CN110619336A - 基于图像处理的货品识别算法 - Google Patents

基于图像处理的货品识别算法 Download PDF

Info

Publication number
CN110619336A
CN110619336A CN201910787295.4A CN201910787295A CN110619336A CN 110619336 A CN110619336 A CN 110619336A CN 201910787295 A CN201910787295 A CN 201910787295A CN 110619336 A CN110619336 A CN 110619336A
Authority
CN
China
Prior art keywords
goods
image
classification
outline
identification
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
CN201910787295.4A
Other languages
English (en)
Other versions
CN110619336B (zh
Inventor
马轩
王建宇
齐梓汀
俞佳慧
赵昊辰
何新
李剑
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201910787295.4A priority Critical patent/CN110619336B/zh
Publication of CN110619336A publication Critical patent/CN110619336A/zh
Application granted granted Critical
Publication of CN110619336B publication Critical patent/CN110619336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明公开了一种基于图像处理的货品识别算法，主要包括图像预处理、特征提取、分类识别、层数判定及数量统计四个部分。本发明能够很好的判断视频数据中的商品种类以及商品数量的变化，采用基于K‑L变换与拉普拉斯映射的特征提取方法，以及基于纠错编码SVM的决策算法，提高了商品识别的准确率；同时采用视觉测距的方法判断商品数量的变化，获得廉价而简单的视觉系统，降低系统的时间成本和经济成本。

Description

基于图像处理的货品识别算法
技术领域
本发明涉及货品识别技术，特别是一种基于图像处理的货品识别算法。
背景技术
近些年来，随着人工智能技术的不断发展，传统的售货机行业也逐步向智能化方向靠拢。传统的自动售货机出货方式有电机推动式、弹簧弹出式、吸盘式等等，结构简单、造价低，但是其在快捷性与智能性有着不小的缺陷。
图像识别原理是利用计算机技术和数学方法对获得的目标图像信息进行预处理，提取特征。然后分类器将图像归类为相应的类别，最后通过与存储信息的匹配获得识别结果。
2016年底亚马逊公司推出了一套完整的、能够解决无人超市三个关键问题的方案：识别顾客拿走或放回商品的行为、识别被拿走或被放回的商品、识别对商品进行拿走或放回行为的顾客的“AmazonGo”，“AmazonGo”正是基于计算机视觉建立起来的。它融合了多种技术，包括深度学习和传感器融合等。但是其技术方案实施起来较为复杂，不适合于小规模的售货机行业。
发明内容
本发明的目的在于提供一种基于图像处理的货品识别算法，能够很好的识别商品的种类以及商品的数量。
实现本发明目的的技术解决方案为：一种基于图像处理的货品识别算法，包括图像预处理、特征提取、分类识别、层数判定及数量统计；
图像预处理：对采集的图像进行灰度处理、平滑滤波和Canny边缘检测；
特征提取：提取货品图像信息的特征要素，包括货品的轮廓、颜色，找到整个图像的感兴趣区域；并对该区域采用K-L变换的货品特征提取和拉普拉斯特征映射；
商品分类识别：对提取到的特征向量使用基于纠错编码的SVM分类算法，对货品进行分类；
层数判定及数量统计：根据特征提取得到的轮廓中心点特征确定货品的层数，再根据单目视觉测距技术确定货品的数量。
本发明与现有技术相比，其显著优点为：(1)本发明采用图像配准、图像融合技术，提升了图像质量；(2)采用基于K-L变换与拉普拉斯映射的特征提取方法，设计了一套基于纠错编码SVM的决策算法；(3)采用单目测量模型，测量货品在不同区域镜头下的直径值，判断货品摆放位置及货品摆放层数，计算当前货物数量；本发明采用单目测距法，降低系统的时间成本和经济成本。
附图说明
图1是本发明基于图像处理的货品识别算法的流程图。
图2是本发明的基于ECC—SVM货品样本分类流程图。
图3是本发明的视觉测距过程原理图。
图4是基于K-L变换和拉普拉斯映射的样本识别率示意图。
图5是摄像头与货品位置关系示意图。
具体实施方式
如图1所示，本发明的一种基于图像处理的货品识别算法，包含图像预处理、特征提取、分类识别、层数判定及数量统计四个部分；其中：
第一部分为图像预处理，摄像头得到是彩色图片，为了减少计算量，首先要进行灰度处理，对得到的灰度图像进行平滑滤波和Canny边缘检测。考虑到货品的实际面积与周长，利用图像的形状特征，消除外界噪声以及环境对物品轮廓的影响。
第二部分为特征提取，用于提取商品图像信息的特征要素，包括商品的轮廓、颜色等，找到整个图像的感兴趣区域。并对该区域采用K-L变换的货品特征提取方法和拉普拉斯特征映射。
第三部分为商品分类识别，对提取到的特征向量使用基于纠错编码的SVM分类算法，对货品进行分类。
第四部分是层数判定及数量统计，根据第二部分特征提取得到的轮廓中心点特征确定商品的层数，再根据摄像头视觉测距的方法确定商品的数量。
图像预处理部分包括对图像进行灰度处理、对得到的灰度图像进行平滑滤波和Canny边缘检测。实验计算商品轮廓面积与周长，得到面积和周长的阈值范围，去除阈值外的轮廓，消除外界噪声以及环境对物品轮廓的影响。其中，对找到的轮廓提取其中心点，根据货品图像边缘点的坐标，求解货品图像轮廓的最大范围与最小范围。并根据这个范围确定出货品图像轮廓内的最大内切矩形；得到感兴趣区域。
特征提取部分采用了两种方法：一是基于K-L变换的货品特征提取方法；二是利用拉普拉斯特征映射对货品图像进行特征提取。对原始图像进行降维处理，以便后续设计分类准则来对商品进行分类。
分类识别部分分别尝试了使用RGB空间分量以及HSV空间分量作为输入基准。采用基于纠错编码的SVM分类算法(ECC—SVM)进行对特征分类。
视觉测距模块测量检测到商品的直径判断商品的数量。
该识别算法应用于无人售货机系统，售货机柜体总共分为四层，每层长为55cm，宽为60cm，高为40cm，底面不透明内部所有板面均为白色；每层装有一个小灯，位于柜体两侧，用于保证系统光源；每层的摄像头装在柜体后侧，保证拍摄到商品大部分。货品底部安装滑轮，保证从中间抽取货品时，货品由于重力原因滑动，保证同一列的货品紧密相连。同时不同类货品间有格挡。在对货品进行识别分类时，识别每列中处于最前一层的货品，并通过测量货品直径判断其层数，以完成货品数量的统计。
本发明通过运用基于K-L变换与拉普拉斯映射的特征提取方法，设计了一套基于纠错编码SVM的决策算法。根据实际应用情况制定单目测量模型，测量货品在不同区域镜头下的直径值，判断货品摆放位置及货品摆放层数，计算当前货物数量。
下面结合实施例对本发明进行详细说明。
实施例
货品图像识别包括4个部分：图像预处理、特征提取、分类识别、单目视觉测距。
(1)图像预处理：从采集到的商品图像中手动分割出货品的样本建立实验本库。并且相同种类的货品设计了不同的旋转角度，用于以后的模板匹配。
考虑到货品的边缘形状，以饮料瓶为例，边缘受背景干扰很大，噪声很多，并且在下一步的识别时，要对瓶边缘有清晰的切割，保证瓶数量识别正确。考虑到Canny边缘检测算子具有较高的自动化性，并且对虚假边缘有抑制作用，尽量消除虚假边缘的出现，保证饮料瓶瓶盖不会因相近过密而误识。同时Canny算子对边缘像素点定位精度很高，对非边缘像素点误识程度较低，并且对边缘像素点的定位，与实际边缘相差很小，从而保证了对货品轮廓的识别失真度很低，方便下一步的识别动作。综上所述，对于本发明货品图像的分割，采用了Canny边缘检测算子。
经过上一步对物品边缘的检测，可以大致得到货品的轮廓，可以进行下一步的识别。虽然Canny边缘检测算子有对白噪声进行处理，但在实际的运行环境中，依然不排除有其他噪声干扰或环境干扰。因此在上一步边缘检测得到边缘像素点坐标的前提下，考虑到货品的实际面积与周长在一定范围内，去除不在范围内的轮廓，消除外界噪声以及环境对物品轮廓的影响，进一步的对货品轮廓进行精确提取。
在对货品进行边缘提取后，得到图像中物品轮廓边缘的像素点坐标。通过这些坐标点，可以得到物品轮廓的中心点坐标。在得到物品轮廓中心点的坐标后，根据货品图像边缘点的坐标，求解货品图像轮廓的最大范围与最小范围。并根据这个范围确定出货品图像轮廓内的最大内切矩形，并根据这个矩形在原始图像上对货品的特征进行下一步提取。
(2)图像特征提取：首先利用K-L变换与拉普拉斯映射对货品进行特征提取，建立不同商品的特征库，来进行筛选。
人类判断货品分类时，最直观的就是对货品颜色的辨认。通常来说，货品的颜色是区分不同类货品的重要特征。因此在对于货品的特征提取上，相比与灰度空间，基于HSV与RGB颜色空间对货品的特征进行提取，更能提高货品识别的准确性。
原始彩色图像中的像素可以表示为向量：
I(x，y)＝[Ir(x，y)Ig(x，y)Ib(x，y)]T (1)
常见的对彩色图像进行单色映射的方式为：
其中r、g和b下标表示红色、绿色和蓝色平面。
上式反映了颜色值在颜色空间均匀分布这一情况。然而对于货品颜色特征来说颜色值往往更严格地限制在颜色空间的一小部分，在颜色特征提取过程中可以利用这种特征明显且范围较小的部分。如果根据预期的颜色分布选择转换，则可以合理地预期识别精度会提高。
M(x，y)＝ωTI(x，y) (3)
其中I(x，y)是原始彩色图像，M(x，y)是生成的单平面图像。设定最佳变换与原始颜色空间中像素值的预期分布非常吻合。考虑到这一点，可以通过使用K-L变换来确定具有不相关轴的投影来选择ω。由此产生的色彩空间被称为“Karhunen-Love颜色空间”。对于像素值的给定分布，与最大特征值相对应的特征向量定义了数据相关性最小的方向，因此最有可能用于识别任务。K-L变换是由分布的协方差矩阵确定的。对于货品识别来说，输入基准是从上文提到的图像轮廓的最大内切矩形内的像素值的组合。从而形成协方差矩阵S，如下所示：
其中pr、pg和pb是RGB三个通道上N个颜色像素矢量的集合，K-L变换由S的特征向量{ui}组成，连接到矩阵u＝[u1，u2，u3]中。转换向量ω的归一化需要考虑。根据定义，单位向量不会改变它所操作的矢量数量的大小。但是，这不适合将三个分量颜色数量(其中每个分量可以在一定范围达到全比例)转换为单色，因为任何大于统一的三色矢量都将饱和于单色平面。
根据K-L变换的性质，本发明使用其k个最大特征值向量，对原始图像特征进行降维处理，得到k维特征向量[a1，a2...ak]。
(3)分类识别：设计不同的决策原则对提取出的货品特征进行分类，给出分类结果。
支持向量机法(SVM)，该方法通过建立最优决策超平面，使不同类样本位于该超平面两侧，实现分类效果。因此单个SVM只能对两种样本进行分类。为了解决多分类问题，几种常用的解决方式是将多个SVM分类器组合用于解决多类样本分类，例如一对一法，一对多法。一对多方法需要K个向量机进行组合，每个向量机将某一类样本与其他样本分开，导致分类效果不平衡，因此该类方法分类效果一般。一对一方法分类效果较好，所需SVM分类器个数为K(K-1)/2，因此当分类种类较多时，分类器个数呈指数递增。因为本发明面对的货品识别种类较多，该方法不适合于本发明。
为了解决实际中货品种类多样的问题，本发明设计了一种SVM多分类方法，即基于纠错编码的SVM分类算法(ECC-SVM)。本发明对基于纠错编码的SVM分类算法设计如下。
在对于货品识别的实际应用中，分为两个阶段，分别是对货品样本的训练及对检验样本的识别。其中训练阶段的步骤如下：
①选用BCH码作为纠错编码。BCH码用(n，k)表示，其中n代表总码长，k代表信息码长，监督码长为n-k。根据识别的货品种类，设定合适的BCH码。
②对每类货品进行编码。不同种类货品编码各不相同，若有K类货品则有K种编码，每个编码的长度为n。因此需要n个SVM分类器，利用所有训练样本进行训练，每个分类器的两种分类结果用0，1表示，并做为训练的输出结果。
因为本发明所需识别的货品种类较多，BCH码的选择为(31，6)，即SVM个数为31，信息位是6位。编码原则为对于BCH码(n，k)，存在任意一个整数a，必存在n＝2a-1，且n-k≤at，t为BCH码最多可以纠错的错误码元数。故本发明的分类器最多可以纠正7个SVM的错误码元，达到较好的识别效果。
将样本训练完成后，对其余样本进行识别，将31个SVM的输出结果作为检验码，与训练样本作比较，其中汉明距离最小的即为分类结果。在多分类的情况下，由于引入了纠错编码，使得基于纠错编码的SVM分类算法在利用较少的SVM分类器情况下，依然可以准确的解决多分类问题。具体流程图如图2所示。
同时本发明还分别对货品图像从RGB空间和HSV空间进行分通道特征提取，由实验结果来看，在关于HSV空间与RGB空间的特征提取上，HSV空间分量更能反映货品图像样本本身的颜色特征，并且具有很佳的区分度，同样的分类方法下，HSV颜色空间的分类结果的多识率要低于RGB颜色空间1.5％左右。并且从结果上来看，HSV空间输入分量的识别结果与区分度要好与RGB空间输入分量，同时，HSV包含的饱和度分量以及亮度分量上的不用权重计算，可以减少外界光源对识别结果的影响。因此在对货品的彩色特征进行提取与识别时，本发明最终采用了HSV空间来对货品进行特征上的提取与识别。
同时给出了两种特征提取方法在不同特征维数下对于货品样本的识别率，其结果如图4，可以看出，在相同维数下，使用改进过后K-L转换的降维方式样本识别率高于拉普拉斯映射。这是因为K-L转换降低了样本中的非相关特征，保留了样本特征的主要信息。减少计算量的同时，保证了样本的识别成功率。
(4)层数判定及数量统计：根据特征提取模块提取的特征确定商品的层数，再根据商品离摄像头的远近确定商品的数量。
该识别算法应用于无人售货机系统，售货机柜体总共分为四层，每层长为55cm，宽为60cm，高为40cm，底面不透明内部所有板面均为白色；每层装有一个小灯，位于柜体两侧，用于保证系统光源；每层的摄像头装在柜体后侧，保证拍摄到商品大部分。货品底部安装滑轮，保证从中间抽取货品时，货品由于重力原因滑动，保证同一列的货品紧密相连。同时不同类货品间有格挡。考虑到货品在售货机柜体中的摆放情况，通过测量采集到的货品图像距离摄像头最近的货品直径值，判断货品当前排放的层数，及整个柜体中货品的数量总数情况，如图3所示。
根据特征提取得到货品图像中心矩，确定货品所处范围，在摄像头采集的图像建立坐标系。
其中坐标原点是摄像头拍摄图像中心，将图像均为分为4个区域，根据货品图像轮廓中心判断货品落在何区域，对货品进行识别，并对货品直径进行测量；根据该商品在此区域中货品直径与设定阈值进行比较，判断货品所处售货机柜体层数，以此判断柜体中货品数量。
根据实际情况，建立单目测距的数学模型。相机位于货品的上部，从上面向下看，如图5所示。相机坐标系的原点Oc位于光学中心。轴Xc与图像中的水平轴u平行。轴Yc与图像中的垂直轴v平行。选择指向场景的光轴作为轴Zc。通过Oc的垂直线与轨道交叉的地面上，作为货品坐标系的起源。轴Xw与Xc平行。Zw轴沿垂直线OwOc指向Oc。轴Yw由右侧规则分配。
通过上述模型，确定外部参数矩阵为：
其中h是从Ow到Oc的距离，是轴Zw和Zc之间的角度。对于笛卡尔空间中的点Pi，它在归一化成像平面中的位置可以计算为：
其中(Xwi，Ywi，Zwi)是Pi在货品坐标系中的位置，(X1c，Y1ci，1)是Pi在相机系统中归一化成像平面上的成像位置，Zwi是指Pi在相机系统中的轴Zwi上的坐标。
公式(6)可以被写成
将第三个方程中的Zci替换为式(7)中的其他两个方程，得到
对于XwOwYw平面上的点，Zwi＝0，带入公式(9)可得到下式：
很明显，在Zwi＝0的条件下，公式(10)可以用己知的参数h和和成像坐标(X1ci，Y1ci)来估计笛卡尔空间中的点位置。由于图像坐标(Ui，Vi)己知，并由标定得到的摄像机内外部参数，由下式计算(X1ci，Y1ci)。
其中kx和ky是放大因子，U0，V0是相机主点的图像坐标。此外，在计算出共享坐标(Xwi，Ywi)，可以使用下式及其成像坐标来估计垂直线中的点的坐标Zwi。
根据特征提取货品图像的最大内切矩形，找到计算货品轮廓的最大直径，该直径为像素值，在通过标定得出的内外参数，将像素坐标转化为世界坐标系，即mm单位的直径值，根据测量出的货品直径值。将货品的区域进行建模，分为十四个区域，其中原点为摄像头所在位置，因此只需测量第一象限区域的货品最大轮廓直径，其他象限区域的货品最大直径同第一象限。具体步骤如下：
(1)从矩形区域的左上角(XL，YU)点开始，从左往右依次找到第一个非零灰度边缘点(XL，Yhi)；
(2)从同一列像素点(XL，YD)开始，从右往左上一次搜索到第一个非零灰度边缘点(XL，Yli)；
(3)计算hi＝Yhi-Yli，重复步骤1、2；
(4)将所有像素坐标系中的长度值hi转换成现实坐标系中实际直径值hi2；
(5)取hi2中的最大值hmax，hmax即为测量出的货品轮廓的最大值。
(6)重复上述步骤，分别测量各个区域货品直径的最大值。
本发明分别测量了各区域货品摆放1-3层时，货品的直径范围，测量结果如表1所示：
表1不同层数的货品直径范围
通过表1的测量结果，设定不同区域内货品直径的阈值范围。在实际应用中根据这一阈值范围，判断货品所叠层数，进而统计出货品数量。
本发明提出一种基于图像处理的货品识别算法，该算法能够很好的判断视频数据中的商品种类以及商品数量的变化，通过采用了基于K-L变换与拉普拉斯映射的特征提取方法，设计了一套基于纠错编码SVM的决策算法，提高了商品识别的准确率。同时采用视觉测距的方法判断商品数量的变化，获得廉价而简单的视觉系统，降低系统的时间成本和经济成本。
以上公开的仅为本发明的一个具体实施方式，但是本发明并非局限于此，本领域的技术人员在不脱离本发明所保护的范围和精神下，可根据不同的实际需要做出各种具体的变化，仍属于本发明的保护范围。

Claims (4)

1.一种基于图像处理的货品识别算法，其特征在于，包括图像预处理、特征提取、分类识别、层数判定及数量统计；
图像预处理：对采集的图像进行灰度处理、平滑滤波和Canny边缘检测；
特征提取：提取货品图像信息的特征要素，包括货品的轮廓、颜色，找到整个图像的感兴趣区域；并对该区域采用K-L变换的货品特征提取和拉普拉斯特征映射；
商品分类识别：对提取到的特征向量使用基于纠错编码的SVM分类算法，对货品进行分类；
层数判定及数量统计：根据特征提取得到的轮廓中心点特征确定货品的层数，再根据单目视觉测距技术确定货品的数量。
2.根据权利要求1所述的基于图像处理的货品识别算法，其特征在于，计算货品轮廓面积与周长，得到面积和周长的阈值范围，去除阈值外的轮廓；
对找到的轮廓提取其中心点，根据货品图像边缘点的坐标，求解货品图像轮廓的最大范围与最小范围；并根据这个范围确定出货品图像轮廓内的最大内切矩形，得到感兴趣区域。
3.根据权利要求1所述的基于图像处理的货品识别算法，其特征在于，基于纠错编码的SVM分类算法分为两个阶段，分别是对货品样本的训练及对检验样本的识别；其中训练阶段的步骤如下：
(1)选用BCH码作为纠错编码；BCH码用(n,k)表示，其中n代表总码长，k代表信息码长，监督码长为n-k；根据识别的货品种类设定BCH码；
(2)对每类货品进行编码；不同种类货品编码各不相同，若有K类货品则有K种编码，每个编码的长度为n；因此需要n个SVM分类器，利用所有训练样本进行训练，每个分类器的两种分类结果用0,1表示，并做为训练的输出结果；
将样本训练完成后，对其余样本进行识别，将SVM的输出结果作为检验码，与训练样本作比较，其中汉明距离最小的即为分类结果。
4.根据权利要求1所述的基于图像处理的货品识别算法，其特征在于，采用单目测量模型，测量货品在不同区域镜头下的直径值，判断货品摆放位置及货品摆放层数，计算当前货物数量。
CN201910787295.4A 2019-08-26 2019-08-26 基于图像处理的货品识别算法 Active CN110619336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910787295.4A CN110619336B (zh) 2019-08-26 2019-08-26 基于图像处理的货品识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910787295.4A CN110619336B (zh) 2019-08-26 2019-08-26 基于图像处理的货品识别算法

Publications (2)

Publication Number Publication Date
CN110619336A true CN110619336A (zh) 2019-12-27
CN110619336B CN110619336B (zh) 2022-09-30

Family

ID=68922472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910787295.4A Active CN110619336B (zh) 2019-08-26 2019-08-26 基于图像处理的货品识别算法

Country Status (1)

Country Link
CN (1) CN110619336B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401326A (zh) * 2020-04-21 2020-07-10 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN112991470A (zh) * 2021-02-08 2021-06-18 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN114637868A (zh) * 2022-02-23 2022-06-17 广州市玄武无线科技股份有限公司 一种应用于快消行业的产品数据处理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108242061A (zh) * 2018-02-11 2018-07-03 南京亿猫信息技术有限公司 一种基于Sobel算子的超市购物车手部识别方法
CN108985339A (zh) * 2018-06-21 2018-12-11 浙江工业大学 一种基于目标识别与knn算法的超市仓库货物识别分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108242061A (zh) * 2018-02-11 2018-07-03 南京亿猫信息技术有限公司 一种基于Sobel算子的超市购物车手部识别方法
CN108985339A (zh) * 2018-06-21 2018-12-11 浙江工业大学 一种基于目标识别与knn算法的超市仓库货物识别分类方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401326A (zh) * 2020-04-21 2020-07-10 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN111401326B (zh) * 2020-04-21 2023-04-18 招商局金融科技有限公司 基于图片识别的目标身份识别方法、服务器及存储介质
CN112991470A (zh) * 2021-02-08 2021-06-18 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN112991470B (zh) * 2021-02-08 2023-12-26 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN114637868A (zh) * 2022-02-23 2022-06-17 广州市玄武无线科技股份有限公司 一种应用于快消行业的产品数据处理方法及系统

Also Published As

Publication number Publication date
CN110619336B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
US11403839B2 (en) Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium
CN109829914B (zh) 检测产品缺陷的方法和装置
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111797653B (zh) 基于高维图像的图像标注方法和装置
CN110619336B (zh) 基于图像处理的货品识别算法
CN103035013B (zh) 一种基于多特征融合的精确运动阴影检测方法
US11030436B2 (en) Object recognition
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN111310662B (zh) 一种基于集成深度网络的火焰检测识别方法及系统
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN110008844B (zh) 一种融合slic算法的kcf长期手势跟踪方法
EP1700269A2 (en) Detection of sky in digital color images
CN109741551B (zh) 一种商品识别结算方法、装置及系统
US20140301608A1 (en) Chemical structure recognition tool
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN108319958A (zh) 一种基于特征融合匹配的行驶证检测和识别方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN112907667A (zh) 一种视觉激光融合的托盘位姿估计方法、系统及装置
CN108280469A (zh) 一种基于稀疏表示的超市商品图像识别方法
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Jianyu

Inventor after: Ma Xuan

Inventor after: He Xin

Inventor after: Qi Ziting

Inventor after: Yu Jiahui

Inventor after: Zhao Haochen

Inventor after: Li Jian

Inventor before: Ma Xuan

Inventor before: Wang Jianyu

Inventor before: Qi Ziting

Inventor before: Yu Jiahui

Inventor before: Zhao Haochen

Inventor before: He Xin

Inventor before: Li Jian

GR01 Patent grant
GR01 Patent grant