CN111275693B - 一种图像中物体的计数方法、计数装置及可读存储介质 - Google Patents
一种图像中物体的计数方法、计数装置及可读存储介质 Download PDFInfo
- Publication number
- CN111275693B CN111275693B CN202010078319.1A CN202010078319A CN111275693B CN 111275693 B CN111275693 B CN 111275693B CN 202010078319 A CN202010078319 A CN 202010078319A CN 111275693 B CN111275693 B CN 111275693B
- Authority
- CN
- China
- Prior art keywords
- image
- counting
- target
- counted
- sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像中物体的计数方法、计数装置及可读存储介质,所述计数方法包括:获取至少一个待计数图像,针对于每个待计数图像,确定出待计数图像对应的目标计数图像,以及目标计数图像的第一边界数据;确定目标计数图像中的目标计数物体的第二边界数据,以及目标计数图像是否为可用计数图像;若目标计数图像为可用计数图像,检测在第二边界数据与第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;若不存在,将目标计数图像输入至预先训练好的图像计数模型中,确定在至少一个待计数图像中目标计数物体的数量,有助于提高数量统计的准确性以及及时性,减少计数人员的工作量。
Description
技术领域
本申请涉及图像识别技术领域,尤其是涉及一种图像中物体的计数方法、计数装置及可读存储介质。
背景技术
随着计算机技术的发展,图像识别技术在生产和生活中得到了大量的应用。在生产过程中,物品生产方通常会在每天的工作结束后,对一天中生产的物品进行数量统计,以防止在生产的过程中丢失生产出的物品,造成经济上的损失。
目前,通常是由专门的计数人员进行人为计数,每当生产出一个物品后计数人员便会更改统计的数量,但是在实际的制造过程中,制造商每天制造物品的时间较长,甚至有的制造商是24小时生产物品,计数人员不能够保证24小时都处于工作岗位上,会存在漏记、错记的问题,因此,这种人为计数的方式会使得计数的准确性偏低,计数工人的工作效率也偏低。
发明内容
有鉴于此,本申请的目的在于提供一种图像中物体的计数方法、计数装置及可读存储介质,能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还有助于减少计数人员的工作量,提高计数人员的工作效率。
本申请实施例提供了一种图像中物体的计数方法,所述计数方法包括:
获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;
基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;
若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;
若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,所述获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据,包括:
获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像;
基于所述目标计数图像,确定出所述目标计数图像的第一边界数据。
进一步的,所述若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量,包括:
若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;
按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;
基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,在按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码之后,所述计数方法还包括:
获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;
基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
进一步的,通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像输入至边缘检测算法模型中,确定出所述目标计数图像中目标计数物体的第二边界数据;
检测所述第二边界数据所指示的所述目标计数物体边界的像素数量值是否大于等于第二预设阈值;
若所述像素数量值大于等于所述第二预设阈值,则确定所述待计数图像为可用计数图像。
进一步的,通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像进行二分类处理,确定所述目标计数图像的分类类别;
若所述目标计数图像的分类类别为清晰图像类别,则将所述目标计数图像确定为可用计数图像。
进一步的,通过以下步骤训练所述图像计数模型:
获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;
针对于每个待计数样本图像,确定出所述待计数样本图像对应的目标计数样本图像,以及所述待计数样本图像的第一边界样本数据;
基于所述目标计数样本图像,确定所述待计数样本图像中的目标计数样本物体的第二边界样本数据,以及所述目标计数样本图像是否为可用计数样本图像;
若所述目标计数样本图像为可用计数样本图像,检测在所述第二边界样本数据与所述第一边界样本数据的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;
若不存在小于所述第一预设样本阈值的样本垂直距离,将所述目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
本申请实施例还提供了一种图像中物体的计数装置,所述计数装置包括:
第一确定模块,用于获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;
第二确定模块,用于基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;
检测模块,用于若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;
数量确定模块,用于若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,所述第一确定模块在用于获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据时,所述第一确定模块用于:
获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像;
基于所述目标计数图像,确定出所述目标计数图像的第一边界数据。
进一步的,所述数量确定模块在用于若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量时,所述数量确定模块用于:
若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;
按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;
基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,所述计数装置还包括时间确定模块,所述时间确定模块用于:
获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;
基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
进一步的,所述第二确定模块通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像输入至边缘检测算法模型中,确定出所述目标计数图像中目标计数物体的第二边界数据;
检测所述第二边界数据所指示的所述目标计数物体边界的像素数量值是否大于等于第二预设阈值;
若所述像素数量值大于等于所述第二预设阈值,则确定所述待计数图像为可用计数图像。
进一步的,所述第二确定模块通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像进行二分类处理,确定所述目标计数图像的分类类别;
若所述目标计数图像的分类类别为清晰图像类别,则将所述目标计数图像确定为可用计数图像。
进一步的,所述计数装置还包括模型训练模块,所述模型训练模块通过以下步骤训练所述图像计数模型:
获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;
针对于每个待计数样本图像,确定出所述待计数样本图像对应的目标计数样本图像,以及所述待计数样本图像的第一边界样本数据;
基于所述目标计数样本图像,确定所述待计数样本图像中的目标计数样本物体的第二边界样本数据,以及所述目标计数样本图像是否为可用计数样本图像;
若所述目标计数样本图像为可用计数样本图像,检测在所述第二边界样本数据与所述第一边界样本数据的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;
若不存在小于所述第一预设样本阈值的样本垂直距离,将所述目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的图像中物体的计数方法的步骤。
本申请实施例还提供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,所述计算机程序被处理器运行时执行如上述的图像中物体的计数方法的步骤。
本申请实施例提供的图像中物体的计数方法、计数装置及可读存储介质,获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
这样,本申请通过获取到的至少一个待计数图像,确定出每个待计数图像对应的目标计数图像,并从目标计数图像中确定出可用计数图像,然后再进一步的从可用计数图像中确定出目标计数图像中目标计数物体的第二边界数据与目标计数图像的第一边界数据之间的垂直距离不小于第一预设阈值的目标计数图像,输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量,从而能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还将有助于减少计数人员的工作量,提高计数人员的工作效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为一种可能的应用场景下的系统构图;
图2为本申请实施例所提供的一种图像中物体的计数方法的流程图;
图3为本申请另一实施例所提供的一种图像中物体的计数方法的流程图;
图4为本申请实施例所提供的一种图像中物体的计数装置的结构示意图之一;
图5为本申请实施例所提供的一种图像中物体的计数装置的结构示意图之二;
图6为本申请实施例所提供的一种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附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于图像识别技术领域。能够快速地从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还有助于减少计数人员的工作量,提高计数人员的工作效率。请参阅图1,图1为一种可能的应用场景下的系统构图。如图1中所示,所述系统包括数据存储装置以及计数装置,所述计数装置从所述数据存储装置中获取至少一个待计数图像,并针对于每个待计数图像,确定出待计数图相对应的目标计数图像,以及所述目标计数图像的第一边界数据,并从所述目标计数图像中确定出目标计数物体的第二边界数据,当目标计数图像为可用计数图像且所述第二边界数据与所述第一边界数据的多个垂直距离中不存在小于第一预设阈值的垂直距离的目标计数图像,将目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
经研究发现,目前,通常是由专门的计数人员进行人为计数,每当生产出一个物品后计数人员便会更改统计的数量,但是在实际的制造过程中,制造商每天制造物品的时间较长,甚至有的制造商是24小时生产物品,计数人员不能够保证24小时都处于工作岗位上,会存在漏记、错记的问题,因此,这种人为计数的方式会使得计数的准确性偏低,计数工人的工作效率也偏低。
基于此,本申请实施例提供了一种图像中物体的计数方法,能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还将有助于减少计数人员的工作量,提高计数人员的工作效率。
请参阅图2,图2为本申请实施例所提供的一种图像中物体的识别方法的流程图。如图2中所示,本申请实施例提供的图像中物体的识别方法,包括:
S201、获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据。
该步骤中,获取预先通过摄像装置采集到的至少一个待计数图像,针对至少一个待计数图像中的每个待计数图像,可以通过深度学习目标分割模型,确定出每个待计数对应的目标计数图像,并基于确定出的目标计数图像,确定出每个目标计数图像的第一边界数据。
这里,第一边界数据可以为待计数图像的边界的坐标,具体的,可以以待计数图像的一个角为原点,垂直于原点的两边分别为X轴及Y轴,建立像素坐标系,在该像素坐标系中确定出目标计数图像每个像素点的坐标。
S202、基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像。
该步骤中,基于确定出的待计数图像对应的目标计数图像,确定在目标计数图像中目标计数物体的第二边界数据,并可以基于目标计数物体的第二边界数据确定该目标计数图像是否为可用计数图像。
其中,第二边界数据可以为目标计数物体的边界的坐标,具体的,可以是在建立好的像素坐标系中,目标计数物体的边界的每个像素点的坐标。
S203、若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离。
该步骤中,若确定出目标计数图像为可用计数图像,确定目标计数图像的第一边界数据与该目标计数图像中目标计数物体的第二边界数据之间的多个垂直距离中,是否存在小于第一预设阈值的垂直距离。
这里,目标计数物体的第二边界数据能够表示出该目标计数图像中目标计数物体的边界,以及目标计数物体在目标计数图像中的位置,目标计数物体的第二边界数据与该目标计数图像第一边界数据之间的多个垂直距离,能够表明目标计数物体的边界与该目标计数图像边界之间的距离,若存在小于第一预设阈值的垂直距离,那么在目标计数图像中的目标计数物体可能存在不完整的情况。
S204、若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
该步骤中,若在多个垂直距离中不存在小于第一预设阈值的垂直距离,则将目标计数图像输入至预先训练好的图像计数模型中,直至将所有满足上述要求的目标计数图像输入至图像计数模型中,确定出在至少一个待计数图像中目标计数物体的数量。
其中,目标计数物体的数量可以是在所有目标计数图像中存在多少个目标计数物体,也可以是在所有的目标计数图像中存在多少个类别目标计数物体。
这里,一个类别的目标计数物体中可以包括多个目标计数物体,一个类别的目标计数物体。
示例性的,假设待计数图像为“一盘饺子”,最终通过图像计数模型能够确定出在至少一个待计数图像中一共存在多少个饺子;另外,还可以是通过图像计数模型,确定出在至少一个待计数图像中一共存在多少盘饺子。
本申请实施例提供的图像中物体的计数方法,获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
这样,本申请通过获取到的至少一个待计数图像,确定出每个待计数图像对应的目标计数图像,并从目标计数图像中确定出可用计数图像,然后再进一步的从可用计数图像中确定出目标计数图像中目标计数物体的第二边界数据与目标计数图像的第一边界数据之间的垂直距离不小于第一预设阈值的目标计数图像,输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量,从而能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还有助于减少计数人员的工作量,提高计数人员的工作效率。
请参阅图3,图3为本申请另一实施例提供的图像中物体的计数方法的流程图。如图3中所示,本申请实施例提供的图像中物体的计数方法,包括:
S301、获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像。
该步骤中,获取至少一个待计数图像,并将待计数图像中目标计数物体与待计数图像中除目标计数物体之外的背景分割开,得到待计数图像对应的目标计数图像。
其中,将待计数图像中的目标计数物体与待计数图像中除目标计数物体之外的背景分割开后,可以将背景部分的像素全部转化为黑色,便于后续步骤的判定。
S302、基于所述目标计数图像,确定出所述目标计数图像的第一边界数据。
该步骤中,在确定出的目标计数图像的基础上,确定出该目标计数图像的第一边界数据。
具体的,可以以待计数图像的一个角为原点,垂直于原点的两边分别为X轴及Y轴,建立像素坐标系,在该像素坐标系中确定出目标计数图像每个像素点的坐标。
S303、基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像。
S304、若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离。
S305、若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
其中,S303至S305的描述可以参照S202至S204的描述,并且能达到相同的技术效果,对此不做赘述。
进一步的,步骤S305包括:若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量。
该步骤中,若确定出在目标计数图片中不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,按照所述目标计数图像采集的先后顺序,图像计数模型计算相邻两张目标计数图像之间的余弦距离值,若计算出两张目标计数图像之间的余弦距离值小于预设间距阈值,则可以认为在上述两张目标计数图像中的目标计数物体是相同的,以及上述两张目标计数图像中的目标计数物体为同一个目标计数物体,那么则为上述相邻两张目标计数图像分配相同的标识码,而后图像计数模型根据分配的标识码的数量,确定出在所述至少一个待计数图像中目标计数物体的数量。
对应于上述实施例,计算两个目标计数图像之间的余弦距离值,当余弦距离值小于预设间距阈值时,说明上述两张目标计数图像中的饺子属于同一盘,为上述相邻两张目标计数图像分配相同的标识码,最终能够根据标识码,确定出至少一个待计数图像中有多少盘饺子。
具体的,从上述的两张目标计数图像中分别提取出能够用于计算余弦距离值的特征向量,并通过以下公式计算两张目标计数图像之间的余弦距离值:
其中,similarity表示两张目标计数图像的余弦距离值,A、B分别表示两张目标计数图像的特征向量。
进一步的,在所述按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码之后,所述计数方法还包括:获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
该步骤中,在为余弦距离值小于预设间距阈值的相邻两张目标计数图像分配相同的标识码之后,获取具有相同标识码的多张目标计数图像,并确定每张目标计数图像的采集时间,按照具有相同标识码的目标计数图像的采集时间,确定出第一次采集到具有上述标识码的目标计数图像的时间以及最后一次采集到具有上述标识码的目标计数图像的时间,确定目标计数图像中的目标计数物体在图像采集位置处的停留时间。
进一步的,所述计数方法通过以下步骤确定所述目标计数图像为可用计数图像:将所述目标计数图像输入至边缘检测算法模型中,确定出所述目标计数图像中目标计数物体的第二边界数据;检测所述第二边界数据所指示的所述目标计数物体边界的像素数量值是否大于等于第二预设阈值;若所述像素数量值大于等于所述第二预设阈值,则确定所述待计数图像为可用计数图像。
该步骤中,将目标计数图像输入至边缘检测算法模型中,通过边缘检测算法模型确定出目标计数图像中的目标计数物体的第二边界数据,其中,第二边界数据能够表明目标计数物体的边界形状,以及目标计数物体的边界的像素值的数量,检测目标计数物体的边界的像素值的数量是否大于等于第二预设阈值,若目标计数物体的边界的像素值的数量大于等于第二预设阈值说明在目标计数图像中的目标计数物体的边界清晰,也就说明了目标计数图像为清晰的图像,此时可以将目标计数图像确定为可用计数图像,用于后续的处理之中。
其中,所述边缘检测算法模型可以为Canny算子,sobel算子或Laplacian算子等边缘检测算法中的任意一种。
进一步的,通过以下步骤确定所述目标计数图像为可用计数图像:将所述目标计数图像进行二分类处理,确定所述目标计数图像的分类类别;若所述目标计数图像的分类类别为清晰图像类别,则将所述目标计数图像确定为可用计数图像。
该步骤中,可以通过深度学习分类模型对目标计数图像进行二分类处理,预先训练好的深度学习分类模型能够将目标计数图像分为两个类别,一个类别为清晰图像类别,另一个类别为非清晰图像类别,若确定出目标计数图像的分类类别为清晰图像类别,则将目标计数图像确定为可以计数图像。
其中,所述深度学习分类模型可以为支持向量机(Support Vector Machine,SVM)、贝叶斯分类模型等中的任意一个能够用于进行分类的深度学习分类模型。
进一步的,所述计数方法通过以下步骤训练所述图像计数模型:获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;针对于每个待计数样本图像,确定出所述待计数样本图像对应的目标计数样本图像,以及所述待计数样本图像的第一边界样本数据;基于所述目标计数样本图像,确定所述待计数样本图像中的目标计数样本物体的第二边界样本数据,以及所述目标计数样本图像是否为可用计数样本图像;若所述目标计数样本图像为可用计数样本图像,检测在所述第二边界样本数据与所述第一边界样本数据的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;若不存在小于所述第一预设样本阈值的样本垂直距离,将所述目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
该步骤中,获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;针对于每个待计数样本图像,通过深度学习目标分割模型,确定出所述待计数样本图像对应的目标计数样本图像,以及所述目标计数样本图像的第一边界样本数据;基于所述目标计数样本图像,确定所述目标计数样本图像中的目标计数样本物体的第二边界样本数据,并通过边缘检测算法模型和深度学习目标分割模型,确定出目标计数样本图像是否为可用计数样本图像;若目标计数样本图像为可用计数样本图像,检测在目标计数样本图像中目标计数样本物体的第二边界样本数据与目标计数样本图像的第一边界样本数据之间的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;若不存在小于第一预设样本阈值的样本垂直距离,将目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
在得到图像计数模型之后,获取待计数测试图像,以及与待计数测试图像相匹配的待计数匹配图像和与待计数测试图像不匹配的待计数非匹配图像,分别计算待计数测试图像与待计数匹配图像之间的第一损失函数值,以及待计数测试图像与待计数非匹配图像之间的第二损失函数值,当第一损失函数值以及第二损失函数值低于损失函数阈值时,确定图像计数模型训练完成。
通过以下公式计算第一损失函数值以及第二损失函数值:
其中,当计算第一损失函数值时,lcontrast(i,j)为第一损失函数值,yij=1,Dij为待计数测试图像与待计数匹配图像之间的欧式距离。
其中,当计算第二损失函数值时,lcontrast(i,j)为第二损失函数值,yij=0,Dij为待计数测试图像与待计数非匹配图像之间的欧式距离。
本申请实施例提供的图像中物体的计数方法,获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像;基于所述目标计数图像,确定出所述目标计数图像的第一边界数据;基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
这样,本申请通过获取到的至少一个待计数图像,将待计数图像中的目标计数物体与背景之间进行分割,确定出每个待计数图像对应的目标计数图像,并从目标计数图像中确定出可用计数图像,然后在进一步的从可用计数图像中确定出目标计数图像中目标计数物体的第二边界数据与目标计数图像的第一边界数据之间的垂直距离不小于第一预设阈值的目标计数图像,输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量,从而能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还将有助于减少计数人员的工作量,提高计数人员的工作效率。
请参阅图4、图5,图4为本申请实施例所提供的一种图像中物体的计数装置的结构示意图之一,图5为本申请实施例所提供的一种图像中物体的计数装置的结构示意图之二。如图4中所示,所述计数装置400包括:
第一确定模块410,用于获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;
第二确定模块420,用于基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;
检测模块430,用于若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;
数量确定模块440,用于若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,如图5所示,所述计数装置还包括时间确定模块450,所述时间确定模块450用于:
获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;
基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
进一步的,如图5所示,所述计数装置还包括模型训练模块460,所述模型训练模块460通过以下步骤训练所述图像计数模型:
获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;
针对于每个待计数样本图像,确定出所述待计数样本图像对应的目标计数样本图像,以及所述待计数样本图像的第一边界样本数据;
基于所述目标计数样本图像,确定所述待计数样本图像中的目标计数样本物体的第二边界样本数据,以及所述目标计数样本图像是否为可用计数样本图像;
若所述目标计数样本图像为可用计数样本图像,检测在所述第二边界样本数据与所述第一边界样本数据的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;
若不存在小于所述第一预设样本阈值的样本垂直距离,将所述目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
进一步的,所述第一确定模块410在用于获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据时,所述第一确定模块410用于:
获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像;
基于所述目标计数图像,确定出所述目标计数图像的第一边界数据。
进一步的,所述数量确定模块440在用于若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量时,所述数量确定模块440用于:
若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;
按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;
基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量。
进一步的,所述第二确定模块420通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像输入至边缘检测算法模型中,确定出所述目标计数图像中目标计数物体的第二边界数据;
检测所述第二边界数据所指示的所述目标计数物体边界的像素数量值是否大于等于第二预设阈值;
若所述像素数量值大于等于所述第二预设阈值,则确定所述待计数图像为可用计数图像。
进一步的,所述第二确定模块420通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像进行二分类处理,确定所述目标计数图像的分类类别;
若所述目标计数图像的分类类别为清晰图像类别,则将所述目标计数图像确定为可用计数图像。
本申请实施例提供的图像中物体的计数装置,获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量。
这样,本申请通过获取到的至少一个待计数图像,确定出每个待计数图像对应的目标计数图像,并从目标计数图像中确定出可用计数图像,然后在进一步的从可用计数图像中确定出目标计数图像中目标计数物体的第二边界数据与目标计数图像的第一边界数据之间的垂直距离不小于第一预设阈值的目标计数图像,输入至预先训练好的图像计数模型中,确定在所述至少一个待计数图像中目标计数物体的数量,从而能够快速的从获取到的待计数图像中确定出目标计数物体的数量,有助于提高数量统计的准确性以及及时性,并且还有助于减少计数人员的工作量,提高计数人员的工作效率。
请参阅图6,图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示,所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令,当电子设备600运行时,所述处理器610与所述存储器620之间通过总线630通信,所述机器可读指令被所述处理器610执行时,可以执行如上述图2以及图3所示方法实施例中的图像中物体的计数方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供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,所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的图像中物体的计数方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种图像中物体的计数方法,其特征在于,所述计数方法包括:
获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;
基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;
若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;
若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;
按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;
基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量;
获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;
基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
2.根据权利要求1所述的计数方法,其特征在于,所述获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据,包括:
获取至少一个待计数图像,将所述待计数图像中的目标计数物体与所述待计数图像中除所述目标计数物体之外的背景进行分割,确定出所述待计数图像对应的目标计数图像;
基于所述目标计数图像,确定出所述目标计数图像的第一边界数据。
3.根据权利要求1所述的计数方法,其特征在于,通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像输入至边缘检测算法模型中,确定出所述目标计数图像中目标计数物体的第二边界数据;
检测所述第二边界数据所指示的所述目标计数物体边界的像素数量值是否大于等于第二预设阈值;
若所述像素数量值大于等于所述第二预设阈值,则确定所述待计数图像为可用计数图像。
4.根据权利要求1所述的计数方法,其特征在于,通过以下步骤确定所述目标计数图像为可用计数图像:
将所述目标计数图像进行二分类处理,确定所述目标计数图像的分类类别;
若所述目标计数图像的分类类别为清晰图像类别,则将所述目标计数图像确定为可用计数图像。
5.根据权利要求1所述的计数方法,其特征在于,通过以下步骤训练所述图像计数模型:
获取至少一个待计数样本图像,以及所述至少一个待计数样本图像对应的目标计数样本物体的数量;
针对于每个待计数样本图像,确定出所述待计数样本图像对应的目标计数样本图像,以及所述待计数样本图像的第一边界样本数据;
基于所述目标计数样本图像,确定所述待计数样本图像中的目标计数样本物体的第二边界样本数据,以及所述目标计数样本图像是否为可用计数样本图像;
若所述目标计数样本图像为可用计数样本图像,检测在所述第二边界样本数据与所述第一边界样本数据的多个样本垂直距离中,是否存在小于第一预设样本阈值的样本垂直距离;
若不存在小于所述第一预设样本阈值的样本垂直距离,将所述目标计数样本图像作为输入特征,将所述至少一个待计数样本图像对应的目标计数样本物体的数量作为输出特征,输入至构建好的深度学习网络模型中,得到图像计数模型。
6.一种图像中物体的计数装置,其特征在于,所述计数装置包括:
第一确定模块,用于获取至少一个待计数图像,针对于每个待计数图像,确定出所述待计数图像对应的目标计数图像,以及所述目标计数图像的第一边界数据;
第二确定模块,用于基于所述目标计数图像,确定所述目标计数图像中的目标计数物体的第二边界数据,以及所述目标计数图像是否为可用计数图像;
检测模块,用于若所述目标计数图像为可用计数图像,检测在所述第二边界数据与所述第一边界数据的多个垂直距离中,是否存在小于第一预设阈值的垂直距离;
数量确定模块,用于若不存在小于所述第一预设阈值的垂直距离,将所述目标计数图像输入至预先训练好的图像计数模型中;按照所述目标计数图像采集的先后顺序,计算相邻两张目标计数图像之间的余弦距离值,若所述余弦距离值小于预设间距阈值,则为相邻两张目标计数图像分配相同的标识码;基于所述标识码,确定在所述至少一个待计数图像中目标计数物体的数量;
时间确定模块,用于获取具有相同所述标识码的多个目标计数图像以及每个目标计数图像的采集时间;基于每个目标计数图像的采集时间,确定所述目标计数图像中的目标计数物体在图像采集位置处的停留时间。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一项所述的图像中物体的计数方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5中任一项所述的图像中物体的计数方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078319.1A CN111275693B (zh) | 2020-02-03 | 2020-02-03 | 一种图像中物体的计数方法、计数装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078319.1A CN111275693B (zh) | 2020-02-03 | 2020-02-03 | 一种图像中物体的计数方法、计数装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275693A CN111275693A (zh) | 2020-06-12 |
CN111275693B true CN111275693B (zh) | 2023-04-07 |
Family
ID=71001976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010078319.1A Active CN111275693B (zh) | 2020-02-03 | 2020-02-03 | 一种图像中物体的计数方法、计数装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275693B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619811B (zh) * | 2022-12-16 | 2023-04-14 | 北京远舢智能科技有限公司 | 一种烟支数量的确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092513A (ja) * | 2003-09-17 | 2005-04-07 | Minolta Co Ltd | 計数システム |
WO2012124123A1 (ja) * | 2011-03-17 | 2012-09-20 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
WO2017057330A1 (ja) * | 2015-09-28 | 2017-04-06 | オリンパス株式会社 | 内視鏡システム及び画像処理方法 |
CN107085727A (zh) * | 2017-03-28 | 2017-08-22 | 深圳怡化电脑股份有限公司 | 一种图像边界函数的确定方法及其装置 |
CN110032933A (zh) * | 2019-03-07 | 2019-07-19 | 北京旷视科技有限公司 | 一种图像数据的获取方法、装置、终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018022648A1 (en) * | 2016-07-25 | 2018-02-01 | Iteris, Inc. | Image-based field boundary detection and identification |
-
2020
- 2020-02-03 CN CN202010078319.1A patent/CN111275693B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092513A (ja) * | 2003-09-17 | 2005-04-07 | Minolta Co Ltd | 計数システム |
WO2012124123A1 (ja) * | 2011-03-17 | 2012-09-20 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
WO2017057330A1 (ja) * | 2015-09-28 | 2017-04-06 | オリンパス株式会社 | 内視鏡システム及び画像処理方法 |
CN107085727A (zh) * | 2017-03-28 | 2017-08-22 | 深圳怡化电脑股份有限公司 | 一种图像边界函数的确定方法及其装置 |
CN110032933A (zh) * | 2019-03-07 | 2019-07-19 | 北京旷视科技有限公司 | 一种图像数据的获取方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111275693A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120254B2 (en) | Methods and apparatuses for determining hand three-dimensional data | |
JP6176388B2 (ja) | 画像識別装置、画像センサ、画像識別方法 | |
CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
US10275682B2 (en) | Information processing apparatus, information processing method, and storage medium | |
CN110490190B (zh) | 一种结构化图像文字识别方法及系统 | |
CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
TW202201275A (zh) | 手部作業動作評分裝置、方法及電腦可讀取存儲介質 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN111222452A (zh) | 一种人脸匹配方法、装置、电子设备及可读存储介质 | |
CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
CN112036362A (zh) | 图像处理方法、装置、计算机设备和可读存储介质 | |
CN111461905A (zh) | 车险骗赔规避方法、装置、计算机设备及存储介质 | |
CN111275693B (zh) | 一种图像中物体的计数方法、计数装置及可读存储介质 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
EP3291179B1 (en) | Image processing device, image processing method, and image processing program | |
CN106886796B (zh) | 图标位置识别方法、装置及终端设备 | |
CN111814653A (zh) | 一种视频中异常行为的检测方法、装置、设备及存储介质 | |
CN111598090A (zh) | 一种印刷电路板上标记的识别方法以及相关设备 | |
US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN114842228A (zh) | 散斑图分区方法、装置、设备及介质 | |
CN114758384A (zh) | 人脸检测方法、装置、设备及存储介质 | |
CN114120309A (zh) | 一种仪表读数识别方法、装置及计算机设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230921 Address after: Room 103-365, No. 2, Lane 99, Changjiang South Road, Baoshan District, Shanghai, 2019 Patentee after: Shanghai Guisheng Technology Co.,Ltd. Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing Patentee before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |