CN112348905B - 一种颜色识别方法、装置、终端设备及存储介质 - Google Patents

一种颜色识别方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN112348905B
CN112348905B CN202011187627.4A CN202011187627A CN112348905B CN 112348905 B CN112348905 B CN 112348905B CN 202011187627 A CN202011187627 A CN 202011187627A CN 112348905 B CN112348905 B CN 112348905B
Authority
CN
China
Prior art keywords
color
solid
preset
solid object
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
CN202011187627.4A
Other languages
English (en)
Other versions
CN112348905A (zh
Inventor
赵雨佳
程骏
庞建新
熊友军
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202011187627.4A priority Critical patent/CN112348905B/zh
Publication of CN112348905A publication Critical patent/CN112348905A/zh
Application granted granted Critical
Publication of CN112348905B publication Critical patent/CN112348905B/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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种颜色识别方法、装置、终端设备及存储介质，其中，方法包括：对待识别图像进行纯色物体检测；在检测到纯色物体时，检测所述纯色物体的位置；当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准；在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。本申请实施例可减少对纯色物体误检的概率，从而提高对纯色物体识别的准确性和稳定性。

Description

一种颜色识别方法、装置、终端设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种颜色识别方法、装置、终端设备及存储介质。
背景技术
基于图像处理的物体识别的应用领域日益广泛，需要对物体进行颜色识别的应用场景也越来越多，如通过机器人根据颜色对物体进行分拣，对于不同颜色的物体要进行分类，要对物体的颜色进行识别。
在待识别物体是纯色物体的应用场景中，纯色易受场景的环境因素影响，使得对纯色物体的识别的准确性和稳定性比较低。
发明内容
本申请实施例提供了一种颜色识别方法、装置、终端设备及存储介质，旨在解决现有在纯色物体的识别的准确性和稳定性比较低的问题。
第一方面，本申请实施例提供了一种颜色识别方法，包括：
对待识别图像进行纯色物体检测；
在检测到纯色物体时，检测所述纯色物体的位置；
当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；
根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准；
在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。
在一个实施例中，所述根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准，包括：
根据所述第一处理结果，确定所述纯色物体中占比最大的颜色；
根据所述纯色物体中占比最大的颜色的占比值，确定所述纯色物体的颜色是否满足预设标准。
在一个实施例中，所述根据所述纯色物体中占比最大的颜色的占比值，确定所述纯色物体的颜色是否满足预设标准，包括：
在所述占比最大的颜色在所述纯色物体中的占比值大于第一预设阈值时，判定所述纯色物体的颜色满足预设标准；
在所述占比最大的颜色在所述纯色物体中的占比值小于或等于第一预设阈值时，判定所述纯色物体的颜色不满足预设标准。
在一个实施例中，所述确定所述纯色物体的颜色是否满足预设标准之后，还包括：
在所述纯色物体不满足所述预设标准时，对所述待识别图像中的预设区域进行颜色空间分割处理；
根据对所述预设区域进行颜色分割处理后的结果，确定所述预设区域中的第一纯色区域；
在所述第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第一纯色区域为纯色物体。
在一个实施例中，在对待识别图像进行纯色物体检测之后，包括：
在未检测到所述纯色物体时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第二处理结果；
根据所述第二处理结果，确定所述预设区域中的第二纯色区域；
在所述第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第二纯色区域为纯色物体。
在一个实施例中，在检测所述纯色物体的位置之后，包括：
当所述纯色物体的位置不满足所述预设条件时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第三处理结果；
根据所述第三处理结果，确定所述预设区域中的第三纯色区域；
在所述第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第三纯色区域为纯色物体。
在一个实施例中，在对所述待识别图像中的预设区域进行颜色空间分割处理之前，包括：
对所述待识别图像进行白平衡处理，以调节所述待识别图像的色阶和对比度。
在一个实施例中，所述对待识别图像进行纯色物体检测，包括：
通过已训练的神经网络模型对所述待识别图像进行纯色物体检测。
第二方面，本申请实施例提供了一种颜色识别装置，包括：
识别模块，用于对待识别图像进行纯色物体检测；
检测模块，用于在检测到纯色物体时，检测所述纯色物体的位置；
第一分割模块，用于当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；
第一确定模块，用于根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准；
输出模块，用于在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述颜色识别方法的步骤。
第四方面，本申请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存储有计算机程序，上述计算机程序被处理器执行时实现上述颜色识别方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述现上述颜色识别方法的步骤。
本申请实施例第一方面先对待识别图像进行纯色物体检测，在检测到纯色物体，且检测纯色物体位置满足预设条件时，进一步对所述纯色物体所在区域进行颜色空间分割处理，确定检测到的纯色物体是否满足预设标准，在检测到的纯色物体满足预设标准时，再确定所述纯色物体在所述待识别图像中的位置和颜色，可减少对纯色物体误检的概率，从而提高对纯色物体识别的准确性和稳定性。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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是本申请实施例一提供的颜色识别方法的流程示意图；
图2是本申请实施例二提供的颜色识别方法的流程示意图；
图3是本申请实施例三提供的颜色识别方法的流程示意图；
图4是本申请实施例四提供的颜色识别方法的流程示意图；
图5是本申请实施例五提供的颜色识别装置的结构示意图；
图6是本申请实施例六提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的颜色识别方法，可以应用于机器人、机器臂、台式电脑、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)、可穿戴设备、车载设备、增强现实(AugmentedReality，AR)/虚拟现实(Virtual Reality，VR)设备、电视机、手机等终端设备，所述机器人具体可以是桌面机器人，本申请实施例对终端设备的具体类型不做任何限制。
为了说明本申请所述的技术方案，下面通过以下实施例来进行说明。
实施例一
请参阅图1，本申请实施例提供的一种颜色识别方法，包括：
步骤S101，对待检识别图像进行纯色物体检测。
在一个实施例中，通过已训练的神经网络模型对所述待识别图像进行纯色物体检测。具体的待识别图像可通过图像采集设备获取，采集设备可以是摄像头。预先构建用于进行纯色颜色识别的神经网络模型，并对神经网络模型进行训练，通过训练完成的神经网络模型进行纯色物体检测。
在一种应用场景中，可通过轻量级网络模型构建上述神经网络模型，如采用以PeleeNet为主干网络(backbone)的SSD目标检测网络构建上述神经网络模型，其中，PeleeNet相对于其他移动端轻量级网络具有较好的特征提取能力和运行速度。对构建的神经网络模型进行训练可以是根据应用场景预先准备好大量包含需要识别的不同颜色和不同类别的纯色物体的图像，为保证模型对光照改变的情况具有稳定性，可在准备的大量图像中准备包含在不同光照下得到的包含纯色物体的图像，在不同光照下的图像可以是拍摄得到，或者也可以是通过调节图像颜色色调和/或饱和度得到。对每个图像中纯色物体的颜色和类别进行标注，如图像中包括的纯色物体为黄色的兵兵球，可以对该图像中的纯色物体标注成黄色的兵兵球。将准备大量的包含所述目标物体的图像对上述神经网络模型进行训练，直至神经网络模型的预设损失函数收敛为止，判定神经网络模型为已经训练好的神经网络模型。神经网络模型的训练可以是在计算能力较大的计算设备(如服务器等等)中进行，在训练完成后，可将该模型移植至计算能力相对较小的终端设备(如桌面机器人，移动终端等)中以执行本申请中的颜色识别方法，具体可通过NCNN、Tensorflow-lite推理框架进行移植，同时为确保运行速度还可以进行量化、剪枝等轻量化模型的操作。
步骤S102，在检测到纯色物体时，检测所述纯色物体的位置。
在应用中，当检测到所述纯色物体时，检测所述纯色物体在待识别图中的位置，由于通常识别结果是需要图像偏中间位置的纯色物体，因此先检测纯色物体的位置，以判断所述纯色物体的位置是否满足预设条件，纯色物体的位置否满足预设条件具体可以是检测纯色物体的位置是否在预设区域。
步骤S103，当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果。
在应用中，纯色物体的位置满足预设条件可以是：检测纯色物体的位置在预设区域，所述预设区域可以是待识别图像的中心区域。在检测到纯色物体的位置满足预设条件时，进一步对检测到的纯色物体进行处理，对纯色物体在待识别图像中的区域进行颜色空间分割处理，获得纯色物体所在区域中各个像素对应的颜色。上述颜色空间分割处理可以是HSV颜色空间分割处理。HSV颜色空间是用色度、亮度和饱和度三个参数来确定颜色的一个空间。对纯色物体所在区域进行颜色空间分割处理可以是：确定纯色物体所在区域中每个像素的色度、亮度及饱和度三个参数值，并根据三个参数值是否在各自对应颜色的预设范围内，判断对应像素的颜色。例如，红色在HSV颜色空间中对应第一预设范围，第一预设范围包括第一色度范围、第一亮度范围及第一饱和度范围，当像素的色度在第一色度范围内、亮度在第一亮度范围内及饱和度在第一饱和度范围内，则判断对应像素的颜色是红色；同理黄色在HSV颜色空间中对应第二预设范围，第二预设范围包括第二色度范围、第二亮度范围及第二饱和度范围，绿色在HSV颜色空间中对应第三设定范围等，各种颜色都对应预设范围，此处不做赘述。
步骤S104，根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准。
在应用中，根据纯色物体所在区域中各个像素对应的颜色，确定所述纯色物体的颜色是否满足预设标准，所述预设标准可以是预先设置纯色物体的颜色标准。
在一个实施例中，根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准，包括：根据所述第一处理结果，确定所述纯色物体中占比最大的颜色；根据所述纯色物体中占比最大的颜色的占比值，确定所述纯色物体的颜色是否满足预设标准。
在一个实施例中，所述根据所述纯色物体中占比最大的颜色的占比值，确定所述纯色物体的颜色是否满足预设标准，包括：在所述占比最大的颜色在所述纯色物体中的占比值大于第一预设阈值时，判定所述纯色物体的颜色满足预设标准；在所述占比最大的颜色在所述纯色物体中的占比值小于或等于第一预设阈值时，判定所述纯色物体的颜色不满足预设标准。
在实际应用中，可以是判断纯色物体中面积占比最大的颜色的占比值是否大于第一预设阈值，纯色物体中面积占比最大的颜色的占比值大于第一预设阈值，则确定所述纯色物体的颜色满足预设标准，纯色物体中占比最大的颜色的面积占比值小于或等于第一预设阈值时，则确定所述纯色物体的颜色不满足预设标准。如第一预设阈值可以预设为80％，在纯色物体中占比最大的颜色的占比值大于80％，则确定所述纯色物体的颜色满足预设标准。当然根据实际应用将第一预设阈值设置为其他数值，如设置成80％～100％中任意一个数值，或者其他数值，对此不做限定。
步骤S105，在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。
在应用中，在所述纯色物体的颜色满足所述预设标准时，表示检测到的纯色物体检测正确的，确定纯色物体在所述待识别图像中的位置和颜色，并将确定纯色物体在所述待识别图像中的位置和颜色作为颜色识别的输出结果，可以降低误检的概率。
本申请实施例先对待识别图像进行纯色物体检测，在检测到纯色物体，且检测纯色物体位置满足预设条件时，进一步对所述纯色物体所在区域进行颜色空间分割处理，确定检测到的纯色物体是否满足预设标准，在检测到的纯色物体满足预设标准时，再确定所述纯色物体在所述待识别图像中的位置和颜色，可减少对纯色物体误检的概率，从而提高对纯色物体识别的准确性和稳定性。
实施例二
本申请实施例提供一种颜色识别方法，本实施例的颜色识别方法包括实施例一中的步骤，与实施例一相同或相似的地方，具体可参见实施例一的相关描述，此处不再赘述，如图2所示，在上述步骤S104中确定所述纯色物体的颜色是否满足预设标准之后，还包括：
步骤S201，在所述纯色物体不满足所述预设标准时，对所述待识别图像中的预设区域进行颜色空间分割处理。
在应用中，在所述纯色物体不满足所述预设标准时，判定检测到的纯色物体是检测错误，此时对待识别图像中的预设区域进行颜色空间分割处理。颜色空间分割处理可以是HSV颜色空间分割处理，HSV颜色空间分割处理的原理描述可参照上述步骤S102，此处不再赘述。由于通常检测结果是需要图像中间位置的纯色物体，预设区域可以是待识别图像的预设中心区域，预设中心区域的大小可以根据是预设比例系数乘上待识别图像大小确定预设中心区域的大小，所述比例系数为小于1的数。根据实际应用需求，预设区域可以为待识别图像中的预设的任意区域。
步骤S202，根据对所述预设区域进行颜色分割处理后的结果，确定所述预设区域中的第一纯色区域。
在应用中，在对预设区域进行颜色分割处理后，获得预设区域各个像素对应的颜色，根据预设区域各个像素对应的颜色，确定颜色相同且位置相邻的最大的区域，作为第一纯色区域。
步骤S203，在所述第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第一纯色区域为纯色物体。
在应用中，获取第一纯色区域的轮廓的形状特征，根据第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值，确定所述第一纯色区域为纯色物体。预设形状模型可以是预先设置的常见纯色物体的形状模型，如预设形状模型有多个时，第一纯色区域的轮廓的形状特征与多个预设形状模型中任一个的形状特征之间的相似度大于第二预设阈值，确定所述第一纯色区域为纯色物体，将该纯色物体的位置和颜色作为颜色识别结果。
本申请实施例在所述纯色物体不满足所述预设标准时，对所述待识别图像中的预设区域进行颜色空间分割处理。根据对所述预设区域进行颜色分割处理后的结果，确定所述预设区域中的第一纯色区域；在所述第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第一纯色区域为纯色物体，可减少对纯色物体物体漏检的概率，进一步提高对纯色物体物体识别的准确性和稳定性。
实施例三
本申请实施例提供一种颜色识别方法，本实施例的颜色识别方法包括实施例一或实施例二中的内容，与实施例一或实施例二相同或相似的地方，具体可参见实施例一或实施例二的相关描述，此处不再赘述，如图3所示，在上述步骤S101对待识别图像进行纯色物体检测之后，还包括：
步骤S301，在未检测到所述纯色物体时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第二处理结果。
在应用中，在未检测到所述纯色物体时，为避免漏检，对所述待识别图像中的预设区域进行颜色空间分割处理，获得预设区域各个像素对应的颜色。
在一个实施例中，在对所述待识别图像中的预设区域进行颜色空间分割处理之前，包括：对所述待识别图像进行白平衡处理，以调节所述待识别图像的色阶和对比度。由于光照或其它原因，会使原来的颜色产生偏色，通过白平衡处理进行色彩还原。
步骤S302，根据所述第二处理结果，确定所述预设区域中的第二纯色区域。
在应用中，在对预设区域进行颜色分割处理后，获得预设区域各个像素对应的颜色，根据预设区域各个像素对应的颜色，确定颜色相同且位置相邻的最大的区域，作为第二纯色区域
步骤S303，在所述第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第二纯色区域为纯色物体。
在应用中，获取第二纯色区域的轮廓的形状特征，根据第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值，确定所述第二纯色区域为纯色物体。预设形状模型可以是预先设置的常见纯色物体的形状模型，如预设形状模型有多个时，第二纯色区域的轮廓的形状特征与多个预设形状模型中任一个的形状特征之间的相似度大于第二预设阈值，确定所述第二纯色区域为纯色物体，将该纯色物体的位置和颜色作为颜色识别结果。
本申请实施例在未检测到所述纯色物体时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第二处理结果；根据所述第二处理结果，确定所述预设区域中的第二纯色区域；在所述第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第二纯色区域为纯色物体，可减少在预设区域对纯色物体物体漏检的概率，进一步提高对纯色物体物体识别的准确性和稳定性。
实施例四
本申请实施例提供一种颜色识别方法，本实施例的颜色识别方法包括实施例一、实施例二或实施例三中的内容，与实施例一、实施例二或实施例三相同或相似的地方，具体可参见实施例一或实施例二的相关描述，此处不再赘述，如图4所示，在上述步骤S102中检测所述纯色物体的位置之后，还包括：
步骤S401，当所述纯色物体的位置不满足所述预设条件时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第三处理结果。
在应用中，当所述纯色物体的位置不满足所述预设条件时，表示该纯色物体不是需要检测的物体，为避免漏检，在需要检测的预设区域重新通过颜色空间分割处理方法识别纯色物体，如先对所述待识别图像中的预设区域进行颜色空间分割处理，获得预设区域各个像素对应的颜色。
在一个实施例中，在对所述待识别图像中的预设区域进行颜色空间分割处理之前，包括：对所述待识别图像进行白平衡处理，以调节所述待识别图像的色阶和对比度。由于光照或其它原因，会使原来的颜色产生偏色，通过白平衡处理进行色彩还原。
步骤S402，根据所述第三处理结果，确定所述预设区域中的第三纯色区域。
在应用中，在对预设区域进行颜色分割处理后，获得预设区域各个像素对应的颜色，根据预设区域各个像素对应的颜色，确定颜色相同且位置相邻的最大的区域，作为第三纯色区域。
步骤S403，在所述第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第三纯色区域为纯色物体。
在应用中，获取第三纯色区域的轮廓的形状特征，根据第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值，确定所述第三纯色区域为纯色物体。预设形状模型可以是预先设置的常见纯色物体的形状模型，如预设形状模型有多个时，第三纯色区域的轮廓的形状特征与多个预设形状模型中任一个的形状特征之间的相似度大于第二预设阈值，确定所述第三纯色区域为纯色物体，将该纯色物体的位置和颜色作为颜色识别结果。
本申请实施例在纯色物体的位置不满足所述预设条件时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第三处理结果；根据所述第三处理结果，确定所述预设区域中的第三纯色区域；在所述第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第三纯色区域为纯色物体，可减少在预设区域对纯色物体物体漏检的概率，进一步提高对纯色物体物体识别的准确性和稳定性。
实施例五
本申请实施例还提供一种颜色识别装置，用于执行上述颜色识别方法实施例中的步骤。颜色识别装置可以是终端设备中的虚拟装置(virtual appliance)，由终端设备的处理器运行，也可以是终端设备本身。
如图5所示，本申请实施例提供的颜色识别装置500包括：
识别模块501，用于对待识别图像进行纯色物体检测；
检测模块502，用于在检测到纯色物体时，检测所述纯色物体的位置；
第一分割模块503，用于当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；
第一确定模块503，用于根据所述第一处理结果，确定所述纯色物体的颜色是否满足预设标准；
输出模块504，用于在所述纯色物体的颜色满足所述预设标准时，确定所述纯色物体在所述待识别图像中的位置和颜色。
在一个实施例中，第一确定模块具体包括：
第一确定单元，用于根据所述第一处理结果，确定所述纯色物体中占比最大的颜色；
第二确定单元，用于根据所述纯色物体中占比最大的颜色的占比值，确定所述纯色物体的颜色是否满足预设标准。
在一个实施例中，所述第二确定单元具体用于：
在所述占比最大的颜色在所述纯色物体中的占比值大于第一预设阈值时，判定所述纯色物体的颜色满足预设标准；
在所述占比最大的颜色在所述纯色物体中的占比值小于或等于第一预设阈值时，判定所述纯色物体的颜色不满足预设标准。
在一个实施例中，所述颜色识别装置400还包括：
第二分割模块，用于在所述纯色物体不满足所述预设标准时，对所述待识别图像中的预设区域进行颜色空间分割处理；
第二确定模块，用于根据对所述预设区域进行颜色分割处理后的结果，确定所述预设区域中的第一纯色区域；
第三确定模块，用于在所述第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第一纯色区域为纯色物体。
在一个实施例中，所述颜色识别装置400还包括：
第三分割模块，用于在未检测到所述纯色物体时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第二处理结果；
第四确定模块，用于根据所述第二处理结果，确定所述预设区域中的第二纯色区域；
第五确定模块，用于在所述第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第二纯色区域为纯色物体。
在一个实施例中，所述颜色识别装置400还包括：
第四分割模块，用于当所述纯色物体的位置不满足所述预设条件时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第三处理结果；
第六确定模块，用于根据所述第三处理结果，确定所述预设区域中的第三纯色区域；
第七确定模块，用于在所述第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第三纯色区域为纯色物体。
在一个实施例中，所述颜色识别装置400还包括：
处理模块，用于在对所述待识别图像中的预设区域进行颜色空间分割处理之前，对所述待识别图像进行白平衡处理，以调节所述待识别图像的色阶和对比度。
在一个实施例中，所述检测模块具体用于：
通过已训练的神经网络模型对所述待识别图像进行纯色物体检测。
本申请实施例先对待识别图像进行纯色物体检测，在检测到纯色物体，且检测纯色物体位置满足预设条件时，进一步对所述纯色物体所在区域进行颜色空间分割处理，确定检测到的纯色物体是否满足预设标准，在检测到的纯色物体满足预设标准时，再确定所述纯色物体在所述待识别图像中的位置和颜色，可减少对纯色物体误检的概率，从而提高对纯色物体识别的准确性和稳定性。
实施例六
如图6所示，本发明的一个实施例还提供一种终端设备600包括：处理器601，存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603，例如颜色识别程序。所述处理器601执行所述计算机程序603时实现上述各个颜色识别方法实施例中的步骤，例如实施例一，实施例二，实施例三、和/或实施例四中的方法步骤。所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块的功能，例如图5所示模块501至505的功能。
示例性的，所述计算机程序603可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器602中，并由所述处理器601执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。例如，所述计算机程序603可以被分割成识别模块，检测模块，第一分割模块，输出模块，各模块具体功能在上述实施例中已有描述，此处不再赘述。
所述终端设备600可以是机器人、机器臂、台式电脑、笔记本电脑、超级移动个人计算机、上网本、可穿戴设备、车载设备、移动终端等计算设备。所述终端设备可包括，但不仅限于，处理器601，存储器602。本领域技术人员可以理解，图6仅仅是终端设备600的示例，并不构成对终端设备600的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端设备600的内部存储单元，例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备，例如所述终端设备600上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种颜色识别方法，其特征在于，包括：
对待识别图像进行纯色物体检测；
在检测到纯色物体时，检测所述纯色物体的位置；
当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；
根据所述第一处理结果，确定所述纯色物体中占比最大的颜色；
在所述占比最大的颜色在所述纯色物体中的占比值大于第一预设阈值时，判定所述纯色物体的颜色满足预设标准；
在所述占比最大的颜色在所述纯色物体中的占比值小于或等于第一预设阈值时，判定所述纯色物体的颜色不满足预设标准；
在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。
2.根据权利要求1所述的颜色识别方法，其特征在于，还包括：
在所述纯色物体不满足所述预设标准时，对所述待识别图像中的预设区域进行颜色空间分割处理；
根据对所述预设区域进行颜色分割处理后的结果，确定所述预设区域中的第一纯色区域；
在所述第一纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第一纯色区域为纯色物体。
3.根据权利要求1所述的颜色识别方法，其特征在于，在对待识别图像进行纯色物体检测之后，包括：
在未检测到所述纯色物体时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第二处理结果；
根据所述第二处理结果，确定所述预设区域中的第二纯色区域；
在所述第二纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第二纯色区域为纯色物体。
4.根据权利要求1所述的颜色识别方法，其特征在于，在检测所述纯色物体的位置之后，包括：
当所述纯色物体的位置不满足所述预设条件时，对所述待识别图像中的预设区域进行颜色空间分割处理，获得第三处理结果；
根据所述第三处理结果，确定所述预设区域中的第三纯色区域；
在所述第三纯色区域的轮廓的形状特征与预设形状模型的形状特征之间的相似度大于第二预设阈值时，确定所述第三纯色区域为纯色物体。
5.根据权利要求2至4任一项所述的颜色识别方法，其特征在于，在对所述待识别图像中的预设区域进行颜色空间分割处理之前，包括：
对所述待识别图像进行白平衡处理，以调节所述待识别图像的色阶和对比度。
6.根据权利要求1所述的颜色识别方法，其特征在于，所述对待识别图像进行纯色物体检测，包括：
通过已训练的神经网络模型对所述待识别图像进行纯色物体检测。
7.一种颜色识别装置，其特征在于，包括：
识别模块，用于对待识别图像进行纯色物体检测；
检测模块，用于在检测到纯色物体时，检测所述纯色物体的位置；
第一分割模块，用于当所述纯色物体的位置满足预设条件时，对所述纯色物体所在区域进行颜色空间分割处理，获得第一处理结果；
第一确定单元，用于根据所述第一处理结果，确定所述纯色物体中占比最大的颜色；
第二确定单元，用于在所述占比最大的颜色在所述纯色物体中的占比值大于第一预设阈值时，判定所述纯色物体的颜色满足预设标准；在所述占比最大的颜色在所述纯色物体中的占比值小于或等于第一预设阈值时，判定所述纯色物体的颜色不满足预设标准；
输出模块，用于在所述纯色物体的颜色满足所述预设标准时，输出所述纯色物体在所述待识别图像中的位置和颜色。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的方法。
CN202011187627.4A 2020-10-30 2020-10-30 一种颜色识别方法、装置、终端设备及存储介质 Active CN112348905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011187627.4A CN112348905B (zh) 2020-10-30 2020-10-30 一种颜色识别方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011187627.4A CN112348905B (zh) 2020-10-30 2020-10-30 一种颜色识别方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112348905A CN112348905A (zh) 2021-02-09
CN112348905B true CN112348905B (zh) 2023-12-19

Family

ID=74356061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011187627.4A Active CN112348905B (zh) 2020-10-30 2020-10-30 一种颜色识别方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112348905B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470334A (zh) * 2018-03-20 2018-08-31 上海顺久电子科技有限公司 一种采集屏幕亮度和色度的方法及装置
CN108769634A (zh) * 2018-07-06 2018-11-06 Oppo（重庆）智能科技有限公司 一种图像处理方法、图像处理装置及终端设备
CN108830124A (zh) * 2018-05-11 2018-11-16 李峰 三维码识别方法
CN110097510A (zh) * 2019-04-11 2019-08-06 平安科技（深圳）有限公司 一种纯色花朵识别方法、装置及存储介质
CN110991465A (zh) * 2019-11-15 2020-04-10 泰康保险集团股份有限公司 一种物体识别方法、装置、计算设备及存储介质
CN111222506A (zh) * 2019-12-25 2020-06-02 深圳市优必选科技股份有限公司 颜色识别方法、设备及计算机可读存储介质
WO2020151299A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 黄色禁停线识别方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470334A (zh) * 2018-03-20 2018-08-31 上海顺久电子科技有限公司 一种采集屏幕亮度和色度的方法及装置
CN108830124A (zh) * 2018-05-11 2018-11-16 李峰 三维码识别方法
CN108769634A (zh) * 2018-07-06 2018-11-06 Oppo（重庆）智能科技有限公司 一种图像处理方法、图像处理装置及终端设备
WO2020151299A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 黄色禁停线识别方法、装置、计算机设备及存储介质
CN110097510A (zh) * 2019-04-11 2019-08-06 平安科技（深圳）有限公司 一种纯色花朵识别方法、装置及存储介质
CN110991465A (zh) * 2019-11-15 2020-04-10 泰康保险集团股份有限公司 一种物体识别方法、装置、计算设备及存储介质
CN111222506A (zh) * 2019-12-25 2020-06-02 深圳市优必选科技股份有限公司 颜色识别方法、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112348905A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112348778B (zh) 一种物体识别方法、装置、终端设备及存储介质
CN111355941B (zh) 图像颜色实时校正方法、装置和系统
CN109116129B (zh) 终端检测方法、检测设备、系统及存储介质
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN112312001B (zh) 一种图像检测的方法、装置、设备和计算机存储介质
CN112085701A (zh) 一种人脸模糊度检测方法、装置、终端设备及存储介质
CN111368587A (zh) 场景检测方法、装置、终端设备及计算机可读存储介质
CN115496668A (zh) 图像处理方法、装置、电子设备及存储介质
CN112116567A (zh) 一种无参考图像质量评价方法、装置及存储介质
CN112364846B (zh) 一种人脸活体识别方法、装置、终端设备及存储介质
CN112348905B (zh) 一种颜色识别方法、装置、终端设备及存储介质
CN115690747B (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN115439509B (zh) 一种多目标跟踪方法、装置、计算机设备及存储介质
CN111104965A (zh) 车辆目标识别的方法及装置
CN108629219B (zh) 一种识别一维码的方法及装置
CN114998172A (zh) 图像处理方法及相关系统
CN113642593B (zh) 影像处理方法与影像处理系统
CN113793291A (zh) 一种图像融合方法、装置、电子设备及存储介质
CN110796050A (zh) 一种无人机巡检过程中目标物体的识别方法及相关装置
CN112966718B (zh) 图像识别方法、装置及通信设备
CN110765862A (zh) 车标识别的方法及终端设备
CN116363031B (zh) 基于多维光学信息融合的成像方法、装置、设备及介质
CN113077422B (zh) 起雾图像检测方法、模型训练方法及装置
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN108710853B (zh) 人脸识别方法及装置

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