CN111160374B - 一种基于机器学习的颜色识别方法及系统、装置 - Google Patents

Abstract

本申请公开了一种基于机器学习的颜色识别方法及系统、装置，其中，该方法包括以下步骤：采集图像，并对所述图像进行第一预处理以获得待检测的目标图像；将所述目标图像进行第二预处理以提取目标图像特征；获取基于机器学习的颜色识别模型，其中，所述颜色识别模型是对训练样本进行机器学习后生成的，所述训练样本包括：样本图像和样本图像特征；将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对，输出所述目标图像的颜色识别结果。根据本申请的基于机器学习的颜色识别方法，能够实现对目标图像颜色的高效识别，操作简便。

Description

一种基于机器学习的颜色识别方法及系统、装置

技术领域

本申请涉及机器学习技术领域，特别涉及一种基于机器学习的颜色识别方法及系统、装置。

背景技术

颜色识别是一种检测技术，其在自动化控制、彩色打印、医疗诊断、印刷材料等应用场合中均具有广泛的应用价值。传统的颜色识别技术是先通过人工标引得到代表各类颜色的取值范围，然后将检测结果与取值范围进行比对以实现颜色的识别。该方法以查询颜色的取值范围为实现前提，如果我们需要对多种颜色进行识别，就必须查询多种颜色信息的取值范围；如果当我们需要增加颜色识别种类时，我们必须对程序或者设置进行相应的修改。现有的颜色识别技术存在操作复杂、成本高、耗时多且准确性低的缺点。

申请内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于机器学习的颜色识别方法，该方法减少了重复工作，提高了工作效率。

本发明的第二个目的在于提出一种电子设备，该电子设备在执行时，实现上述的基于机器学习的颜色识别方法。

本发明的第三个目的在于提出一种计算机存储介质，该介质用于存储应用程序，所述应用程序用于执行上述的基于机器学习的颜色识别方法。

本发明的第四个目的在于提出一种基于机器学习的颜色识别系统。

本发明的第五个目的在于提出一种机器人系统。

为实现上述目的，本发明第一方面实施例提出了一种基于机器学习的颜色识别方法，包括以下步骤：采集图像，并对所述图像进行第一预处理以获得待检测的目标图像；将所述目标图像进行第二预处理以提取目标图像特征；获取基于机器学习的颜色识别模型，其中，所述颜色识别模型是对训练样本进行机器学习后生成的，所述训练样本包括：样本图像和样本图像特征；将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对，输出所述目标图像的颜色识别结果。

根据本发明实施例的基于机器学习的颜色识别方法，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

根据本申请的一个实施例，所述目标图像特征包括所述目标图像的图像直方图峰值，所述样本图像特征包括所述样本图像的图像标签和所述样本图像的图像直方图峰值。

根据本申请的一个实施例，所述颜色识别模型生成的步骤包括：获取样本图像；获取每个所述样本图像的图像标签；获取每个所述样本图像的图像直方图峰值；将每个所述样本图像、每个所述样本图像的图像标签和每个所述样本图像的图像直方图峰值存入模型文件，进行机器学习训练，生成所述颜色识别模型。

根据本申请的一个实施例，所述获取每个样本图像的图像直方图峰值的步骤包括：读取所述样本图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；获取所述样本图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个所述单通道图像直方图峰值为所述样本图像的图像直方图峰值。

根据本申请的一个实施例，所述对所述图像进行第一预处理以获得待检测的目标图像的步骤包括：对所述图像进行图像分割，提取待检测的目标图像。

根据本申请的一个实施例，所述将所述目标图像进行第二预处理以提取目标图像特征的步骤包括：读取所述目标图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；获取所述目标图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个所述单通道图像直方图峰值为所述目标图像特征。

根据本申请的一个实施例，所述将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对的步骤包括：将所述目标图像特征输入到KNN近邻模型中，所述KNN近邻模型的数据库包括所述颜色识别模型的样本图像特征；所述KNN近邻模型的输出结果为近邻颜色识别结果；将所述近邻颜色识别结果与所述颜色识别模型的样本图像特征进行对比，获取所述目标图像的颜色识别结果。

根据本申请的一个实施例，所述将所述近邻颜色识别结果与所述颜色识别模型的样本图像特征进行对比的步骤包括：在所述颜色识别模型的数据库中，查询与所述近邻颜色识别结果最接近的近邻图像直方图峰值；获取所述近邻图像直方图峰值对应的近邻图像标签；根据所述近邻图像标签获得所述目标图像的颜色识别结果。

根据本申请的一个实施例，所述训练样本为纯色图像。

为实现上述目的，本发明第二方面实施例提出了一种电子设备，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程序，所述处理器执行所述程序时，实现上述的基于机器学习的颜色识别方法。

本发明实施例的电子设备，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

为实现上述目的，本发明第三方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于机器学习的颜色识别方法。

本发明实施例的计算机可读存储介质，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像特征进行颜色识别，能够实现对目标图像的颜色的高效识别，操作简便。

为实现上述目的，本发明第四方面实施例提出了一种基于机器学习的颜色识别系统，包括：图像采集模块，用于采集图像；第一预处理模块，用于对所述图像进行第一预处理以获得待检测的目标图像；第二预处理模块，用于对所述目标图像进行第二预处理以提取目标图像特征；获取模块，用于获取基于机器学习的颜色识别模型，所述颜色识别模型是对训练样本进行机器学习后生成的，所述训练样本包括：样本图像和样本图像特征；识别模块，用于将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对，识别所述目标图像的颜色识别结果。

根据本发明实施例的基于机器学习的颜色识别系统，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

根据本申请的一个实施例，还包括：用于生成所述颜色识别模型的生成模块，所述生成模块包括：收集单元，用于获取所述样本图像；标记单元，用于对所述样本图像进行聚类或标引，确定每个所述样本图像的图像标签；获取单元，用于获取每个所述样本图像的图像直方图峰值；训练单元，用于根据每个所述样本图像及对应的图像标签和图像直方图峰值，进行机器学习训练，生成所述颜色识别模型。

为实现上述目的，本发明第五方面实施例提出了一种机器人系统，包括上述的基于机器学习的颜色识别系统。

根据本发明实施例的机器人系统，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请实施例提出的基于机器学习的颜色识别方法的流程图；

图2是根据本申请一个实施例的生成颜色识别模型方法的流程图；

图3是根据本申请一个具体实施例的提取目标图像特征方法的流程图；

图4是根据本申请一个具体实施例的获取样本图像的图像直方图峰值方法的流程图；

图5是根据本申请一个具体实施例的目标图像特征与颜色识别模型的样本图像特征比对方法的流程图；

图6是根据本申请一个具体实施例的近邻颜色识别结果与颜色识别模型的样本图像特征对比方法的流程图；

图7是根据本申请实施例提出的基于机器学习的颜色识别系统的方框示意图；

图8是根据本申请实施例提出的颜色识别模型的方框示意图；

图9是根据本申请实施例提出的电子设备的方框示意图。

具体实施方式

为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

下面参照附图描述根据本申请实施例提出的基于机器学习的颜色识别方法及系统、装置。

如图1所示，该基于机器学习的颜色识别方法包括以下步骤：

S1，采集图像，并对图像进行第一预处理以获得待检测的目标图像。

应当理解的是，本领域的技术人员可以通过图像传感器采集图像。图像传感器可以为CCD图像传感器或CMOS图像传感器，也可以为其他，对此不做限制。

进一步地，根据本申请的一个实施例，对图像进行第一预处理以获得待检测的目标图像，包括：对图像进行图像分割，提取待检测的目标图像。

应当理解的是，图像分割指的是将数字图像细分为多个图像子区域像素的集合的过程。

S2，将目标图像进行第二预处理以提取目标图像特征。

进一步地，根据本申请的一个实施例，目标图像特征包括目标图像的图像直方图峰值。

S3，获取基于机器学习的颜色识别模型，其中，颜色识别模型是对训练样本进行机器学习后生成的，训练样本包括：样本图像和样本图像特征。

进一步地，根据本申请的一个实施例，样本图像特征包括样本图像的图像标签和样本图像的图像直方图峰值。

应当理解的是，图像直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的bin当中。其中，bin为直方图中经常用到的一个概念，可以译为“直条”或“组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。且无论如何，直方图获得的是数据分布的统计图。通常直方图的维数要低于原始数据。

进一步地，根据本申请的一个实施例，训练样本为纯色图像。

S4，将目标图像特征与颜色识别模型的样本图像特征进行比对，输出目标图像的颜色识别结果。

根据本申请实施例提出的基于机器学习的颜色识别方法，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

下面结合具体实施例，详细说明如何生成基于机器学习的颜色识别模型，说明如下：

图2是根据一具体示例性实施例示出的生成颜色识别模型方法的流程图。如图2所示，在本申请的一个具体实施例中，上述的生成颜色识别模型方法包括以下步骤：

S201，获取样本图像。

应当理解的是，本领域的技术人员可以通过图像传感器获取样本图像。图像传感器可以为CCD图像传感器或CMOS图像传感器，也可以为其他，对此不做限制。

S202，获取每个样本图像的图像标签。

应当理解的是，本领域的技术人员可以通过标引图像信息，存放在以样本的图像信息为名的文件夹，将该文件夹的样本图像依次设置图像标签，也可以为其他，对此不做限制。

进一步地，根据本申请的一个实施例，样本图像的图像标签是对样本图像进行标引或聚类分析后得到的。

S203，获取每个样本图像的图像直方图峰值。

应当理解的是，本领域的技术人员可以进行样本图像直方图统计处理，获取样本图像对应直方图统计的峰值，也可以为其他，对此不做限制。

进一步地，根据本申请的一个实施例，样本图像的图像直方图峰值是对样本图像进行样本图像直方图统计后得到的。

S204，将每个样本图像、每个样本图像的图像标签和每个样本图像的图像直方图峰值存入模型文件，进行机器学习训练，生成颜色识别模型。

应当理解的是，本领域的技术人员可以在机器学习训练时采用卷积神经网络进行，也可以为其他，对此不做限制。

根据本申请实施例提出的生成颜色识别模型方法，通过将每个样本图像、每个样本图像的图像标签和每个样本图像的图像直方图峰值存入模型文件并进行机器学习训练，有效保证了增加新的样本颜色时，颜色识别模型的生成效率；也保证了利用该颜色识别模型的上述基于机器学习的颜色识别方法的精准度。

下面结合具体实施例，详细说明如何获取样本图像的图像直方图峰值，说明如下：

图3是根据一具体示例性实施例示出的获取样本图像的图像直方图峰值方法的流程图。如图3所示，在本申请的一个具体实施例中，上述的获取样本图像的图像直方图峰值方法的方法包括以下步骤：

S301，读取样本图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；

应当理解的是，本领域的技术人员可以通过对彩色图像进行灰度转化，提取彩色图像的R通道分量，通过该分量获取R通道图像；提取彩色图像的G通道分量，通过该分量获取G通道图像；提取彩色图像的B通道分量，通过该分量获取B通道图像，也可以为其他，对此不做限制。

S302，获取样本图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个单通道图像直方图峰值为样本图像的图像直方图峰值。

根据本申请实施例提出的图像直方图峰值方法，通过获取对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，并将其作为样本图像的图像直方图峰值，有效保证了颜色识别的精准度。

下面结合具体实施例，详细说明如何提取目标图像特征，说明如下：

图4是根据一具体示例性实施例示出的提取目标图像特征方法的流程图。如图4所示，在本申请的一个具体实施例中，上述的提取目标图像特征的方法(将目标图像进行第二预处理以提取目标图像特征)包括以下步骤：

S401，读取目标图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；

S402，获取目标图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个单通道图像直方图峰值为目标图像特征。

应当理解的是，本领域的技术人员可以通过对彩色图像进行RGB三通道分离，提取彩色图像的R通道分量，通过该分量获取R通道图像；提取彩色图像的G通道分量，通过该分量获得G通道图像；提取彩色图像的B通道分量，通过该分量获得B通道图像，也可以为其他，对此不做限制。

根据本申请实施例提出的提取目标图像特征方法，通过获取对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，并将其作为目标图像特征，有效保证了颜色识别的精准度。

下面结合具体实施例，详细说明如何将目标图像特征与颜色识别模型的样本图像特征进行比对，以输出目标图像的颜色识别结果的方法，说明如下：

图5是根据一具体示例性实施例示出的目标图像特征与颜色识别模型的样本图像特征比对方法的流程图。如图5所示，在本申请的一个具体实施例中，上述的目标图像特征与颜色识别模型的样本图像特征进行比对方法包括以下步骤：

S501，将目标图像特征输入到KNN近邻模型中，KNN近邻模型的数据库包括颜色识别模型的样本图像特征。

应当理解的是，KNN近邻法原理：将检测模型中已知类别的样本图像作为参照，计算待测目标图像与所有已知样本图像的距离，从中选取与待测目标图像距离最近的K个已知样本，根据少数服从多数的原则，将待测目标图像与K个最邻近已知样本图像中所属类别占比较多的归为一类，将预测目标图像取分数最大的数据查询对应的检测模型中的样本图像标签，自动检测出目标图像的颜色结果。如上，所有检测模型中的样本图像作为本目标图像颜色识别的参照，通过计算待测目标图像与所有已知样本图像的距离，将从中选取与待测目标图像距离最近的K个已知样本(数量K由颜色识别要求而定，精度要求越高将选择的K值越大)，最后选择分数最大的数据查询对应的检测模型中的样本图像标签，若识别出标签为“红色样本图像1”的样本图像的分数最接近，则自动检测出目标图像的颜色结果标签为“红色样本图像1”。

S502，KNN近邻模型的输出结果为近邻颜色识别结果；

S503，将近邻颜色识别结果与颜色识别模型的样本图像特征进行对比，获取目标图像的颜色识别结果。

根据本申请实施例提出的目标图像特征与颜色识别模型的样本图像特征比对方法，通过具有颜色识别模型的样本图像特征的KNN近邻模型，并根据近邻颜色识别结果与颜色识别模型的样本图像特征建立的对应关系，有效保证了目标图像颜色识别结果的精准度。

下面结合具体实施例，详细说明如何将近邻颜色识别结果与颜色识别模型的样本图像特征进行对比，以获取目标图像的颜色识别结果的方法，说明如下：

图6是根据一具体示例性实施例示出的近邻颜色识别结果与颜色识别模型的样本图像特征对比方法的流程图。如图6所示，在本申请的一个具体实施例中，上述的将近邻颜色识别结果与颜色识别模型的样本图像特征进行对比方法包括以下步骤：

S601，在颜色识别模型的数据库中，查询与近邻颜色识别结果最接近的近邻图像直方图峰值；

S602，获取近邻图像直方图峰值对应的近邻图像标签；

S603，根据近邻图像标签获得目标图像的颜色识别结果。

根据本申请实施例提出的近邻颜色识别结果与颜色识别模型的样本图像特征对比方法，通过目标图像特征与KNN接近的近邻图像直方图峰值的查询与映射，来获取目标图像的颜色识别结果，操作简便，且识别精准度高。

图7是本申请实施例的基于机器学习的颜色识别系统的方框示意图。如图7所示，该基于机器学习的颜色识别系统10包括：

图像采集模块100，用于采集图像；

第一预处理模块200，用于对图像进行第一预处理以获得待检测的目标图像；

第二预处理模块300，用于对目标图像进行第二预处理以提取目标图像特征；

获取模块400，用于获取基于机器学习的颜色识别模型，颜色识别模型是对训练样本进行机器学习后生成的，训练样本包括：样本图像和样本图像特征；

识别模块500，用于将目标图像特征与颜色识别模型的样本图像特征进行比对，识别目标图像的颜色识别结果。

进一步地，根据本申请的一个实施例，第一预处理模块200，具体用于：对图像进行图像分割，提取待检测的目标图像。

进一步地，根据本申请的一个实施例，第二预处理模块300，进一步用于：读取目标图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；获取目标图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个单通道图像直方图峰值为目标图像特征。

进一步地，根据本申请的一个实施例，识别模块500，具体用于：将目标图像特征输入到KNN近邻模型中，KNN近邻模型的数据库包括颜色识别模型的样本图像特征；KNN近邻模型的输出结果为近邻颜色识别结果；将近邻颜色识别结果与颜色识别模型的样本图像特征进行对比，获取目标图像的颜色识别结果。

进一步地，根据本申请的一个实施例，识别模块500，还用于：在颜色识别模型的数据库中，查询与近邻颜色识别结果最接近的样本图像的近邻图像直方图峰值；获取近邻图像直方图峰值对应的近邻图像标签；根据近邻图像标签获得目标图像的颜色识别结果。

进一步地，根据本申请的一个实施例，目标图像特征包括目标图像的图像直方图峰值，样本图像特征包括样本图像的图像标签和样本图像的图像直方图峰值。

根据本申请实施例提出的基于机器学习的颜色识别系统10，通过处理模块(第一预处理模块200和第二预处理模块300)获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

图8是本申请实施例的颜色识别模型的方框示意图。如图8所示，该颜色识别模型包括：用于生成颜色识别模型的生成模块20，生成模块20包括：

收集单元1000，用于获取样本图像；

标记单元2000，用于对样本图像进行聚类或标引，确定每个样本图像的图像标签；

获取单元3000，用于获取每个样本图像的图像直方图峰值；

训练单元4000，用于根据每个样本图像及对应的图像标签和图像直方图峰值，进行机器学习训练，生成颜色识别模型。

进一步地，根据本申请的一个实施例，获取单元3000，具体用于：读取样本图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；获取样本图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个单通道图像直方图峰值为样本图像的图像直方图峰值。

进一步地，根据本申请的一个实施例，训练单元4000，具体用于：将每个样本图像、每个样本图像的图像标签和每个样本图像的图像直方图峰值存入模型文件，进行机器学习训练，生成颜色识别模型。

根据本申请实施例提出的颜色识别模型，通过将每个样本图像、每个样本图像的图像标签和每个样本图像的图像直方图峰值存入模型文件并进行机器学习训练，有效保证了增加新的样本颜色时，颜色识别模型的生成效率；也保证了利用该颜色识别模型的上述基于机器学习的颜色识别方法的精准度。

如图9所示，本申请实施例还提出了一种电子设备1，其包括：存储器2、处理器3及存储在存储器2上并可在处理器3上运行的计算机程序，处理器3执行程序，以实现上述的基于机器学习的颜色识别方法。

本申请实施例提出的电子设备，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行颜色识别，能够实现对目标图像颜色的高效识别，操作简便。

本申请实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的基于机器学习的颜色识别方法。

根据本申请实施例提出的计算机可读存储介质，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像特征进行识别，能够实现对目标图像的颜色的高效识别，操作简便。

本申请实施例还提出了一种机器人装置，包括上述的基于机器学习的颜色识别。

根据本申请实施例提出的机器人系统，通过预处理图像获得目标图像和目标图像特征，并根据基于机器学习的颜色识别模型对目标图像进行识别，能够实现对目标图像颜色的高效识别，操作简便。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例提出的方法、设备(系统)、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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (11)

1.一种基于机器学习的颜色识别方法，其特征在于，包括以下步骤：

通过图像传感器采集图像，并对通过所述图像传感器采集的所述图像进行第一预处理以获得待检测的目标图像，所述第一预处理为对所述图像传感器采集的所述图像进行图像分割；

将所述目标图像进行第二预处理以提取目标图像特征，所述目标图像特征包括所述目标图像的图像直方图峰值；

获取基于机器学习的颜色识别模型，其中，所述颜色识别模型是对训练样本进行机器学习后生成的，所述训练样本包括：样本图像和样本图像特征，所述样本图像特征包括所述样本图像的图像标签和所述样本图像的图像直方图峰值；

将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对，输出所述目标图像的颜色识别结果，所述颜色识别结果为所述图像中存在的颜色；

所述将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对的步骤包括：

将所述目标图像特征输入到KNN近邻模型中，所述KNN近邻模型的数据库包括所述颜色识别模型的样本图像特征；

所述KNN近邻模型的输出结果为近邻颜色识别结果；

将所述近邻颜色识别结果与所述颜色识别模型的样本图像特征进行对比，获取所述目标图像的颜色识别结果。

2.根据权利要求1所述的基于机器学习的颜色识别方法，其特征在于，所述基于机器学习的颜色识别模型生成的步骤包括：

获取样本图像；

获取每个所述样本图像的图像标签；

获取每个所述样本图像的图像直方图峰值；

将每个所述样本图像、每个所述样本图像的图像标签和每个所述样本图像的图像直方图峰值存入模型文件，进行机器学习训练，生成所述基于机器学习的颜色识别模型。

3.根据权利要求2所述的基于机器学习的颜色识别方法，其特征在于，所述获取每个样本图像的图像直方图峰值的步骤包括：

读取所述样本图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；

获取所述样本图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个所述单通道图像直方图峰值为所述样本图像的图像直方图峰值。

4.根据权利要求1所述的基于机器学习的颜色识别方法，其特征在于，所述将所述目标图像进行第二预处理以提取目标图像特征的步骤包括：

读取所述目标图像的RGB信息并进行通道分离，获得对应的R通道图像、G通道图像、B通道图像的图像信息；

获取所述目标图像对应的R通道图像、G通道图像、B通道图像的单通道图像直方图峰值，各个所述单通道图像直方图峰值为所述目标图像特征。

5.根据权利要求1所述的基于机器学习的颜色识别方法，其特征在于，所述将所述近邻颜色识别结果与所述颜色识别模型的样本图像特征进行对比的步骤包括：

在所述颜色识别模型的数据库中，查询与所述近邻颜色识别结果最接近的近邻图像直方图峰值；

获取所述近邻图像直方图峰值对应的近邻图像标签；

根据所述近邻图像标签获得所述目标图像的颜色识别结果。

6.根据权利要求1-5任一项所述的基于机器学习的颜色识别方法，其特征在于，所述训练样本为纯色图像。

7.一种电子设备，其特征在于，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程序，所述处理器执行所述程序时，实现如权利要求1-6中任一所述的基于机器学习的颜色识别方法。

8.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的基于机器学习的颜色识别方法。

9.一种基于机器学习的颜色识别系统，其特征在于，包括：

图像采集模块，用于采集图像，所述图像采集模块为图像传感器；

第一预处理模块，用于对所述图像采集模块采集的所述图像进行第一预处理以获得待检测的目标图像，所述第一预处理为对所述图像传感器采集的所述图像进行图像分割；

第二预处理模块，用于对所述目标图像进行第二预处理以提取目标图像特征，所述目标图像特征包括所述目标图像的图像直方图峰值；

获取模块，用于获取基于机器学习的颜色识别模型，所述颜色识别模型是对训练样本进行机器学习后生成的，所述训练样本包括：样本图像和样本图像特征，所述样本图像特征包括所述样本图像的图像标签和所述样本图像的图像直方图峰值；

识别模块，用于将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对，识别所述目标图像的颜色识别结果，所述颜色识别结果为所述图像中存在的颜色；

所述将所述目标图像特征与所述颜色识别模型的样本图像特征进行比对的步骤包括：

将所述目标图像特征输入到KNN近邻模型中，所述KNN近邻模型的数据库包括所述颜色识别模型的样本图像特征；

所述KNN近邻模型的输出结果为近邻颜色识别结果；

将所述近邻颜色识别结果与所述颜色识别模型的样本图像特征进行对比，获取所述目标图像的颜色识别结果。

10.根据权利要求9所述的基于机器学习的颜色识别系统，其特征在于，还包括：用于生成所述基于机器学习的颜色识别模型的生成模块，所述生成模块包括：

收集单元，用于获取所述样本图像；

标记单元，用于对所述样本图像进行聚类或标引，确定每个所述样本图像的图像标签；

获取单元，用于获取每个所述样本图像的图像直方图峰值；

训练单元，用于根据每个所述样本图像及对应的图像标签和图像直方图峰值，进行机器学习训练，生成所述基于机器学习的颜色识别模型。

11.一种机器人装置，其特征在于，包括：如权利要求9或10所述的基于机器学习的颜色识别系统。