CN1123940A - 产品识别系统 - Google Patents

产品识别系统 Download PDF

Info

Publication number
CN1123940A
CN1123940A CN 95104385 CN95104385A CN1123940A CN 1123940 A CN1123940 A CN 1123940A CN 95104385 CN95104385 CN 95104385 CN 95104385 A CN95104385 A CN 95104385A CN 1123940 A CN1123940 A CN 1123940A
Authority
CN
China
Prior art keywords
image
object
target
system
normalized
Prior art date
Application number
CN 95104385
Other languages
English (en)
Other versions
CN1092375C (zh
Inventor
鲁道夫·M·鲍勒
琼纳森·H·康奈尔
诺曼·哈斯
拉科什·莫汉
加布里尔·塔乌宾
Original Assignee
国际商业机器公司
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
Priority to US08/235,834 priority Critical patent/US5546475A/en
Application filed by 国际商业机器公司 filed Critical 国际商业机器公司
Publication of CN1123940A publication Critical patent/CN1123940A/zh
Application granted granted Critical
Publication of CN1092375C publication Critical patent/CN1092375C/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/4642Extraction of features or characteristics of the image by performing operations within image blocks or by using histograms
    • G06K9/4647Extraction of features or characteristics of the image by performing operations within image blocks or by using histograms summing image-intensity values; Projection and histogram analysis
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07GREGISTERING THE RECEIPT OF CASH, VALUABLES, OR TOKENS
    • G07G1/00Cash registers
    • G07G1/0036Checkout procedures
    • G07G1/0045Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader
    • G07G1/0054Checkout procedures with a code reader for reading of an identifying code of the article to be registered, e.g. barcode reader or radio-frequency identity [RFID] reader with control of supplementary check-parameters, e.g. weight or number of articles
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K2209/00Indexing scheme relating to methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K2209/17Recognition of food, fruit, vegetables

Abstract

本系统和装置利用图像处理技术来识别景物中的对象。系统包括用于照明景物的照明源。通过控制照明源,图像处理系统能得到具有以较高水平照明的对象的景物的第一个数字化图像和具有以较低水平照明的对象的第二个数字化的图像。使用某个算法,通过比较这两个数字化的图像,就能把对象图像从景物的背景图像中分割出来。然后把对象的经处理过的图像同被存储的参照图像进行比较。当匹配时,该对象就被识别。

Description

产品识别系统

本发明涉及利用计算机化的光学扫描设备识别(即,辨认、分类、分级和检验)对象的领域。更具体地,本发明是涉及用图象处理技术识别散装货物的一种可训练系统和方法。

现有技术中存在用于识别对象的图象处理系统,这些系统用直方图来实现这种识别。一种常见的直方图方法是从包含某个对象的(彩色)图象中产生一个灰度直方图或彩色直方图。然后再把这些直方图和参考图象的直方图直接进行比较。或者,抽取这些直方图的特征,并且和从包含参考对象的图象的直方图中的特征进行比较。

参考直方图或这些直方图的特征通常被存在计算机存储器中。现有技术一般用这种方法来验证图象中的目标对象的确是所期望的对象,并且还可能根据相对于参考直方图的其外表的质量来分级/分类该对象。另一个目的可以是通过比较目标图象对象的直方图和多个对象的参考图象的直方图来辨认目标对象。

在本文中,辨认被定义为:给定一组参考对象或类别,决定目标对象是哪个参考对象或目标对象属于哪个参考类别。分类或分级被定义为:确定目标对象被看作是某个对象并且/或者该对象的质量为某个定量的值。这里,类别中的一个可能是“反”类,意味着对象的质量太差,或者该对象不是已知类别中的成员。另一方面,验证被定义为:确定目标为某个对象或类别,并且简单地验证这是真的或是假的。识别被定义为辨认、分类、分级和/或验证。

散装货物包括在超级市场、食品杂货店、零售店或五金商店中散装出售的任何货物。例如农产品(水果和蔬菜)、糖、咖啡豆、糖果、铁钉、螺母、螺栓、普通五金器件、零配件和包装货物。

在图象处理技术中,数字图象就是由摄象机得到的模拟图象,通过把该图形划分为称之为图形元素的固定数量的位置、并把在这些图形元素上的图象的值量化为固定数量的值而使之转换为一种离散表示法。所得到的数字图象可由某个计算机算法处理以开发其他的图象。这些图象可以被存在存储器中,并且/或者被用来确定被成象对象的有关信息。象素就是数字图象的图形元素。

图象处理和计算机视觉就是通过对数字图象的计算机处理来修改图象或者从该图象中获取被成象对象的性质,例如对象的特性、位置等等。

景物包括一个或多个感兴趣的对象比及同对象一块被成象的环境。这些环境也被称为替景。背景通常比感兴趣的对象离摄象机更远一些。

图象分割(也被称为图形/背景分离)就是把一个景物图象分割为单独的对象和背景图象。分割指的是辨认与属于背景的图象的象素相对的那些被包含在对象的图象中的象素。因此,被分割的对象图象就是组成完整景物的原始图象中的对象的象素集。被分割对象图象的面积为对象图象中的象素的个数。

照明度是指照明景物及其中对象的光线。整个景物的照明度直接决定景物中单个对象的照明度,以及由成象装置(如摄象机)所接收到的对象的反射光。

环境照明度是指来自除了专门用于成象某个对象的特定光线之外的任何光源的照明度。例如,环境照明度是由于类似户外太阳光和室内光线这样的环境中产生的光源的照明度。

闪耀或镜子式的反光指的是由光亮的(象镜子那样的、可能是局部的反射特性)对象反射出来的大量光线。闪耀的色彩主要是照明光线的色彩(对比对象的自然色彩)。

图象的特征被定义为该图象的任何特性,能够通过计算来提取。特征通常具有在某个范围中(比如说R0—R1)的数值。在现有技术中,直方图是在整个图象或图象的窗口(子图)上被计算的。图象的某个特征的直方图是在图象或窗口上特征值分布的数字表示。通过把特征范围R0—R1划分为M个间距(箱)并对每个图象的象素计算特征来产生特征的直方图。只需计数有多少个图象或窗口的象素落在给出特征直方图的每个箱子中。

图象特征包括(但并不局限于)色彩和质地。色彩是一种二维的特性,例如色调和饱和或其他的象素色彩描述(下面将给出说明),但通常按三维特性处理,即红、绿和蓝(RGB)的数量。用在现有技术中的各种色彩描述包括:(1)RGB空间;(2)对立色彩空间;(3)Mun-sell(H,V,C)色彩空间;以及(4)色调、饱和、亮度(H,S,I)空间。对于后者来说,类似Munsell空间,色调指的是象素的色彩(从红到绿到蓝),饱和是指色彩的“深度”(例如从带绿色到深饱和的绿色),而亮度则指光亮度,或者在灰度图象中,象素呈现的样子。

另一方面,质地是一种视图特征,更加难以从计算中得到,并且,这种特征不能归属于单个象素,而是一小块图象数据的属性。一个图象块的质地是对该块中的空间亮度变化的描述。这可能是一种(texels的)重复模式,如洋蓟或菠萝的模式,也可能是更为随机的,如欧芹叶子的模式。这些分别被称为结构质地和统计质地。质地有一个广泛的范围,从二维平面的棋盘形的布置上fexel的确定性排列到“盐和胡椒”的白噪声。对图象质地的研究工作已经进行了30多年,并且开发了许多一维的或更高维数的计算方法。然而,在现在的技术中,发明人还不知道有质地特征的直方图。

图象中某些边界的形状是多个边界象素的特征。边界形状指的是局部特征,例如曲率。苹果具有基本上不变的曲率边界,而黄瓜则有一条低的曲率,一条低的负曲率和两条高曲率(端点)。还可以使用其他的边界形状量度。

某些现在的技术利用色彩直方图来辨认对象。给出目标对象的(R,G,B)彩色图象,用于该直方图的色彩表示为“对立色彩”:rg=R-G,by=2*B-R-G,并且wb=R+G+B。wb轴被划分为8段,而rg和by轴被分为16段。这就产生了2048个箱的一个三维直方图。该系统把目标图象直方图同66个预先存起来的参考图象直方图进行匹配。这组66个预先存放的参考图象直方图是固定的,因此不是一个可训练的系统,即:在某个示例中不可识别的目标图象在以后的示例中也是不能识别的。

Kelly和Klein的美国专利5060290提出了基于灰度直方图的杏仁分级。落下的杏仁被一致的光线照射并由一个线性摄象机成象。产生杏仁图象的灰度直方图(被量化为16级)。通过让所有的箱计数被1700除而实现对直方图的规范化,这里的1700个象素是预期最大杏仁的尺寸。从该直方图中抽取5个特征:(1)峰值的灰度值;(2)直方图的范围;(3)在峰值上象素的数目;(4)在峰值右边的箱子中象素的个数;以及(5)在箱4中象素的个数。通过查找表,产生一个8位数字的代码,如果该代码就在库里,则该杏仁就被接受。该系统是不可训练的。可接受质量的杏仁的外形被硬编码在算法中,因此,系统不能被训练来对由杏仁的新示例的表示的杏仁进行不同的分级。

Okada等的美国专利4735323提出排列和传送被检验对象的一种机制。该系统更具体地涉及桔子的分级。被传送的桔子用在某个预定波长范围内的灯光照明。反射的光线被接收并转换为电子信号。产生一个被分为64个箱子的级(level)直方图,其中级(level)=(全部反射光的亮度)/(被桔子反射的绿光的亮度)确定该直方图的中值N,并把它作为桔子色彩的表示。在N的基础上,可以把桔子的色彩分为4个等级:“优”、“好”、“较好”和“差”,还可以分得更细。该系统是不可训练的,其中,不同等级的桔子的外形被硬编码在算法中。

使用灰度和彩色直方图对于分级或验证图象中的对象是一种非常有效的方法。其主要理由是:直方图是参照对象的非常紧凑的表示,不依赖于图象中对象的位置或方位。

然而,为了有效地使用基于直方图的图象识别方法,必须满足某些条件。要求(1)图象中对象的大小基本上是已知的,(2)对象几乎不受到遮断(即对象的大部分都在图象中,并且不被其他对象所遮蔽),(3)产生参照对象直方图和目标对象直方图的图象(参照和目标图象)的景物照明度几乎没有什么不同,以及(4)能够方便地把对象从背景中分离出来,或者在背景中几乎没有什么干扰。在这些条件下,现在的技术中有许多方法能对目标对象的图象直方图和参照对象的图象直方图进行比较。

某些现有技术的匹配系统和方法,声称不受背景、视点变化、遮蔽和图象分辨率变化的影响。然而,在某些现在的技术中,照明条件得不到控制。当获取参照对象直方图的照明度色彩不同于获取目标对象的图象直方图的照明色彩时,系统就会失败。图象中图象点的RGB值在很大程度上取决于照明的色彩(即使人们能毫无困难地命名给出整个图象的色彩)。因此,当照明的色彩(光线频率分布)变化时,图象的彩色直方图可能发生显著的变化。而且,在这些现在技术的系统中,对象没有从背景中分割出来,因此,图象的直方图不是规范化的区域。这意味着:为了准确识别,目标图象中的对象必须具有和参照图象中的对象一样的尺寸,因为相对于象素大小的对象大小的变化可能显著地改变彩色直方图。这还意味着:图象中对应背景的部分必须是非彩色的(如黑色的),或者至少是对象中所没有的颜色,否则,这将严重地干扰所得到的图象彩色直方图。

如果图象中杏仁的尺寸明显地不同于所预期的杏仁的尺寸,则美国专利5060290中所公开的现有技术就会失败。另外,这也是由于该系统不能明确地把对象和背景分开。这个系统只能用于对杏仁分级,而不能区分杏仁和(比如说)花生。

同样,例如在美国专利4735323中公开的这类现在技术只能识别不同级别的桔子。一个变红的葡萄柚可能都要被识别为一个非常大的桔子。该系统的设计不是同时针对不同类别的水果,因此设法应付例如绿色的比例对白色反射率这样的弱特征。

总之,在农业领域中的许多现有技术,由美国专利4735323和5060290所代表的,都涉及到分类/分级农产品货物。如果在扫描仪前一次只通过一个对象,这种现有技术也只能分类/辨认对象/产品/农产品。而且还要求对象/产品/农产品的尺寸范围事先知道(从最小到最大可能的对象尺寸)。如果同时扫描多个货物,或者更准确地说,如果在同一时间上多个对象出现在扫描位置上,则这些系统将会失败。

此外,现在的技术通常要求细心地工程化和昂贵的机械环境来小心地控制灯光条件,把货物传送到预定的空间位置。这些装置被设计来专门用于一种固定形状的对象(圆的、椭圆的等等),并且不可能或至少不能方便地被修改以处理其他的对象类型。对象的形状决定对象传送的装置,因此对于这些传送装置来说,不可能或难以传送不同的对象类型。对于奇形怪状的对象(如花椰菜或姜)来说更是这样。由于这种原因以及使用为特定对象选择的特征,不允许现有的技术区分不同类型的农产品。

另外,没有一种现在的技术是可训练的系统,在这种系统中,通过人类或计算机的介入,学习新的项目或放弃旧的项目。即:这类系统能被示教,以识别那些最初没有被程序设计在系统中的对象,或停止识别那些最初被程序设计在系统中的对象。

现在技术不能有效发挥作用的一个领域是农产品结帐,目前用于农产品结帐的装置和方法还存在着许多问题。顾客和农产品零售商/批发商都不喜欢在新鲜的农产品上贴上(PLU—价格查找)标签。也不喜观预先包装好的农产品,因为增加了包装和处置(固体垃圾)的费用,并且无法在预包装的形式中检查农产品的质量。

自从食品杂货店第一次出现以来,农产品销售结帐的处理并没有发生多大的变化。在销售点(POS)上,出纳员必须识别农产品的项目、重量或者计数货物的个数,并确定其价格。目前,在大多数商店中,后者是通过手工输入和农产品连系在一块的非助记符PLU代码来实现的。在POS上,这些代码以打印清单或带有图片的小册子的形式出现。

这种农产品结帐处理导致以下的几个问题:(1)商店遭受损失(减少收入)。首先,出纳员可能由于疏忽而输入错误的代码号。如果这对顾客有利,顾客将很少会主动地提醒出纳员的注意。其次,对于朋友和亲戚,出纳员可能故意输入较低价格的农产品货物的代码(Sweethearting)。

(2)由于农产品的辨认问题,农产品的结帐倾向于降低了结帐的处理过程。

(3)每个新的出纳员都必须接受对农产品的品名、外形和PLU码的培训。

本发明的一个目的是用于识别象农产品这样的对象的一种改进的装置和方法。

本发明的一个目的是一种用于识别象农产品这样的对象的改进的可训练的装置和方法。

本发明的另一个目的是一种用于在销售点或农产品商店中识别和标价象农产品这样的对象的改进的装置和方法。

本发明的进一步目的是用于自动化产品(如农产品)的辨认的用户界面的改进装置和方法。

本发明是利用图象处理技术来识别景物中的对象的一种系统和装置。该系统包括照明景物的照明源。通过控制照明源,图象处理系统就能得到具有按较高水平照明的对象的第一个数字化的影物图象,以及具有按较低水平照明的对象的第二个数字化图象。使用某个算法,通过比较所得到的这两个数字化的图象,就能新颖地把对象图象从景物的背景图象中分割出来。然后把对象的被处理过的图象(可以用来表示特征的特性)同被存储的参考图象进行比较。当匹配成立时,对象就被识别。

不被识别的对象的被处理过的图象可以用对象的个性加以标号并存在存储器中,建立在某些准则的基础出上,因此,当该对象在将来被成象时,这个不被识别的对象就能被识别。用这种新颖的方式,本发明就能被示教来识别先前未知的对象。

对象的识别不依赖对象的尺寸或数目,因为对象的图象在同参照图象比较之前就被新颖地规范化。

可选择确定对象的其他特征(如重量)的用户界面和装置用在系统中。

图1是本系统的一个最佳实施例的简图。

图2是一个流程图,表示用来识别对象的本方法的一个最佳实施例。

图3说明把一个景物分割为对象图象和背景图象。

图4是用于分割图象并识别图象中的对象的装置的最佳实施例的简图。

图5是分割目标对象图象的一种最佳方法的流程图。

图6是一个流程图,说明表示引用目标对象特征的特性的最佳方法。

图7是一个流程图,表示对象特征特性(面积/长度)规范化的一种最佳方法。

图8表示面积/长度规范化目标对象特性同一个或多个面积规范化参照对象特性的比较。

图9是一个流程图,说明训练本装置识别新图象的一种最佳(算法的)方法。

图10是一个简图,表示被提取的对象的多个特征。

图11是一个流程图,表示质地特征的直方图化和规范化。

图12是一个流程图,表示边界形状特征的直方图化和规范化。

图13是一个称重设备的简图。

图14给出一个图象,其中,通过分割对象图象确定该被分割的对象具有两个不同的区域并且把这些区域加入到识别算法中。

图15表示本发明装置的一个人类界面,提供了被成象农产品的最可能的个性的有序等级。

图16给出了一种装置,用于由人类通过浏览所有先前被存储的图符图象的子集来确定对象的个性,以及选择子集的装置。

图17是利用对象的重量来为对象定价的本发明的最佳实施例。

图1所示的装置100是本发明的一个最佳实施例,利用图象处理技术自动识别一个或多个对象131。

具有不随时间而变化的光频率分布的光源110照明对象131。光线是非单色的,并且可能包括红外线或紫外线频率。非单色的并且具有固定频率分布的光线能保证对象131的色彩显现不会因所得到的不同图象之间光线的变化而改变并保证给定对象的被存储图象能匹配后来由该对象得到的图象。最佳的灯光为闪光灯管Mouser U—4425或两个GE的冷—白荧光灯泡(22瓦和30瓦),分别为GE FC8T9—CW和GE FC12T9—CW。这种光源是众所周知的。

视频输入设备120被用来把被反射的光线转换为图象。这种图象一般是二维的。最佳的视频输入设备是彩色摄象机,但也可以使用其他任何能把光线转换为图象的设备。这类摄象机应该包括CCD摄象机和CID摄象机。彩色摄象机的输出可以是12GB、HSI、YC或任何其他的色彩表示。一种较好的摄象机是Sony杆卡式的摄象机CCB—C35YC或Sony XC—999。象120这类的视频输入设备是众所周知的。

在本发明中,彩色图象是最佳的传感模态,然而,其他的传感器模态也是可以的,例如,红外线和紫外线图象,嗅觉/气味(可量度的,例如用质量分光计),热衰减特性,超声波和磁共振图象,DNA,基频,刚度和硬度。这些模态可以用已知的照明和量度方法使能,或者对对象131抽样并用一种可兼容的成象设备120来产生图象。

对象131是由系统100成象和识别的对象。对象131可能包括一个或多个项目。虽然最好对象131是一种类型的,例如一个或多个苹果,但这些项目可以属于不同的类型,例如谷类食品盒(对象A)和苹果(对象B)。系统100将识别对象为(1)对象A,(2)对象B,(3)对象A和对象B,或(4)认为对象是不可识别的。这些对象实际上可以是由系统100成象的任何东西,但最佳的对象131是散装货物,包括农产品(水果和蔬菜),五金,盒装货物等。

计算设备140,一般为计算机140,用来处理由视频输入设备120产生并由帧接收器142数字化(和计算机140兼容)的图象。

处理过程由算法200实现。其他类型的计算设备140包括:个人计算机和工作站。计算设备140也可以是一个或多个数字信号处理器,或独立的,或被装在计算机中。也可以是能执行算法200的任何特定的硬件。一种最佳实施例是和插在IBM Valuepoint计算机或IBM4690系列的POS现金出纳机中的与收据转换DT2871帧接收器板连接的数据转换DSP板DT2878。帧接收器142是数字化来自摄象机120的图象信号的一种设备。如果摄象机120是一种数字式的摄象机,则不要求单独的帧接收器142。数字化仪可以和计算机140分离或者作为其组成部分。图象可以存在标准的存储器设备144中。给出本公开,熟悉这一技术的人就能开发其他同等的计算设备140和帧接收器142。

一个可选的交互输出设备160可以连接到计算设备140上,作为与用户(如出纳员)的界面。输出设备160可以包括辅助用户决策164的屏幕,也可以提供能训练(162)系统100识别新对象的机制。一种可选的称重设备170也能把对象131的重量(或密度)输入到计算设备140。见下面(图13)的描述。

图2是由计算设备或计算机140运行的算法200的流程图。在步210中,将被识别的目标对象由摄象机120成象。象这类的成象技术是众所周知的。然后把目标对象131的图象从其背景中分割出来(步220)。步220的目的是把目标对象131和背景分开,使得系统100能独立于景物的背景计算被分离对象131的图象象素的特性。在步230中,从被分离的目标对象图象,最好是逐个象素地计算出对象131的一个或多个特征。在步240中,产生这些逐个象素被计算特征集的特性。在步250,规范化能保证这些特性不依赖实际的面积、长度、大小、或者和对象131在图象中所占的面积/长度/大小有关的特性,使得对象131的一个或多个示例被识别为同一个对象类型。规范化由对象131在图象中所占的段的特性化的最佳手段是对被计算的特征特性的次数计数。(这将在图7中进一步描述,最佳的规范化手段是通过面积或长度)。在步260中,目标对象的计数—规范化特性和被存在内存270中的参考对象的计数—规范化特征进行比较。存储器270可能位于存储设备144或计算机140中。(见图8中的描述)。在步251中,根据计算机存储器270中的某准则255存放面积—规范化特性。这一步使得系统100能被训练,因为存储标准255可能允许存储(步251)新的参照图象,以后可能被用来比较目标131图象(见图15中的描述)。

步220把对象的图象和背景图象分割或分离出来。执行这一步,使得目标对象的特征能免受景物背景的影响和干扰而被处理。图3给出了分割对象图象和背景图象的两种最佳的方法(分别为图3a和图3b)。

图3a给出了两个景物。第一个被成象的景物310表示没有任何其他对象出现在摄象机120的视域中的背景311的图象。第二个成象的景物320同时包括景物背景311的图象和具有一个或多个对象131的图象130。这里,成象对象130的象素在对象131存在的景物图象320那些区域中代替了背景图象311中的象素。所以,这是具有对象131的示例存在于景物中的背景311的图象。

景物310和320比较,最好是逐个象素比较,允许对象图象130从景物的背景图象311中被分到(分离)出来。如果对于图象320中的某个给定的象素,其亮度不同于(如大于)景物310中相同象素的图象亮度,则该象素属于对象图象130。如果对于图象320中的某个给定象素,其亮度等于景物310中的相同象素,则该象素属于背景图象311(见图5的描述)。

图3b给出了具有由能够分割对象图象的本发明的最佳实施例产生的背景和一个或多个对象的一个景物的两个图象。图3b中的图象330是关闭了光源110的景物(包括对象131和背景311)的图象。即,景物图象330包括由环境光线照明的背景311的图象。另外,在景物图象330中还有遮蔽了背景的对象图象135。由于光源110是关闭的,在景物图象330中对象图象135显得黑,因为没有被光源110照明。

图3b中的图象340是打开光源110的景物图象。在这种情况下,光源110用大于环境光线的光量照明在摄象机视域中的对象131。这导致了景物图象340中的对象图象130更亮(比在图象330中)。

图4是一个简图,表示最佳系统400成象景物(如图3中所述的那些景物)、把对象图象130从其物理背景312的背景图象311中分割出来、并且识别对象131。对这个系统400的组成部分401的一般描述可以在1994年4月申请的、题目为“对象成象系统”的美国专利申请号XXX中找到,在这里将被引用。

最佳系统400把对象131放在灯光110和摄象机120上面,因此提供了从下向上看的对象131的图象。系统400为对象131提供一个支撑物405,并且还保证对象是固定的且离摄象机120有一个可重复的距离。此外,系统400允许闪光对象的成象(如塑料包),通过提供由410和420组成的过滤系统,减少闪光对象图象中的闪耀(镜子式的反射)。

系统400包括对灯光110和摄象机120的一个不透光的外壳401,该外壳只有一个面向对象131的开口403。开口403有足够的尺寸允许对象131被摄象机120成象并由灯光110照明。开口可以是方的、圆的或任何其他的形状。一个透明的表面405复盖着外壳401中的开口403。这个表面405可以是一块玻璃。透明表面405提供一个支撑,可以把被成象的对象131放置其上。通过把对象131放在表面405之上,使得摄象机120和对象131之间的距离407保持固定,因此提供了可重复成象的手段。

为了从对象131的图象中消除闪光(从对象131本身并且可能从外层的塑料包),在摄象机120的透镜中加入一个偏振过滤器420,或者就把这个过滤器420放在摄象机120的透镜之上。第二个偏振过滤器410放在灯光110和开口403之间。这保证到达对象131的灯光被偏振。另外,灯光也可以被偏振器完全包围起来。如果灯光只是部分地被放在一个盒子中(如摄象机的闪光灯)或借助一个折射器(如照相的聚光灯),则偏振器只需被放在允许灯光通过的灯光装置中的开口上。在第一个过滤器410中偏振(极化)的方向垂直于第二过滤器420偏振的方向。现有技术公认:从某个对象(如对象131)反射出来的镜子式反射光被极化为与从该对象反射出来的漫射(无光)反射光相反。因此,具有偏振过滤器420的成象对象131减少了图象中的闪光。进而,具有被410极化的灯光110的照明装置131减少了对象131上的闪光量。410也保证了从对象131反射出来的反射光的偏振角度垂直于偏振器420。因此,成象的对象131通过垂直于偏振器410的偏振器420进一步减少了对象图象130中的闪光量。

灯光控制450打开和关闭灯光110,或者在不同的亮度级之间切换灯光110。控制450可以在计算机110上实现,或直接连到灯光110上,或者可以是一台单独的设备。控制可以是灯光110的一部分,作为一种定时设备,例如在闪光灯中那样。控制可以和摄象机、计算机或两者同步。灯光开关控制450是众所周知的。

图2的分割步骤220将在图5中进一步描述,给出从景物中分割对象图象的一种最佳方法。

在步510中,景物的图象(第一个图象)是在灯光110被打开或具有较高亮度的情况下产生的,因此能较好地照明对象131。控制450控制灯光110的开关。

在步520中,景物的第二个图象是在灯光110被关闭或置于步510中的亮度级之下的情况下产生的。灯光110应该这样被设置,使得对象131在第二图象中显得比在第一个图象中较暗。通过执行这些新颖的步骤,对象图象130就能在下面的步骤中从背景图象311中被分离或分割出来。

此外,在步510和520中,对象131,背景312和图象输入设备120应该处于相同的位置,以保证第一和第二个图象的空间定位。假定从图象的左上角开始对每个象素编号,则以读书的方式通过第一行然后下到第二行。定位(对准)意味着在第一个图象中的每个被编号的象素对应着的景物(对象131和背景312)的区域和第二个图象中的被相同编号的象素完全一致。保证正确的定位可通过快速接续来获得第一和第二个图象,或者相对于静止的背景312成象静止的对象131。

获得第一和第二个图象的次序可以颠倒,即,步520可以在步510之前执行。

在算法220的步530中,第一和第二图象在帧接收器142中被数字化。在计算机140中,第一个数字化图象中的每个象素同第二个数字化图象中的相同位置上的对应象素相比较。象这样的逐个象素比较的方式在图象处理技术中是已为人们所了解的。例如,虽然每一对被比较的象素必须互相对应(即在每个图象中各自相同的位置上),但图象中的对应象素对可以按任何次序比较。此外,也可以采用其他的比较方式,例如,常常比较第二或第三象素。

在步540,在逐个象素的基础上执行检查,确定第一个图象中的象素是否比第二个图象中的对应象素更亮且大于某个值T。在任何象素比较中,如果第一个图象中的象素比第二个图象中的对应象素更亮且大于值T,则算法220执行分枝542并指定该象素对应到对象131。同理,若象素的比较表明:第一个图象中的象素并不比第二个图象中的对应象素的亮度大于值T,则算法220执行分枝544,并指定该象素对应物理背景312的图象311。

容差T的值可以是一个常量。最佳的容差T为最大图象亮度的5%。另外,T的值也可以变化,取决于象素在图象中的位置,或取决于在暗的图象中象素的亮度。T的位置变化允许系统补偿光源110的不均匀照明。T的暗亮度变化使得系统能正确地辨认具有低反射性的前景对象(例如黑色的对象)。T值可以固定,或者可以在不同时间由系统重新计算。例如,可能需要随着光源110的使用时间或因为某些其他的理由(如被提供给灯泡的交流电压的变化)亮度的不同而改变T值。这种重新计算可能在没有对象的两个背景图象上执行(背景312的一个图象被较亮照明,而另一个图象则被较暗地照明)。由于没有对象存在,两个背景图象被照明应该显得一样(用环境光线)。然而,实际上,当灯光110被开到较高的亮度时,可能会稍微照明背景312。因此,为对应象素对的比较选择容差T。然后可以这样设置容差T使得在这对背景图象中,只有很少数的象素实际通过测试。例如,在最佳实施例中,T将被设置,使得少于10%的象素对在大于容差T的照明方面有差别。

在最佳实施例中,在逐个象素的基础上对景物图象中的每个象素位置执行步530和540。其结果是,对应对象131的象素被收集在被分割的对象图象130中。尤其是,在被分割的对象图象中,来自第一个图象的、显著地亮于其在第二个图象中对应象素的所有象素都被集中在被分割的对象图象中,位于它们在第一个图象中的位置上。因此,被分割的对象图象对应从背景312中去掉的对象131的所要图象。如果需要的话,图象中留下的象素(如没有对应到对象130上的象素)可以被赋以所需的任意值,并且/或者可以用已知的图象处理技术进一步处理。

同样,对应背景312的象素被集中在被分割的背景图象311中。尤其是,来自第一个图象的并不显著地亮于第二个图象中对应的象素的所有象素在其第一个图象的位置上被集中在分割的背景图象中。(在最佳实施例中,“显著地亮于”意味着在对应的象素对中的象素之间的亮度上的差别大于容差T)。被分割的背景图象对应其对象130被去掉的背景311的图象。如果需要的话,被分割背景图象中留下的象素(即那些对应被去掉的对象象素位置的象素)可以被赋以任何值,并且/或者用已知的图象处理技术对其作进一步的处理。

如果只需要对象130的图象,则不用执行获取311的步骤544。同样,若只需要背景312的图象,则不必执行步542和130。

在替换的最佳实施例中,对象131的半透明部分(如塑料盖)可以通过增加步552、554和556使之和对象131的不透明部分分开。

在该实施例中,分枝542执行步552而不是步540。在步552之前,已经确定:第一个图象中的象素比其在第二个图象中对应的象素更亮。步552确定:第二个图象的对象130的象素(在低照明度下的对象131)是否亮于第二个容差值V。若是,则执行分枝553,并使该对象象素属于对象130的半透明部分554。(该对象在这一象素位置上是半透明的,因为某些环境的光线通过对象130并且当灯光110被开到低照明度时在该位置上被成象的)。如果不是,则执行分枝555,并且象素属于对象130的不透明部分556。(没有环境光线或者在容差V下的光线数量通过对象130的不透明部分被测量到)。对于第二个图象中的每个象素,V值可以是常量,也可以是变量,例如,取决于该象素在第二个图象中的位置。注意,V值可以象上述那样进一步被计算,单独从背景135的图象中,通过选择这样的V,使得背景图象的95%到85%比V更亮。V的最佳值是最亮的图象亮度的20%。

在步554中,建立半透明的对象图象。在这一步中,第一个图象中对应第二个图象中亮于V值的象素的每个象素(属于该对象)对应对象130的半透明部分,并且被存在半透明的对象图象中。在对第一个和第二个图象中的所有象素进行如此的处理之后,半透明的对象图象只包括对象130的半透明部分的图象。如果需要的话,半透明对象图象的剩余象素可以被赋以任意值并且/或者被进一步处理。

在步556中建立不透明的对象图象。在该步中,对应第二个图象中等于或暗于V值的象素的第一图象中的每个象素(属于该对象)对应对象图象130的不透明部分,并且被存在不透明对象图象556中。在第一和第二个图象中的所有象素都被如此处理之后,不透明对象图象将只包含对象130的不透明部分的图象。如果需要的话,不透明对象图象的剩余象素可以被赋以任何所需的值,并且/或者被进一步处理。

如果只需对象130不透明部分的图象,不必执行步554。同样,若只要对象130的半透明部分的图象,则不需要执行步556。

在另一个最佳实施例中,步552结合步540和步542去掉对象130。这样做的结果是产生半透明的对象图象或不透明的对象图象(或两者都产生),但不产生完整的被分割的对象图象130。

步552、554和556和前面步骤的其他组合也在本发明的考虑之中。

在图象被分割(步220)之后,计算一个或多个的目标对象特征。参看图2的步230。计算机140执行计算步骤230,并确定目标对象的特征。执行步230仅仅确定在步220中得到的目标对象的被分离出来(被分割)的图象130。对于被分割对象图象中的每个象素,确定特征。例如,利用单个象素的色彩,或利用象素的(色彩)值及其周围象素的(色彩)值来计算这样的特征。特征包括,但不局限于,目标对象被分割图象的色彩、形状、质地和密度。通常,特征由一个或多个特征值表示。

一旦确定了一个或多个特征(步230),该特征或该组特征被特性化(步240)。直方图化是实现特性化(步240)的一种最佳方法。见下面图6的描述。然而,也可以使用其他表示特性的方法。例如,中值特征值、计算化特征值的一阶(平均值)和/或高阶统计量、或者能从特征值的计算化集中导出的任何统计量都可以使用。给出本公开,熟悉本领域技术的人就能开发出表示特征的特性的其他等同的方法。

算法200的规范化步骤250刻划对象特征的特性,而不考虑被成象的实际对象131的尺寸。该步骤还使对象131的一个或多个示例能被装置100识别,而不必考虑对象131在景物中的个数或大小。规范化步骤250执行一个或多个计算化特征的特性化过程。执行规范化的最佳方法是相对于(例如)通过计数被分割对象图象中象素的个数(见下面图7的描述)或计数被分割对象图象边界上象素的个数(见下面图12的描述)所得到的面积或长度。

其他的规范化方法,例如,相地于从被分割对象图象中得到的任何其他特性的规范化也在本发明的考虑之中。

本发明的另一新颖特征使系统100能被训练。如果对象131的规范化特性不能被识别,即,不能和参考信息匹配(步260),则检查该规范化的特性(步251)是否满足某些存储规则255。若不被识别的对象的规范化特性满足存储规则255,则和其他的参考信息存在一块(步270)。因此,下次该对象131再被系统100成象时,就能被和某个参考图象匹配并被识别。见下面图9的描述。训练使得系统100能识别那些没有为了被识别而被“硬连线”(预先被程序设计好)的对象,这样使得系统更加灵活。被存储特性的规范化使得用于参考特性的对象131的个数可以不同于用来开发目标特性的对象131的个数。

存储规则可以包括由系统100设计所建立的任何准则。选择并且/或者建立存储规则255的能力也可以通过界面160给用户。简单的存储规则可以把关于不被识别对象所提供的信息存在参考数据库270中。其他的存储规则可以包括,但不局限于:(1)图象210的质量是好的;(2)目标对象占了图象210的大百分比;(3)特性对数据库中目标对象的引用应该是足够封闭的(图8中的描述840)。

在算法200的步260中,目标对象131的规范化特性和一个或多个规范化的参考对象特性进行比较(步260)。这种比较(步260)在很大程度上取决于特性化对象特征的方法,上述的步骤240中给出了这样的例子。一种最佳的比较方法(260)是用面积或长度的规范化直方图来实现的。

一个或多个参考对象特性被存在存储设备中(步270)。这种设备可能位于计算机140上的存储器中,或者是一种独立的外存设备144。存储参考对象特性(步270)的最佳方法是利用刻划了对象特征的一系列面积规范化特征直方图。这些面积规范化直方图系列中的每一个都有一个唯一的对象类型标识符。存储面积规范化特征直方图的一种最佳方法是使用规范化特征直方图的一个向量,即不同特征值出现的规范化频率。

图6是一个流程图,说明产生特征的直方图的一种最佳方法。在这个没有限制的例子中,使用了特征F1色调。然而,可以使用能从被分割图象中提取的任何特征。注意,本发明只从被分割的对象图象130中新颖地提取特征。直方图化的特征也可以从关于被分割对象的其他信息中获取。例如,色调可以从彩色图中的其他某些特征中得到。

为了产生直方图650,首先对景物成象(图2的步210)并且分割对象图象130(步220)。然后利用现在的技术计算或确定被直方图化的特征(步230),最好在逐个象素的基础上(但也可以在每隔一个象素或任何预定的象素子集的基础上)执行这一步。然后利用现有的技术来形成(步640)特征F1的直方图650。

例如,M个区间(箱)的直方图数组首先被初始化为零。然后,在逐个象素的基本上,计算象素的色调。对应某个具体象素的这个被计算出来的色调值被量化,使之落入该直方图的M个箱子中的某一个,比如说Bin(x)。然后对Bin(x)的内容增1,即新的Bin(x)=原来的Bin(x)+1。对被分割的对象图象130中的所有象素或这些象素的经选择过的子集(如每隔一个象素)执行这一步骤。

色调直方图650表示色彩(色调)是如何分布在被分割的对象130的图象中的。换句话说,每个箱子的内容描述了在对象图象130中多少象素具有该箱子所表示的色彩。如果F1是某些其他特征,则这表示该特征是如何被分布在对象130的图象中的。每个箱子的内容描述了对象130中多少象素具有该箱子所代表的特征值。

图7是一个流程图,表示规范化直方图特征的步骤,以及这些规范化的特征直方图如何不受被成象的对象131的尺寸或个数的影响的。

图象320是一个被分割的彩色图象,展示了一个被分割的对象131的图象130。图象720是对象131的三个示例的被分割彩色图象,展示了三个被分割的对象图象130。象图6中所描述的那样计算一个或多个特征F1,并产生两个直方图,分别为直方图745和740。在步750中,利用相同的规范化方法规范化每个直方图(745,740)。因为本发明只对每个图象(320,720)中对象的被分割图象规范化(步750),因此,所得的规范化直方图(分别为770和760)是一致的。即使具有较大数目的对象131的图象720将分布到直方图740的每个箱子上的象素个数比具有较少数目的对象131的图象320将分布到其相应的直方图745的每个箱子上的象素个数多,也会出现这种结果。(注意,如果对象131的尺寸在一个图象720中大于在另一个图象320中的尺寸,也会产生相同的效果)。例如,面积规范化建立了近似相等的规范化直方图(760,770),因为被分割图象对其直方图的分布由其相应的图象面积所划分。

通过增加直方图745的所有箱子的内容,计算彩色图象320中被分割对象图象面积130Area1,用同样的方式计算图象720的所有对象130(或较大尺寸的对象)的被分割面积Area2。为了得到面积规范化直方图760,直方图745被值Area1划分(逐个箱子地)。再逐个箱子地由Area2划分直方图740来计算面积规范化直方图770。经过这种操作这后,面积规范化直方图760约等于面积规范化直方图770,并且准备好象图8的描述中那样被比较(步260)。

可以对任何能从被分割对象图象130中提出的特性执行规范化。例如面积、长度和大小。还可以使用描述形状的其他量度,这样的量度包括(但不局限于)对象图象130的第二和较高阶(形状)的矩量、边界矩形的大小以及凸壳的面积。

图8说明算法200的步骤260,把被分割目标图象130的规范化特性(760,770)同一个或多个被存储起来的规范化参考特征270进行比较(步840)。特性810代表包含目标对象的某些被分割图象的规范化特性。对该特性的获取如图7所示。块820是如图9所述那样得到的面积规范化参考特性的一个表(数据库)。这些代表系统将能够识别的那些对象。这些规范化特性表示中的每一个一般都被标号为831,…,837。只给出6个,但面积规范化直方图表示的数目可以是很大的,例如100个,甚至1000个。每个被识别的对象至少应该由一个规范化的特性表示,但也可以由多个规范化的特征表示。820中的每个面积规范化特性都有一个从中产生规范化特性的对象的描述性标识符。特性810和参考特性820不限于一个特性,可以用多个特性表示。在那种情况下,从目标对象的图象中产生多个特性,而多个特性表示每一个参考对象。另外,每个这样的特性集都有一个唯一性的对象标识符。见图10的描述。

块840表示目标特性与参考特性的比较/匹配过程。匹配/比较特性的一种最佳方法是确定目标直方图和参考直方图之间的距离量度L1。例如,让目标直方图810被表示为编号的矢量T,而参考直方图820则表示为通过某个RN的矢量R1。对于本公开,目标直方图T的最好匹配被定义为这样的参考直方图RI,满足T和R1…R1…RN之间的距离L1(有时称为曼哈坦距离)是最小的。即,RI将给出距离Dist(T-RJ),…,J=1,2,…,N的最小距离L1。象最邻近分类法这样的匹配算法是众所周知的。展示距离量度的一般特性的任何距离量度(现有技术)都能用在这里。此外,不能展示距离特性的其他量度(如直方图相交)也可以使用。目标直方图T和参考直方图R1,…,RN的组成部分可以使用权值,这就产生了部分方式加权的距离量度。

如果目标对象和参考对象是由多个直方图表示的,最佳表示可以被看作包含多个被并置的直方图T′和R1′…RN′的较高维矢量。定义这样一个被并置的目标直方图到T′的最好匹配的一种最佳方法是被定义为满足T′和R1′…RN′之间的距离L1是最小的并置参考直方图RI′。这里,不同的权值可以被赋给距离L1中不同的子向量(代表不同的特征直方图)。另外,可以使用任何距离量度,并且还可以使用不展示距离特性的量度方法,如直方图相交法。权值可以被加到目标直方图T′和参考直方图R1′…RN′的组成部分上,导致了部分方式的加权距离量度方法。

在本发明中,故意让所示的对象131都属于同一类型。若提供多种对象,对象A和对象B,则可能导致预想不到的结果。最可能出现的结果是:对象被标识为不可识别的。然而,由于所用的距离量度方法,也可能发生这样的识别结果:(1)对象为对象A;(2)对象为对象B;(3)对象为对象A或对象B,在图5的用户界面中供选择。当混合对象具有类似的外形时,如Granny Smith苹果和GoldenDelicious苹果,则会出现后一种情况。对象被识别为存在820中的某个其他对象C的这种情况是不可能出现的。

图9是一个流程图,表示方法910中通过把满足一定存储规则255的(被并置的)参考直方图加到存储器270中来训练系统的步骤。训练方法910使装置100能识别新的对象/项目,即那些最初没有被存在系统存储器270中的对象/项目。训练方法910首先提供具有对象/项目的图象920的装置。该图被分割(步220),然后为如上所述的直方图化640确定特征。象上面那样,规范化(被并置)的直方图750被比较(步260)。若目标规范化直方图匹配了存储器中的某个参考规范化直方图,则该目标图象被识别。否则,方法910根据一定的存储规则255继续检查目标规范化图象。若存储规则没有被满足,方法终止(940)。若该目标规范化图象满足存储规则255,则把该目标规范化图象存在存储器设备270中,可用于以后匹配其他的目标图象。

采用以后将被用来识别所述对象131的不同示例的相同方式通过设备操作获取图象920是很重要的。图4中描述了这种设备的最佳实施例,使被极化的灯光通过过滤器410和摄象机上的极化过滤器420。极化(偏振)具有特殊的重要性,因为在训练和识别期间,对象131可能具有非常不可预期的镜式反射(闪耀)效应。

训练也可以通过交互的输入/输出设备160来实现;可以通过人类的干预来实现(通过前台的出纳员或后面屋子中的农产品管理员)。图15中将作进一步的描述。

图10是一个流程图,表示从图象中提取多个特征并利用多个特征来辨认对象的步骤。该方法首先从对象130和背景311的图象开始。象前面那样,把对象图象130从背景311中分割出来。然后按照如上所述的抽取色调F1(230)同样的方法从被分割的图象320中提取多个特征。块1010…1020通常指的是其他被提取的多个特征。这些包括,但不限于,饱和度、亮度、质地(如图11中所述)、边界形状(图12中所示)和密度(图13中所示)。至于色彩,HSI表示法是本发明表示色彩的最佳手段。其他的色彩表示法也可以使用,包括(但不局限于)RGB、Munsell、以及对立色彩。

一旦特征F1—FN被提取,就如上所述那样被直方图化和规范化。虽然许多特征(如色彩)可以被面积规范化,但其他的规范化(如长度和边界)可能更适合于某个特征。例如,见下面图12中的形状直方图。

在步骤840中,每个抽取的特征(F1—FN)被比较。图8中已经描述了这种比较。被提取的N个直方图(特征F1—FN的直方图)基本上被并置为一个长的直方图,并且比较是基于目标并置直方图和参考并置直方图之间的某种距离量度的。在这种距离量度方法中,单个特征值F1—FN的直方图可以用不同的权值W1—WN加权。另外,在距离量度中,并置直方图的每个单个的组成部分也可以有自己的权值。如上所述,特征F1—FN包括,但不局限于,色调、饱和度、亮度、质地和形状。不是所有的这些特征都具有同等的识别能力,因此,可以使用权值W1—WN。然而,不是单个特征(比如说F1)的每个部分都具有相等的识别能力。因此,单个特征直方图也可以按不同组成部分的方式进行加权。

图11说明质地是如何被用作规范化识别特征的。块210是展示质地1120特征的对象/项目的对象图象。象前面一样,对象图象被从其背景中分割出来(步220)。在步1140中,从被分割的图象中计算质地特征。在现有技术中已知的任何质地量度法都可以用在步1140的这种计算中。然而,有两种新颖的计算是最佳的。

第一种最佳的质地计算方法是一种新颖的质地量度A:利用现有技术中的方法选择阀值Tb,把被分割的图象转换为一个二进制图象。若图象的亮度大于Tb,二进制图象被置1;若图象的亮度小于Tb。二进制图象被置0。也可以使用为熟悉这一技术的人所了解的、用于二进制化图象的其他方法。结果为小斑点似的黑白图象。每个小斑点可以用宽度和长度特性化;与小斑点有关的质地量度(WE)由宽度偏心率=宽度/长度给出。这是使用“区域预测”确定的一种质地量度。

第二种最佳的新颖质地量度B如下所述:利用现有技术中的方法,用〔-1 2 -1〕掩码对图象卷积,这种卷积是在垂直和水平方向上同时进行的,分别用Vconv和Hconv表示。在卷积结果超过某个阈值T2的每个象素上,包括大小和方向的向量大小=Sqrt(Vconv(x)**2*Hconv(x)**2)方向=arctan(Vconv(x)/Hconv(x))被定义为质地量度。这是一利用“边缘预测”确定的质地量度。

质地特征也可以用一种新颖的方法1150使之直方图化,即,只对被分割的对象图象1120。如上所述的那样在被分割的图象上对质地量度直方图化。对质地量度A,这就产生了(宽度—偏心率)直方图,其中的宽度和偏心率已经在前面被定义。质地量度B给出了(大小—方向)直方图,其中的大小和方向如上所定义。对于方向直方图、方向直方图中最大方向被计算并且该直方图周期性地移动,将其峰值带到中心。这将使得方向直方图不受质地成象时转动的影响。

质地直方图通过计数规范化。其中计数可以是被分割对象图象1120中的每个象素,或者也可以是真正正展示质地的被分割对象图象1120中的那些象素。熟悉这一技术的人还可以设想从质地化区域中提取的其他形状量度。一种得到的规范化质地直方图被表示为1170。使用质地直方图来识别对象被认为是一种新颖的方法。

图12是一个流程图,说明用形状作为识别特征的步骤。象前面那样分割图象210(步220)。接着,确定对象图象130中哪些象素为边界象素(1210)。如果象素P的一个或多个相邻象素属于背景图象311,则象素P为边界象素。接着,确定每个边界象素P的边界形状特性(1220)。本发明所用的一种最佳形状量度是象素P上的局部边界曲率。计算机140首先计算适合中心象素P和周围边界象素的个数的圆的半径。曲率1/R描述象素P变化的局部程度—零曲率对应直线边界,高曲率对应局部“波形的”边界。苹果具有基本不变的曲率边界,而黄瓜则有一个低曲率、一个低的负曲率和两个高曲率(端点)。其他的形状量度是可能的。

接着对边界形状特征直方图化(1230)。这是通过计算边界象素P的形状特性来实现的。在这里,直方图是从包括对象图象130的边界的图象象素P的某个集合中、而不是在某个面积上产生的。

步1235中实现的规范化是一种形状直方图的长度规范化。一箱接一箱,1230的直方图被边界象素P的总数划分。其结果是:一个对象图象130的长度规范化形状直方图等于多个对象图象130的长度规范化形状直方图。长度规范化对象图象边界形状直方图是本发明的一个新颖特征。其他关于对象图象边界长度的规范化是可能的。

密度可能是一个重要的识别特征。一磅白详葱的重量和一磅蘑菇一样,但蘑菇的体积要比白洋葱的体积大得多。因此,重量和体积之间的关系是很重量的。这个关系是由下式决定的对象密度:密度=重量(对象131)/体积(对象131)图3是一个示意图,表示计算机140连接确定对象131重量的称重设备170。为了把重量用作识别特征,设备170把对象131的重量报告给计算设备140。在最佳实施例中,系统100用重量把“密度”特征定义为:“密度”=重量(对象130)/面积(被分割对象131)这种量度并没有体现引用密度的常规方法,而是压力的量度。称为“平均投影密度”。

对象131的真正密度只能很粗略地计算。为了得到对象131的体积的概念,对象130的边界轮廓近似椭圆,而其体积则近似于从该近似的椭圆中旋转产生的椭圆球的体积。然后,由重量/体积给出密度。

从投影分割对象图象130中估算体积的其他手段也在本发明的范围中。

代表同一特征F1(如色调)的多个参考直方图也能用来识别一个给定的对象。图14表示图象1405,其中,分割对象图象130有两个不同的区域,即叶子1410和葡萄1420。图象1405包括对象130和背景311。对象图象130和它的第一对象区域1410及其第二对象区域1420一块被分割。利用某个分割算法来识别和定义这些对象区域。一种最佳的算法是使用面积规范化色调直方图来检测是否存在两个或多个不同的峰值。

这些区域分别被直方图化和面积规范化。面积规范化直方图1450和1455分别对应第一区域1410和第二区域1420,并且如上所述比较参考直方图。此外,在匹配期间(图8),区域1410和1420的相对位置1430可以被考虑。本发明的这一部分说明这样的项目,其中的一种特征(如色彩,但不局限于色彩)在对象131的表面上不是一致的,因此,在被分割的对象图象130上不一致。典型的例子是带有叶子部分的胡萝卜。

图15给出了一个可选的人类界面160。它包括显示由装置100确定的对象131的各种可能的个性的图象(否则被解释)描述1510、1520、1530和1540的一个最佳装置。在一般情况下,通过和参考数据库270的比较260能唯一地辨认对象131。然而,在某种情况下,可能匹配多个的参考直方图,即,目标对象规范化直方图可能近似相同于多个的参考直方图。在这些情况下,可以通过界面160让人来作出最终的识别决定。界面160的一个最佳实施例提供了4种或更少的选择—1510,1520,1530,1540。象上面所解释的那样,还可以有更多的选择。人类可以通过各种方式,如触摸、声音、鼠标、键盘把决定告诉计算机140。此外,在界面上可以提供一个装置(按钮)162,使用户能决定何时并是否把一个直方图加到存储器270中的参考对象数据库820上,即,系统是否用该数据来训练,使之能在某个将来的时候,当对象131的示例被提供给系统100时能识别(或更好地识别)。

图16给出了具有类似浏览键功能的界面160,使用户能浏览对象的个性。浏览键指的是一个关键字或键特征,由此能缩小人类对数据库820中的对象个性的指导性搜索。这种键的例子如(但不局限于)红色1612、绿色1613、黄色1614,褐色1615,圆形1616,直线1617,叶子1618,苹果1619,柑桔类水果1620,胡椒1621,以及土豆1622,都象1610中那样被显示。用户可以通过触摸、声音、鼠标、键盘等进行通讯。键1600将作出这样的响应:或者用1610的另一个示例,其中所提供的选择1612—1622更为具体,或者用屏幕1630作出最后的决定。若1619,如苹果,被选择,1600将为人类提供屏幕1630,给出对象131的个性描述(草图,图片,语句)1631—1641。用户可以利用各种已知的输入设备在屏幕上进行选择。也可以使用其他对人类友好的方法或装置。

图17是一个示意图,给出了系统100用来对对象定价的可选装置。称重设备170被用来确定对象131的重量。装置100如上所述那样识别该对象。一旦该对象被识别出来,就确定该对象的价格。在定价过程中,如果需要的话,可以使用对象的重量170和/或个数(现有项目的个数)。对象的价格被存在存储器144中。

定价设备1710连接装置100,以便把价格告诉用户。定价设备1710可以是打印设备、显示设备或其他任何能传送对象价格的装置。价格也可以被显示在交互的输出设备160上。

如果价格以磅为单位标识、计算机140计算价格按:价格=重量*(对象131每磅的价格)

如果以个数为单位,计算机接下式计算价格:价格=个数*(对象131的单价)项目的个数可通过人类的干预或估计得到。

为了由人类干预而输入个数,如果项目131在计算机存储器140中被指定为按个数出售(如棕檬,酸橙),则系统100只需提示用户输入个数。有两种自动估算个数的方法:a)装置100在存储器144中存有对象131的平均重量,则按下式计数:个数=重量/平均重量(对象131)当从被分割对象图象13中建立了对象131的个性之后。

b)若装置100已经估算了被分割对象图象130的个数,则个数=被分割对象图象130的个数。

Claims (32)

1.识别对象的系统,包括:a.照明对象的光源,该光源具有在时间周期上不变的非单色光频率分布;b.计算机系统,具有能建立包括目标对象图象和背景图象的景物图象的视频输入设备、存储器,以及用来在景物图象中分割对象图象和背景图象的算法;c.多个参考规范化特性,每个特征与一个被分割的参考对象相关,这些参考特征存在计算机的存储器中;以及d.一个或多个目标规范化特性,是被分割目标对象图象的每个特征,被分割目标对象图象是通过算法从景物中分割出来的,由此,把目标规范化特性同一个或多个参考规范化特性比较,若目标和参考特性匹配,则目标对象被识别为相关的参考对象。
2.权利要求1的系统,其特征在于特征为色调。
3.权利要求1的系统,其特征在于特性为直方图。
4.权利要求1的系统,其特征在于特性为色调直方图。
5.识别对象的系统,包括:a.照明景物的光源,该光源具有在某个时间周期内保持不变的非单色光频率分布,光源被控制以第一照明级和低于第一照明级的第二照明级来照明景物,景物包括对象和背景;b.计算机系统,具有存储器、建立包括目标对象图象和背景图象的景物图象的视频输入设备,以及在景物图象中分割目标对象图象和背景图象的算法,该算法通过比较以第一照明级得到的景物图象和以第二照明级得到的景物图象来分割对象图象;c.多个参考规范化直方图,每个特征与一个被分割的参考对象相关,参考直方图被存在计算机的存储器中;以及d.一个或多个目标规范化直方图,是被分割目标对象图象的每个特征,目标规范化直方图的规范化方法和参考规范化直方图的规范化方法一样,由此,目标规范化直方图比较一个或多个参考规范化直方图,如果某个特征的目标和参考规范化直方图匹配,则目标对象被识别为相关的参考对象。
6.权利要求5的系统,其特征在于规范化为面积规范化。
7.权利要求5的系统,其特征在于规范化为长度规范化。
8.权利要求5的系统,其特征在于规范化相对于从被分割对象图象中提取的量度。
9.权利要求5的系统,其特征在于特征为色调,且色调特征被面积规范化。
10.权利要求5的系统,其特征在于特征为饱和度,而饱和度直方图被面积规范化。
11.权利要求9的系统,其特征在于第二特征为饱和度,并且在对象被识别之前,被分割图象的目标规范化饱和度直方图也必须匹配某个参考规范化饱和度直方图。
12.权利要求5的系统,其特征在于特征为质地,并且为了使目标对象能被识别,目标质地直方图必须匹配参考质地直方图。
13.权利要求12的系统,其特征在于,利用区域预测确定质地。
14.权利要求12的系统,其特征在于,利用边缘预测确定质地。
15.权利要求7的系统,其特征在于,特征为形状,并且为了使目标对象能被识别,目标形状直方图必须匹配某个参考形状直方图。
16.权利要求5的系统,其特征在于进一步包括:a.称重目标对象的秤;b.对象的参照分割对象平均投射密度,参照投射密度的表示被存在计算机存储器中;以及c.目标分割对象投射密度;因此,为了辨认目标对象,目标对象投射密度必须匹配参考投射密度。
17.权利要求16的系统,其特征在于,由对象面积划分对象重量,确定平均投射密度。
18.权利要求5的系统,其特征在于,目标和参照对象图象都是经极化过滤器得到的。
19.权利要求5的系统,其特征在于,目标对象具有两个或更多的目标区域特征,每一个表示目标对象上的一个不同的区域,并且每个目标区域特征直方图和区域特征的相关位置匹配存在计算机存储器中的各自的参考区域特征直方图,以便识别目标对象。
20.权利要求19的系统,其特征在于,目标对象区域特征就在相关的位置中,并且为了使目标对象能被识别,相关位置必须匹配某个被存储的相关位置。
21.权利要求5的系统,其特征在于,目标对象的面积是这样确定的:通过分别获取没有对象的第一个图象和有对象的第二个图象,并且在第一个图象等于第二个图象的象素位置上从第二个图象中去掉第一个图象而把背景从对象图象中去掉。
22.权利要求5的系统,其特征在于,获取第一个图象是在光源关闭时,而获取第二个图象则是在光源打开时,并且通过选择在第一个图象中暗的而在第二个图象中较亮的象素来分割目标对象图象。
23.权利要求5的系统,其特征在于,对象为散装货物,而视频输入设备为彩色视频摄象机。
24.权利要求5的系统,其特征在于,对象为农产品且视频输入设备为彩色视频摄象机。
25.识别对象的系统,包括:a.照明景物的光源,该光源具有在某个时间周期上不变的非单色光频率分布,光源被控制分别用第一照明级和比第一照明级低的第二照明级来照明景物,景物包括对象和背景;b.计算机系统,具有存储器、建立包括目标对象图象和背景图象的景物图象的视频输入设备、以及在景物图象中把目标对象图象和背景图象分割的算法,该算法是通过比较以第一照明级摄取的景物图象和以第二照明级摄取的景物图象来分割对象图象的;c.多个参照规范化直方图,每个特征与某个被分割的参考对象相关,参考直方图被存在计算机的存储器中;以及d.一个或多个目标规范化直方图,是被分割目标对象图象的每个特征,目标化直方图被规范化的方法与参考规范化直方图的规范化方法相同;e.确定某个不能识别的目标对象图象是否满足一组存储规则的装置;因此,一个目标规范化直方图比较一个或多个参考规范化直方图,并且因为某个特征的目标和参考直方图不能匹配而目标对象不能被识别为相关的参考对象,并且,如果满足存储规则,该目标规范化直方图被存在存储器中。
26.权利要求25的系统,其特征在于,通过用户界面让用户辨认对象。
27.权利要求26的系统,其特征在于,用户界面为用户提供对象的两个或多个可能个性的选择。
28.权利要求26的系统,其特征在于,用户界面是一个触摸屏幕。
29.权利要求26的系统,其特征在于,界面是一种语音识别系统。
30.权利要求26的系统,其特征在于,该界面使用户能浏览对象的选择。
31.权利要求25的系统,其特征在于进一步包括:称重对象的一种秤,因此能在识别对象和重量的基础上确定散装货物的价格。
32.识别对象的方法,包括以下的步骤:a.用光源照明对象,该光源具有在某个时间周期上不变的非单色光频率分布;b.用带有视频输入设备的计算机系统建立景物图象,景物图象包括目标对象图象和背景图象,该计算机系统还具有存储器和能把对象图象从景物的背景图象中分割出来的算法;c.比较一个或多个目标规范化特性,被分割目标对象图象的每个特征由算法对一个或多个在存储器中的参考规范化特性确定,一个特征的每个参考特性与某个被分割的参考对象相关;并且d.当一个或多个目标规范化持性匹配一个或多个参考规范化特性时,目标对象被识别为参考对象。
CN 95104385 1994-04-29 1995-04-10 识别对象的系统及方法 CN1092375C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US08/235,834 US5546475A (en) 1994-04-29 1994-04-29 Produce recognition system

Publications (2)

Publication Number Publication Date
CN1123940A true CN1123940A (zh) 1996-06-05
CN1092375C CN1092375C (zh) 2002-10-09

Family

ID=22887095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 95104385 CN1092375C (zh) 1994-04-29 1995-04-10 识别对象的系统及方法

Country Status (10)

Country Link
US (1) US5546475A (zh)
EP (1) EP0685814B1 (zh)
JP (1) JP3369772B2 (zh)
KR (1) KR100190737B1 (zh)
CN (1) CN1092375C (zh)
AT (1) AT196695T (zh)
AU (1) AU685904B2 (zh)
CA (1) CA2144404C (zh)
DE (2) DE69518947D1 (zh)
ES (1) ES2151000T3 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100547603C (zh) 2007-08-08 2009-10-07 华中科技大学 一种地面建筑物识别定位方法
CN101912847A (zh) * 2010-08-02 2010-12-15 扬州福尔喜果蔬汁机械有限公司 基于dsp机器视觉的水果分级系统及方法
WO2011000226A1 (zh) * 2009-07-03 2011-01-06 深圳泰山在线科技有限公司 一种目标检测方法和设备及其使用的图像采集装置
CN102375977A (zh) * 2010-08-23 2012-03-14 东芝泰格有限公司 店铺系统及商品销售数据处理方法
CN102376136A (zh) * 2010-08-23 2012-03-14 东芝泰格有限公司 店铺系统及商品销售数据处理方法
CN101523194B (zh) 2006-10-02 2012-07-11 纳幕尔杜邦公司 测量涂层外观的方法及其应用
CN103279763A (zh) * 2013-05-25 2013-09-04 中北大学 一种基于结构特征的轮毂类型自动识别方法
CN104299337A (zh) * 2013-07-16 2015-01-21 东芝泰格有限公司 信息处理装置及其控制方法
CN103295136B (zh) * 2012-02-24 2016-08-03 东芝泰格有限公司 商品读取装置及商品读取方法

Families Citing this family (177)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8352400B2 (en) 1991-12-23 2013-01-08 Hoffberg Steven M Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
US10361802B1 (en) 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control system and method
US7966078B2 (en) 1999-02-01 2011-06-21 Steven Hoffberg Network media appliance system and method
EP0721631B1 (de) * 1993-09-27 1997-07-23 Siemens Aktiengesellschaft Verfahren zur segmentation von digitalen farbbildern
JP3468877B2 (ja) * 1994-10-27 2003-11-17 矢崎総業株式会社 植物の自動診断方法及び装置
US5649070A (en) * 1995-02-17 1997-07-15 International Business Machines Corporation Learning system with prototype replacement
EP0727760A3 (en) * 1995-02-17 1997-01-29 Ibm Produce size recognition system
US5649021A (en) * 1995-06-07 1997-07-15 David Sarnoff Research Center, Inc. Method and system for object detection for instrument control
US6069696A (en) * 1995-06-08 2000-05-30 Psc Scanning, Inc. Object recognition system and method
US6959870B2 (en) * 1999-06-07 2005-11-01 Metrologic Instruments, Inc. Planar LED-based illumination array (PLIA) chips
US5839104A (en) * 1996-02-20 1998-11-17 Ncr Corporation Point-of-sale system having speech entry and item recognition support system
US7650015B2 (en) * 1997-07-22 2010-01-19 Image Processing Technologies. LLC Image processing method
US5969317A (en) * 1996-11-13 1999-10-19 Ncr Corporation Price determination system and method using digitized gray-scale image recognition and price-lookup files
US5933502A (en) * 1996-12-20 1999-08-03 Intel Corporation Method and apparatus for enhancing the integrity of visual authentication
EP0851380B1 (fr) * 1996-12-27 2002-05-15 Sagem Sa Capteur optique d'empreinte digitale
FR2757974B1 (fr) * 1996-12-27 1999-02-12 Sagem Capteur optique d'empreinte digitale
FR2763719B1 (fr) * 1997-05-21 1999-07-30 Sagem Capteur optique d'empreinte digitale
FR2757975B1 (fr) * 1997-05-21 1999-02-12 Sagem Capteur optique d'empreinte digitale
FR2763720B1 (fr) * 1997-05-21 1999-07-16 Sagem Capteur optique d'empreinte digitale a eclairage impulsionnel
US7212654B2 (en) * 1997-06-20 2007-05-01 Dawn Foods, Inc. Measurement of fruit particles
US6690841B2 (en) 1997-07-07 2004-02-10 General Electric Company Method and apparatus for image registration
US6219438B1 (en) * 1997-09-02 2001-04-17 Lucent Technologies Inc. Produce indentifier using barcode scanner and wavelet image processing and having compensation for dirt accumulated on viewing window
US5924575A (en) * 1997-09-15 1999-07-20 General Electric Company Method and apparatus for color-based sorting of titanium fragments
US6035055A (en) * 1997-11-03 2000-03-07 Hewlett-Packard Company Digital image management system in a distributed data access network system
US6181817B1 (en) 1997-11-17 2001-01-30 Cornell Research Foundation, Inc. Method and system for comparing data objects using joint histograms
JP2002501271A (ja) 1998-01-26 2002-01-15 ウェスターマン,ウェイン 手操作入力を統合する方法および装置
WO2000042910A1 (en) * 1999-01-26 2000-07-27 Newton Laboratories, Inc. Autofluorescence imaging system for endoscopy
US6424745B1 (en) * 1998-05-19 2002-07-23 Lucent Technologies Inc. Method and apparatus for object recognition
US6334092B1 (en) * 1998-05-26 2001-12-25 Mitsui Mining & Smelting Co., Ltd. Measurement device and measurement method for measuring internal quality of fruit or vegetable
US7417640B1 (en) * 1999-01-29 2008-08-26 Lg Electronics Inc. Method for dominant color setting of video region and data structure and method of confidence measure extraction
US6157435A (en) * 1998-05-29 2000-12-05 Eastman Kodak Company Image processing
US6363366B1 (en) 1998-08-31 2002-03-26 David L. Henty Produce identification and pricing system for checkouts
US6332573B1 (en) 1998-11-10 2001-12-25 Ncr Corporation Produce data collector and produce recognition system
US6155489A (en) * 1998-11-10 2000-12-05 Ncr Corporation Item checkout device including a bar code data collector and a produce data collector
US6296186B1 (en) * 1998-11-19 2001-10-02 Ncr Corporation Produce recognition system including a produce shape collector
US6624761B2 (en) 1998-12-11 2003-09-23 Realtime Data, Llc Content independent data compression method and system
US6445812B1 (en) * 1999-01-22 2002-09-03 Siemens Corporate Research, Inc. Illumination compensation system for industrial inspection
US6922699B2 (en) * 1999-01-26 2005-07-26 Xerox Corporation System and method for quantitatively representing data objects in vector space
US6941321B2 (en) 1999-01-26 2005-09-06 Xerox Corporation System and method for identifying similarities among objects in a collection
US6567797B1 (en) 1999-01-26 2003-05-20 Xerox Corporation System and method for providing recommendations based on multi-modal user clusters
US6996171B1 (en) * 1999-01-29 2006-02-07 Sony Corporation Data describing method and data processor
TW419634B (en) * 1999-02-02 2001-01-21 Ind Tech Res Inst Automatic detection system and method using bar code positioning
US6336082B1 (en) 1999-03-05 2002-01-01 General Electric Company Method for automatic screening of abnormalities
US6601104B1 (en) 1999-03-11 2003-07-29 Realtime Data Llc System and methods for accelerated data storage and retrieval
US6604158B1 (en) 1999-03-11 2003-08-05 Realtime Data, Llc System and methods for accelerated data storage and retrieval
EP1041378A1 (en) * 1999-03-29 2000-10-04 Ncr International Inc. Produce recognition system including a produce data collector
US6603877B1 (en) * 1999-06-01 2003-08-05 Beltronics, Inc. Method of and apparatus for optical imaging inspection of multi-material objects and the like
US8042740B2 (en) * 2000-11-24 2011-10-25 Metrologic Instruments, Inc. Method of reading bar code symbols on objects at a point-of-sale station by passing said objects through a complex of stationary coplanar illumination and imaging planes projected into a 3D imaging volume
US6260023B1 (en) 1999-06-14 2001-07-10 Ncr Corporation Transaction processing system including a networked produce recognition system
US6431446B1 (en) 1999-07-28 2002-08-13 Ncr Corporation Produce recognition system and method
US6529855B1 (en) * 1999-07-28 2003-03-04 Ncr Corporation Produce recognition system and method
AUPQ212499A0 (en) * 1999-08-10 1999-09-02 Ajax Cooke Pty Ltd Item recognition method and apparatus
US7181608B2 (en) 2000-02-03 2007-02-20 Realtime Data Llc Systems and methods for accelerated loading of operating systems and application programs
US6446869B1 (en) 2000-02-10 2002-09-10 Ncr Corporation Ambient light blocking apparatus for a produce recognition system
US6501547B1 (en) 2000-02-18 2002-12-31 Ncr Corporation Hand-held produce recognition system and produce data collector
US6505775B1 (en) 2000-04-25 2003-01-14 Ncr Corporation Produce data collector with enhanced LVF spectrometer
US6471125B1 (en) 2000-05-24 2002-10-29 Ncr Corporation Method of tracking produce selection data
US6530521B1 (en) 2000-07-17 2003-03-11 Ncr Corporation Produce recognition apparatus and method of obtaining information about produce items
US6409085B1 (en) 2000-08-16 2002-06-25 Ncr Corporation Method of recognizing produce items using checkout frequency
US6658138B1 (en) 2000-08-16 2003-12-02 Ncr Corporation Produce texture data collecting apparatus and method
US6601767B1 (en) 2000-08-16 2003-08-05 Ncr Corporation Ambient light sensing apparatus and method for a produce data collector
US6606579B1 (en) * 2000-08-16 2003-08-12 Ncr Corporation Method of combining spectral data with non-spectral data in a produce recognition system
US6412694B1 (en) 2000-09-20 2002-07-02 Ncr Corporation Produce recognition system and method including weighted rankings
US6668078B1 (en) 2000-09-29 2003-12-23 International Business Machines Corporation System and method for segmentation of images of objects that are occluded by a semi-transparent material
US8692695B2 (en) 2000-10-03 2014-04-08 Realtime Data, Llc Methods for encoding and decoding data
US9143546B2 (en) 2000-10-03 2015-09-22 Realtime Data Llc System and method for data feed acceleration and encryption
US7417568B2 (en) 2000-10-03 2008-08-26 Realtime Data Llc System and method for data feed acceleration and encryption
US6510994B1 (en) 2000-10-06 2003-01-28 Ncr Corporation Triggering method for a produce recognition system
US6577983B1 (en) 2000-10-06 2003-06-10 Ncr Corporation Produce recognition method
US7595878B2 (en) * 2000-10-13 2009-09-29 Chemimage Corporation Spectroscopic methods for component particle analysis
US7890386B1 (en) * 2000-10-27 2011-02-15 Palisades Technology, Llc Method for use with a wireless communication device for facilitating tasks using images and selections
US7841533B2 (en) * 2003-11-13 2010-11-30 Metrologic Instruments, Inc. Method of capturing and processing digital images of an object within the field of view (FOV) of a hand-supportable digitial image capture and processing system
US7221794B1 (en) * 2000-12-18 2007-05-22 Sportsvision, Inc. Foreground detection
US7386046B2 (en) 2001-02-13 2008-06-10 Realtime Data Llc Bandwidth sensitive data compression and decompression
JP2004520648A (ja) * 2001-04-23 2004-07-08 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィKoninklijke Philips Electronics N.V. 装置を制御する方法
US6947575B2 (en) * 2001-05-24 2005-09-20 Trw Inc. Apparatus and method for determining vehicle occupant characteristic utilizing imaging with provided light
DE10156157A1 (de) 2001-11-15 2003-05-28 Bsh Bosch Siemens Hausgeraete Verfahren und Vorrichtung zur Identifizierung eines Gegenstandes
GB0130802D0 (en) * 2001-12-22 2002-02-06 Koninkl Philips Electronics Nv Description generation
US7254268B2 (en) * 2002-04-11 2007-08-07 Arcsoft, Inc. Object extraction
US9955551B2 (en) * 2002-07-12 2018-04-24 Yechezkal Evan Spero Detector controlled illuminating system
WO2004038669A1 (en) * 2002-10-22 2004-05-06 Umc Utrecht Holding B.V. System for remote transfer of a monitoring signal
WO2004047426A2 (en) * 2002-11-15 2004-06-03 Esc Entertainment, A California Corporation Reality-based light environment for digital imaging in motion pictures
DE10326495B8 (de) 2003-06-10 2004-12-16 Deutsche Post Ag Verfahren zum Verarbeiten von Postsendungen
US7496228B2 (en) 2003-06-13 2009-02-24 Landwehr Val R Method and system for detecting and classifying objects in images, such as insects and other arthropods
US7118026B2 (en) 2003-06-26 2006-10-10 International Business Machines Corporation Apparatus, method, and system for positively identifying an item
US9614772B1 (en) 2003-10-20 2017-04-04 F5 Networks, Inc. System and method for directing network traffic in tunneling applications
US20050166147A1 (en) * 2004-01-26 2005-07-28 Stein Russell L. Produce Ripeness Enhancement
US7650835B2 (en) * 2004-01-26 2010-01-26 Russ Stein Produce ripening system
JP4741804B2 (ja) * 2004-02-25 2011-08-10 株式会社エヌ・ティ・ティ・ドコモ 画像処理装置及び画像処理方法
US20050254728A1 (en) * 2004-05-13 2005-11-17 Zhuo-Ya Wang Automatic cutting method for digital images
US8024483B1 (en) 2004-10-01 2011-09-20 F5 Networks, Inc. Selective compression for network connections
JP4327754B2 (ja) * 2005-03-16 2009-09-09 富士フイルム株式会社 画像一覧生成装置および方法並びにプログラム
JP2006350806A (ja) * 2005-06-17 2006-12-28 Toshiba Tec Corp 無線タグ認識装置及び商品販売データ処理装置
US7756341B2 (en) * 2005-06-30 2010-07-13 Xerox Corporation Generic visual categorization method and system
FR2887987B1 (fr) * 2005-06-30 2008-01-25 Sferis Sarl Procede et dispositif d'analyse de baies
US7783781B1 (en) 2005-08-05 2010-08-24 F5 Networks, Inc. Adaptive compression
US8533308B1 (en) 2005-08-12 2013-09-10 F5 Networks, Inc. Network traffic management through protocol-configurable transaction processing
US8275909B1 (en) 2005-12-07 2012-09-25 F5 Networks, Inc. Adaptive compression
US7882084B1 (en) 2005-12-30 2011-02-01 F5 Networks, Inc. Compression of data transmitted over a network
US8290275B2 (en) * 2006-01-20 2012-10-16 Kansai Paint Co., Ltd. Effective pigment identification method, identification system, identification program, and recording medium therefor
US7873065B1 (en) 2006-02-01 2011-01-18 F5 Networks, Inc. Selectively enabling network packet concatenation based on metrics
US8565088B1 (en) 2006-02-01 2013-10-22 F5 Networks, Inc. Selectively enabling packet concatenation based on a transaction boundary
US8239268B2 (en) 2006-06-20 2012-08-07 Toshiba Tec Kabushiki Kaisha Self-checkout terminal
NL1032435C2 (nl) * 2006-09-05 2008-03-06 Maasland Nv Inrichting voor het automatisch melken van een melkdier.
DE102006044365A1 (de) * 2006-09-20 2008-04-03 Mettler-Toledo (Albstadt) Gmbh Automatische Erkennungsvorrichtung
US9356824B1 (en) 2006-09-29 2016-05-31 F5 Networks, Inc. Transparently cached network resources
IL179639D0 (en) * 2006-11-27 2007-05-15 Amit Technology Science & Medi A method and system for diagnosing and treating a pest infested body
US8417833B1 (en) 2006-11-29 2013-04-09 F5 Networks, Inc. Metacodec for optimizing network data compression based on comparison of write and read rates
US8269727B2 (en) 2007-01-03 2012-09-18 Apple Inc. Irregular input identification
US8130203B2 (en) 2007-01-03 2012-03-06 Apple Inc. Multi-touch input discrimination
US7855718B2 (en) 2007-01-03 2010-12-21 Apple Inc. Multi-touch input discrimination
US9106606B1 (en) 2007-02-05 2015-08-11 F5 Networks, Inc. Method, intermediate device and computer program code for maintaining persistency
US7988045B2 (en) * 2007-05-31 2011-08-02 International Business Machines Corporation Portable device-based shopping checkout
US8794524B2 (en) * 2007-05-31 2014-08-05 Toshiba Global Commerce Solutions Holdings Corporation Smart scanning system
US20090026270A1 (en) * 2007-07-24 2009-01-29 Connell Ii Jonathan H Secure checkout system
US8544736B2 (en) * 2007-07-24 2013-10-01 International Business Machines Corporation Item scanning system
CN101681555B (zh) * 2007-10-26 2012-11-28 松下电器产业株式会社 状况判定装置、状况判定方法、异常判定装置、异常判定方法
US8746557B2 (en) 2008-02-26 2014-06-10 Toshiba Global Commerce Solutions Holding Corporation Secure self-checkout
US8280763B2 (en) * 2008-02-26 2012-10-02 Connell Ii Jonathan H Customer rewarding
US9495386B2 (en) * 2008-03-05 2016-11-15 Ebay Inc. Identification of items depicted in images
WO2009111047A2 (en) * 2008-03-05 2009-09-11 Ebay Inc. Method and apparatus for image recognition services
US7889068B2 (en) * 2008-03-20 2011-02-15 International Business Machines Corporation Alarm solution for securing shopping checkout
US8061603B2 (en) * 2008-03-20 2011-11-22 International Business Machines Corporation Controlling shopper checkout throughput
US8229158B2 (en) * 2008-04-29 2012-07-24 International Business Machines Corporation Method, system, and program product for determining a state of a shopping receptacle
US20090272801A1 (en) * 2008-04-30 2009-11-05 Connell Ii Jonathan H Deterring checkout fraud
US20100053329A1 (en) * 2008-08-27 2010-03-04 Flickner Myron D Exit security
JP4531853B2 (ja) * 2008-09-17 2010-08-25 パナソニック株式会社 画像処理装置、撮像装置、及び評価装置
US7991646B2 (en) 2008-10-30 2011-08-02 Ebay Inc. Systems and methods for marketplace listings using a camera enabled mobile device
US8004576B2 (en) 2008-10-31 2011-08-23 Digimarc Corporation Histogram methods and systems for object recognition
US8113427B2 (en) * 2008-12-18 2012-02-14 Ncr Corporation Methods and apparatus for automated product identification in point of sale applications
US8374801B2 (en) * 2009-01-09 2013-02-12 Chemimage Corporation Automation of ingredient-specific particle sizing employing raman chemical imaging
US8605989B2 (en) * 2009-02-13 2013-12-10 Cognitech, Inc. Registration and comparison of three dimensional objects in facial imaging
US9208400B2 (en) 2009-02-13 2015-12-08 Cognitech, Inc. Registration and comparison of three-dimensional objects
US8825660B2 (en) * 2009-03-17 2014-09-02 Ebay Inc. Image-based indexing in a network-based marketplace
US9164577B2 (en) 2009-12-22 2015-10-20 Ebay Inc. Augmented reality system, method, and apparatus for displaying an item image in a contextual environment
US8565538B2 (en) * 2010-03-16 2013-10-22 Honda Motor Co., Ltd. Detecting and labeling places using runtime change-point detection
US8369617B2 (en) * 2010-04-12 2013-02-05 Nokia Corporation Cross device image recognition improvement
JP2012053708A (ja) * 2010-09-01 2012-03-15 Toshiba Tec Corp 店舗システム、売上登録装置及びプログラム
US9412050B2 (en) * 2010-10-12 2016-08-09 Ncr Corporation Produce recognition method
US10127606B2 (en) 2010-10-13 2018-11-13 Ebay Inc. Augmented reality system and method for visualizing an item
EA022480B1 (ru) * 2010-12-23 2016-01-29 Тельман Аббас Оглы Алиев Способ распознавания и идентификации узоров и орнаментов и интеллектуально-информационная система для его реализации
JP5799593B2 (ja) 2011-06-07 2015-10-28 株式会社寺岡精工 商品検索装置、商品情報処理装置及びラベル発行装置
US9367770B2 (en) 2011-08-30 2016-06-14 Digimarc Corporation Methods and arrangements for identifying objects
JP5431429B2 (ja) 2011-09-06 2014-03-05 東芝テック株式会社 情報処理装置及びプログラム
EP2570967A1 (en) * 2011-09-13 2013-03-20 Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO Semi-automatic check-out system and method
JP5551140B2 (ja) * 2011-10-19 2014-07-16 東芝テック株式会社 情報処理装置及びプログラム
JP5194160B1 (ja) * 2011-10-19 2013-05-08 東芝テック株式会社 情報処理装置、情報処理方法及びプログラム
US9449342B2 (en) 2011-10-27 2016-09-20 Ebay Inc. System and method for visualization of items in an environment using augmented reality
JP5551143B2 (ja) * 2011-12-02 2014-07-16 東芝テック株式会社 店舗システムおよびプログラム
US8897553B2 (en) 2011-12-13 2014-11-25 The Nielsen Company (Us), Llc Image comparison using color histograms
US8897554B2 (en) 2011-12-13 2014-11-25 The Nielsen Company (Us), Llc Video comparison using color histograms
US8750613B2 (en) 2011-12-13 2014-06-10 The Nielsen Company (Us), Llc Detecting objects in images using color histograms
JP5579202B2 (ja) * 2012-01-16 2014-08-27 東芝テック株式会社 情報処理装置、店舗システム及びプログラム
JP5622756B2 (ja) * 2012-01-30 2014-11-12 東芝テック株式会社 商品読取装置及び商品読取プログラム
JP5483629B2 (ja) * 2012-02-29 2014-05-07 東芝テック株式会社 情報処理装置、店舗システム及びプログラム
US9881354B2 (en) * 2012-03-15 2018-01-30 Microsoft Technology Licensing, Llc Image completion including automatic cropping
US9934522B2 (en) 2012-03-22 2018-04-03 Ebay Inc. Systems and methods for batch- listing items stored offline on a mobile device
US9087269B2 (en) * 2012-08-24 2015-07-21 Google Inc. Providing image search templates
JP5658720B2 (ja) * 2012-09-06 2015-01-28 東芝テック株式会社 情報処理装置及びプログラム
US9224184B2 (en) 2012-10-21 2015-12-29 Digimarc Corporation Methods and arrangements for identifying objects
ITMO20120266A1 (it) * 2012-10-31 2014-05-01 Charlotte Anna Maria Liedl Dispositivo per l'orientazione di oggetti.
JP5936993B2 (ja) 2012-11-08 2016-06-22 東芝テック株式会社 商品認識装置及び商品認識プログラム
CN103028555A (zh) * 2012-12-03 2013-04-10 天津理工大学 基于hsi颜色特征的葡萄干色选检测方法
KR101490909B1 (ko) * 2013-05-10 2015-02-06 현대자동차 주식회사 차량용 영상 처리 장치 및 방법
JP5847117B2 (ja) * 2013-05-28 2016-01-20 東芝テック株式会社 認識辞書作成装置及び認識辞書作成プログラム
JP5927147B2 (ja) 2013-07-12 2016-05-25 東芝テック株式会社 商品認識装置及び商品認識プログラム
JP6122805B2 (ja) * 2013-07-16 2017-04-26 東芝テック株式会社 情報処理装置及びプログラム
JP5826801B2 (ja) * 2013-07-19 2015-12-02 東芝テック株式会社 商品認識装置及び商品認識プログラム
CN103425969A (zh) * 2013-08-07 2013-12-04 华南理工大学 一种识别轮毂型号的检测系统及其检测方法
US20150054959A1 (en) * 2013-08-26 2015-02-26 Ncr Corporation Produce and Non-produce Verification Using Hybrid Scanner
WO2016004330A1 (en) 2014-07-03 2016-01-07 Oim Squared Inc. Interactive content generation
JP6428240B2 (ja) * 2014-12-17 2018-11-28 カシオ計算機株式会社 商品登録装置、商品認識方法、およびプログラム
JP6345612B2 (ja) * 2015-02-06 2018-06-20 株式会社ソニー・インタラクティブエンタテインメント 撮像装置、情報処理システム、マット、および画像生成方法
US10311634B2 (en) * 2015-07-21 2019-06-04 IAM Robotics, LLC Three dimensional scanning and data extraction systems and processes for supply chain piece automation
JP6329112B2 (ja) * 2015-09-16 2018-05-23 東芝テック株式会社 情報処理装置及びプログラム
US10366379B2 (en) * 2017-01-30 2019-07-30 Ncr Corporation Remote weigh station with delayed fraud intervention
US10373316B2 (en) * 2017-04-20 2019-08-06 Ford Global Technologies, Llc Images background subtraction for dynamic lighting scenarios

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3770111A (en) * 1972-05-03 1973-11-06 Fmc Corp Apparatus for sorting fruit according to color
US4106628A (en) * 1976-02-20 1978-08-15 Warkentin Aaron J Sorter for fruit and the like
IT1055430B (it) * 1976-02-23 1981-12-21 Tasco Spa Procedimento e apparecchiatura per il riconoscimento in tempo reale di immagini
US4515275A (en) * 1982-09-30 1985-05-07 Pennwalt Corporation Apparatus and method for processing fruit and the like
US4534470A (en) * 1982-09-30 1985-08-13 Mills George A Apparatus and method for processing fruit and the like
JPH0321235B2 (zh) * 1982-11-09 1991-03-22 Ikegami Tsushinki Kk
US4574393A (en) * 1983-04-14 1986-03-04 Blackwell George F Gray scale image processor
JPH0214748B2 (zh) * 1983-12-08 1990-04-09 Kubota Ltd
JPS6155787A (en) * 1984-08-27 1986-03-20 Kubota Ltd Fruits recognition device
DE3509241A1 (de) * 1985-03-14 1986-09-18 Traub Gmbh Maschinenfabrik Verfahren zum optischen bestimmen und/oder lokalisieren eines objektes
DE3545960C1 (de) * 1985-12-23 1987-07-09 Messerschmitt Boelkow Blohm Verfahren und Anordnung zur Erkennung von Teilen
EP0267790A3 (en) * 1986-11-12 1990-01-17 Lockwood Graders (U.K.) Limited Method and apparatus for sorting articles
US5085325A (en) * 1988-03-08 1992-02-04 Simco/Ramic Corporation Color sorting system and method
US5253302A (en) * 1989-02-28 1993-10-12 Robert Massen Method and arrangement for automatic optical classification of plants
JPH0344268A (en) * 1989-07-12 1991-02-26 Matsushita Electric Ind Co Ltd Background eliminating device
US5060290A (en) * 1989-09-05 1991-10-22 Dole Dried Fruit And Nut Company Algorithm for gray scale analysis especially of fruit or nuts
US5164795A (en) * 1990-03-23 1992-11-17 Sunkist Growers, Inc. Method and apparatus for grading fruit
JP3179528B2 (ja) * 1991-09-04 2001-06-25 キヤノン株式会社 カラー画像処理装置及びその方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523194B (zh) 2006-10-02 2012-07-11 纳幕尔杜邦公司 测量涂层外观的方法及其应用
CN100547603C (zh) 2007-08-08 2009-10-07 华中科技大学 一种地面建筑物识别定位方法
WO2011000226A1 (zh) * 2009-07-03 2011-01-06 深圳泰山在线科技有限公司 一种目标检测方法和设备及其使用的图像采集装置
CN101912847A (zh) * 2010-08-02 2010-12-15 扬州福尔喜果蔬汁机械有限公司 基于dsp机器视觉的水果分级系统及方法
CN101912847B (zh) 2010-08-02 2012-11-14 扬州福尔喜果蔬汁机械有限公司 基于dsp机器视觉的水果分级系统及方法
CN102375977A (zh) * 2010-08-23 2012-03-14 东芝泰格有限公司 店铺系统及商品销售数据处理方法
CN102376136A (zh) * 2010-08-23 2012-03-14 东芝泰格有限公司 店铺系统及商品销售数据处理方法
CN102376136B (zh) * 2010-08-23 2015-06-03 东芝泰格有限公司 店铺系统及商品销售数据处理方法
US8856035B2 (en) 2010-08-23 2014-10-07 Toshiba Tec Kabushiki Kaisha Store system and sales registration method
CN103295136B (zh) * 2012-02-24 2016-08-03 东芝泰格有限公司 商品读取装置及商品读取方法
CN103279763A (zh) * 2013-05-25 2013-09-04 中北大学 一种基于结构特征的轮毂类型自动识别方法
CN103279763B (zh) * 2013-05-25 2016-03-02 中北大学 一种基于结构特征的轮毂类型自动识别方法
CN104299337A (zh) * 2013-07-16 2015-01-21 东芝泰格有限公司 信息处理装置及其控制方法
CN106408800A (zh) * 2013-07-16 2017-02-15 东芝泰格有限公司 信息处理装置及其控制方法
CN104299337B (zh) * 2013-07-16 2017-07-07 东芝泰格有限公司 信息处理装置及其控制方法
CN106408800B (zh) * 2013-07-16 2019-04-19 东芝泰格有限公司 信息处理装置及其控制方法

Also Published As

Publication number Publication date
EP0685814A2 (en) 1995-12-06
JPH07302343A (ja) 1995-11-14
CN1092375C (zh) 2002-10-09
CA2144404C (en) 2002-04-16
DE69518947T2 (de) 2001-03-22
CA2144404A1 (en) 1995-10-30
EP0685814B1 (en) 2000-09-27
AT196695T (de) 2000-10-15
ES2151000T3 (es) 2000-12-16
KR100190737B1 (ko) 1999-06-01
JP3369772B2 (ja) 2003-01-20
US5546475A (en) 1996-08-13
AU1503495A (en) 1995-11-09
KR950029983A (ko) 1995-11-24
DE69518947D1 (de) 2000-11-02
AU685904B2 (en) 1998-01-29
EP0685814A3 (en) 1997-03-05

Similar Documents

Publication Publication Date Title
Malik et al. Contour and texture analysis for image segmentation
Salvador et al. Shadow identification and classification using invariant color models
Guo et al. Single-image shadow detection and removal using paired regions
Cho et al. Adaptive skin-color filter
Brainard et al. Bayesian color constancy
Du et al. Pizza sauce spread classification using colour vision and support vector machines
US7039239B2 (en) Method for image region classification using unsupervised and supervised learning
Healey Segmenting images using normalized color
Nayar et al. Reflectance based object recognition
JP4722923B2 (ja) コンピュータビジョンによりシーンをモデル化する方法
Shearer et al. Color and defect sorting of bell peppers using machine vision
US5450504A (en) Method for finding a most likely matching of a target facial image in a data base of facial images
US6069696A (en) Object recognition system and method
US7778483B2 (en) Digital image processing method having an exposure correction based on recognition of areas corresponding to the skin of the photographed subject
Nadimi et al. Physical models for moving shadow and object detection in video
Odone et al. Building kernels from binary strings for image matching
Majumdar et al. Classification of cereal grains using machine vision: III. Texture models
US7522769B2 (en) Method and system for skin color estimation from an image
EP1842154B1 (en) Method and system for identifying illumination flux in an image
Won et al. Morphological shared-weight networks with applications to automatic target recognition
EP2752791B1 (en) Method for identifying linear tokens in an image
US8139850B2 (en) Constraint generation for use in image segregation
US7496218B2 (en) System and method for identifying objects of interest in image data
EP1107182B1 (en) Determining orientation of images containing blue sky
US9262832B2 (en) Cart inspection for suspicious items

Legal Events

Date Code Title Description
C10 Request of examination as to substance
C06 Publication
C14 Granted
C17 Cessation of patent right