CN112634247B - 基于图像分离的搬运对象识别方法及装置 - Google Patents

基于图像分离的搬运对象识别方法及装置 Download PDF

Info

Publication number
CN112634247B
CN112634247B CN202011593059.8A CN202011593059A CN112634247B CN 112634247 B CN112634247 B CN 112634247B CN 202011593059 A CN202011593059 A CN 202011593059A CN 112634247 B CN112634247 B CN 112634247B
Authority
CN
China
Prior art keywords
image
pixel
foreground
background
copied
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
CN202011593059.8A
Other languages
English (en)
Other versions
CN112634247A (zh
Inventor
滕元俊
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.)
Zhejiang Deyuan Intelligent Technology Co ltd
Original Assignee
Zhejiang Deyuan Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Deyuan Intelligent Technology Co ltd filed Critical Zhejiang Deyuan Intelligent Technology Co ltd
Priority to CN202011593059.8A priority Critical patent/CN112634247B/zh
Publication of CN112634247A publication Critical patent/CN112634247A/zh
Application granted granted Critical
Publication of CN112634247B publication Critical patent/CN112634247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

本发明属于图像识别技术领域，具体涉及基于图像分离的搬运对象识别方法及装置，所述方法执行以下步骤：步骤1：获取包含搬运对象的原始图像，并复制一份原始图像，得到复制原始图像；步骤2：对原始图像进行前景图像分离，分别获得前景图像和背景图像；同时，对复制原始图像也进行前景图像分离，分别获得复制前景图像和复制背景图像；步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像。其通过对搬运对象的原始对象进行复制，利用复制原始图像和原始图像的图像分离，再进行图像融合和图像差分以减少图像识别过程中的系统误差。

Description

基于图像分离的搬运对象识别方法及装置
技术领域
本发明属于图像识别技术领域，具体涉及基于图像分离的搬运对象识别方法及装置。
背景技术
—直以来，为了实现运输的效率化，使用用于将要被运输的物品进行汇集并搬运的物流容器。物流容器是在物流中作搬运对象的物体，例如承载物品的托盘。为了管理在仓库等进行出入库的托盘，在托盘上安装RFID标签，在例如通过叉车等搬运装置来搬运托盘时，使托盘通过设有RFID阅读机的门，执行对被搬运的托盘的RFID标签的读取。此外，由于在仓库等内，在周边也存在处于搬运中的状态以外的托盘，为了防止误读周边托盘的RFID标签，在门的周边设置物理性地屏蔽电波的构造体，或者通过软件从所读取的RFID标签中仅提取正在移动的RFID标签。
但该种方法进行搬运物的识别，往往会造成较高的误差，且由于需要针对每个承载物品的托盘都设置RFID标签，导致其成本也更高。
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
发明内容
本发明的主要目的在于提供基于图像分离的搬运对象识别方法及装置，其通过对搬运对象的原始对象进行复制，利用复制原始图像和原始图像的图像分离，再进行图像融合和图像差分以减少图像识别过程中的系统误差，再进行去噪处理，保证去噪结果不会对图像中的有效部分造成影响，提升识别的准确率，同时由于在进行去噪时，不需要整个图像进行处理，可以提升去噪的效率，具有准确率高和效率高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
基于图像分离的搬运对象识别方法，所述方法执行以下步骤：
步骤1：获取包含搬运对象的原始图像，并复制一份原始图像，得到复制原始图像；
步骤2：对原始图像进行前景图像分离，分别获得前景图像和背景图像；同时，对复制原始图像也进行前景图像分离，分别获得复制前景图像和复制背景图像；
步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像；
步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像；
步骤5：获取差分后的背景图像中像素值不为0的像素点的位置，作为中心位置；然后在融合后的前景图像中标注出中心位置对应的像素点，以该像素点为中心，构建一个九宫格像素区；
步骤6：针对该九宫格像素区，以中心位置为中心，按照顺时针的方式遍历周围的8个像素点，分别判断周围的8个像素点与中心位置的差值的范围是否满足设定的阈值，若满足，则不进行处理，若不满足，则将该像素区作为噪声区；
步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物；该目标物即搬运对象。
进一步的，所述步骤2：对原始图像进行前景图像分离分别获得前景图像和背景图像的方法包括：确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；根据各所述像素点的前景像素先验概率、背景像素先验概率，确定各所述像素点的像素点类型，所述像素点类型包括前景像素点、背景像素点以及混合像素点；根据各所述混合像素点、各所述混合像素点的所述前景像素先验概率、所述背景图像，确定各所述混合像素点的融合权值，并根据各所述混合像素点的融合权值确定各所述混合像素点的前景分量值。
进一步的，根据所述原始图像、所述背景图像以及像素点先验概率模型，确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；所述像素点先验概率模型的确定方式包括：获取样本图像和所述背景图像，所述样本图像包括所述原始图像所在视频流中、在所述原始图像之前的视频帧的图像；根据所述样本图像的像素值与所述背景图像的像素值，对所述样本图像进行阈值过滤，从所述样本图像中提取出种子前景像素点和种子背景像素点；根据提取的种子前景像素点、种子背景像素点，建立所述像素点先验概率模型。
进一步的，所述步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像的方法具体包括：将前景图像和复制前景图像中处于同一位置的像素点，进行像素值叠加后，然后取平均值，作为融合后的前景图像的该位置的像素点的像素值。
进一步的，所述步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像的方法具体包括：将背景图像和复制背景图像处于同一位置的像素点的像素值的差值的绝对值，作为差分后的背景图像的该位置的像素点的像素值。
进一步的，所述步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物的方法包括：对融合后的前景图像再次进行图像分离，以去除融合后的前景图像中的空白像素部分，得到分离后前景图像；对分离后前景图像进行图像识别，判断目标物和噪声物。
进一步的，所述对融合后的前景图像再次进行图像分离的方法包括：将融合后的前景图像中的像素点的像素值为0的像素点剔除，得到分离后前景图像。
进一步的，所述对分离后前景图像进行图像识别，判断目标物和噪声物的方法包括：使用如下公式，计算每个像素点的权重值：
Figure BDA0002867404500000031
Figure BDA0002867404500000032
其中，N为自然数，i为像素点的在直角坐标系中的X轴值，Li，p和Li，q表示像素点的像素值，A(i)为权重值；根据计算出的权重值，与设定的阈值相比较，超过设定的阈值，则将其作为目标物的像素点，若低于设定的阈值，则将其作为噪声物的像素点；完成每个像素点的权重值计算后，将目标物的像素点组成的像素区进行图像识别，完成搬运对象的识别。
一种基于图像分离的搬运对象识别装置。
本发明的基于图像分离的搬运对象识别方法及装置，具有如下有益效果：其通过对搬运对象的原始对象进行复制，利用复制原始图像和原始图像的图像分离，再进行图像融合和图像差分以减少图像识别过程中的系统误差，再进行去噪处理，保证去噪结果不会对图像中的有效部分造成影响，提升识别的准确率，同时由于在进行去噪时，不需要整个图像进行处理，可以提升去噪的效率，具有准确率高和效率高的优点。主要通过以下过程实现：1.图像复制和分离：本发明图像复制，得到复制原始图像，再分别对原始图像和复制原始图像进行处理，以完成图像分离，针对两个分离的结果，进行结合，进行图像融合和图像差分，以去除系统干扰带来的误差，这样可以保证最终识别的结果准确率更高；2.前景图像的求取：本发明根据各所述像素点的前景像素先验概率、背景像素先验概率，确定各所述像素点的像素点类型，所述像素点类型包括前景像素点、背景像素点以及混合像素点；根据各所述混合像素点、各所述混合像素点的所述前景像素先验概率、所述背景图像，确定各所述混合像素点的融合权值，并根据各所述混合像素点的融合权值确定各所述混合像素点的前景分量值，从而得到更为准确的前景图像；3.像素点噪声值的求取：本发明通过如下公式判断目标物和噪声物的像素点权重值：
Figure BDA0002867404500000033
Figure BDA0002867404500000041
该方法创造性的针对每个像素点的权重值进行计算，以判断噪声像素点，从而去噪更加彻底，识别结果更加准确。
附图说明
图1为本发明的实施例提供的基于图像分离的搬运对象识别方法的方法流程示意图；
图2为本发明的实施例提供的基于图像分离的搬运对象识别方法及装置的背景板、噪声物和目标物的结构示意图；
图3为本发明的实施例提供的基于图像分离的搬运对象识别方法及装置的九宫格像素区的结构示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：
实施例1
如图1所示，基于图像分离的搬运对象识别方法，所述方法执行以下步骤：
步骤1：获取包含搬运对象的原始图像，并复制一份原始图像，得到复制原始图像；
步骤2：对原始图像进行前景图像分离，分别获得前景图像和背景图像；同时，对复制原始图像也进行前景图像分离，分别获得复制前景图像和复制背景图像；
步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像；
步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像；
步骤5：获取差分后的背景图像中像素值不为0的像素点的位置，作为中心位置；然后在融合后的前景图像中标注出中心位置对应的像素点，以该像素点为中心，构建一个九宫格像素区；
步骤6：针对该九宫格像素区，以中心位置为中心，按照顺时针的方式遍历周围的8个像素点，分别判断周围的8个像素点与中心位置的差值的范围是否满足设定的阈值，若满足，则不进行处理，若不满足，则将该像素区作为噪声区；
步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物；该目标物即搬运对象。
具体的，本发明通过对搬运对象的原始对象进行复制，利用复制原始图像和原始图像的图像分离，再进行图像融合和图像差分以减少图像识别过程中的系统误差，再进行去噪处理，保证去噪结果不会对图像中的有效部分造成影响，提升识别的准确率，同时由于在进行去噪时，不需要整个图像进行处理，可以提升去噪的效率，具有准确率高和效率高的优点。主要通过以下过程实现：1.图像复制和分离：本发明图像复制，得到复制原始图像，再分别对原始图像和复制原始图像进行处理，以完成图像分离，针对两个分离的结果，进行结合，进行图像融合和图像差分，以去除系统干扰带来的误差，这样可以保证最终识别的结果准确率更高；2.前景图像的求取：本发明根据各所述像素点的前景像素先验概率、背景像素先验概率，确定各所述像素点的像素点类型，所述像素点类型包括前景像素点、背景像素点以及混合像素点；根据各所述混合像素点、各所述混合像素点的所述前景像素先验概率、所述背景图像，确定各所述混合像素点的融合权值，并根据各所述混合像素点的融合权值确定各所述混合像素点的前景分量值，从而得到更为准确的前景图像；3.像素点噪声值的求取：本发明通过如下公式判断目标物和噪声物的像素点权重值：
Figure BDA0002867404500000051
Figure BDA0002867404500000052
该方法创造性的针对每个像素点的权重值进行计算，以判断噪声像素点，从而去噪更加彻底，识别结果更加准确
实施例2
在上一实施例的基础上，所述步骤2：对原始图像进行前景图像分离分别获得前景图像和背景图像的方法包括：确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；根据各所述像素点的前景像素先验概率、背景像素先验概率，确定各所述像素点的像素点类型，所述像素点类型包括前景像素点、背景像素点以及混合像素点；根据各所述混合像素点、各所述混合像素点的所述前景像素先验概率、所述背景图像，确定各所述混合像素点的融合权值，并根据各所述混合像素点的融合权值确定各所述混合像素点的前景分量值。
具体的，像素是指由图像的小方格组成的，这些小方块都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。
可以将像素视为整个图像中不可分割的单位或者是元素。不可分割的意思是它不能够再切割成更小单位抑或是元素，它是以一个单一颜色的小格存在。每一个点阵图像包含了一定量的像素，这些像素决定图像在屏幕上所呈现的大小
实施例3
在上一实施例的基础上，根据所述原始图像、所述背景图像以及像素点先验概率模型，确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；所述像素点先验概率模型的确定方式包括：获取样本图像和所述背景图像，所述样本图像包括所述原始图像所在视频流中、在所述原始图像之前的视频帧的图像；根据所述样本图像的像素值与所述背景图像的像素值，对所述样本图像进行阈值过滤，从所述样本图像中提取出种子前景像素点和种子背景像素点；根据提取的种子前景像素点、种子背景像素点，建立所述像素点先验概率模型。
具体的，在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信程度的概率分布。例如，先验概率分布可能代表在将来的选举中投票给特定政治家的选民相对比例的概率分布。未知的数量可以是模型的参数或者是潜在变量。
贝叶斯定理计算先验和似然函数的重新归一化的逐次积，产生了后验概率分布，它是给定数据的不确定量的条件分布。
类似地，随机事件或不确定命题的先验概率是在考虑任何相关证据之前分配的无条件概率。
可以使用多种方法创建优先级。可根据先前的实验确定过去的信息。先前的经验可以从经验丰富的专家的纯粹主观评估中引出。当没有信息可用时，可以创建一个不了解的先验，以反映结果之间的平衡。还可以根据某些原理来选择优先级，例如对称性或最大化给定约束的熵；例子是杰弗里斯之前或贝尔纳先前的参考例子。当存在共轭先验族时，从该族中选择先前的方法简化后验分布的计算。
实施例4
在上一实施例的基础上，所述步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像的方法具体包括：将前景图像和复制前景图像中处于同一位置的像素点，进行像素值叠加后，然后取平均值，作为融合后的前景图像的该位置的像素点的像素值。
具体的，图像融合作为信息融合的一个分支，是当前信息融合研究中的一个热点。图像融合的数据形式是包含有明暗、色彩、温度、距离以及其他的景物特征的图像。这些图像可以以一幅，或者一列的形式给出。而图像融合是将2张或2张以上的图像信息的融合到1张图像上，使得融合的图像含有更多的信息、能够更方便人来观察或者计算机处理。图像融合的目标是在实际应用目标下将相关信息最大合并的基础上减少输出的不确定度和冗余度。图像融合的优点很明显，它能扩大图像所含有的时间空间信息，减少不确定性，增加可靠性，改进系统的鲁棒性能。
实施例5
在上一实施例的基础上，所述步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像的方法具体包括：将背景图像和复制背景图像处于同一位置的像素点的像素值的差值的绝对值，作为差分后的背景图像的该位置的像素点的像素值。
实施例6
在上一实施例的基础上，所述步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物的方法包括：对融合后的前景图像再次进行图像分离，以去除融合后的前景图像中的空白像素部分，得到分离后前景图像；对分离后前景图像进行图像识别，判断目标物和噪声物。
具体的，图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。
噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图象细节。
谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。
实施例7
在上一实施例的基础上，所述对融合后的前景图像再次进行图像分离的方法包括：将融合后的前景图像中的像素点的像素值为0的像素点剔除，得到分离后前景图像。
实施例8
在上一实施例的基础上，所述对分离后前景图像进行图像识别，判断目标物和噪声物的方法包括：使用如下公式，计算每个像素点的权重值：
Figure BDA0002867404500000071
Figure BDA0002867404500000081
其中，N为自然数，i为像素点的在直角坐标系中的X轴值，Li，p和Li，q表示像素点的像素值，A(i)为权重值；根据计算出的权重值，与设定的阈值相比较，超过设定的阈值，则将其作为目标物的像素点，若低于设定的阈值，则将其作为噪声物的像素点；完成每个像素点的权重值计算后，将目标物的像素点组成的像素区进行图像识别，完成搬运对象的识别。
实施例9
一种基于图像分离的搬运对象识别装置。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.基于图像分离的搬运对象识别方法，其特征在于，所述方法执行以下步骤：
步骤1：获取包含搬运对象的原始图像，并复制一份原始图像，得到复制原始图像；
步骤2：对原始图像进行前景图像分离，分别获得前景图像和背景图像；同时，对复制原始图像也进行前景图像分离，分别获得复制前景图像和复制背景图像；
步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像；
步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像；
步骤5：获取差分后的背景图像中像素值不为0的像素点的位置，作为中心位置；然后在融合后的前景图像中标注出中心位置对应的像素点，以该像素点为中心，构建一个九宫格像素区；
步骤6：针对该九宫格像素区，以中心位置为中心，按照顺时针的方式遍历周围的8个像素点，分别判断周围的8个像素点与中心位置的差值的范围是否满足设定的阈值，若满足，则不进行处理，若不满足，则将该像素区作为噪声区；
步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物；该目标物即搬运对象;
所述步骤7：对融合后的前景图像中的噪声区进行去噪处理，然后进行图像识别，识别出目标物和噪声物的方法包括：对融合后的前景图像再次进行图像分离，以去除融合后的前景图像中的空白像素部分，得到分离后前景图像；对分离后前景图像进行图像识别，判断目标物和噪声物。
2.如权利要求1所述的方法，其特征在于，所述步骤2：对原始图像进行前景图像分离分别获得前景图像和背景图像的方法包括：确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；根据各所述像素点的前景像素先验概率、背景像素先验概率，确定各所述像素点的像素点类型，所述像素点类型包括前景像素点、背景像素点以及混合像素点；根据各所述混合像素点、各所述混合像素点的所述前景像素先验概率、所述背景图像，确定各所述混合像素点的融合权值，并根据各所述混合像素点的融合权值确定各所述混合像素点的前景分量值。
3.如权利要求2所述的方法，其特征在于，根据所述原始图像、所述背景图像以及像素点先验概率模型，确定所述原始图像中的各像素点属于前景像素点的前景像素先验概率、属于背景像素点的背景像素先验概率；所述像素点先验概率模型的确定方式包括：获取样本图像和所述背景图像，所述样本图像包括所述原始图像所在视频流中、在所述原始图像之前的视频帧的图像；根据所述样本图像的像素值与所述背景图像的像素值，对所述样本图像进行阈值过滤，从所述样本图像中提取出种子前景像素点和种子背景像素点；根据提取的种子前景像素点、种子背景像素点，建立所述像素点先验概率模型。
4.如权利要求3所述的方法，其特征在于，所述步骤3：将前景图像和复制前景图像，进行图像融合，得到融合后的前景图像的方法具体包括：将前景图像和复制前景图像中处于同一位置的像素点，进行像素值叠加后，然后取平均值，作为融合后的前景图像的该位置的像素点的像素值。
5.如权利要求4所述的方法，其特征在于，所述步骤4：将背景图像和复制背景图像，进行图像差分，得到差分后的背景图像的方法具体包括：将背景图像和复制背景图像处于同一位置的像素点的像素值的差值的绝对值，作为差分后的背景图像的该位置的像素点的像素值。
6.如权利要求5所述的方法，其特征在于，所述对融合后的前景图像再次进行图像分离的方法包括：将融合后的前景图像中的像素点的像素值为0的像素点剔除，得到分离后前景图像。
7.一种用于实现权利要求1至6之一所述方法的装置。
CN202011593059.8A 2020-12-29 2020-12-29 基于图像分离的搬运对象识别方法及装置 Active CN112634247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011593059.8A CN112634247B (zh) 2020-12-29 2020-12-29 基于图像分离的搬运对象识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011593059.8A CN112634247B (zh) 2020-12-29 2020-12-29 基于图像分离的搬运对象识别方法及装置

Publications (2)

Publication Number Publication Date
CN112634247A CN112634247A (zh) 2021-04-09
CN112634247B true CN112634247B (zh) 2022-04-12

Family

ID=75286242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011593059.8A Active CN112634247B (zh) 2020-12-29 2020-12-29 基于图像分离的搬运对象识别方法及装置

Country Status (1)

Country Link
CN (1) CN112634247B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376554A (zh) * 2014-10-16 2015-02-25 中海网络科技股份有限公司 一种基于图像纹理的违章停车检测方法
CN106846336A (zh) * 2017-02-06 2017-06-13 腾讯科技（上海）有限公司 提取前景图像、替换图像背景的方法及装置
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统
US10210618B1 (en) * 2013-12-27 2019-02-19 Google Llc Object image masking using depth cameras or three-dimensional (3D) models

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3853574B2 (ja) * 2000-06-16 2006-12-06 三菱電機株式会社 移動体検出システム
US9681125B2 (en) * 2011-12-29 2017-06-13 Pelco, Inc Method and system for video coding with noise filtering
JP6190760B2 (ja) * 2014-05-30 2017-08-30 京セラドキュメントソリューションズ株式会社 画像読取装置
US9693042B2 (en) * 2014-06-10 2017-06-27 Bitanimate, Inc. Foreground and background detection in a video
US9930271B2 (en) * 2015-09-28 2018-03-27 Gopro, Inc. Automatic composition of video with dynamic background and composite frames selected based on frame criteria
JP2017102642A (ja) * 2015-12-01 2017-06-08 カシオ計算機株式会社 画像処理装置、画像処理方法及びプログラム
EP3246874B1 (en) * 2016-05-16 2018-03-14 Axis AB Method and apparatus for updating a background model used for background subtraction of an image
US10515463B2 (en) * 2018-04-20 2019-12-24 Sony Corporation Object segmentation in a sequence of color image frames by background image and background depth correction
CN109697725B (zh) * 2018-12-03 2020-10-02 浙江大华技术股份有限公司 一种背景过滤方法、装置及计算机可读存储介质
CN109872349A (zh) * 2019-02-19 2019-06-11 百度在线网络技术（北京）有限公司 基于前景检测的图像后处理方法、装置、电子设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10210618B1 (en) * 2013-12-27 2019-02-19 Google Llc Object image masking using depth cameras or three-dimensional (3D) models
CN104376554A (zh) * 2014-10-16 2015-02-25 中海网络科技股份有限公司 一种基于图像纹理的违章停车检测方法
CN106846336A (zh) * 2017-02-06 2017-06-13 腾讯科技（上海）有限公司 提取前景图像、替换图像背景的方法及装置
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统

Also Published As

Publication number Publication date
CN112634247A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
US8983200B2 (en) Object segmentation at a self-checkout
Pun et al. Multi-scale noise estimation for image splicing forgery detection
Türkyılmaz et al. License plate recognition system using artificial neural networks
US11294047B2 (en) Method, apparatus, and system for recognizing target object
CN108932449B (zh) 一种基于聚类的条码二值化方法及系统
CN107256407B (zh) 一种高光谱遥感图像分类方法及装置
Almagbile Estimation of crowd density from UAVs images based on corner detection procedures and clustering analysis
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111598076B (zh) 一种标签图像中日期检测处理方法及装置
CN109508571B (zh) 一种条空定位方法、装置、电子设备及存储介质
CN112313718A (zh) 材料样品的基于图像的新颖性检测
CN115953373A (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
Hossen et al. Vehicle license plate detection and tilt correction based on HSI color model and SUSAN corner detector
KR101981000B1 (ko) 융합형 필터를 이용한 깊이 영상 기반 특징점 검출 기법
Bodnár et al. A novel method for barcode localization in image domain
CN112634247B (zh) 基于图像分离的搬运对象识别方法及装置
JP7448281B2 (ja) 二次元マーカの認識装置、方法、プログラム及びシステム
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN109977965B (zh) 一种在遥感机场图像中确定检测目标的方法及装置
Deb et al. An efficient method for correcting vehicle license plate tilt
CN114708214A (zh) 一种烟盒缺陷检测方法、装置、设备及介质
CN111951254A (zh) 基于边缘引导加权平均的源相机识别方法及系统
CN113569792B (zh) 一种基于精准指纹识别的智能保险柜应用方法及装置
US11163968B1 (en) Package identification using a shipping label fingerprint
CN115171048B (zh) 基于图像识别的资产分类方法、系统、终端及存储介质

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