CN113393151B - 收货人识别方法、送货机器人及计算机存储介质 - Google Patents
收货人识别方法、送货机器人及计算机存储介质 Download PDFInfo
- Publication number
- CN113393151B CN113393151B CN202110740118.8A CN202110740118A CN113393151B CN 113393151 B CN113393151 B CN 113393151B CN 202110740118 A CN202110740118 A CN 202110740118A CN 113393151 B CN113393151 B CN 113393151B
- Authority
- CN
- China
- Prior art keywords
- receiver
- target person
- information
- identification
- humanoid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013459 approach Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种收货人识别方法、送货机器人及计算机存储介质,该方法包括以下步骤:获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;若识别成功,则确认所述目标人物为所述收货人;本发明在避免收货人个人隐私信息暴露的情况下,准确的完成收货人的识别。
Description
技术领域
本发明涉及智能配送领域,尤其涉及一种收货人识别方法、送货机器人及计算机存储介质。
背景技术
随着科技的进步以及人力成本的提高,机器人取代人工做一些基础的配送工作成为一种趋势,且机器人作为人力的替代,拥有广泛的应用前途。在快递行业,特别是外卖行业,讲究信息的时效性,在实践过程中,经常会出现收货人主动来接收订单的情况,申请号为202022396723.1的基于人脸识别的智能送货系统,是通过人脸识别实现对收货人的身份进行认证,而人脸识别会涉及到收货人的个人隐私问题,收货人存在暴露个人隐私的风险,所以在实际生活中的接受程度并不高。
发明内容
有鉴于此,本申请实施例提供一种收货人识别方法、送货机器人及计算机存储介质,在避免收货人个人隐私信息暴露的情况下,准确的完成收货人的识别。
本申请实施例提供了一种收货人识别方法,应用于送货机器人,所述方法包括:
获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;
若识别成功,则确认所述目标人物为所述收货人。
在一实施例中,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
获取收货人确认的人形识别信息;
将所述人形识别信息载入预设的人形模板中,生成目标人形模板;
对所述目标人形模板与预设范围内的目标人物进行匹配识别。
在一实施例中,所述将所述人形识别信息载入预设的人形模板中,生成目标人形模板,包括:
利用所述人形识别信息,从所述预设的人形模板中选取待载入人形模板;
将所述人形识别信息存储至所述待载入人形模板对应的数据库中,生成目标人形模板。
在一实施例中,所述人形识别信息包括服饰信息和/或人体特征信息;
所述服饰信息包括以下至少之一:服饰颜色、图案、款式、袖长以及品牌;
所述人体特征信息包括以下至少之一:性别、年龄、身高、体重以及发型。
在一实施例中,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
获取收货人确认的取货手势;
利用手势识别模型,基于所述取货手势,对预设范围内目标人物的手势进行识别。
在一实施例中,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
响应收货人所持终端输入取件码后触发的取件指令,在验证所述取件码一致后,获取收货人所持终端的位置信息;
若通过所述位置信息判定所述收货人所持终端在预设范围内,则识别成功。
在一实施例中,所述若识别成功,则确认所述目标人物为所述收货人,包括:
若识别成功,则控制所述送货机器人拍摄目标人物照片并发送至所述收货人所持终端;
获取到所述收货人所持终端的所述目标人物照片的确认信息后,则确认所述目标人物为所述收货人。
在一实施例中,所述若识别成功,则确认所述目标人物为所述收货人,还包括:
若识别成功,则控制所述送货机器人接近所述目标人物;
若所述目标人物避开,则重新对预设范围内的目标人物进行识别;
若所述目标人物未避开,则确定所述目标人物为所述收货人。
为实现上述目的,还提供一种送货机器人,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的收货人识别方法的程序,所述处理器执行所述收货人识别方法的程序时实现上述任一所述的收货人识别方法的步骤。
为实现上述目的,还提供一种计算机存储介质,所述计算机存储介质上存储有收货人识别方法程序,所述收货人识别方法程序被处理器执行时实现上述任一所述的收货人识别方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;通过利用收货人的非隐私数据对预设范围内的目标人物进行识别,避免收货人的隐私数据的泄露;其中非隐私数据隐私性低且时效性强,收货人愿意提供的可能性更高,提高收货人通过送货机器人完成订单交接的体验;
若识别成功,则确认所述目标人物为所述收货人;通过识别结果,判断预设范围内的目标人物是否为收货人,完成对收货人的识别;本发明在避免收货人个人隐私信息暴露的情况下,利用非隐私数据准确的完成收货人的识别。
附图说明
图1为本申请收货人识别方法的第一实施例的流程示意图;
图2为本申请收货人识别方法第一实施例中步骤S110的具体实施步骤;
图3为本申请收货人识别方法步骤S112的具体实施步骤;
图4为本申请收货人识别方法第一实施例中步骤S110的另一具体实施步骤;
图5为本申请收货人识别方法中的取货手势示意图;
图6为本申请收货人识别方法第一实施例中步骤S110的另一具体实施步骤;
图7为本申请收货人识别方法第一实施例中步骤S120的具体实施步骤;
图8为本申请收货人识别方法第一实施例中步骤S120的另一具体实施步骤;
图9为本申请实施例中涉及的送货机器人的硬件架构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;若识别成功,则确认所述目标人物为所述收货人;本发明在避免收货人个人隐私信息暴露的情况下,准确的完成收货人的识别。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图1,图1为本申请收货人识别方法的第一实施例,应用于送货机器人,所述方法包括:
步骤S110:获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别。
具体地,收货人可以是有权提取货物的人,在本实施例中可以是快递的收件人,也可以是外卖的收件人,在此并不作限定。
非隐私数据具体可以是隐私性低且时效性高的个人数据,比如收件人当天穿戴的服饰数据、预设的取货手势以及体势(身体姿势)、取件码等隐私性不高但都具有很高的时效性的数据,在此并不限定于上述举例的内容。送货机器人可以通过收货人终端的应用程序获取收货人的人形识别信息、预设的取货手势以及体势、取件码等。其中,人形识别信息至少包括服饰信息以及人体特征信息等;预设的取货手势可以是预先设定的取货需要的手的姿势,可以提供多种以供收货人选择,待收货人确定取货手势时,将确定的取货手势发送至送货机器人以供识别时使用;预设的体势可以是预先设定的身体的姿势,可以提供多种体势以供收货人选择,待收货人确定取货体势时,将确定的取货体势发送至送货机器人以供识别时使用;其中取货体势可以是右手高举过头顶等等;取件码可以是随机产生的,在收货人所持终端输入取件码后,获取收货人所持终端的位置信息,通过位置信息判断目标人物是否为收货人。
进一步地,预设范围可以是以送货机器人为圆点,预设距离为半径的圆形范围,也可以是以送货机器人为中心的正方形范围或者长方形范围,在此并不作限定,可以根据送货机器人所在的具体区域的情况进行调整设计。
需要另外说明的是,对预设范围内的目标人物的个数进行识别计数,当预设范围内的目标人物大于或者等于2时,则控制所述送货机器人执行收货人识别方法程序,以减少送货机器人的电量消耗,延长送货机器人的工作时间。
步骤S120:若识别成功,则确认所述目标人物为所述收货人。
具体地,若送货机器人识别成功,则确定目标人物为收货人;同时也可以采用进一步的预设方法来确认目标人物为收货人;具体可以是通过送货机器人的摄像头拍摄目标人物的照片,并发送到收货人终端以供收货人确认,收货人确认后,则确定所述目标人物为所述收货人;也可以是在送货机器人识别成功后,则控制所述送货机器人接近目标人物,若目标人物不避开,则说明目标人物为所述收货人,若目标人物避开,则说明目标人物不是收货人。通过进一步的收货人的确认步骤,大大提高收货人识别的准确度。
在上述实施例中,存在的有益效果为:获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;通过利用收货人的非隐私数据对预设范围内的目标人物进行识别,避免收货人的隐私数据的泄露;其中非隐私数据隐私性低且时效性强,收货人愿意提供的可能性更高,提高收货人通过送货机器人完成订单交接的体验;
若识别成功,则确认所述目标人物为所述收货人;通过识别结果,判断预设范围内的目标人物是否为收货人,完成对收货人的识别;本发明在避免收货人个人隐私信息暴露的情况下,利用非隐私数据准确的完成收货人的识别。
参照图2,图2为本申请收货人识别方法第一实施例中步骤S110的具体实施步骤,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
步骤S111:获取收货人确认的人形识别信息。
具体地,人形识别信息可以是收货人身体外形可提取的信息;比如收货人当前穿戴的服饰信息以及表示高矮胖瘦的人体特征信息。
步骤S112:将所述人形识别信息载入预设的人形模板中,生成目标人形模板。
具体地,将通过收货人终端确认的人形识别信息放入预设的人形模板中,生成目标人形模板,以目标人形模板为基准,与预设范围内的目标人物进行匹配。
步骤S113:对所述目标人形模板与预设范围内的目标人物进行匹配识别。
具体地,通过送货机器人的摄像头获取预设范围内的目标人物的特征,通过计算生成的目标人形模板的特征与预设范围内的目标人物的特征之间的第一相似度,若生成的目标人形模板的特征与预设范围内的目标人物的特征之间的第一相似度高于预设阈值,则认为目标人形模板与目标人物匹配;同时也可以进一步对锁定的目标人物进行更加细致的二次特征提取,并与目标人形模板进行第二相似度计算,若第二相似度高于第一相似度,则代表锁定的目标人物与目标人形模板匹配。
在上述实施例中,存在的有益效果为:利用人形识别信息,对收货人进行识别,保护收货人个人隐私的安全,同时利用目标人形模板与预设范围内的目标人物特征相似度的计算,更加准确的完成对收货人的识别。
参照图3,图3为本申请收货人识别方法步骤S112的具体实施步骤,所述将所述人形识别信息载入预设的人形模板中,生成目标人形模板,包括:
步骤S1121:利用所述人形识别信息,从所述预设的人形模板中选取待载入人形模板。
具体地,预设的人形模板可以有多个,可以根据身高以及体重预设多个人形模板;其中,根据人形识别信息中的身高、体重选择合适的模板;比如可以根据收货人的人形识别信息中的身高、体重,代入体质指数计算公式(体质指数=体重(千克)/身高(米)的平方);当收货人的体质指数为18.5~23.9,为正常范围,则选取正常人形模板;当收货人的体质指数小于18.5,为偏瘦,则选取偏瘦人形模板;当收货人的体质指数为24.0~27.9,为超重,则选取超重人形模板;当收货人的体质指数大于或者等于28.0,为肥胖,则选取肥胖的人形模板。同样,可以根据服饰信息进行待载入人形模板的选择。
步骤S1122:将所述人形识别信息存储至所述待载入人形模板对应的数据库中,生成目标人形模板。
具体地,将人形识别信息存储至待载入人形模板对应的数据库中,比如收货人确认的人形识别信息中为上衣红色及裤子蓝色,则将上衣红色及裤子蓝色存储至待载入人形模板对应的数据库中的衣服类型以及颜色属性中,并将上衣红色以及裤子蓝色应用或者渲染至待载入人形模板上,生成目标人形模板。
在上述实施例中,存在的有益效果为:通过人形识别信息对待载入人形模板进行选择,使生成的目标人形模板更加的准确,从而提高收货人识别的准确性。
在其中一个实施例中,所述人形识别信息包括服饰信息和/或人体特征信息;
所述服饰信息包括以下至少之一:服饰颜色、图案、款式、袖长以及品牌;所述人体特征信息包括以下至少之一:性别、年龄、身高、体重以及发型。
具体地,服饰信息可以是服饰颜色、图案(条纹、格子、纯色、碎花、迷彩)、款式(多口袋、卡通化、撞色、金属装饰、纽扣装饰、贴布装饰、字母图案、毛边设计、袖口翻边)、袖长(长袖、短袖、中袖、无袖)、品牌等;另外,服饰信息中也可以包括配饰信息,比如是否带有手表,手环以及手镯等,也可以包含耳饰、头饰等;也可以包含鞋子信息,比如颜色,款式,品牌等。可以通过人体特征信息刻画收货人的轮廓画像,结合服饰信息以保证目标人物模板的准确性。
参照图4,图4为本申请收货人识别方法第一实施例中步骤S110的另一具体实施步骤,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
步骤S111-1:获取收货人确认的取货手势。
具体地,取货手势可以是取货所需的手的姿势,具体可以参照图5,图5为本申请收货人识别方法中的取货手势示意图,但并不限定于图4中举例的6种手势。
具体地,可以通过收货人终端的应用程序提示收货人确认取货手势),收货人选定取货手势为OK手势(具体参照图5中第4个手势)后,将OK手势信息发送至送货机器人,送货机器人基于OK手势信息进行识别。
步骤S112-1:利用手势识别模型,基于所述取货手势,对预设范围内目标人物的手势进行识别。
具体地,首先将训练集中的手势图片进行手势分割,本实施例采用的是局部自适应阈值的图像二值化和高斯肤色模型算法进行手势分割以提取手部轮廓;其次将训练集的手势分割的结果放入CNN神经网络进行训练,得到手势识别模型(手势识别模型为分类模型,具体基于keras的搭建CNN神经网络模型);再次将通过送货机器人摄像头获取的预设范围内目标人物的图片进行手势提取,将提取结果放入训练好的手势识别模型中进行识别,则手势识别模型的分类结果为预设范围内目标人物的手势的识别结果。
在上述实施例中,存在的有益效果为:利用收货人确认的取货手势对收货人进行识别,保证收货人个人隐私安全,同时利用手势识别模型进一步提高收货人识别的准确性。
参照图6,图6为本申请收货人识别方法第一实施例中步骤S110的另一具体实施步骤,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
步骤S111-2:响应收货人所持终端输入取件码后触发的取件指令,在验证所述取件码一致后,获取收货人所持终端的位置信息。
具体地,取件码可以是由送货机器人随机生成并发送至收货人所持终端的数字组合,可以是1-4位,具体可以根据需求进行设定。
在收货人所持终端在应用程序中输入取件码后,则通过收货人所持终端的应用程序,生成取件指令,并将取件指令发送至送货机器人,所述送货机器人响应取件指令,并进入预送货状态并获取收货人所持终端的位置信息。
具体地,以送货机器人为中心,在预设范围内构建高精度地图,获取收货人所持终端的位置信息,具体可以是收货人所持终端的坐标信息。
步骤S112-2:若通过所述位置信息判定所述收货人所持终端在预设范围内,则识别成功。
具体地,经过位置信息的解析,获取收货人所持终端的坐标信息,并基于坐标信息判定收货人所持终端在预设范围内,则完成对收货人的成功识别,然后可以根据收货人所持终端的坐标信息送货。
在上述实施例中,存在的有益效果,通过输入取件码,获取收货人所持终端的位置信息,在本实施例中并未使用收货人的个人隐私信息,极大的保护了收货人的隐私安全,同时利用高精度的地图建模技术,可以精确的通过位置信息完成对收货人的识别。
参照图7,图7为本申请收货人识别方法第一实施例中步骤S120的另一具体实施步骤,所述若识别成功,则确认所述目标人物为所述收货人,包括:
步骤S121:若识别成功,则控制所述送货机器人拍摄目标人物照片并发送至所述收货人所持终端。
具体地,若识别成功,进一步通过送货机器人的摄像头拍摄目标人物的照片并发送至收货人所持终端,等待收货人确认。
步骤S122:获取到所述收货人所持终端的所述目标人物照片的确认信息后,则确认所述目标人物为所述收货人。
具体地,当收货人通过所持终端确认所述目标人物照片为自己时,并发送确认信息至收货机器人,收货机器人获取到收货人所持终端发送的目标人物照片的确认信息,则确认所述目标人物为所述收货人。
上述实施例中,存在的有益效果为:进一步通过送货机器人拍摄目标人物照片并发送至收货人所持终端,并在收货人自己确定的情况下,保证收货人识别正确。
参照图8,图8为本申请收货人识别方法第一实施例中步骤S120的另一具体实施步骤,所述若识别成功,则确认所述目标人物为所述收货人,还包括:
步骤S121-1:若识别成功,则控制所述送货机器人接近所述目标人物。
具体地,若识别成功,则控制送货机器人靠近目标人物,移动的过程中可以按照最优路径接近目标人物,最优路径可以是距离最优,也可以是时间最优,在此并不作限定,可以根据实际情况动态调整。其中,通过最优路径接近收货人,保证收货人及时取货,节省收货人的取货时间,提高收货人的取货体验。
步骤S122-1:若所述目标人物避开,则重新对预设范围内的目标人物进行识别。
具体地,若送货机器人接近目标人物,该目标人物本能的避开,则说明该目标人物不为收货人,则可以基于当前位置重新对预设范围内的目标人物进行识别;也可以重新回到原来的位置,重新对预设范围内的目标人物进行识别。
步骤S123-1:若所述目标人物未避开,则确定所述目标人物为所述收货人。
具体地,若送货机器人接近目标人物,该目标人物未避开,则说明该目标人物为收货人,则确认所述目标人物为所述收货人。
在上述实施例中,存在的有益效果:通过控制送货机器人接近目标人物,并根据目标人物的反应来判断目标人物是否为收货人,过程中并未涉及收货人的个人隐私问题,且准确的完成了收货人的确认。
本申请还保护一种送货机器人,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的收货人识别方法的程序,所述处理器执行所述收货人识别方法的程序时实现上述任一所述的收货人识别方法的步骤。
本申请涉及一种送货机器人010包括如图9所示:至少一个处理器012、存储器011。
处理器012可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器012中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器012可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器011,处理器012读取存储器011中的信息,结合其硬件完成上述方法的步骤。
可以理解,本发明实施例中的存储器011可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ReadOnly Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本发明实施例描述的系统和方法的存储器011旨在包括但不限于这些和任意其它适合类型的存储器。
本申请还提供一种计算机存储介质,所述计算机存储介质上存储有收货人识别方法程序,所述收货人识别方法程序被处理器执行时实现权利要求1-8任一所述的收货人识别方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种收货人识别方法,应用于送货机器人,其特征在于,所述方法包括:
获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别;
其中,所述获取收货人的非隐私数据,并基于所述非隐私数据,对预设范围内的目标人物进行识别包括:
获取收货人确认的人形识别信息,所述人形识别信息至少包括服饰信息和人体特征信息中的一种或多种;
将所述人形识别信息载入预设的人形模板中,生成目标人形模板,包括:利用所述人形识别信息,从所述预设的人形模板中选取待载入人形模板;将所述人形识别信息存储至所述待载入人形模板对应的数据库中,生成目标人形模板;
对所述目标人形模板与预设范围内的目标人物进行匹配识别;
若所述目标人形模板与预设范围内的目标人物匹配识别成功,则确认所述目标人物为所述收货人,包括:控制所述送货机器人接近所述目标人物;若所述目标人物避开,则重新对预设范围内的目标人物进行识别;若所述目标人物未避开,则确定所述目标人物为所述收货人。
2.如权利要求1所述的收货人识别方法,其特征在于,所述人形识别信息包括服饰信息和/或人体特征信息;
所述服饰信息包括以下至少之一:服饰颜色、图案、款式、袖长以及品牌;
所述人体特征信息包括以下至少之一:性别、年龄、身高、体重以及发型。
3.如权利要求1所述的收货人识别方法,其特征在于,所述若识别成功,则确认所述目标人物为所述收货人,还包括:
若识别成功,则控制所述送货机器人拍摄目标人物照片并发送至所述收货人所持终端;
获取到所述收货人所持终端的所述目标人物照片的确认信息后,则确认所述目标人物为所述收货人。
4.一种送货机器人,其特征在于,包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的收货人识别方法的程序,所述处理器执行所述收货人识别方法的程序时实现权利要求1-3任一所述的收货人识别方法的步骤。
5.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有收货人识别方法程序,所述收货人识别方法程序被处理器执行时实现权利要求1-3任一所述的收货人识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740118.8A CN113393151B (zh) | 2021-06-30 | 2021-06-30 | 收货人识别方法、送货机器人及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740118.8A CN113393151B (zh) | 2021-06-30 | 2021-06-30 | 收货人识别方法、送货机器人及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393151A CN113393151A (zh) | 2021-09-14 |
CN113393151B true CN113393151B (zh) | 2024-05-10 |
Family
ID=77624739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740118.8A Active CN113393151B (zh) | 2021-06-30 | 2021-06-30 | 收货人识别方法、送货机器人及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393151B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629261A (zh) * | 2017-03-24 | 2018-10-09 | 纬创资通股份有限公司 | 远距离的身份识别方法及其系统与计算机可读取记录媒体 |
CN109828576A (zh) * | 2019-02-22 | 2019-05-31 | 北京京东尚科信息技术有限公司 | 用于无人配送机器人的手势控制方法、装置、设备及介质 |
CN110070014A (zh) * | 2019-04-12 | 2019-07-30 | 顾宏超 | 基于生物识别特征的识别方法及其装置、设备和存储介质 |
CN111178252A (zh) * | 2019-12-27 | 2020-05-19 | 东北大学 | 多特征融合的身份识别方法 |
CN112180936A (zh) * | 2020-10-12 | 2021-01-05 | 六安智梭无人车科技有限公司 | 无人驾驶物流车的控制方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921101A (zh) * | 2018-07-04 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 基于手势识别控制指令的处理方法、设备及可读存储介质 |
-
2021
- 2021-06-30 CN CN202110740118.8A patent/CN113393151B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629261A (zh) * | 2017-03-24 | 2018-10-09 | 纬创资通股份有限公司 | 远距离的身份识别方法及其系统与计算机可读取记录媒体 |
CN109828576A (zh) * | 2019-02-22 | 2019-05-31 | 北京京东尚科信息技术有限公司 | 用于无人配送机器人的手势控制方法、装置、设备及介质 |
CN110070014A (zh) * | 2019-04-12 | 2019-07-30 | 顾宏超 | 基于生物识别特征的识别方法及其装置、设备和存储介质 |
CN111178252A (zh) * | 2019-12-27 | 2020-05-19 | 东北大学 | 多特征融合的身份识别方法 |
CN112180936A (zh) * | 2020-10-12 | 2021-01-05 | 六安智梭无人车科技有限公司 | 无人驾驶物流车的控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113393151A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650259B2 (en) | Human face recognition method and recognition system based on lip movement information and voice information | |
CN107679448B (zh) | 眼球动作分析方法、装置及存储介质 | |
CN111428731B (zh) | 基于机器视觉的多类目标识别定位方法、装置和设备 | |
US10423848B2 (en) | Method, system, and computer-readable recording medium for long-distance person identification | |
CN108629336B (zh) | 基于人脸特征点识别的颜值计算方法 | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN106127181B (zh) | 一种虚拟试戴美甲的方法、系统 | |
WO2015165365A1 (zh) | 一种人脸识别方法及系统 | |
CN111507134A (zh) | 人形姿态检测方法、装置、计算机设备及存储介质 | |
EP3608838A1 (en) | Device and method for identifying items according to attributes of an avatar | |
JP2018508888A (ja) | モバイル・デバイスを用いてキャプチャしたイメージを使用する指紋ベースのユーザ認証を実行するためのシステムおよび方法 | |
JP6532642B2 (ja) | 生体情報認証装置および生体情報処理方法 | |
CN109297489B (zh) | 一种基于用户特征的室内导航方法、电子设备及存储介质 | |
US20180107877A1 (en) | Image processing apparatus, image processing method, and image processing system | |
KR102078249B1 (ko) | 얼굴 인증 방법, 얼굴 인증 장치, 이를 위한 컴퓨터 프로그램 | |
JP2010262425A (ja) | 衣服を認識および分類するためのコンピュータ実行方法 | |
CN112052746A (zh) | 目标检测方法、装置、电子设备和可读存储介质 | |
CN111367415A (zh) | 一种设备的控制方法、装置、计算机设备和介质 | |
CN111860250B (zh) | 基于人物细粒度特征的图像识别方法及装置 | |
CN108399375B (zh) | 一种基于联想记忆的身份识别方法 | |
CN113646806A (zh) | 图像处理设备、图像处理方法和存储程序的记录介质 | |
CN113393151B (zh) | 收货人识别方法、送货机器人及计算机存储介质 | |
CN109214278B (zh) | 用户指令匹配方法、装置、计算机设备及存储介质 | |
CN103984927B (zh) | 一种信息处理方法及电子设备 | |
CN112766209A (zh) | 着装检测方法、着装检测系统和计算机可读存储介质 |
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 |