CN111127481A - 基于tof图像联通区域的图像识别方法及装置 - Google Patents
基于tof图像联通区域的图像识别方法及装置 Download PDFInfo
- Publication number
- CN111127481A CN111127481A CN201911325475.7A CN201911325475A CN111127481A CN 111127481 A CN111127481 A CN 111127481A CN 201911325475 A CN201911325475 A CN 201911325475A CN 111127481 A CN111127481 A CN 111127481A
- Authority
- CN
- China
- Prior art keywords
- data
- distance
- image
- segmentation
- point
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本申请实施例提供一种基于TOF图像联通区域的图像识别方法及装置,方法包括:根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类;本申请能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立体积计算模型提供了保障。
Description
技术领域
本申请涉及图像识别领域,具体涉及一种基于TOF图像联通区域的图像识别方法及装置。
背景技术
现有技术中,从一副静态图片中分割提取出目标图像,大多采用对图形查找轮廓,然后最大轮廓也就是最大连通域,这种联通区域的寻找误差较大,不断迭代,时间复杂度高,对于数据量较大的图像数据,需要较高的算力,这需要高昂的硬件设施。
发明内容
针对现有技术中的问题,本申请提供一种基于TOF图像联通区域的图像识别方法及装置,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种基于TOF图像联通区域的图像识别方法,包括:
根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;
按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;
根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
进一步地,所述根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理,包括:
比较不同噪声的数据处理后图像检测效果,选择高斯噪声对数据进行变化;
通过对Z轴做变化,按照45度角对数据进行变化,建立货物空间坐标系形成相应的处理数据;
对数据按照以下方式进行数据变换:
当Z轴数据按照z>3.5或者z<1.5时,将该点的X和Y都归零处理,即point(x,y,z)=(0,0,0)。
进一步地,所述按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合,包括:
人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心;
计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息;
形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
进一步地,所述根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,包括:
分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息;
重复max_distance的计算遍历整个数据集合,计算类与类之间距离;
如果distance<T,结束计算,否则重复计算类与类之间距离;
所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
第二方面,本申请提供一种基于TOF图像联通区域的图像识别装置,包括:
数据预处理模块,用于根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;
分割区域形成模块,用于按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;
邻近点分割模块,用于根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
进一步地,所述数据预处理模块包括:
数据加噪处理单元,用于比较不同噪声的数据处理后图像检测效果,选择高斯噪声对数据进行变化;
绕Z轴旋转处理单元,用于通过对Z轴做变化,按照45度角对数据进行变化,建立货物空间坐标系形成相应的处理数据;
数据变化单元,用于对数据按照以下方式进行数据变换:
Z轴数据单独变化单元,用于当Z轴数据按照z>3.5或者z<1.5时,将该点的X和Y都归零处理,即point(x,y,z)=(0,0,0)。
进一步地,所述分割区域形成模块包括:
聚类单元,用于人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心;
距离计算单元,用于计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息;
聚类质心点确定单元,用于形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
进一步地,所述邻近点分割模块包括:
位置信息确定单元,用于分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息;
类距离计算单元,用于重复max_distance的计算遍历整个数据集合,计算类与类之间距离;
重复计算单元,用如果distance<T,结束计算,否则重复计算类与类之间距离;
分类单元,用于所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
第三方面,本申请提供一种电子设备,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计算机程序,所述处理器执行所述程序时实现所述的基于TOF图像联通区域的图像识别方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于TOF图像联通区域的图像识别方法的步骤。
由上述技术方案可知,本申请提供一种基于TOF图像联通区域的图像识别方法及装置,通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的基于TOF图像联通区域的图像识别方法的流程示意图;
图2为本申请实施例中的基于TOF图像联通区域的图像识别装置的结构图;
图3为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术中从一副静态图片中分割提取出目标图像,大多采用对图形查找轮廓,然后最大轮廓也就是最大连通域,这种联通区域的寻找误差较大,不断迭代,时间复杂度高,对于数据量较大的图像数据,需要较高的算力,这需要高昂的硬件设施的问题,本申请提供一种基于TOF图像联通区域的图像识别方法及装置,通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
为了能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障,本申请提供一种基于TOF图像联通区域的图像识别方法的实施例,参见图1,所述基于TOF图像联通区域的图像识别方法具体包含有如下内容:
步骤S101:根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理。
步骤S102:按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合。
步骤S103:根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
从上述描述可知,本申请实施例提供的基于TOF图像联通区域的图像识别方法,能够通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
在本申请的基于TOF图像联通区域的图像识别方法的一实施例中,还可以具体包含如下内容:
步骤S201:比较不同噪声的数据处理后图像检测效果,选择高斯噪声对数据进行变化。
步骤S202:通过对Z轴做变化,按照45度角对数据进行变化,建立货物空间坐标系形成相应的处理数据。
步骤S203:对数据按照以下方式进行数据变换:
步骤S204:当Z轴数据按照z>3.5或者z<1.5时,将该点的X和Y都归零处理,即point(x,y,z)=(0,0,0)。
在本申请的基于TOF图像联通区域的图像识别方法的一实施例中,还可以具体包含如下内容:
步骤S301:人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心。
步骤S302:计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息;
形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
在本申请的基于TOF图像联通区域的图像识别方法的一实施例中,还可以具体包含如下内容:
步骤S401:分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息。
步骤S402:重复max_distance的计算遍历整个数据集合,计算类与类之间距离。
步骤S403:如果distance<T,结束计算,否则重复计算类与类之间距离;
所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
为了能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障,本申请提供一种用于实现所述基于TOF图像联通区域的图像识别方法的全部或部分内容的基于TOF图像联通区域的图像识别装置的实施例,参见图2,所述基于TOF图像联通区域的图像识别装置具体包含有如下内容:
数据预处理模块10,用于根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理。
分割区域形成模块20,用于按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合。
邻近点分割模块30,用于根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
从上述描述可知,本申请实施例提供的基于TOF图像联通区域的图像识别装置,能够通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
在本申请的基于TOF图像联通区域的图像识别装置的一实施例中,所述数据预处理模块10包括:
数据加噪处理单元,用于比较不同噪声的数据处理后图像检测效果,选择高斯噪声对数据进行变化。
绕Z轴旋转处理单元,用于通过对Z轴做变化,按照45度角对数据进行变化,建立货物空间坐标系形成相应的处理数据。
数据变化单元,用于对数据按照以下方式进行数据变换:
Z轴数据单独变化单元,用于当Z轴数据按照z>3.5或者z<1.5时,将该点的X和Y都归零处理,即point(x,y,z)=(0,0,0)。
在本申请的基于TOF图像联通区域的图像识别装置的一实施例中,所述分割区域形成模块20包括:
聚类单元,用于人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心。
距离计算单元,用于计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息。
聚类质心点确定单元,用于形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
在本申请的基于TOF图像联通区域的图像识别装置的一实施例中,所述邻近点分割模块30包括:
位置信息确定单元,用于分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息。
类距离计算单元,用于重复max_distance的计算遍历整个数据集合,计算类与类之间距离。
重复计算单元,用如果distance<T,结束计算,否则重复计算类与类之间距离。
分类单元,用于所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
为了更进一步说明本方案,本申请还提供一种应用上述基于TOF图像联通区域的图像识别装置实现基于TOF图像联通区域的图像识别方法的具体应用实例,具体包含有如下内容:
通过设计一种TOF图像联通区域的识别,提高图像的识别、分割。按照Tof设备采集的深度数据信息,首先进行数据预处理,数据形成320X240的像素点,数据采集过程中,输出数据为点云数据,通过分析相应的数据文件对数据做变化:
1)数据加噪处理。对所有的像素点按照X、Y、Z轴进行数据加噪处理,该算法中比较了椒盐噪声、白噪声、高斯噪声,最终根据图像检测效果,选择高斯噪声对数据进行变化。
2)绕Z轴旋转处理。因采集图像数据是以TOF摄像头为计算原始点,通过对Z轴做变化,按照45度角对数据进行变化,建立货物空间坐标系(世界坐标系)形成相应的处理数据。
3)数据变化。对数据按照以下方式进行数据变换:
4)Z轴数据单独变化。通过分析近千份文件,统计得出Z轴数据按照z>3.5或者z<1.5时,数据点归零。
此时,将该点的X和Y都归零处理。即point(x,y,z)=(0,0,0)。
分割区域形成:
1)按照联通区域的定义:复平面上的一个区域G,如果在其中任做一条简单闭曲线,而闭曲线的内部总属于G,就称G为单连通区域。一个区域如果不是单连通区域,就称为多连通区域。该算法人工设置分割方体为(5mm X 5mm X 5mm)的方格进行分割对整个数据集按照K-means聚类,设置聚类对打次数为1000,得到相应的聚类中心。
2)计算相应数据的距离信息,得到最小距离min_distance(T)同时记录相应的位置信息。
3)形成多类数据集合。并记录相应聚类质心点O={o1,o2…on}。
领近点分割:
1)分别计算分割区域的质心点和数据点距离信息,得到max_distance并记录相应的位置信息。
2)重复1)的计算遍历整个数据集合,计算类与类之间距离。
3)如果distance<T结束计算,否则重复2)。
所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
由上述内容可知,本申请至少还可以实现如下技术效果:
(1)本发明基于TOF点云数据进行不同区域的分割算法,首先对数据进行旋转、平移操作。通过数据的变换建立连通区域的数据分割。
(2)本发明是通过实地事物分析tof设备的特性,并亲自对数据测试,在保证1)的基础上,对数据进行切分;
人工设置分割方体为(5mm X 5mm X 5mm)的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心。计算相应数据的距离信息,得到最小距离。
(4)本发明提出先聚类再分类的思想对聚类后的数据集按照临近点数据就近分割的原则,将整个数据进行分类。
(5)分类数据集构成了整个连通区域的数据分割,为空间体积计算提供了前提。
从硬件层面来说,为了能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障,本申请提供一种用于实现所述基于TOF图像联通区域的图像识别方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现基于TOF图像联通区域的图像识别装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的基于TOF图像联通区域的图像识别方法的实施例,以及基于TOF图像联通区域的图像识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,基于TOF图像联通区域的图像识别方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图3为本申请实施例的电子设备9600的系统构成的示意框图。如图3所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图3是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,基于TOF图像联通区域的图像识别方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理。
步骤S102:按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合。
步骤S103:根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
从上述描述可知,本申请实施例提供的电子设备,通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
在另一个实施方式中,基于TOF图像联通区域的图像识别装置可以与中央处理器9100分开配置,例如可以将基于TOF图像联通区域的图像识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现基于TOF图像联通区域的图像识别方法功能。
如图3所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图3中所示的所有部件;此外,电子设备9600还可以包括图3中没有示出的部件,可以参考现有技术。
如图3所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于TOF图像联通区域的图像识别方法中全部步骤的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计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于TOF图像联通区域的图像识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理。
步骤S102:按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合。
步骤S103:根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,能够根据图像数据的特性和联通区域的特性,定制相应的算法计算提取图像体积,在相同条件下,准确度比最大轮廓算法高,为异形件物体体积测量提供了较好的数据特征,为建立好特征工程提供了保障。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于TOF图像联通区域的图像识别方法,其特征在于,所述方法包括:
根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;
按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;
根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
3.根据权利要求1所述的基于TOF图像联通区域的图像识别方法,其特征在于,所述按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合,包括:
人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心;
计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息;
形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
4.根据权利要求1所述的基于TOF图像联通区域的图像识别方法,其特征在于,所述根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类,包括:
分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息;
重复max_distance的计算遍历整个数据集合,计算类与类之间距离;
如果distance<T,结束计算,否则重复计算类与类之间距离;
所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
5.一种基于TOF图像联通区域的图像识别装置,其特征在于,包括:
数据预处理模块,用于根据货物测试数据检测图片解析生成的点云数据像素点,对缺失数据进行过滤、补偿、变换预处理;
分割区域形成模块,用于按照人工预先设置的分割方体进行区域分割,并对经过分割后的数据集进行聚类,形成多类数据集合;
邻近点分割模块,用于根据各分割区域的质心点和数据点的距离信息,确定所述多类数据集合之间的距离,并根据所述多类数据集合对所述数据集进行分类。
7.根据权利要求5所述的基于TOF图像联通区域的图像识别装置,其特征在于,所述分割区域形成模块包括:
聚类单元,用于人工设置分割方体的方格进行分割对整个数据集按照K-means聚类,设置聚类最大次数为1000,得到相应的聚类中心;
距离计算单元,用于计算相应数据的距离信息,得到最小距离min_distance(T),同时记录相应的位置信息;
聚类质心点确定单元,用于形成多类数据集合,并记录相应聚类质心点O={o1,o2…on}。
8.根据权利要求5所述的基于TOF图像联通区域的图像识别装置,其特征在于,所述邻近点分割模块包括:
位置信息确定单元,用于分别计算分割区域的质心点和数据点距离信息,得到max_distance,并记录相应的位置信息;
类距离计算单元,用于重复max_distance的计算遍历整个数据集合,计算类与类之间距离;
重复计算单元,用如果distance<T,结束计算,否则重复计算类与类之间距离;
分类单元,用于所有数据划分到聚类结果形成分类后的类别{cluster1,cluster2,…clustern}。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的基于TOF图像联通区域的图像识别方法的步骤。
10.一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,该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于TOF图像联通区域的图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911325475.7A CN111127481A (zh) | 2019-12-20 | 2019-12-20 | 基于tof图像联通区域的图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911325475.7A CN111127481A (zh) | 2019-12-20 | 2019-12-20 | 基于tof图像联通区域的图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127481A true CN111127481A (zh) | 2020-05-08 |
Family
ID=70500599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911325475.7A Pending CN111127481A (zh) | 2019-12-20 | 2019-12-20 | 基于tof图像联通区域的图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127481A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652889A (zh) * | 2020-06-04 | 2020-09-11 | 深圳市瓴鹰智能科技有限公司 | 基于智能检测设备的边缘计算处理方法、装置、及设备 |
CN112668583A (zh) * | 2021-01-07 | 2021-04-16 | 浙江星汉信息技术股份有限公司 | 图像识别方法、装置以及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US9280593B1 (en) * | 2013-07-24 | 2016-03-08 | Amazon Technologies, Inc. | Centroid detection for clustering |
CN107247960A (zh) * | 2017-05-08 | 2017-10-13 | 深圳市速腾聚创科技有限公司 | 图像提取分类区域的方法、物体识别方法及汽车 |
CN110230978A (zh) * | 2018-03-14 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种耐火砖几何尺寸测量方法 |
CN110276317A (zh) * | 2019-06-26 | 2019-09-24 | Oppo广东移动通信有限公司 | 一种物体尺寸检测方法、物体尺寸检测装置及移动终端 |
CN110427979A (zh) * | 2019-07-10 | 2019-11-08 | 广东工业大学 | 基于K-Means聚类算法的道路水坑识别方法 |
-
2019
- 2019-12-20 CN CN201911325475.7A patent/CN111127481A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US9280593B1 (en) * | 2013-07-24 | 2016-03-08 | Amazon Technologies, Inc. | Centroid detection for clustering |
CN107247960A (zh) * | 2017-05-08 | 2017-10-13 | 深圳市速腾聚创科技有限公司 | 图像提取分类区域的方法、物体识别方法及汽车 |
CN110230978A (zh) * | 2018-03-14 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种耐火砖几何尺寸测量方法 |
CN110276317A (zh) * | 2019-06-26 | 2019-09-24 | Oppo广东移动通信有限公司 | 一种物体尺寸检测方法、物体尺寸检测装置及移动终端 |
CN110427979A (zh) * | 2019-07-10 | 2019-11-08 | 广东工业大学 | 基于K-Means聚类算法的道路水坑识别方法 |
Non-Patent Citations (1)
Title |
---|
方彦军等: "《基于随机森林方法的变电站三维建模点云自动分割》", 《制造业自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652889A (zh) * | 2020-06-04 | 2020-09-11 | 深圳市瓴鹰智能科技有限公司 | 基于智能检测设备的边缘计算处理方法、装置、及设备 |
CN112668583A (zh) * | 2021-01-07 | 2021-04-16 | 浙江星汉信息技术股份有限公司 | 图像识别方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190130603A1 (en) | Deep-learning based feature mining for 2.5d sensing image search | |
US10891465B2 (en) | Methods and apparatuses for searching for target person, devices, and media | |
CN110288082B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN111127481A (zh) | 基于tof图像联通区域的图像识别方法及装置 | |
WO2023020214A1 (zh) | 检索模型的训练和检索方法、装置、设备及介质 | |
CN113822427A (zh) | 一种模型训练的方法、图像匹配的方法、装置及存储介质 | |
CN112214677A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN110909817A (zh) | 分布式聚类方法及系统、处理器、电子设备及存储介质 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN104541304A (zh) | 使用多个相机的目标对象角度确定 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
CN111309946A (zh) | 一种已建立档案优化方法及装置 | |
CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN113177463A (zh) | 一种移动场景下的目标定位方法及装置 | |
CN114612531A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN109840535B (zh) | 实现地形分类的方法和装置 | |
CN112990349B (zh) | 书写质量评价方法、装置和电子设备 | |
CN113610064B (zh) | 笔迹识别方法和装置 | |
CN117333926B (zh) | 一种图片聚合方法、装置、电子设备及可读存储介质 | |
CN111292171B (zh) | 金融理财产品推送方法及装置 | |
CN111311616B (zh) | 用于分割图像的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |