匙齿形的复杂程度或钥匙实际规格将相同轮廓的钥匙采集框设定为不同的尺寸参数可以根据用户点击钥匙识别指令对应的功能按键时,执行主体终端接收到用户触发的钥匙识别指令,基于该钥匙识别指令,获取预设存储位置中所有的预存类型信息。
在获取了所有的钥匙预存类型信息时,将所有的预存类型信息显示在执行主体的显示界面。具体地,当钥匙类型过多时,可以在显示界面只显示钥匙各个钥匙类型的图标,各个钥匙类型图标分别绑定查看钥匙类型详细预存类型详细点击事项,用户点击钥匙类型图标时,进入该钥匙类型详细信息的显示页面。
在用户将待识别钥匙与显示界面显示的钥匙类型信息进行初略人工对比,判断与待识别钥匙匹配的目标钥匙类型。然后用户可以通过预置的钥匙类型选定功能按键触发选定与目标钥匙类型匹配的类型选定指令。在接收到用户触发的类型选定指令时,执行主体终端基于类型选定指令确定用户选定的钥匙类型,然后获取改钥匙类型对应的图像采集框,即目标图像采集框。本发明中的图像采集框可以指图像采集框的轮廓以及轮廓对应的规格参数等信息。
步骤S20,获取待识别物品在所述目标图像采集框中的成像图像。
具体地,在获得目标图像采集框时,可以调用执行主体终端中的图像采集功能模块,显示包括目标图像采集框的图像采集界面,以供基于界面中的目标图像采集框进行图像采集,获得待识别物品的规范成像图像。
如图4所示,在一实施例中,为提高图像数据的规范性及图像数据分析结果的准确性,可以通过采集目标图像采集框几何匹配的标定成像图像来进行图像分析,步骤S20可以包括:步骤S70,获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像;
具体地,基于上述物品识别方法,与目标图像采集框集合匹配的标定成像图像可以设定为:待识别钥匙在目标图像采集框中的钥匙成像图像的最长边与矩形目标图像采集框中的一长边重合,而钥匙成像图像中与最长边距离最远的一点与矩形目标图像采集框中的另一长边重合,通过采集标定成像图像,可以进一步提高数据的规范性,获得准确可靠的分析结果。
如图5所示,在一实施例中,为获得准确标准的标定成像图像,步骤S70可以包括:步骤S90,获取所述待识别物品在所述目标图像采集框中的实时成像图像;步骤S100,将所述实时成像图像与所述目标图像采集框进行对比,确定所述实时成像图像与所述目标图像采集框的实时几何关系;步骤S110,判断所述实时几何关系是否满足预设标定条件;步骤S120,若是,则将当前实时成像图像作为所述标定成像图像;步骤S130,若否,则显示调整图像采集设备位置的实时提示信息,以供用户基于所述实时提示信息调整所述图像采集设备的位置。
具体地,如图6所示,图6为钥匙结构说明图,钥匙一般可包括钥匙把1、预留区2以及齿形区3。对于钥匙来说,相同的钥匙类型对应相同的钥匙模型,即钥匙把1和预留区2均相同,相同类型不同型号的钥匙区别主要在齿形区3。在进行图像采集时,可以以钥匙齿形区3为采集对象,只采集钥匙齿形区3的图像进行分析。也可以以钥匙把1之外的预留区2和齿形区3组成的整体作为图像采集对象,采集得到图像后再识别并提取齿形区3部分的图像进行分析。采集对象的确定可以根据标定成像图像确定难度或采集难度来确定,至少包括齿形区3部分。
以对上述图6中的钥匙齿形区3为采集对象为例,如图7和图8所示,图7为图像采集框的示例说明图,图8为图像采集框分析要素说明图。如图7所示,图像采集框为矩形框,以虚线的形式显示在图像采集界面中,以通过调整图像采集设备的位置来使钥匙图像显示在图像采集框的合适位置,以得到标定成像图像。如图8所示,可以预先对图像采集框设定定位线4、限位区5、限位区6以及顶点检测区7等分析要素,其中,上述要素可以基于待识别物品类型的物品的形状或结构等特征来设定,并将这些分析要素的相对位置信息等信息预先存储在预设位置,以在后续采集标定成像图像过程中,基于这些分析要素确定实时成像图像与目标图像采集框的实时几何关系以及是否为标定成像图像的标定条件。
基于上述物品识别方法,在获得目标图像采集框后,在调用图像采集功能模块,显示包括目标图像采集框的图像采集界面时开始至标定成像图像采集完成的这一时间段内,可以以预设时间长度定时地获取图像采集界面中的实时成像图像,在图像采集界面中确定实时成像图像与图像采集框的相对位置信息,基于图像采集框的分析要素相对图像采集框的相对位置信息与实时成像图像相对图像采集框的相对位置信息确定实时成像图像相对图像采集框的分析要素的实时相对位置,将该实时相对位置确定的实时几何关系作为实时成像图像与目标图像采集框的相对几何关系。
具体地,如图9 所示,图9为齿形区3的实时成像图像为标定成像图像的示例图,其中线段AB为齿形区3与预留区2分割线上由预留区2顶点确定的线段,如图,在标定成像图像中,线段AB与限位线1重合,即目标图像采集框中的限位线1处于完全被图像填充的状态,钥匙图像中的顶点也位于填充状态,而限位区5和限位区6处于空白区,处理器或服务器再这两个区域内未检测到图像,所以,可以将标定条件设定为同时满足:目标图像采集框中的定位线4处于完全填充状态,限位区5和限位区6,检测不到图像信息,钥匙图像中与限位线距离最远的顶点位于钥匙顶点检测区7内。上述实时几何关系的内容可以由以下三个几何对象来确定:1)限位线是否被实时图像填充;2)在限位区5或限位区6中是否检测到图像信息,即实时成像图像是否与限位区5或限位区6存在重合的区域;3)钥匙顶点的成像是否位于顶点检测区7内。在获得实时成像图像时,可以根据上述几何对象确定实时几何关系,并将几何关系与上述标定条件进行对比,在实时几何关系满足标定条件时,确定对应的实时成像图像为标定成像图像。
在上述物品识别方法中,当判定实时成像图像不是标定成像图像时,可以显示调整图像采集设备位置的实时提示信息,以基于所述实时提示信息调整所述图像采集设备的位置,例如提示信息可以是“请移动/旋转你的设备,以便采集到准确的标定成像图像。”此外还可以基于上述几何对象显示提示信息,例如“限位线未被实时成像图像填充,请移动/旋转你的设备,以便采集到准确的标定成像图像。”进一步地,还可以通过图像识别算法识别图像中,钥匙顶点的成像点或线段AB,根据顶点成像点与目标图像采集框顶点检测的距离或方位,或线段AB与定位线4的距离、方位或角度确定调整的角度、距离或方位等具体的调整参数,根据具体的调整参数确定实时提示信息。
步骤S30,将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息。
具体地,预存特征信息指的是已有钥匙的特征信息,可以由钥匙制造商在每次制造出钥匙时,获得钥匙的特征信息,并将钥匙的特征信息存储在预设存储位置,或基于深度学习获得钥匙的特征信息,并将钥匙的特征信息添加到预设数据库中。预设数据库指的是用来存储钥匙特征信息的数据库。在该预设数据库中,每把钥匙对应一个预存特征信息。在获得成像图像后,将成像逐个与预设数据库中的各个预存特征信息进行对比,确定与成像图像最匹配的目标特征信息。其中,预存特征信息的类型基于特征对比的方式来确定。
如图4所示,对于步骤S20采用了步骤S70的一个实施例中,步骤S30包括:步骤S80,将所述标定成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述标定成像图像匹配的目标预存特征信息。
具体地,若在步骤S20中采集的成像图像为标定成像图像时,在执行步骤S130时,将标定成像图像与预设数据库中的各个预存特征信息进行逐个对比,根据标定成像图像与各个预存特征信息的对比结果确定目标预存特征信息,从而提高目标预存特征信息确定过程的准确性,保证获得准确可靠的分析结果。
如图10所示,在一实施例中,为了简化特征对比分析过程,提高特征对比分析过程的准确性与快捷性,所述预存特征信息包括物品样本特征点的预存规格参数序列;步骤S30包括:步骤S130,识别所述成像图像中的成像特征点;步骤S140,获取各个所述成像特征点的成像参数,基于各个所述成像参数获得特征点成像参数序列;步骤S150,计算所述成像参数序列与各个所述预存规格参数序列的距离参数,基于各个所述距离参数确定与所述成像图像匹配的目标预存规格参数序列。
具体地,物品样本特征点的预存规格参数序列指的是将实际的物品样本的规格参数以预先确定的规律或格式排列得到的序列,每个型号规格参数序列作为预存类型参数存储在预设位置。以钥匙为例,对于钥匙来说,可以将齿所在的位置作为特征点,齿所在位置的齿深或齿高作为特征点的规格参数。按照特征点位置以及特定的位置顺序对特征点的规格参数进行排列,即可得到该钥匙样本的预存规格参数序列。
在执行步骤S30时,可以先从钥匙图像中获得钥匙图像轮廓,可以以矩形图像采集框的一直角点为原点,其中一长边所在直线作为横坐标,钥匙图像所在面中垂直于横坐标的一直线作为纵坐标构建直角坐标系,以一个像素为一个单位距离,可以确定轮廓上各点的坐标参数。由于标定成像图像与目标图像采集框相对位置确定,而目标图像采集框的参数确定,目标图像采集框与构建的坐标系位置确定,可以基于实际钥匙齿的相对位置确定钥匙标定成像图像中齿所在位置的横坐标,在确定钥匙轮廓上该横坐标对应的纵坐标值,将该纵坐标值作为对应的齿深或齿高,进而获得钥匙标定成像图像成像参数序列。在计算成像参数序列与预存规格参数序列距离参数时,可以基于成像参数与实际规格参数的转换系数将成像参数序列转换成成像与规格为1:1的标准成像参数序列,然后计算标准成像参数序列与各个预存规格参数序列的距离值,将各个距离值作为成像参数序列与各个预存规格参数序列的距离参数。其中,距离值可以欧氏距离也可以是皮尔逊相关系数等。在确定成像参数序列与各个预存规格参数序列的距离参数后,将距离参数最小的预存规格参数序列或小于预设距离参数阈值预存规格参数序列作为目标预存特征信息。当然,也可以预先基于成像参数与实际规格参数的转换系数将各个物品样本的规格参数序列转换成标准规格参数序列,将物品样本的标准规格参数序列存储在预设位置,作为物品样本的预存规格参数序列。具体地,本发明的物品识别方法中,可以将预先将所有物品样本的预存特征信息存储到同个预设存储位置,也可以基于钥匙类型将不同钥匙的预存特征信息分开存储。
此外,预存特征信息还可以是钥匙样本的图像轮廓的各个线段的预存斜率序列或预存导数序列。在获得钥匙成像图像时,计算钥匙成像图像轮廓的成像斜率序列或成像导数序列,并与对应的预存斜率序列或导数序列的距离参数确定目标预存斜率或目标预存导数序列。
此外,还可以基于图像相似度来确定目标预存特征信息。具体地,预存特征信息还可以是钥匙样本图像的预存灰度参数。在获得待识别钥匙的待检测灰度参数时,根据SFIT算法或直方图匹配算法计算待检测灰度参数与预存灰度参数的相似度,基于相似度确定目标预存灰度参数,以作为目标预存特征信息。
步骤S40,根据所述目标预存特征信息确定待识别物品的标识码。
其中,如图10所示,在步骤S30采用步骤S80至步骤S100的实施例中,步骤S40包括:步骤S160,根据所述目标预存规格参数序列确定待识别物品的标识码。
具体地,可以将物品样本的标识码作为物品样本的预存特征信息,在确定目标预存标识码时,直接将目标预存标识码作为待识别物品的标识码。预先以特定格式编辑特定唯一码,将每个物品样本的特定唯一码与预存特征信息关联,在确定目标预存特征信息时,获取目标预存特征信息关联的唯一码,以作为待识别物品的标识码。具体地,以钥匙为待识别物品为例,可以将钥匙样本的齿形码作为钥匙预存特征信息,同时将该预存特征信息作为各个钥匙样本的标识码,在确定目标预存齿形码时,直接将该目标预存齿形码作为待识别钥匙的标识码,用户可以基于该钥匙标识码进行钥匙复制制造。为了便于存储和用户记忆,也可以生成更加简单的唯一随机码,作为钥匙样本的标识码,将钥匙样本的齿形码作为钥匙样本的预存特征信息,并将同个钥匙样本的齿形码与唯一随机码关联,在确定目标预存齿形码时,获取该目标预存齿形码关联的目标唯一随机码,将该目标唯一随机码作为待识别物品的标识码,在进行钥匙复制时,可以先基于该标识码确定待识别钥匙的齿形码等信息,再基于齿形码等信息进行钥匙的复制制造。
需要特别说明的是,本发明的物品识别方法的步骤可以在同一个设备或终端上执行,也可以在多个不同终端设备上执行,例如,可以由用户手机等终端采集待识别物品的成像图像,然后将该成像图像发送至后台服务器,由后台服务器将成像图像与后台服务器中的预存特征信息进行对比,并根据对比结果确定待识别物品的标识码,然后再将待识别物品的标识码发送至用户手机终端。
上述物品识别方法中,基于用户出发的类型选定指令可以准确快捷地获得与待识别物品匹配的目标图像采集框,利用目标图像采集框规范图像的采集过程,获得准确规范的图像数据。对于相同物品的成像数据与其实际规格特征数据,会存在对应的匹配关系,可以基于待识别物品的成像数据与预存特征信息的对比结果来确定与该成像数据匹配的目标预存特征信息,并将目标预存特征信息关联的标识码作为待识别物品的标识码。在上述物品识别过程中,只需要用户通过带有图像采集功能的终端设备通过图像采集框采集待识别物品的成像图像,即可得到待识别物品的标识码,无需进行复杂的操作,也无需复杂的专业系统,简化物品识别过程,降低物品识别难度。具体地,在需要对钥匙进行识别时,用户只需要通过带有图像采集功能的终端设备通过图像采集框采集待识别钥匙的成像图像,即可得到待识别钥匙的标识码,进而可以基于钥匙标识码对钥匙进行复制。
请参阅图11,图11是本申请实施例二提供的物品识别方法的步骤流程示意图。该物品识别方法,通过深度学习训练物品样本图像特征识别模型,并利用训练好的模型对钥匙图片进行特征识别,以对待识别类型、物品型号或预存特征信息进行补充,丰富物品样本数据库的数据,提高物品识别的准确性。具体地, 所述物品识别方法还包括:
步骤S170,获取多个物品训练图像,以及用户对各个所述物品训练图像的物品类型标注信息,以作为深度学习网络模型的训练集;
具体地,以钥匙为例,物品训练图像指的是用来作为深度学习模型的输入,训练得到钥匙类型识别深度学习模型的钥匙训练图片。用户可预先通过网络以及内部历史钥匙图片数据库采集多个钥匙的图片,或利用网络爬虫在进行钥匙图片的爬去,以作为钥匙训练图片,然后再由用户对每个钥匙训练图片添加钥匙类型的标准信息。模型训练处理器或服务器根据获得的钥匙训练图片以及钥匙类型标注信息构建用于训练钥匙类型识别模型的训练集。
步骤S180,将各个所述物品训练图像作为深度学习网络模型的输入,对应的物品类型标注信息作为深度学习网络模型的输出,训练得到物品类型识别深度学习模型。具体地,可以将训练集中的钥匙训练图片输入现有的深度学习框架的深度学习模型中进行处理,对于每个钥匙训练图片,通过该深度学习模型中的卷积层对图像进行卷积操作,获得图像特征值,再将图像特征值输入池化层,获得图像特征值的池化值,然后将图像的池化值输入全连接层进行处理,获得钥匙训练图片每个钥匙训练图片的输出结果。对于每个钥匙训练图像,计算其实际输出结果与训练集中对应的钥匙类型标注信息的差值,再按照极小化误差的方法方向传播调整权矩阵,从而得到训练好的钥匙类型识别深度学习模型,其中,获得的钥匙类型识别深度学习网络模型包括多个卷积层,池化层以及全连接层。
在获得钥匙类型识别深度学习模型后,可以利用该模型对新钥匙图像进行处理,识别钥匙图像对应的钥匙类型,并基于钥匙类型识别结果对预存物品类型信息或预存特征信息进行添加,丰富这两种信息数据的数据量,提高物品识别的效率以及识别的准确性.具体地,利用钥匙类型识别深度学习模型进行数据添加的过程包括以下步骤。
步骤S190,获取物品样本图像;
具体的,物品样本图像的可以由用户预先采集得到或由网络爬虫在外部网站上爬取得到,例如,在公开网站上爬取的钥匙图像,以作为钥匙样本图像。
步骤S200,将所述物品样本图像输入所述物品类型识别深度学习模型进行处理,获得所述物品样本图像的类型识别结果;
对于步骤S190获得的每个钥匙样本图像,可以输入上述训练好的钥匙类型识别深度学习模型进行处理。在钥匙类型识别深度学习模型中,利用训练好模型中的权重矩阵通过该深度学习模型中的卷积层对钥匙样本图像进行卷积操作,获得图像特征值,再将图像特征值输入池化层,获得图像特征值的池化值,然后将图像的池化值输入全连接层进行处理,获得钥匙样本图像的类型识别结果。此外,在每次获得钥匙样本图像的类型识别结果时,可以提示用户对钥匙样本图像进行类型标注,作为结果回传,从而持续改进钥匙类型识别深度学习模型,不断提高类型识别的准确度。
步骤S210,基于所述类型识别结果对所述预存类型信息或所述预存特征信息进行添加。
具体地,对于每个钥匙样本图像的钥匙类型识别结果,可以将其与预存类型信息进行对比,判断预存类型信息中是否存在与钥匙类型识别结果一致的钥匙类型。若预存类型信息中存在与钥匙类型识别结果一致的钥匙类型,则将该钥匙类型识别结果对应的钥匙样本图像与该钥匙类型对应的预存特征信息进行特征对比,特征对比方法与上述成像图像与预存特征信息的特征对比方法一致,判断预存特征信息中是否存在与钥匙样本图像匹配的预存特征信息,若存在与钥匙样本图像匹配的预存特征信息,则不对预存类型信息或预存特征信息进行添加,若不存在与钥匙样本图像匹配的预存特征信息,则可以获取该钥匙样本图像的特征信息,并将获取的特征信息作为预存特征信息,添加到已有预存特征信息的存储位置。上述物品识别方法中,若预存类型信息中不存在与钥匙类型识别结果一直的钥匙类型,则在预存钥匙类型信息中新增一个新的钥匙类型,并将该钥匙样本图像的特征信息添加至预存特征信息中。
上述物品识别方法中,通过深度学习训练物品样本图像特征识别模型,并利用训练好的模型对钥匙图片进行特征识别,以对待识别类型、物品型号或预存特征信息进行补充,丰富物品样本数据库的数据,提高物品识别的准确性。
此外,本发明还提出一种物品识别装置,所述物品识别装置包括存储器、处理器及存储在存储器上并可在处理器上运行的物品识别程序,所述处理器执行所述物品识别程序时实现如以上实施例所述的物品识别方法的步骤。
此外,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质包括物品识别程序,所述物品识别程序被处理器执行时实现如以上实施例所述的物品识别方法的步骤。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是电视机,手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种物品识别方法,其特征在于,所述物品识别方法包括:
接收用户触发的物品类型选定指令,获取用户选定的目标类型对应的目标图像采集框;
获取待识别物品在所述目标图像采集框中的成像图像;
将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息;
根据所述目标预存特征信息确定待识别物品的标识码。
2.如权利要求1所述的物品识别方法,其特征在于,所述接收用户触发的物品类型选定指令的步骤之前包括:
接收用户触发的物品识别指令,获取所有的预存类型信息;
显示所述预存类型信息,以供用户查看。
3.如权利要求1所述的物品识别方法,其特征在于,所述预存特征信息包括物品样本特征点的预存规格参数序列;
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
识别所述成像图像中的成像特征点;
获取各个所述成像特征点的成像参数,基于各个所述成像参数获得特征点成像参数序列;
计算所述成像参数序列与各个所述预存规格参数序列的距离参数,基于各个所述距离参数确定与所述成像图像匹配的目标预存规格参数序列;
所述根据所述目标预存特征信息确定待识别物品的标识码的步骤包括:
根据所述目标预存规格参数序列确定待识别物品的标识码。
4.如权利要求2所述的物品识别方法,其特征在于,所述物品识别方法还包括:
获取多个物品训练图像,以及用户对各个所述物品训练图像的物品类型标注信息,以作为深度学习网络模型的训练集;
将各个所述物品训练图像作为深度学习网络模型的输入,对应的物品类型标注信息作为深度学习网络模型的输出,训练得到物品类型识别深度学习模型。
5.如权利要求4所述的物品识别方法,其特征在于,所述训练得到物品类型识别深度学习模型的步骤之后包括:
获取物品样本图像;
将所述物品样本图像输入所述物品类型识别深度学习模型进行处理,获得所述物品样本图像的类型识别结果;
基于所述类型识别结果对所述预存类型信息或所述预存特征信息进行添加。
6.如权利要求1所述的物品识别方法,其特征在于,所述获取待识别物品在所述目标图像采集框中的成像图像的步骤包括:
获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像;
所述将所述成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述成像图像匹配的目标预存特征信息的步骤包括:
将所述标定成像图像与预设数据库中的预存特征信息进行特征对比,根据对比结果确定与所述标定成像图像匹配的目标预存特征信息。
7.如权利要求6所述的物品识别方法,其特征在于,所述获取所述待识别物品在所述目标图像采集框中,与所述目标图像采集框几何匹配的标定成像图像的步骤包括:
获取所述待识别物品在所述目标图像采集框中的实时成像图像;
将所述实时成像图像与所述目标图像采集框进行对比,确定所述实时成像图像与所述目标图像采集框的实时几何关系;
判断所述实时几何关系是否满足预设标定条件;
若是,则将当前实时成像图像作为所述标定成像图像;
若否,则显示调整图像采集设备位置的实时提示信息,以供用户基于所述实时提示信息调整所述图像采集设备的位置。
8.如权利要求1至7中任一项所述的物品识别方法,其特征在于,所述待识别物品包括待识别钥匙,所述物品标识码包括钥匙齿形码。
9.一种物品识别装置,其特征在于,所述物品识别装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物品识别程序,所述物品识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的物品识别方法的步骤。
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上存储有物品识别程序,所述物品识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的物品识别方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578481.7A CN110472480A (zh) | 2019-06-28 | 2019-06-28 | 物品识别方法、装置及计算机可读存储介质 |
US17/436,057 US20220180621A1 (en) | 2019-06-28 | 2020-06-05 | Article identification method and device, and computer readable storage medium |
PCT/CN2020/094752 WO2020259257A1 (zh) | 2019-06-28 | 2020-06-05 | 一种物品识别方法、装置及计算机可读存储介质 |
EP20830926.0A EP3968217A4 (en) | 2019-06-28 | 2020-06-05 | ARTICLE IDENTIFICATION METHOD AND APPARATUS AND COMPUTER READABLE STORAGE MEDIUM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578481.7A CN110472480A (zh) | 2019-06-28 | 2019-06-28 | 物品识别方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472480A true CN110472480A (zh) | 2019-11-19 |
Family
ID=68507283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910578481.7A Pending CN110472480A (zh) | 2019-06-28 | 2019-06-28 | 物品识别方法、装置及计算机可读存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220180621A1 (zh) |
EP (1) | EP3968217A4 (zh) |
CN (1) | CN110472480A (zh) |
WO (1) | WO2020259257A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242141A (zh) * | 2020-01-18 | 2020-06-05 | 深圳数马电子技术有限公司 | 钥匙齿形码识别方法、装置、存储介质及图像采集设备 |
CN111401499A (zh) * | 2020-02-11 | 2020-07-10 | 王娅雯 | 一种基于ai条形码防伪的方法 |
CN111784675A (zh) * | 2020-07-01 | 2020-10-16 | 云南易见纹语科技有限公司 | 物品纹理信息处理的方法、装置、存储介质及电子设备 |
CN111832494A (zh) * | 2020-07-17 | 2020-10-27 | 中国联合网络通信集团有限公司 | 信息存储方法及设备 |
WO2020259257A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳数马电子技术有限公司 | 一种物品识别方法、装置及计算机可读存储介质 |
CN112642158A (zh) * | 2020-12-31 | 2021-04-13 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
CN117115569A (zh) * | 2023-10-24 | 2023-11-24 | 深圳桑达银络科技有限公司 | 基于机器学习的物像自动识别分类方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673350B (zh) * | 2021-07-21 | 2024-02-20 | 苏州爱医斯坦智能科技有限公司 | 一种手术器械的识别方法、装置、设备及存储介质 |
FR3139287A1 (fr) * | 2022-09-07 | 2024-03-08 | Minit Operational Board Limited | Procédé de duplication d’une clé pour ouvrant à partir d’une image de cette clé |
CN115375790B (zh) * | 2022-10-25 | 2023-03-24 | 阿里巴巴(中国)有限公司 | 图像处理方法、图像存储方法以及气象图显示方法 |
CN117689678B (zh) * | 2024-02-04 | 2024-05-28 | 法奥意威(苏州)机器人系统有限公司 | 工件焊缝识别方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103813075A (zh) * | 2012-11-07 | 2014-05-21 | 联想(北京)有限公司 | 一种提醒方法和电子设备 |
CN105100620A (zh) * | 2015-07-30 | 2015-11-25 | 深圳市永兴元科技有限公司 | 拍摄方法及装置 |
CN107730524A (zh) * | 2017-11-08 | 2018-02-23 | 北京远鸥科技有限公司 | 钥匙齿形码识别方法 |
CN109145901A (zh) * | 2018-08-14 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 物品识别方法、装置、计算机可读存储介质和计算机设备 |
WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
CN109726694A (zh) * | 2019-01-02 | 2019-05-07 | 上海百豪新材料有限公司 | 一种虹膜图像采集方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100578508C (zh) * | 2008-01-14 | 2010-01-06 | 上海博康智能信息技术有限公司 | 交互式图像搜索系统和方法 |
MX2011011630A (es) * | 2009-05-01 | 2012-09-28 | Hy Ko Products | Sistema de identificación de llave en blanco con análisis de dientes. |
US9846965B2 (en) * | 2013-03-15 | 2017-12-19 | Disney Enterprises, Inc. | Augmented reality device with predefined object data |
CN103470102B (zh) * | 2013-09-23 | 2015-04-29 | 董仲伟 | 弹子锁钥匙及弹子编码的自动检测方法 |
CN104867148B (zh) * | 2015-04-22 | 2018-08-10 | 北京爱普力思健康科技有限公司 | 预定种类物体图像的获取方法、装置及口腔远程诊断系统 |
WO2017024043A1 (en) * | 2015-08-03 | 2017-02-09 | Hy-Ko Products Company | High security key scanning system |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
CN110472480A (zh) * | 2019-06-28 | 2019-11-19 | 深圳数马电子技术有限公司 | 物品识别方法、装置及计算机可读存储介质 |
-
2019
- 2019-06-28 CN CN201910578481.7A patent/CN110472480A/zh active Pending
-
2020
- 2020-06-05 WO PCT/CN2020/094752 patent/WO2020259257A1/zh unknown
- 2020-06-05 EP EP20830926.0A patent/EP3968217A4/en active Pending
- 2020-06-05 US US17/436,057 patent/US20220180621A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103813075A (zh) * | 2012-11-07 | 2014-05-21 | 联想(北京)有限公司 | 一种提醒方法和电子设备 |
CN105100620A (zh) * | 2015-07-30 | 2015-11-25 | 深圳市永兴元科技有限公司 | 拍摄方法及装置 |
WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
CN107730524A (zh) * | 2017-11-08 | 2018-02-23 | 北京远鸥科技有限公司 | 钥匙齿形码识别方法 |
CN109145901A (zh) * | 2018-08-14 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 物品识别方法、装置、计算机可读存储介质和计算机设备 |
CN109726694A (zh) * | 2019-01-02 | 2019-05-07 | 上海百豪新材料有限公司 | 一种虹膜图像采集方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020259257A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳数马电子技术有限公司 | 一种物品识别方法、装置及计算机可读存储介质 |
CN111242141A (zh) * | 2020-01-18 | 2020-06-05 | 深圳数马电子技术有限公司 | 钥匙齿形码识别方法、装置、存储介质及图像采集设备 |
CN111401499A (zh) * | 2020-02-11 | 2020-07-10 | 王娅雯 | 一种基于ai条形码防伪的方法 |
CN111784675A (zh) * | 2020-07-01 | 2020-10-16 | 云南易见纹语科技有限公司 | 物品纹理信息处理的方法、装置、存储介质及电子设备 |
CN111832494A (zh) * | 2020-07-17 | 2020-10-27 | 中国联合网络通信集团有限公司 | 信息存储方法及设备 |
CN111832494B (zh) * | 2020-07-17 | 2024-03-05 | 中国联合网络通信集团有限公司 | 信息存储方法及设备 |
CN112642158A (zh) * | 2020-12-31 | 2021-04-13 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
CN112642158B (zh) * | 2020-12-31 | 2021-09-28 | 完美世界(北京)软件科技发展有限公司 | 游戏资源地图审核方法及装置、存储介质、计算机设备 |
CN117115569A (zh) * | 2023-10-24 | 2023-11-24 | 深圳桑达银络科技有限公司 | 基于机器学习的物像自动识别分类方法及系统 |
CN117115569B (zh) * | 2023-10-24 | 2024-02-06 | 深圳桑达银络科技有限公司 | 基于机器学习的物像自动识别分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220180621A1 (en) | 2022-06-09 |
WO2020259257A1 (zh) | 2020-12-30 |
EP3968217A1 (en) | 2022-03-16 |
EP3968217A4 (en) | 2023-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472480A (zh) | 物品识别方法、装置及计算机可读存储介质 | |
CN109961009B (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
US11670058B2 (en) | Visual display systems and method for manipulating images of a real scene using augmented reality | |
WO2019205391A1 (zh) | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 | |
CN112162930B (zh) | 一种控件识别的方法、相关装置、设备及存储介质 | |
CN107679455A (zh) | 目标跟踪装置、方法及计算机可读存储介质 | |
US10347049B2 (en) | Interactive item placement simulation | |
CN108875534B (zh) | 人脸识别的方法、装置、系统及计算机存储介质 | |
US11775781B2 (en) | Product verification in a messaging system | |
US9299009B1 (en) | Utilizing color descriptors to determine color content of images | |
US11557080B2 (en) | Dynamically modeling an object in an environment from different perspectives | |
US11651103B2 (en) | Data privacy using a podium mechanism | |
US11651019B2 (en) | Contextual media filter search | |
CN110189398A (zh) | 基于室内图像的户型图生成方法、装置、设备和存储介质 | |
KR101885066B1 (ko) | 공구흔 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN109726110A (zh) | 单证测试方法、设备、装置及计算机可读存储介质 | |
CN108683845A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN113553261B (zh) | 软件自动化测试方法、设备及计算机可读存储介质 | |
CN109816628B (zh) | 人脸评价方法及相关产品 | |
CN110059721A (zh) | 户型图区域识别方法、装置、设备及计算机可读存储介质 | |
US20200272653A1 (en) | Apparatus for searching for content using image and method of controlling same | |
CN107592571A (zh) | 智能系统调整方法、装置及计算机可读存储介质 | |
CN107292901A (zh) | 边缘检测方法及装置 | |
CN107230228A (zh) | 图形面积计算方法、终端及计算机可读存储介质 | |
US20220398709A1 (en) | Rational polynomial coefficient based metadata verification |
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 |