CN110909727A - 一种基于图像识别的围棋识别方法及程序接口 - Google Patents
一种基于图像识别的围棋识别方法及程序接口 Download PDFInfo
- Publication number
- CN110909727A CN110909727A CN201911140766.9A CN201911140766A CN110909727A CN 110909727 A CN110909727 A CN 110909727A CN 201911140766 A CN201911140766 A CN 201911140766A CN 110909727 A CN110909727 A CN 110909727A
- Authority
- CN
- China
- Prior art keywords
- chessboard
- image
- lines
- calculated
- positions
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 239000009891 weiqi Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 239000002023 wood Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000004806 packaging method and process Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的围棋识别方法及程序接口，用于解决现有围棋判定中计算量大、裁判要求高、没有普及9路和13路棋盘、线上技术迁移困难、算法速度慢精度差的问题。包括以下步骤：获取棋盘数字图像；对图像中棋盘上所有十字特征的线交叉点与丁字特征的线交叉点进行搜索；得到棋盘的四个角点和正视图；计算棋盘格式；计算不同棋盘的横竖棋盘线交叉点得到棋盘图像的交叉点位置；在棋盘交叉点位置识别棋子得到棋谱数据；将数据进行判定得到数子、数目、提、贴目、星位和整体的判定结果；对识别和判定过程的程序进行封装得到程序接口。本方法及程序接口可靠性高，适应较强的不均匀光照、截取和视角不规范的情况，提高了识别的准确率。
Description
技术领域
本发明涉及图像识别和机器学习领域，特别涉及一种基于图像识别的围棋识别方法以及程序接口。
背景技术
围棋是一种策略型两人棋类游戏，中国古时称“弈”，西方名称“Go”。流行于东亚国家(中、日、韩、朝)，属琴棋书画四艺之一。围棋起源于中国，传为帝尧所作，春秋战国时期即有记载。隋唐时经朝鲜传入日本，流传到欧美各国。围棋蕴含着中华文化的丰富内涵，它是中国文化与文明的体现。传统围棋棋盘交叉点数为361个，后出现交叉点数为169个和交叉点数为81个的围棋棋盘。
全世界围棋爱好者众多，一般在家庭对弈、学校学习、围棋比赛中常见的围棋的胜负判定，基本都是对终局进行数子或数目方法来进行确认。数子或数目方法都需要对围棋盘上的终局进行人工点数，特别是数子方法，存在人工错点的可能，并且带来了较大的人员精力投入以及对裁判质量要求高，一定程度上限制了小规模围棋比赛的举办。随着计算机技术的不断发展，如今出现了利用机器学习和图像处理技术，进行终局识别和判定的方法，从而可以一定程度上降低人员投入，提高效率和围棋普及度。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。
应用程序接口，即API，是一些预先定义的函数，或指软件系统不同组成部分衔接的约定。目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问原码，或理解内部工作机制的细节。
现有的围棋图像识别技术需要较大的数据量，不能保持高准确率，而且对图像畸变和场景光暗变化的适应性弱。
中国发明专利CN 102184544A公开了一种校畸和实时识别围棋图像的方法，具体步骤如下:步骤1图像的畸形校正：将围棋棋盘位置和摄像机位置固定，确定361个着子点在摄像机采集的棋谱图像上的坐标和进行棋子识别时需要计算的矩形框的大小。步骤2,围棋棋子的识别：采集一帧灰度图像作为前景，和背景图像做差分运算得到差值图像，根据各着子点的坐标，逐一在差值图像中，计算每个着子点的矩形框内的有效像素灰度平均值和有效像素个数等参数，和设定的阈值比较，再根据当前着手方和棋盘信息即可检测出棋子的颜色、位置、提子和落子等棋谱数据，然后将背景图像更新为前景图像。该方法存在的问题是：需要保持摄像机和围棋棋盘之间的相对位置不变，并且需要连续采集2帧图像得到差值图像，不能直接拍摄终局图像识别棋谱。
发明内容
为解决上述问题，本发明提供一种基于图像识别的围棋结局判定方法和接口程序，可以在较强的不均匀光照条件下，以及截取和视角不规范的情况下，实现对三种不同规格的围棋棋盘的结局判定，同时通过提供程序接口便于个人使用。
本发明解决上述问题所采用的技术方案是:
一种基于图像识别的围棋识别方法，包括以下步骤：
步骤1、对围棋棋盘及其上的棋子进行图像采集，得到包含全部棋子的棋盘的数字图像，本发明指的棋盘是棋盘实体；
步骤2、将数字图像转换为二进制格式的数据；
步骤3、对步骤2中得到的数据进行特征提取处理，得到矩阵类型的棋盘具体数据；
步骤4、根据步骤3的结果对图像进行搜索，搜索棋盘图像上所有的十字特征的棋盘线交叉点和丁字特征的棋盘线交叉点以及相对应的边线；
步骤5、根据步骤3中矩阵的大小判断棋盘的路线数目，确定判定棋盘为19路棋盘、13路棋盘和9路棋盘；
步骤6、根据步骤5中的判定结果，分成以下三种情况进行下一步分析：
1)若计算出的棋盘是19路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的17条标准横棋盘线和17条标准竖棋盘线；
2)若计算出的棋盘是13路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的11条标准横棋盘线和11条标准竖棋盘线；
3)若计算出的棋盘是9路棋盘，根据步骤3得到上下左右四条边线，并计算出的棋盘的四个角点的位置，分别计算出其余的7条标准横棋盘线和7条标准竖棋盘线；
步骤7、根据步骤6中涉及的19路、13路和9路共三种棋盘，计算出棋盘线对应的实际位置，提取出前景棋盘；
步骤8、根据步骤7，确定其余的横标准棋盘线和竖标准棋盘线的位置；
步骤9、根据步骤6中涉及的19路、13路和9路棋盘共三种棋盘，
9.1若计算出的棋盘是19路棋盘，计算相应的19*19个棋盘交叉点，也就是361个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
9.2若计算出的棋盘是13路棋盘，计算相应的13*13个棋盘交叉点，也就是169个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
9.3若计算出的棋盘是9路棋盘，计算相应的9*9个棋盘交叉点也就是81个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
步骤10、根据步骤3中得到的矩阵图对应的黑白棋子点位和围棋胜负规则，计算对弈双方相应的数子，数目，提，贴木，星位数据和胜负判定；
步骤11、根据用户上传图片的途径，将汇总出的各项和整体的棋谱数据展示在相应的界面。
作为优选，上述步骤1中，对围棋棋盘及其上的棋子进行图像采集，得到近似正方形的清晰彩色数字图像。
作为优选，基于图像识别的围棋结局判定方法还包括如下特征：围棋棋盘图像为终局图像，通过步骤1至步骤10的处理方法得到棋谱数据，随即根据围棋胜负规则，计算对弈双方相应的数子，数目，提，贴木，星位和整体的棋谱数据，并显示相关数据和结果。
作为优选，在围棋终局时，在对围棋棋盘进行图像采集之前，剔除死棋所占有的点位。
本发明还提供一种易于开发人员进行二次开发和个人使用的进行胜负判定的API，即应用程序编程接口。该程序接口根据用户上传围棋数字图像的途径，将判定后的各项棋谱数据展示在相应的界面中，从而使用户得到完整和直观的棋局结果数据。
作为优选，用户上传的围棋数字图像为正方形，棋盘图像清晰完整。
本发明与现有技术相比，具有以下优点和效果:本基于图像识别的围棋识别方法不仅处理方法方便、效率高，并且稳定性，即防畸变能力强，提高了识别的准确率；通过对生成矩阵进行全矩阵扫描操作，减少了传统计算平均值或R,G,B值得计算量；通过将棋盘数字彩色图像转换为TFRecord数据集类型，进而转换为二进制格式数据，实现图像数据处理的加速；有助于活动组织者、围棋爱好者在网页、应用程序和小程序上进行高效的使用；增加13路围棋棋盘和9路围棋棋盘的识别和判定，扩大了技术的适用范围；有助于提高围棋比赛，特别是小规模围棋比赛的裁定效率；减少了人员投入。
附图说明
图1为本发明的围棋识别示意图。
图2为本发明所指的19路围棋棋盘示意图。
图3为本发明所指的13路围棋棋盘示意图。
图4为本发明所指的9路围棋棋盘示意图。
图1中，A为围棋左边线，B为一左边线丁字交叉点，C为一下边线丁字交叉点，D为下边线，E为一十字交叉点。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1
本实施例解决上述问题所采用的技术方案是:
一种基于围棋图像的围棋识别方法包括以下步骤:
步骤1、对围棋棋盘及其上的棋子进行图像采集，得到包含全部棋子的棋盘的基本方正的数字彩色图像；
步骤2、将相应端口采集到的数字彩色图像转换为二进制格式的数据，具体过程如下：
将从网页端和移动端手机采集到的数字彩色图像转换为TFRecord数据集类型(XML和JPG统称为数据集)，进而将TFRecord数据集转化为二进制格式的数据。
步骤3、对步骤2中得到的数据进行特征提取处理，得到矩阵类型的棋盘具体数据，具体过程如下：
对二进制格式数据利用SSD网络进行特征提取处理得到的数据，从而得到棋盘的网格线数目以及黑白棋子的具体分布，并将结果以矩阵(矩阵N行N列，棋盘一个交叉点为一个元素，没有棋子时元素为0，交叉点为黑子时元素为1，交叉点为白子时元素为2)格式保存。
步骤4、根据步骤3的结果对图像进行搜索，搜索棋盘图像上所有的十字特征的棋盘线交叉点和丁字特征的棋盘线交叉点以及相对应的边线，具体过程如下：针对棋盘图像上所有交叉点，通过对生成矩阵进行全矩阵扫描操作，先提取出矩阵中值为0的元素，然后对该值为0的元素正左、正下、正右和正上的值进行判定，若都为0，则作为一个十字或丁字交叉点保存(十字或丁字交叉点参考附图图1中B,C和E处所示)；针对棋盘图像上所有边线，根据得到的棋盘丁字交叉点位置将其定义为相应的(左、下、右和上)边线丁字交叉点(参考附图图1中B点为左边线丁字交叉点)，进而得到四条边线(参考附图图1中A为B点对应的左边线)。
步骤5、根据步骤3中矩阵的大小判断棋盘的路线数目，确定判定棋盘为19路棋盘、13路棋盘和9路棋盘；
步骤6、根据步骤5中的判断结果，分成以下三种情况进行下一步分析：
1)若计算出的棋盘是19路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的17条标准横棋盘线和17条标准竖棋盘线，具体过程如下：
计算棋盘四个角点的位置，然后将在同一条边线上的角点之间的距离17等分，进而得到17个等分点，然后上边线对应等分点和下边线对应等分点相连，左边线对应等分点和右边线对应等分点相连，合并四条边线，即可得到完整的19路棋盘。
2)若计算出的棋盘是13路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的11条标准横棋盘线和11条标准竖棋盘线，具体过程如下：
计算棋盘四个角点的位置，然后将在同一条边线上的角点之间的距离11等分，进而得到11个等分点，然后上边线对应等分点和下边线对应等分点相连，左边线对应等分点和右边线对应等分点相连，合并四条边线，即可得到完整的13路棋盘。
3)若计算出的棋盘是9路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的7条标准横棋盘线和7条标准竖棋盘线，具体过程如下：
计算棋盘四个角点的位置，然后将在同一条边线上的角点之间的距离7等分，进而得到7个等分点，然后上边线对应等分点和下边线对应等分点相连，左边线对应等分点和右边线对应等分点相连，合并四条边线，即可得到完整的9路棋盘。7)步骤7、根据步骤6中涉及的19路、13路和9路共三种棋盘，计算出棋盘线对应的实际位置，从而实现提取前景棋盘；
步骤8、根据步骤7，确定其余的横标准棋盘线和竖标准棋盘线的位置，具体过程如下：对19路、13路和9路共三种棋盘，根据步骤6中计算出的17、11和7条线标准棋盘线(包括标准横棋盘线和标准竖棋盘线)和步骤4中搜寻到的特征点(包括十字型特征点和左右边线的丁字型特征点)计算得到棋盘线对应的实际位置，从而提取前景棋盘；进而使用实际特征点和实际棋盘线位置，通过等分方法进行计算，替换原来的剩余的标准棋盘线(包括标准横棋盘线和标准竖棋盘线)的位置。
步骤9、根据步骤6中涉及的19路、13路和9路棋盘共三种棋盘，得到真实棋盘对应的虚拟棋盘。
1)若计算出的棋盘是19路棋盘，计算相应的19*19个棋盘交叉点，也就是361个交叉点的位置，得到真实棋盘对应的虚拟棋盘(处理过程中，可以使用逆透视变换，也可以使用棋盘矩阵生成)；
2)若计算出的棋盘是13路棋盘，计算相应的13*13个棋盘交叉点，就是169个交叉点的位置，得到真实棋盘对应的虚拟棋盘(处理过程中，可以使用逆透视变换，也可以使用棋盘矩阵生成)；
3)若计算出的棋盘是9路棋盘，计算相应的9*9个棋盘交叉点，也就是81个交叉点的位置，得到真实棋盘对应的虚拟棋盘(处理过程中，可以使用逆透视变换，也可以使用棋盘矩阵生成)；
步骤10、根据步骤3中得到的矩阵图对应的黑白棋子点位和围棋胜负规则，计算对弈双方相应的数子、数目、提、贴木、星位数据和胜负判定；
步骤11、根据用户上传图片的途径，将汇总出的各项和整体的棋谱数据展示在相应的界面，具体过程如下：将步骤2至步骤10的整个过程作为用户不可见的部分完整地封装在一起，作为API，即应用程序编程接口使用。
上述基于图像识别的围棋识别方法，根据SSD神经网络模型和冻结网络模型，进行围棋棋盘、黑色围棋棋子和白色围棋棋子的识别。
上述基于图像识别的围棋识别方法，可以实现对围棋终局棋谱的胜负判定和全面分析，方法如下：围棋棋盘为终局图像，通过步骤1至步骤10的处理方法得到棋谱数据，统计黑子和白子的占地数量，并根据围棋规则，计算对弈双方相应的数子、数目、提、贴木、星位数据和胜负判定，并显示虚拟棋盘、相关数据和结果。
作为优选，对围棋终局时的围棋棋盘进行图像采集之前，剔除死棋所占有的点位。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (6)
1.一种基于图像识别的围棋识别方法，其特征在于:
包括以下步骤:
步骤1、对围棋棋盘及其上的棋子进行图像采集，得到包含全部棋子的棋盘的数字图像；
步骤2、将数字图像转换为二进制格式的数据；
步骤3、对步骤2中得到的数据进行特征提取处理，得到矩阵类型的棋盘具体数据；
步骤4、根据步骤3的结果对图像进行搜索，搜索棋盘图像上所有的十字特征的棋盘线交叉点和丁字特征的棋盘线交叉点以及相对应的边线；
步骤5、根据步骤3中矩阵的大小判断棋盘的路线数目，确定判定棋盘为19路棋盘、13路棋盘或9路棋盘；
步骤6、根据步骤5中的判断结果，分成以下三种情况进行下一步分析：
1)若计算出的棋盘是19路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的17条标准横棋盘线和17条标准竖棋盘线；
2)若计算出的棋盘是13路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的11条标准横棋盘线和11条标准竖棋盘线；
3)若计算出的棋盘是9路棋盘，根据步骤3得到上下左右四条边线，并根据计算出的棋盘的四个角点的位置，分别计算出其余的7条标准横棋盘线和7条标准竖棋盘线；
步骤7、根据步骤6中涉及的19路、13路或9路棋盘，计算出棋盘线对应的实际位置，从而实现提取前景棋盘；
步骤8、根据步骤7，确定其余的横标准棋盘线和竖标准棋盘线的位置；
步骤9、根据步骤6中涉及的19路、13路和9路棋盘共三种棋盘，得到真实棋盘对应的虚拟棋盘；
1)若计算出的棋盘是19路棋盘，计算相应的19*19个棋盘交叉点，也就是361个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
2)若计算出的棋盘是13路棋盘，计算相应的13*13个棋盘交叉点，也就是169个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
3)考虑计算出的棋盘是9路棋盘，计算相应的9*9个棋盘交叉点，也就是81个交叉点的位置，得到真实棋盘对应的虚拟棋盘；
步骤10、根据步骤3中得到的矩阵图对应的黑白棋子点位和围棋胜负规则，计算对弈双方相应的数子，数目，提，贴木，星位和整体的棋谱数据；
步骤11、根据用户上传图片的途径，将汇总出的各项和整体的棋谱数据展示在相应的界面。
2.根据权利要求1所述的一种基于图像识别的围棋识别方法，其特征在于:根据SSD神经网络模型和冻结网络模型，进行围棋棋盘、黑色围棋棋子和白色围棋棋子的识别。
3.根据权利要求1所述的一种基于图像识别的围棋识别方法，其特征在于:对围棋终局时的围棋棋盘进行图像采集之前，剔除死棋所占有的点位。
4.根据权利要求1所述的一种基于图像识别的围棋识别方法，其特征在于:所述步骤1中，得到的图像经处理后为易于识别的围棋棋盘彩色数字图像。
5.根据权利要求1所述的一种基于图像识别的围棋识别方法，其特征在于:围棋棋盘图像为终局图像，通过步骤1至步骤10的处理方法得到棋谱数据，根据围棋胜负规则，判别并显示胜负信息。
6.根据权利要求1-5所述的一种基于图像识别的围棋识别方法的程序接口，其特征在于：将步骤2至步骤10的整个过程作为用户不可见的部分完整地封装在一起，作为API，即应用程序编程接口使用；根据用户上传围棋数字图像的途径，将判定后的各项棋谱数据展示在相应的界面中，从而使用户得到完整和直观的棋局结果数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911140766.9A CN110909727A (zh) | 2019-11-20 | 2019-11-20 | 一种基于图像识别的围棋识别方法及程序接口 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911140766.9A CN110909727A (zh) | 2019-11-20 | 2019-11-20 | 一种基于图像识别的围棋识别方法及程序接口 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909727A true CN110909727A (zh) | 2020-03-24 |
Family
ID=69818403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911140766.9A Pending CN110909727A (zh) | 2019-11-20 | 2019-11-20 | 一种基于图像识别的围棋识别方法及程序接口 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909727A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765379A (zh) * | 2020-08-01 | 2021-05-07 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750538A (zh) * | 2012-05-16 | 2012-10-24 | 南京大学 | 一种基于图像处理技术的围棋比赛结果分析方法 |
| CN105205447A (zh) * | 2015-08-22 | 2015-12-30 | 周立人 | 基于围棋图像的围棋识别方法以及棋盘 |
| CN105844636A (zh) * | 2016-03-21 | 2016-08-10 | 曾庆长 | 一种基于图像识别模式的围棋自动数目方法 |
| CN107730522A (zh) * | 2017-10-12 | 2018-02-23 | 中科视拓（北京）科技有限公司 | 一种基于图像的围棋棋谱识别方法 |
| CN108509956A (zh) * | 2018-03-27 | 2018-09-07 | 深圳大学 | 基于图像处理的围棋胜负判定的方法、系统及电子设备 |
| CN109079788A (zh) * | 2018-08-22 | 2018-12-25 | 厦门理工学院 | 一种基于人形机器人的国际象棋下棋方法及人形机器人 |
-
2019
- 2019-11-20 CN CN201911140766.9A patent/CN110909727A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750538A (zh) * | 2012-05-16 | 2012-10-24 | 南京大学 | 一种基于图像处理技术的围棋比赛结果分析方法 |
| CN105205447A (zh) * | 2015-08-22 | 2015-12-30 | 周立人 | 基于围棋图像的围棋识别方法以及棋盘 |
| CN105844636A (zh) * | 2016-03-21 | 2016-08-10 | 曾庆长 | 一种基于图像识别模式的围棋自动数目方法 |
| CN107730522A (zh) * | 2017-10-12 | 2018-02-23 | 中科视拓（北京）科技有限公司 | 一种基于图像的围棋棋谱识别方法 |
| CN108509956A (zh) * | 2018-03-27 | 2018-09-07 | 深圳大学 | 基于图像处理的围棋胜负判定的方法、系统及电子设备 |
| CN109079788A (zh) * | 2018-08-22 | 2018-12-25 | 厦门理工学院 | 一种基于人形机器人的国际象棋下棋方法及人形机器人 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765379A (zh) * | 2020-08-01 | 2021-05-07 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
| CN112765379B (zh) * | 2020-08-01 | 2023-09-22 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100550038C (zh) | 图片内容识别方法及识别系统 | |
| CN107019901B (zh) | 基于图像识别及自动化控制的棋牌类游戏自动博弈机器人的建立方法 | |
| CN112348969A (zh) | 增强现实场景下的展示方法、装置、电子设备及存储介质 | |
| CN105205447B (zh) | 基于围棋图像的围棋识别方法以及棋盘 | |
| CN111228821B (zh) | 智能检测穿墙外挂方法、装置、设备及其存储介质 | |
| CN107844795A (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
| CN103578093B (zh) | 图像配准方法、装置及增强现实系统 | |
| CN107506701B (zh) | 一种基于视频识别技术的围棋自动记谱方法 | |
| CN106182006A (zh) | 面向智能机器人的棋牌交互数据处理方法及装置 | |
| CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
| CN110598700B (zh) | 对象的显示方法和装置、存储介质及电子装置 | |
| CN103955889B (zh) | 一种基于增强现实技术的制图类作业评阅方法 | |
| CN111359201A (zh) | 一种拼图类游戏方法、系统及设备 | |
| CN107506738A (zh) | 特征提取方法、图像识别方法、装置及电子设备 | |
| CN111414948A (zh) | 目标对象检测方法和相关装置 | |
| CN1996347A (zh) | 一种基于书法图像的可视化重现方法 | |
| CN107909066A (zh) | 一种移动终端系统的自动阅卡评分方法 | |
| CN110188600B (zh) | 一种绘画评价方法、系统及存储介质 | |
| Barros et al. | Balanced civilization map generation based on open data | |
| CN104281865B (zh) | 一种生成二维码的方法与设备 | |
| CN111282281B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
| CN110909727A (zh) | 一种基于图像识别的围棋识别方法及程序接口 | |
| CN110555480A (zh) | 一种训练数据生成的方法及相关装置 | |
| Jacob et al. | A non-intrusive approach for 2d platform game design analysis based on provenance data extracted from game streaming | |
| CN109918525A (zh) | 基于微信小程序的食物图片美学分析标签数据收集系统 |
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: 20200324 |