CN111223104B - 一种包裹提取及跟踪方法、装置及电子设备 - Google Patents

一种包裹提取及跟踪方法、装置及电子设备 Download PDF

Info

Publication number
CN111223104B
CN111223104B CN201811409391.7A CN201811409391A CN111223104B CN 111223104 B CN111223104 B CN 111223104B CN 201811409391 A CN201811409391 A CN 201811409391A CN 111223104 B CN111223104 B CN 111223104B
Authority
CN
China
Prior art keywords
target
abscissa
package
image
target image
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.)
Active
Application number
CN201811409391.7A
Other languages
English (en)
Other versions
CN111223104A (zh
Inventor
张迪
童俊艳
任烨
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201811409391.7A priority Critical patent/CN111223104B/zh
Publication of CN111223104A publication Critical patent/CN111223104A/zh
Application granted granted Critical
Publication of CN111223104B publication Critical patent/CN111223104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种包裹提取及跟踪方法、装置及电子设备，所述包裹提取方法包括：获取目标图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间；将目标图像中目标横坐标区间对应的图像区域，确定为包裹所在的目标区域，其中，目标横坐标区间对应的图像区域为：具有目标横坐标区间内横坐标的像素点所组成的图像区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。

Description

一种包裹提取及跟踪方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，特别是涉及一种包裹提取及跟踪方法、装置及电子设备。
背景技术
为了保障人身安全，安检的应用越来越广泛，例如，安检可以应用在地铁，物流，机场，汽车站，火车站，大型会场，宾馆等公共场所。
下面以地铁为例进行举例说明，用户在进地铁站时，将自身随身携带的包裹放置在传输带上，包裹会随着传输带运动，在此过程中，安检机利用X射线照射包裹，X射线会透过包裹，通过分析透过包裹的X射线可以得到包裹图像，通过将包裹图像与预先生成的传输带图像进行合成，可以得到合成后的目标图像，如图1所示，其中传输带图像通常是白色的图像。
并且，为了提高安全指数，在得到目标图像后，识别包裹类型以及跟踪包裹的需求日益增长。在识别包裹类型以及跟踪包裹时，均需要将包裹从目标图像中提取出来，因此，如何能够有效地将包裹从目标图像中提取出来是一个亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种包裹提取及跟踪方法、装置及电子设备，以有效地将包裹从目标图像中提取出来。具体技术方案如下：
第一方面，本发明实施例提供了一种包裹提取方法，所述方法包括：
获取目标图像，其中，所述目标图像为将包裹图像和传输带图像合成所得到的图像；
确定所述目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间；其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域，其中，所述目标横坐标区间对应的图像区域为：具有所述目标横坐标区间内横坐标的像素点所组成的图像区域。
可选的，所述确定所述目标图像中的各个横坐标对应的统计值的步骤，包括：
生成所述目标图像对应的直方图，其中，所述直方图的各个横坐标为：所述目标图像中的各个像素点的横坐标，所述直方图中任一横坐标对应的纵坐标为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
针对所述目标图像中的每一横坐标，将所述直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
可选的，所述基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间的步骤，包括：
从所述目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标；
将大小连续的各个第一横坐标所对应的第一横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间。
可选的，所述基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间的步骤，包括：
从所述目标图像的各个横坐标中确定多个第二横坐标，其中，所述第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致；
将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间，其中，所述预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于所述目标阈值。
可选的，在所述将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域的步骤之后，所述方法还包括：
对所述目标图像进行抠图操作，得到目标区域；
将所述目标区域输入预先训练好的神经网络中，得到所述包裹的包裹类别；
其中，所述神经网络是基于样本包裹和所述样本包裹所对应的包裹类别训练得到的。
第二方面，本发明实施例提供了一种包裹跟踪方法，所述方法包括：
获取目标视频，其中，所述目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；
针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；
针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。
第三方面，本发明实施例提供了一种包裹提取装置，所述装置包括：
图像获取模块，用于获取目标图像，其中，所述目标图像为将包裹图像和传输带图像合成所得到的图像；
第一统计值确定模块，用于确定所述目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
第一横坐标区间确定模块，用于基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间；其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
目标区域确定模块，用于将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域，其中，所述目标横坐标区间对应的图像区域为：具有所述目标横坐标区间内横坐标的像素点所组成的图像区域。
可选的，所述第一统计值确定模块，具体用于：
生成所述目标图像对应的直方图，其中，所述直方图的各个横坐标为：所述目标图像中的各个像素点的横坐标，所述直方图中任一横坐标对应的纵坐标为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
针对所述目标图像中的每一横坐标，将所述直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
可选的，所述第一横坐标区间确定模块，包括：
第一横坐标确定子模块，用于从所述目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标；
第一横坐标区间确定子模块，用于将大小连续的各个第一横坐标所对应的第一横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间。
可选的，所述第一横坐标区间确定模块，包括：
第二横坐标确定子模块，用于从所述目标图像的各个横坐标中确定多个第二横坐标，其中，所述第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致；
第二横坐标区间确定子模块，用于将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间，其中，所述预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于所述目标阈值。
可选的，所述装置还包括：
目标图像抠图模块，用于在所述目标区域确定模块确定了所述包裹所在的目标区域后，对所述目标图像进行抠图操作，得到目标区域；
包裹类别确定模块，用于将所述目标区域输入预先训练好的神经网络中，得到所述包裹的包裹类别；
其中，所述神经网络是基于样本包裹和所述样本包裹所对应的包裹类别训练得到的。
第四方面，本发明实施例提供了一种包裹跟踪装置，所述装置包括：
视频获取模块，用于获取目标视频，其中，所述目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；
第二统计值确定模块，用于针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；
第二横坐标区间确定模块，用于针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
区间重合度计算模块，用于计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。
第五方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的包裹提取方法。
第六方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第二方面所述的包裹跟踪方法。
本发明实施例提供的技术方案，获取目标图像，其中，该目标图像为将包裹图像和传输带图像合成所得到的图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；并且，由于包裹所对应的目标横坐标区间内的各个横坐标对应的统计值与目标阈值的大小关系是一致的，因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；最终将目标图像中横坐标区域对应的图像区域，确定为包裹所在的目标区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例所提供的一种目标图像的示意图；
图2为本发明实施例所提供的一种包裹提取方法的流程图；
图3为本发明实施例所提供的一种直方图的示意图；
图4为本发明实施例所提供的一种包裹跟踪方法的流程图；
图5为本发明实施例所提供的一种包裹提取装置的示意图；
图6为本发明实施例所提供的一种包裹跟踪装置的示意图；
图7为本发明实施例所提供的一种电子设备的示意图；
图8为本发明实施例所提供的另一种电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了有效地将包裹从目标图像中提取出来，本发明实施例提供了一种包裹提取及跟踪方法、装置及电子设备。
第一方面，下面首先对本发明实施例所提供的一种包裹提取方法进行介绍。
需要说明的是，本发明实施例所提供的一种包裹提取方法的执行主体可以为一种包裹提取装置，该包裹提取装置可以运行于电子设备中，其中，该电子设备可以为安检机，或者，与安检机通信连接的后台服务器等，本发明实施例对该电子设备不做限定。
如图2所示，本发明实施例所提供的一种包裹提取方法，可以包括如下步骤：
S210，获取目标图像，其中，目标图像为将包裹图像和传输带图像合成所得到的图像。
在实际应用中，用户在过安检之前，将自身携带的包裹放置在传输带上，包裹会随着传输带运动，在此过程中，安检机利用X射线照射包裹，X射线会透过包裹，通过分析通过包裹的X射线可以得到包裹图像，通过将包裹图像与预先生成的传输带图像进行合成，可以生成目标图像，如图1所示，其中传输带图像通常是白色的图像。从图1可以看出，目标图像中的其中一部分图像区域为包裹所在的区域；另一部分图像区域为空白区域，该空白区域为传输带所在的区域。
S220，确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和。
目标图像包含传输带区域，可以将传输带运行的方向确定为横轴。可以理解的是，横轴包括多个横坐标。对于任一个横坐标而言，可以将目标图像中具有该横坐标的各个像素点的像素值之和，确定为该横坐标对应的统计值。
在一种实施方式中，确定目标图像中的各个横坐标对应的统计值的步骤，可以包括如下两个步骤，分别为步骤a1和步骤a2：
步骤a1：生成目标图像对应的直方图，其中，直方图的各个横坐标为：目标图像中的各个像素点的横坐标，直方图中任一横坐标对应的纵坐标为：目标图像中具有该横坐标的各个像素点的像素值之和；
步骤a2：针对目标图像中的每一横坐标，将直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
本领域技术人员可以理解的是，图像的直方图可以是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。图像的直方图指按照需要的方向(横向或纵向)，将图像的一行或者一列进行累计，得到统计结果，并根据所得到的统计结果形成直方图，具体为一维向量的表现形式。如图3所示，为直方图的示意图。
S230，基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间。其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值。
目标图像中包括两部分图像区域，其中，一部分图像区域为包裹所在的区域，另一部分图像区域为除包裹所在区域之外的空白区域。本领域技术人员可以理解的是，包裹所在的区域中像素点的像素值通常小于空白区域中像素点的像素值，例如，白色区域中任一像素点的像素值为255。因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区域，也就是说，可以将各个横坐标对应的统计值均小于目标阈值的横坐标区域确定为目标横坐标区域。
可以理解的是，为了准确地确定目标图像中的包裹所对应的目标横坐标区间，目标阈值可以为与所确定的各个统计值中的最大值相接近的值。因此，预设阈值可以为0。当然，在实际应用中，目标图像可能受到图像噪声的影响，因此，预设阈值也可以为大于0的值；并且，还可以根据电子设备的类型进行设置，本发明实施例对预设阈值的大小不做具体限定。
在一种实施方式中，基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间的步骤，可以包括如下两个步骤，分别为步骤b1和步骤b2；
步骤b1：从目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标。
步骤b2：将大小连续的各个第一横坐标所对应的第一横坐标区间，作为目标图像中的包裹所对应的目标横坐标区间。
举例而言，多个第一横坐标分别为：10、11、12、13、14、15、20、21、22、23、24及25；由于10、11、12、13、14及15为大小连续的横坐标；20、21、22、23、24及25为大小连续的横坐标；因此，第一横坐标区间有两个，分别为[10,15]、[20,25]。进而可以得知目标图像包括两个包裹，目标图像中的两个包裹所对应的目标横坐标区间分别为[10,15]、[20,25]。
在另一种实施方式中，基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间的步骤，可以包括如下两个步骤，分别为步骤c1和步骤c2；
步骤c1：从目标图像的各个横坐标中确定多个第二横坐标，其中，第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致。
步骤c2：将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为目标图像中的包裹所对应的目标横坐标区间，其中，预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于目标阈值。
在该实施方式中，可以从最大横坐标开始或者从最小横坐标开始，从目标图像的各个横坐标中确定多个第二横坐标。第二横坐标的相邻的两个横坐标第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致，即各个第二横坐标为包裹边界的像素点所对应的横坐标，因此，可以将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为目标图像中的包裹所对应的目标横坐标区间。
举例而言，从目标图像的各个横坐标中确定多个第二横坐标分别为：10、15、20、25；第二横坐标区间有两个，分别为：[10,15]、[20,25]，进而可以得知目标图像包括两个包裹，目标图像中的两个包裹所对应的目标横坐标区间分别为[10,15]、[20,25]。
S240，将目标图像中目标横坐标区间对应的图像区域，确定为包裹所在的目标区域，其中，目标横坐标区间对应的图像区域为：具有目标横坐标区间内横坐标的像素点所组成的图像区域。
在确定了目标图像中的包裹所对应的目标横坐标区间之后，即可以将目标图像中目标横坐标区间对应的图像区域，确定为包裹所在的目标区域。
本发明实施例提供的技术方案，获取目标图像，其中，该目标图像为将包裹图像和传输带图像合成所得到的图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；并且，由于包裹所对应的目标横坐标区间内的各个横坐标对应的统计值与目标阈值的大小关系是一致的，因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；最终将目标图像中横坐标区域对应的图像区域，确定为包裹所在的目标区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。
在确定了包裹所在的目标区域后，为了确定包裹的类别，在一种实施方式中，在将目标图像中目标横坐标区间对应的图像区域，确定为包裹所在的目标区域的步骤之后，所述包裹提取方法还可以包括如下步骤：
对目标图像进行抠图操作，得到目标区域；
将目标区域输入预先训练好的神经网络中，得到包裹的包裹类别；
其中，神经网络是基于样本包裹和样本包裹所对应的包裹类别训练得到的。
在该实施方式中，在确定了包裹所在的目标区域后，可以对目标图像进行抠图操作，得到目标区域，并将目标区域输入到预先训练好的神经网络中，得到包裹的包裹类别。其中，包裹类别可以为：行李箱，手提包，书包，纸箱，麻袋等。
可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来，且能够确定包裹的类别。
第二方面，本发明实施例提供了一种包裹跟踪方法，如图4所示，所述方法包括：
S410，获取目标视频，其中，目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像。
在需要对某一包裹进行跟踪时，可以获取连续多帧包括该包裹的目标图像，即可以获取包括连续多帧目标图像的目标视频。
S420，针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和。
针对目标视频中的每一目标图像，可以确定该目标图像的各个横坐标对应的统计值。该目标图像包含传输带区域，可以将传输带运行的方向确定为横轴。可以理解的是，横轴包括多个横坐标。对于任一个横坐标而言，可以将该目标图像中具有该横坐标的各个像素点的像素值之和，确定为该横坐标对应的统计值。
在一种实施方式中，确定任一目标图像中的各个横坐标对应的统计值的方式可以为：生成该目标图像对应的直方图，其中，直方图的各个横坐标为：该目标图像中的各个像素点的横坐标，直方图中任一横坐标对应的纵坐标为：该目标图像中具有该横坐标的各个像素点的像素值之和；针对该目标图像中的每一横坐标，将直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
S430，针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间。其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值。
在确定了目标视频中的每一目标图像中的各个横坐标对应的统计值之后，可以确定每一目标图像中的包裹所对应的目标横坐标区间。需要说明的是，确定每一目标图像中的包裹所对应的目标横坐标区域的方式，与图2所示实施例中确定目标图像的包裹所对应的目标横坐标区间的方式相同，在此不再赘述。
S440，计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。
可以理解的是，同一包裹在传输带中是连续运动的，因此，任意相邻两帧目标图像中，同一包裹在传输带中的位置的重合度较高，也就是说，任意相邻两帧目标图像中的同一包裹所对应的目标横坐标区间的重合度较高，因此，可以将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹，进而有利于实现对包裹的跟踪。需要说明的是，预设重合度可以根据实际情况进行设置，本发明实施例对预设重合度的大小不做具体限定。
举例而言，某帧图像中，包裹对应的目标横坐标区间为[a,b]，与该帧图像相邻的下一帧图像中，包裹对应的目标横坐标区间为[a+d，b+d]，计算这两个目标横坐标区间的重合度，并判断计算出来的重合度是否大于预设重合度，如果计算出来的重合度大于预设重合度，则这两帧图像中的包裹为同一包裹。
并且，在确定了连续多帧目标图像中均包含同一包裹时，可以只存储包括该包裹的其中一张图像，而将其他张包含该包裹的图像删除，从而可以达到节省存储空间的目标，而且，也可以节省翻看视频的追述时间，并可实现包裹数量的自动统计。
本发明实施例提供的技术方案，获取目标视频，其中，目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。可见，通过本发明实施例提供的技术方案，有利于实现对包裹的跟踪。
第三方面，本发明实施例提供了一种包裹提取装置，如图5所示，所述装置包括：
图像获取模块510，用于获取目标图像，其中，所述目标图像为将包裹图像和传输带图像合成所得到的图像；
第一统计值确定模块520，用于确定所述目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
第一横坐标区间确定模块530，用于基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间；其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；
目标区域确定模块540，用于将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域，其中，所述目标横坐标区间对应的图像区域为：具有所述目标横坐标区间内横坐标的像素点所组成的图像区域。
本发明实施例提供的技术方案，获取目标图像，其中，该目标图像为将包裹图像和传输带图像合成所得到的图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；并且，由于包裹所对应的目标横坐标区间内的各个横坐标对应的统计值与目标阈值的大小关系是一致的，因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；最终将目标图像中横坐标区域对应的图像区域，确定为包裹所在的目标区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。
可选的，所述第一统计值确定模块，具体用于：
生成所述目标图像对应的直方图，其中，所述直方图的各个横坐标为：所述目标图像中的各个像素点的横坐标，所述直方图中任一横坐标对应的纵坐标为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
针对所述目标图像中的每一横坐标，将所述直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
可选的，所述第一横坐标区间确定模块，包括：
第一横坐标确定子模块，用于从所述目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标；
第一横坐标区间确定子模块，用于将大小连续的各个第一横坐标所对应的第一横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间。
可选的，所述第一横坐标区间确定模块，包括：
第二横坐标确定子模块，用于从所述目标图像的各个横坐标中确定多个第二横坐标，其中，所述第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致；
第二横坐标区间确定子模块，用于将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间，其中，所述预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于所述目标阈值。
可选的，所述装置还包括：
目标图像抠图模块，用于在所述目标区域确定模块确定了所述包裹所在的目标区域后，对所述目标图像进行抠图操作，得到目标区域；
包裹类别确定模块，用于将所述目标区域输入预先训练好的神经网络中，得到所述包裹的包裹类别；
其中，所述神经网络是基于样本包裹和所述样本包裹所对应的包裹类别训练得到的。
第四方面，本发明实施例提供了一种包裹跟踪装置，如图6所示，所述装置包括：
视频获取模块610，用于获取目标视频，其中，所述目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；
第二统计值确定模块620，用于针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；
第二横坐标区间确定模块630，用于针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；
区间重合度计算模块640，用于计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。
本发明实施例提供的技术方案，获取目标视频，其中，目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。可见，通过本发明实施例提供的技术方案，有利于实现对包裹的跟踪。
第五方面，本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器707通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现第一方面所述的包裹提取方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的技术方案，获取目标图像，其中，该目标图像为将包裹图像和传输带图像合成所得到的图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；并且，由于包裹所对应的目标横坐标区间内的各个横坐标对应的统计值与目标阈值的大小关系是一致的，因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；最终将目标图像中横坐标区域对应的图像区域，确定为包裹所在的目标区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。
第六方面，本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现第二方面所述的包裹跟踪方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的技术方案，获取目标视频，其中，目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。可见，通过本发明实施例提供的技术方案，有利于实现对包裹的跟踪。
第七方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的包裹提取方法。
本发明实施例提供的技术方案，获取目标图像，其中，该目标图像为将包裹图像和传输带图像合成所得到的图像；确定目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：目标图像中具有该横坐标的各个像素点的像素值之和；并且，由于包裹所对应的目标横坐标区间内的各个横坐标对应的统计值与目标阈值的大小关系是一致的，因此，可以基于所确定的各个统计值与目标阈值的大小关系，确定目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；最终将目标图像中横坐标区域对应的图像区域，确定为包裹所在的目标区域。可见，通过本发明实施例提供的技术方案，可以有效地将包裹从目标图像中提取出来。
第八方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第二方面所述的包裹跟踪方法。
本发明实施例提供的技术方案，获取目标视频，其中，目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；针对任一目标图像，确定该目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：该目标图像中具有该横坐标的各个像素点的像素值之和；针对任一目标图像，基于所确定的各个统计值与目标阈值的大小关系，确定该目标图像中的包裹所对应的目标横坐标区间，其中，目标阈值与目标统计值的差值的绝对值小于预设阈值，目标统计值为所确定的各个统计值中的最大值；计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹。可见，通过本发明实施例提供的技术方案，有利于实现对包裹的跟踪。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (11)

1.一种包裹提取方法，其特征在于，所述方法包括：
获取目标视频，其中，所述目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；
确定所述目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间；其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域，其中，所述目标横坐标区间对应的图像区域为：具有所述目标横坐标区间内横坐标的像素点所组成的图像区域；
计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹；
在确定连续多帧目标图像中均包含同一包裹时，存储包括该包裹的一张目标图像，并将其他张包含该包裹的目标图像删除。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标图像中的各个横坐标对应的统计值的步骤，包括：
生成所述目标图像对应的直方图，其中，所述直方图的各个横坐标为：所述目标图像中的各个像素点的横坐标，所述直方图中任一横坐标对应的纵坐标为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
针对所述目标图像中的每一横坐标，将所述直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
3.根据权利要求1所述的方法，其特征在于，所述基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间的步骤，包括：
从所述目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标；
将大小连续的各个第一横坐标所对应的第一横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间。
4.根据权利要求1所述的方法，其特征在于，所述基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间的步骤，包括：
从所述目标图像的各个横坐标中确定多个第二横坐标，其中，所述第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致；
将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间，其中，所述预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于所述目标阈值。
5.根据权利要求1至4任一项所述的方法，其特征在于，在所述将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域的步骤之后，所述方法还包括：
对所述目标图像进行抠图操作，得到目标区域；
将所述目标区域输入预先训练好的神经网络中，得到所述包裹的包裹类别；
其中，所述神经网络是基于样本包裹和所述样本包裹所对应的包裹类别训练得到的。
6.一种包裹提取装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标视频，其中，所述目标视频包括连续多帧目标图像，任一目标图像为将包裹图像和传输带图像合成所得到的图像；
第一统计值确定模块，用于确定所述目标图像中的各个横坐标对应的统计值，其中，任一横坐标对应的统计值为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
第一横坐标区间确定模块，用于基于所确定的各个统计值与目标阈值的大小关系，确定所述目标图像中的包裹所对应的目标横坐标区间；其中，所述目标阈值与目标统计值的差值的绝对值小于预设阈值，所述目标统计值为所确定的各个统计值中的最大值；
目标区域确定模块，用于将所述目标图像中所述目标横坐标区间对应的图像区域，确定为所述包裹所在的目标区域，其中，所述目标横坐标区间对应的图像区域为：具有所述目标横坐标区间内横坐标的像素点所组成的图像区域；
区间重合度计算模块，用于计算任意相邻两帧目标图像中的包裹所对应的目标横坐标区间的重合度，将重合度大于预设重合度的两个目标横坐标区间对应的包裹确定为同一包裹；
目标图像存储模块，用于在确定连续多帧目标图像中均包含同一包裹时，存储包括该包裹的一张目标图像，并将其他张包含该包裹的目标图像删除。
7.根据权利要求6所述的装置，其特征在于，所述第一统计值确定模块，具体用于：
生成所述目标图像对应的直方图，其中，所述直方图的各个横坐标为：所述目标图像中的各个像素点的横坐标，所述直方图中任一横坐标对应的纵坐标为：所述目标图像中具有该横坐标的各个像素点的像素值之和；
针对所述目标图像中的每一横坐标，将所述直方图中该横坐标对应的纵坐标，作为该横坐标对应的统计值。
8.根据权利要求6所述的装置，其特征在于，所述第一横坐标区间确定模块，包括：
第一横坐标确定子模块，用于从所述目标图像的各个横坐标中，确定所对应统计值小于目标阈值的多个第一横坐标；
第一横坐标区间确定子模块，用于将大小连续的各个第一横坐标所对应的第一横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间。
9.根据权利要求6所述的装置，其特征在于，所述第一横坐标区间确定模块，包括：
第二横坐标确定子模块，用于从所述目标图像的各个横坐标中确定多个第二横坐标，其中，所述第二横坐标的相邻的两个横坐标对应的统计值与目标阈值的大小关系不一致；
第二横坐标区间确定子模块，用于将任意两个符合预定条件的第二横坐标所确定的第二横坐标区间，作为所述目标图像中的包裹所对应的目标横坐标区间，其中，所述预定条件为：两个第二横坐标之间的任一横坐标对应的统计值小于所述目标阈值。
10.根据权利要求6至9任一项所述的装置，其特征在于，所述装置还包括：
目标图像抠图模块，用于在所述目标区域确定模块确定了所述包裹所在的目标区域后，对所述目标图像进行抠图操作，得到目标区域；
包裹类别确定模块，用于将所述目标区域输入预先训练好的神经网络中，得到所述包裹的包裹类别；
其中，所述神经网络是基于样本包裹和所述样本包裹所对应的包裹类别训练得到的。
11.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
CN201811409391.7A 2018-11-23 2018-11-23 一种包裹提取及跟踪方法、装置及电子设备 Active CN111223104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811409391.7A CN111223104B (zh) 2018-11-23 2018-11-23 一种包裹提取及跟踪方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811409391.7A CN111223104B (zh) 2018-11-23 2018-11-23 一种包裹提取及跟踪方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111223104A CN111223104A (zh) 2020-06-02
CN111223104B true CN111223104B (zh) 2023-10-10

Family

ID=70831952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811409391.7A Active CN111223104B (zh) 2018-11-23 2018-11-23 一种包裹提取及跟踪方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111223104B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570543B (zh) * 2021-05-27 2024-09-20 浙江大华技术股份有限公司 一种安检包裹识别方法、系统、储存介质及设备
CN115496914B (zh) * 2022-08-18 2023-05-02 成都智元汇信息技术股份有限公司 一种基于列数据的最大轮廓的包裹提取方法及装置
CN115423996B (zh) * 2022-08-18 2023-09-22 成都智元汇信息技术股份有限公司 基于包裹运动提取包裹图片的方法、电子设备以及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5982916A (en) * 1996-09-30 1999-11-09 Siemens Corporate Research, Inc. Method and apparatus for automatically locating a region of interest in a radiograph
CN101897592A (zh) * 2009-05-27 2010-12-01 深圳迈瑞生物医疗电子股份有限公司 X射线影像中金属异物的提取方法和装置
CN103971381A (zh) * 2014-05-16 2014-08-06 江苏新瑞峰信息科技有限公司 一种多目标跟踪系统及方法
CN105528606A (zh) * 2015-10-30 2016-04-27 小米科技有限责任公司 区域识别方法及装置
CN106022386A (zh) * 2016-05-26 2016-10-12 北京新长征天高智机科技有限公司 一种计算机识别与人工交互结合的生活垃圾目标识别系统
CN107240120A (zh) * 2017-04-18 2017-10-10 上海体育学院 视频中运动目标的跟踪方法及装置
CN107610173A (zh) * 2017-08-11 2018-01-19 北京圣威特科技有限公司 一种实时定位方法和装置
WO2018028306A1 (zh) * 2016-08-11 2018-02-15 杭州海康威视数字技术股份有限公司 一种车牌号码识别方法及装置
CN107766829A (zh) * 2017-10-27 2018-03-06 浙江大华技术股份有限公司 一种物品检测的方法和设备
CN107833209A (zh) * 2017-10-27 2018-03-23 浙江大华技术股份有限公司 一种x光图像检测方法、装置、电子设备及存储介质
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质
WO2018127539A1 (en) * 2017-01-05 2018-07-12 Universite De Toulon Methods and devices for extracting an object from a video sequence
CN108303748A (zh) * 2017-01-12 2018-07-20 同方威视技术股份有限公司 检查设备和检测行李物品中的枪支的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5982916A (en) * 1996-09-30 1999-11-09 Siemens Corporate Research, Inc. Method and apparatus for automatically locating a region of interest in a radiograph
CN101897592A (zh) * 2009-05-27 2010-12-01 深圳迈瑞生物医疗电子股份有限公司 X射线影像中金属异物的提取方法和装置
CN103971381A (zh) * 2014-05-16 2014-08-06 江苏新瑞峰信息科技有限公司 一种多目标跟踪系统及方法
CN105528606A (zh) * 2015-10-30 2016-04-27 小米科技有限责任公司 区域识别方法及装置
CN106022386A (zh) * 2016-05-26 2016-10-12 北京新长征天高智机科技有限公司 一种计算机识别与人工交互结合的生活垃圾目标识别系统
WO2018028306A1 (zh) * 2016-08-11 2018-02-15 杭州海康威视数字技术股份有限公司 一种车牌号码识别方法及装置
WO2018127539A1 (en) * 2017-01-05 2018-07-12 Universite De Toulon Methods and devices for extracting an object from a video sequence
CN108303748A (zh) * 2017-01-12 2018-07-20 同方威视技术股份有限公司 检查设备和检测行李物品中的枪支的方法
CN107240120A (zh) * 2017-04-18 2017-10-10 上海体育学院 视频中运动目标的跟踪方法及装置
CN107610173A (zh) * 2017-08-11 2018-01-19 北京圣威特科技有限公司 一种实时定位方法和装置
CN107833209A (zh) * 2017-10-27 2018-03-23 浙江大华技术股份有限公司 一种x光图像检测方法、装置、电子设备及存储介质
CN107766829A (zh) * 2017-10-27 2018-03-06 浙江大华技术股份有限公司 一种物品检测的方法和设备
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
箱包DR图像中可疑区域自动判别算法研究;洪金希;中国优秀硕士学位论文全文数据库;全文 *

Also Published As

Publication number Publication date
CN111223104A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111160379B (zh) 图像检测模型的训练方法及装置、目标检测方法及装置
CN111223104B (zh) 一种包裹提取及跟踪方法、装置及电子设备
CN108268867B (zh) 一种车牌定位方法及装置
CN109670383B (zh) 视频遮蔽区域选取方法、装置、电子设备及系统
JP7012880B2 (ja) ターゲット検出方法及び装置、機器並びに記憶媒体
US20150262039A1 (en) Image processing apparatus and image processing method
CN109426785B (zh) 一种人体目标身份识别方法及装置
CN110706261A (zh) 车辆违章检测方法、装置、计算机设备和存储介质
US20100040287A1 (en) Segmenting Printed Media Pages Into Articles
US9460367B2 (en) Method and system for automating an image rejection process
CN112487848A (zh) 文字识别方法和终端设备
CN110610123A (zh) 一种多目标车辆检测方法、装置、电子设备及存储介质
CN111210399A (zh) 一种成像质量评价方法、装置及设备
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和系统及设备
CN109389122B (zh) 一种车牌定位方法及装置
CN112052702B (zh) 一种识别二维码的方法和装置
CN114445768A (zh) 目标识别方法、装置、电子设备及存储介质
CN111914668A (zh) 一种基于图像增强技术的行人重识别方法、装置及系统
CN112613508A (zh) 一种物体识别方法、装置及设备
CN115830002A (zh) 一种红外图像质量评价方法及装置
CN106778675B (zh) 一种视频图像中目标对象的识别方法和装置
CN115984780B (zh) 工业固体废物出入库判别方法、装置、电子设备及介质
CN106682566A (zh) 交通事故检测方法、交通事故检测装置和电子设备
CN108510636B (zh) 图像分割方法、图像分割装置及终端设备
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置

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
GR01 Patent grant
GR01 Patent grant