CN113420696A - 一种气味发生控制方法、系统及计算机可读存储介质 - Google Patents
一种气味发生控制方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113420696A CN113420696A CN202110742965.8A CN202110742965A CN113420696A CN 113420696 A CN113420696 A CN 113420696A CN 202110742965 A CN202110742965 A CN 202110742965A CN 113420696 A CN113420696 A CN 113420696A
- Authority
- CN
- China
- Prior art keywords
- image
- odor
- recognized
- identified
- feature matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 130
- 239000002994 raw material Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000208818 Helianthus Species 0.000 description 2
- 235000003222 Helianthus annuus Nutrition 0.000 description 2
- 241000220317 Rosa Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种气味发生控制方法、系统及计算机可读存储介质。该方法应用于气味发生系统中的处理器,气味发生系统还包括气味发生器;处理器与气味发生器连接,该方法包括:获取待识别图像;将待识别图像输入至预先训练好的识别模型中,得到待识别图像中的待识别对象的类型;基于待识别对象的类型生成对应的控制信息,并将控制信息发送至气味发生器,以使气味发生器基于控制信息调配对应的气味。通过上述方式,能够产生与多媒体场景对应的气味,进而为用户提供在视觉和嗅觉上的一体化体验。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种气味发生控制方法、系统及计算机可读存储介质。
背景技术
随着科技的进步,越来越多的智能化设备得以飞速发展。比如声音、图像信息已经能够集成到各种各样的智能化设备中进行传播和再现。而气味相对于声音、图像来说更为复杂,难以进行数字化存储和再现。
现有气味发生装置均是由用户基于所需的气味进行调配,此类设备自身无法根据多媒体场景变化而调配出对应的气味。因此,如何将气味与多媒体场景进行融合成为目前亟待解决的问题。
发明内容
本申请实施例的目的在于提供一种气味发生控制方法、系统及计算机可读存储介质,用以将气味与多媒体场景进行融合,为用户提供了视觉嗅觉的一体化体验。
本发明是这样实现的:
第一方面,本申请实施例提供一种气味发生控制方法,应用于气味发生系统中的处理器,所述气味发生系统还包括气味发生器;所述处理器与所述气味发生器连接,所述方法包括:获取待识别图像;将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型;基于所述待识别对象的类型生成对应的控制信息,并将所述控制信息发送至所述气味发生器,以使所述气味发生器基于所述控制信息调配对应的气味。
在本申请实施例中所提供的气味发生系统中,处理器与气味发生器连接,处理器首先获取待识别图像,然后将待识别图像输入至预先训练好的识别模型中,进而得到待识别图像中的待识别对象的类型,最后,根据待识别对象的类型生成对应的控制信息,将控制信息发送至气味发生器,使得气味发生器基于控制信息调配对应的气味。通过上述方式,能够产生与多媒体场景对应的气味,进而为用户提供在视觉和嗅觉上的一体化体验。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述将所述待识别图像输入至预先训练好的识别模型中,包括:对所述待识别图像中的所述待识别对象进行识别定位,确定出包含所述待识别对象的第一图像;基于所述第一图像构建第一特征矩阵;其中,所述第一特征矩阵包括轮廓特征以及颜色特征;将所述第一特征矩阵输入至所述识别模型中。
在本申请实施例中,在获取到待识别图像后,会先对该图像中的待识别对象进行识别定位,进而确定出包含有该待识别对象的第一图像,然后基于第一图像构建第一特征矩阵,最后将第一特征矩阵输入至识别模型中,通过该方式能够减少待识别图像中的背景图案或其余非待识别对象的干扰,进而提高识别模型的识别精度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述基于所述第一图像构建第一特征矩阵包括:基于所述第一图像构建颜色特征矩阵;基于所述第一图像构建轮廓特征矩阵;对所述颜色特征矩阵进行维度变化,并将维度变化后的颜色特征矩阵与所述轮廓特征矩阵进行合并,得到所述第一特征矩阵。
在本申请实施例中,分别基于第一图像构建颜色特征矩阵及轮廓特征矩阵,然后再对颜色特征矩阵进行维度变化,以使得维度变化后的颜色特征矩形与轮廓特征矩阵进行合并,通过该方式以便于生成包括轮廓特征及颜色特征的第一特征矩阵。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述将所述第一特征矩阵输入至所述识别模型中,包括:压缩所述第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵;将所述待识别特征矩阵输入至所述识别模型中。
在本申请实施例中,通过压缩第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵,以提高后续识别模型对待识别特征矩阵进行识别的识别速度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,通过如下步骤得到所述识别模型:获取训练样本图像;其中,所述训练样本图像包括目标对象的类型标签;对所述目标对象进行识别定位,确定出包含所述目标对象的第二图像;基于所述第二图像构建第二特征矩阵;其中,所述第二特征矩阵包括轮廓特征以及颜色特征;基于所述第二特征矩阵及所述目标对象的类型标签对初始模型进行训练至收敛,得到所述识别模型。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取待识别图像,包括:接收连续的视频图像帧;采用邻近算法对所述连续的视频图像帧进行处理,去除所述连续的视频图像帧中的冗余帧;其中,去除所述冗余帧后的视频图像帧为所述待识别图像。
在本申请实施例中,通过邻近算法对连续的视频图像帧进行处理,进而去除掉连续的视频图像帧中的冗余帧,该方式能够减少对冗余帧的识别时间,进而提高整体的识别速度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述待识别对象为花朵。
在本申请实施例中,待识别对象为花朵,通过该方式,使得环境中的气味随着花朵类型的变化而变化,进而使得当气味发生系统应用在影院等多媒体场景中能够给用户带来更加身临其境的嗅觉体验。
第二方面,本申请实施例提供一种气味发生系统,包括:处理器,用于获取待识别图像;将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型;基于所述待识别对象的类型生成对应的控制信息;气味发生器,包括:控制器、原料池及雾化器;所述控制器与分别与所述处理器、所述原料池以及所述雾化器连接,所述控制器用于接收所述控制信息,并基于所述控制信息控制所述原料池进行气味原料调配及将调配后的气味原料输入至所述雾化器;所述控制器还用于控制所述雾化器开启,以使所述雾化器将所述调配后的气味原料进行雾化形成气体后排出。
结合上述第二方面提供的技术方案,在一些可能的实现方式中,所述气味发生系统还包括摄像头,所述摄像头与所述处理器连接,所述摄像头用于将采集的图像发送至所述处理器;其中,所述摄像头采集的图像为所述待识别图像。
结合上述第二方面提供的技术方案,在一些可能的实现方式中,所述待识别对象为花朵。
第三方面,本申请实施例提供一种气味发生控制装置,该装置包括:获取模块、识别模块以及控制模块;获取模块,用于获取待识别图像;识别模块,用于将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型;控制模块,用于基于所述待识别对象的类型生成对应的控制信息,并将所述控制信息发送至所述气味发生器,以使所述气味发生器基于所述控制信息调配对应的气味。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种气味发生系统的模块框图。
图2为本申请实施例提供的一种气味发生器的模块框图。
图3为本申请实施例提供的另一种气味发生系统的模块框图。
图4为本申请实施例提供的一种气味发生控制方法的步骤流程图。
图5为本申请实施例提供的一种气味发生控制装置的模块框图。
图标:100-气味发生系统;10-处理器;20-气味发生器;201-控制器;202-原料池;203-雾化器;204-风机;30-摄像头;300-气味发生控制装置;301-获取模块;302-识别模块;303-控制模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
鉴于现有气味发生装置均是由用户基于所需的气味进行调配,此类设备自身无法根据多媒体场景变化而调配出对应的气味。本申请发明人经过研究探索,提出以下实施例以解决上述问题。
请参阅图1,本申请实施例提供一种气味发生系统100。该系统包括处理器10和气味发生器20。
其中,处理器10与气味发生器20连接。
处理器10用于获取待识别图像;将待识别图像输入至预先训练好的识别模型中,得到待识别图像中的待识别对象的类型;基于待识别对象的类型生成对应的控制信息,并将该控制信息发送至气味发生器20中。
其中,每个控制信息均与一个确定的气味对应。
处理器10可以是一种集成电路芯片,具有信号处理能力。处理器10也可以是通用处理器,例如,数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
气味发生器20具体包括控制器201、原料池202及雾化器203。
控制器201分别与处理器10、原料池202以及雾化器203连接,控制器201用于接收处理器10发送的控制信息,并基于控制信息控制原料池202进行气味原料调配及将调配后的气味原料输入至雾化器203;控制器201还用于控制雾化器203开启,以使雾化器203将调配后的气味原料进行雾化形成气体后排出。
上述的原料池202可以包括不同种类的原料液体瓶。每个原料液体瓶均通过管道连接至雾化器203。控制器201可以控制每个管道的导通来对气味原料进行调配。比如控制器201与每个管道上所设置的开关连接,控制器201中预先存储有与每个控制信息对应的原料配比,进而使得控制器201可以根据控制信息对应的原料配比来控制每个管道上的开关的打开时间。示例性的,控制信息Z对应的A原料、B原料和C原料的配比为2:1:1,则当每个原料液体瓶的管道的尺寸一致时,控制器201可以控制A原料的开关的打开时间为B原料和C原料的开关的打开时间的两倍,进而使得融合后的液体中的A原料、B原料和C原料的配比为2:1:1。
当然,在其他实施例中,当管道中还设置有电机时,控制器201还可以与每个管道上的电机连接,进而通过控制电机的转速,来控制器原料传输的速率,进而实现将原料按照控制信息所对应的配比进行调配,对此,本申请不作限定。此外,原料池202中还包括固态原料,进而使得控制器控制固态原料与水的比例来进行调配。
调配完成的气味原料(通常为液体)最后会流至雾化器203。由雾化器203将气味原料进行雾化后排出。
上述的控制器201可以是一种集成电路芯片,具有信号处理能力。控制器201也可以是通用处理器,例如,数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件。于本申请实施例中,上述的控制器201为型号为STM32的嵌入式单片机,当时,上述单片机也可以是51单片机等,本申请不作限定。
请参阅图2,可选地,为了使得气味发生器20产生的气体更快的排放至环境中,该气味发生器还包括风机204。其中,风机204与控制器201连接,控制器201用于控制风机204的启停。当风机204开启后,风机204可将雾化器203产生的气体更快地排出至环境中。
需要说明的是,图2所示的结构仅为示意,本申请实施例提供的气味发生器20还可以具有比图2更少或更多的组件,或是具有与图2所示不同的配置。
请参阅图3,可选地,该气味发生系统100还包括摄像头30。处理器10与摄像头30连接。摄像头30用于将采集的图像发送至处理器10。其中,摄像头30所采集的图像为待识别图像。
该气味发生系统100可以直接设置在影院等多媒体场所。其中,摄像头30对准播放画面的屏幕,以获取待识别图像。摄像头所拍摄的图像传输至处理器10,处理器10将待识别图像输入至预先训练好的识别模型中,得到待识别图像中的待识别对象的类型;基于待识别对象的类型生成对应的控制信息,并将该控制信息发送至气味发生器20中。气味发生器20根据该控制信息调配对应的气味排放至环境中。
在其他实施例中,气味发生系统100可以不包括摄像头。处理器10可以直接与显示屏幕的主机进行连接,进而使得显示屏幕的显示图像直接实时的传输至处理器10中,处理器10在得到显示屏幕实时传输的显示图像后,将显示图像输入至预先训练好的识别模型中,得到显示图像的待识别对象的类型;基于待识别对象的类型生成对应的控制信息,并将该控制信息发送至气味发生器20中。气味发生器20根据该控制信息调配对应的气味排放至环境中。
本申请实施例所提供的气味发生系统100可以根据花朵的类型,来调配对应的气味。也即,上述的待识别对象为花朵。众所周知,不同的花朵的香味不同,因此,本申请实施例所提供的气味发生控制方法中当待识别图像中包括花朵时,将待识别图像输入至预先训练好的识别模型中,即可得到待识别图像中的花朵的类型,进而根据花朵的类型生成对应的控制信息。
需要说明的是,花朵的类型与对应的控制信息预先设定好,比如,玫瑰花对应的控制信息为A,向日葵对应的控制信息为B,相应的,控制器中存储每种控制信息对应的气味原料配比。比如,控制信息A对应的A原料、B原料和C原料的配比为2:1:1,通过此种配比后可产生玫瑰花的气味;控制信息B对应的A原料、B原料和C原料的配比为2:3:1,通过此种配比后可产生向日葵的气味。
可见,当待识别对象设置为花朵,通过该方式,可以使得环境中的气味随着花朵类型的变化而变化,进而使得当气味发生系统应用在影院等多媒体场景中能够给用户带来更加身临其境的嗅觉体验。
当然,在其他实施例中,气味发生系统100还可以适用于其他的待识别对象,比如待识别对象还可以是水果、天气、或者任意的景物,本申请不作限定。
需要说明的是,图3所示的结构仅为示意,本申请实施例提供的气味发生系统100还可以具有比图3更少或更多的组件,或是具有与图3所示不同的配置。此外,图3所示的各组件可以通过软件、硬件或其组合实现。
请参阅图4,图4为本申请实施例提供的气味发生控制方法的步骤流程图,该方法应用于图1所示的气味发生系统100中的处理器10。需要说明的是,本申请实施例提供的气味发生控制方法不以图4及以下所示的顺序为限制,该方法包括:步骤S101-步骤S103。
步骤S101:获取待识别图像。
步骤S102:将待识别图像输入至预先训练好的识别模型中,得到待识别图像中的待识别对象的类型。
步骤S103:基于待识别对象的类型生成对应的控制信息,并将控制信息发送至气味发生器,以使气味发生器基于控制信息调配对应的气味。
在本申请实施例中所提供的气味发生系统中,处理器与气味发生器连接,处理器首先获取到待识别图像,然后将待识别图像输入至预先训练好的识别模型中,进而得到待识别图像中的待识别对象的类型,最后,根据待识别对象的类型生成对应的控制信息,将控制信息发送至气味发生器,使得气味发生器基于控制信息调配对应的气味。通过上述方式,能够产生与多媒体场景对应的气味,进而为用户提供在视觉和嗅觉上的一体化体验。
以下结合具体的示例对气味发生控制方法的具体流程及步骤进行描述。
可选地,在步骤S101中获取待识别图像,具体包括:接收连续的视频图像帧;采用邻近算法对连续的视频图像帧进行处理,去除连续的视频图像帧中的冗余帧。
其中,去除冗余帧后的视频图像帧为待识别图像。上述的邻近算法为KNN(K-NearestNeighbor,K最邻近)算法。KNN算法的核心为:若一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分类样本所属的类别。而本申请通过该算法即可确定出同属一个类别的连续帧图像,进而将一个类别中冗余的图像帧去除。该方式能够减少对冗余帧的识别时间,进而提高整体的识别速度。
当然,执行该气味发生控制方法时也可以是对每一帧图像均做处理,本申请不作限定。
处理器在获取到待识别图像后,将该图像输入至预先训练好的识别模型中,进而得到待识别图像中的待识别对象的类型。
于本申请实施例中,识别模型为CNN(Convolutional Neural Network,卷积神经网络)模型。在模型结构上,识别模型包括卷积层、池化层以及输出层。卷积层、池化层以及输出层依次连接。
该模型通过如下步骤进行训练,训练步骤包括:获取训练样本图像;其中,训练样本图像中包括目标对象的类型标签。然后将训练样本图像输入至初始的模型中,基于预测结果以及目标对象的类型标签对模型进行训练至收敛,得到该识别模型。
在模型训练过程中,卷积层通过卷积核提取特征,卷积核在学习过程中逐步适配训练样本,生成匹配度较高的卷积核。池化层可压缩特征向量的维度,减低噪声信息,提高特征向量的效率。本申请实施例采用最大池化方法,即卷积层和最大池化层相互交替。
上述的目标对象也是根据需求所选定的,比如目标对象为花朵、水果等等。
可选地,为了减少图像中的背景图案或其余非目标别对象的干扰,进而提高识别模型的识别精度。在输入训练样本图像时,可以先对训练样本图像进行预处理。
其中,预处理的方式为:对训练样本图像中的目标对象进行识别定位,确定出包含目标对象的第二图像;基于第二图像构建第二特征矩阵;其中,第二特征矩阵包括轮廓特征以及颜色特征。
在预处理后,将第二特征矩阵输入至初始的模型中进行训练。
于本申请实施例中,基于第二图像构建第二特征矩阵具体包括:基于第二图像构建颜色特征矩阵;基于第二图像构建轮廓特征矩阵;对颜色特征矩阵进行维度变化,并将维度变化后的颜色特征矩阵与所述轮廓特征矩阵进行合并,得到第二特征矩阵。
颜色特征矩阵的表达式为:T1=[H S V]。T1表示颜色特征矩阵,H表示色调信息,S为饱和度信息,V为亮度信息。颜色特征矩阵中的每个单元对应一个像素点。
轮廓特征矩阵的表达式为:T2=[Mθ]。T2表示轮廓特征矩阵,M表示边缘强度,也即,轮廓特征采用边缘检测算子为m*m的特征向量;θ表示边缘强度,θ=atc tan(Gx/Gy);Gx和Gy为第二图像的一阶偏导数。轮廓特征矩阵中的每个单元对应一个像素点。
对颜色特征矩阵进行维度变化后的矩阵表达式为:C=[H S V]T,C表示维度变化后的矩阵;[]T表示矩阵的转置。
最后上述的矩阵C和矩阵T2进行合并,即可得到第二特征矩阵。
在本申请实施例中,分别基于第二图像构建颜色特征矩阵及轮廓特征矩阵,然后再对颜色特征矩阵进行维度变化,以使得维度变化后的颜色特征矩形与轮廓特征矩阵进行合并,通过该方式以便于生成包括轮廓特征及颜色特征的第二特征矩阵。
可选地,颜色特征矩阵中的三种信息可以进行权重分配,三种信息的权重和为1。上述权重可以根据需求而定。相应的,对颜色特征矩阵进行维度变化后的矩阵表达式为:C=[p q t]T1 T;其中,p、q、t分别对应色调信息、饱和度信息即亮度信息的权重。
在其他实施例中,在上述基于第二图像构建第二特征矩阵的过程中,也可以是构建得到颜色特征矩阵和轮廓特征矩阵后,对轮廓特征矩阵进行维度变化,最后将维度变化后的轮廓特征矩阵和颜色特征矩阵进行合并得到第二特征矩阵,对此,本申请不作限定。
可选地,上述的预处理方式还可以为:对训练样本图像中的目标对象进行识别定位,确定出包含目标对象的第二图像;基于第二图像构建第二特征矩阵;其中,第二特征矩阵包括轮廓特征以及颜色特征;压缩第二特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵。
在预处理后,将待识别特征矩阵输入至初始的模型中进行训练。通过压缩第二特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵,可以提高后续识别模型对待识别特征矩阵进行识别的识别速度。
需要说的是,训练好的识别模型为一种分类模型,其中,K为核函数,NT表示支持向量空间;ai、b、Ti均为通过训练模型得到的参数,其中,ai为拉格朗日系数,b为实数,Ti为对输入的特征矩阵T进行提取后的矩阵。
在其他实施例中,上述的预处理方式还可以是对图像进行剪裁、合并或者归一化处理等等,本申请不作限定。
上述的预处理过程也可以由识别模型来完成,也即,训练识别模型对接收的待识别图像进行定位、特征提取等,本申请不作限定。
需要说明的是,若是在训练过程中在输入训练样本图像前对训练样本图像进行了预处理操作,则在识别模型的实际应用中,也需要对待识别模型进行相同的预处理操作。
也即,上述步骤S102可具体包括:对待识别图像中的待识别对象进行识别定位,确定出包含待识别对象的第一图像;基于第一图像构建第一特征矩阵;其中,第一特征矩阵包括轮廓特征以及颜色特征;将第一特征矩阵输入至识别模型中。
通过该方式能够减少待识别图像中的背景图案或其余非待识别对象的干扰,进而提高识别模型在应用过程中的识别精度。
具体的,步骤S102中的基于第一图像构建第一特征矩阵基于第一图像构建颜色特征矩阵;基于第一图像构建轮廓特征矩阵;对颜色特征矩阵进行维度变化,并将维度变化后的颜色特征矩阵与轮廓特征矩阵进行合并,得到第一特征矩阵。
在本申请实施例中,分别基于第一图像构建颜色特征矩阵及轮廓特征矩阵,然后再对颜色特征矩阵进行维度变化,以使得维度变化后的颜色特征矩形与轮廓特征矩阵进行合并,通过该方式以便于生成包括轮廓特征及颜色特征的第一特征矩阵。
上述步骤S102还可以具体包括:对待识别图像中的待识别对象进行识别定位,确定出包含待识别对象的第一图像;基于第一图像构建第一特征矩阵;其中,第一特征矩阵包括轮廓特征以及颜色特征;压缩第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵;将待识别特征矩阵输入至识别模型中。
通过压缩第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵,可以提高后续识别模型对待识别特征矩阵进行识别的识别速度。
由于预处理过程在模型训练过程中已有说明,为了避免累赘,不作赘述。
综上,本申请实施例所提供的气味发生控制方法,处理器在获取到待识别图像后,将其输入至预先训练好的识别模型中,进而得到待识别图像中的待识别对象的类型,最后,根据待识别对象的类型生成对应的控制信息,将控制信息发送至气味发生器,使得气味发生器基于控制信息调配对应的气味。通过上述方式,能够产生与多媒体场景对应的气味,进而为用户提供在视觉和嗅觉上的一体化体验。
请参阅图5,基于同一发明构思,本申请实施例还提供一种气味发生控制装置300,该装置包括:获取模块301、识别模块302以及控制模块303。
获取模块301,用于获取待识别图像。
识别模块302,用于将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型。
控制模块303,用于基于所述待识别对象的类型生成对应的控制信息,并将所述控制信息发送至所述气味发生器,以使所述气味发生器基于所述控制信息调配对应的气味。
可选地,识别模块302具体用于对所述待识别图像中的所述待识别对象进行识别定位,确定出包含所述待识别对象的第一图像;基于所述第一图像构建第一特征矩阵;其中,所述第一特征矩阵包括轮廓特征以及颜色特征;将所述第一特征矩阵输入至所述识别模型中。
可选地,识别模块302还具体用于基于所述第一图像构建颜色特征矩阵;基于所述第一图像构建轮廓特征矩阵;对所述颜色特征矩阵进行维度变化,并将维度变化后的颜色特征矩阵与所述轮廓特征矩阵进行合并,得到所述第一特征矩阵。
可选地,识别模块302还具体用于压缩所述第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵;将所述待识别特征矩阵输入至所述识别模型中。
可选地,该装置还包括训练模块。训练模块用于获取训练样本图像;其中,所述训练样本图像包括目标对象的类型标签;对所述目标对象进行识别定位,确定出包含所述目标对象的第二图像;基于所述第二图像构建第二特征矩阵;其中,所述第二特征矩阵包括轮廓特征以及颜色特征;基于所述第二特征矩阵及所述目标对象的类型标签对初始模型进行训练至收敛,得到所述识别模型。
可选地,获取模块301具体用于接收连续的视频图像帧;采用邻近算法对所述连续的视频图像帧进行处理,去除所述连续的视频图像帧中的冗余帧;其中,去除所述冗余帧后的视频图像帧为所述待识别图像。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种气味发生控制方法,其特征在于,应用于气味发生系统中的处理器,所述气味发生系统还包括气味发生器;所述处理器与所述气味发生器连接,所述方法包括:
获取待识别图像;
将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型;
基于所述待识别对象的类型生成对应的控制信息,并将所述控制信息发送至所述气味发生器,以使所述气味发生器基于所述控制信息调配对应的气味。
2.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像输入至预先训练好的识别模型中,包括:
对所述待识别图像中的所述待识别对象进行识别定位,确定出包含所述待识别对象的第一图像;
基于所述第一图像构建第一特征矩阵;其中,所述第一特征矩阵包括轮廓特征以及颜色特征;
将所述第一特征矩阵输入至所述识别模型中。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一图像构建第一特征矩阵包括:
基于所述第一图像构建颜色特征矩阵;
基于所述第一图像构建轮廓特征矩阵;
对所述颜色特征矩阵进行维度变化,并将维度变化后的颜色特征矩阵与所述轮廓特征矩阵进行合并,得到所述第一特征矩阵。
4.根据权利要求2所述的方法,其特征在于,所述将所述第一特征矩阵输入至所述识别模型中,包括:
压缩所述第一特征矩阵中的冗余像素点特征分量,得到待识别特征矩阵;
将所述待识别特征矩阵输入至所述识别模型中。
5.根据权利要求2所述的方法,其特征在于,通过如下步骤得到所述识别模型:
获取训练样本图像;其中,所述训练样本图像包括目标对象的类型标签;
对所述目标对象进行识别定位,确定出包含所述目标对象的第二图像;
基于所述第二图像构建第二特征矩阵;其中,所述第二特征矩阵包括轮廓特征以及颜色特征;
基于所述第二特征矩阵及所述目标对象的类型标签对初始模型进行训练至收敛,得到所述识别模型。
6.根据权利要求1所述的方法,其特征在于,所述获取待识别图像,包括:
接收连续的视频图像帧;
采用邻近算法对所述连续的视频图像帧进行处理,去除所述连续的视频图像帧中的冗余帧;其中,去除所述冗余帧后的视频图像帧为所述待识别图像。
7.根据权利要求1所述的方法,其特征在于,所述待识别对象为花朵。
8.一种气味发生系统,其特征在于,包括:
处理器,用于获取待识别图像;将所述待识别图像输入至预先训练好的识别模型中,得到所述待识别图像中的待识别对象的类型;基于所述待识别对象的类型生成对应的控制信息;
气味发生器,包括:控制器、原料池及雾化器;所述控制器与分别与所述处理器、所述原料池以及所述雾化器连接,所述控制器用于接收所述控制信息,并基于所述控制信息控制所述原料池进行气味原料调配及将调配后的气味原料输入至所述雾化器;所述控制器还用于控制所述雾化器开启,以使所述雾化器将所述调配后的气味原料进行雾化形成气体后排出。
9.根据权利要求8所述的气味发生系统,其特征在于,所述气味发生系统还包括摄像头,所述摄像头与所述处理器连接,所述摄像头用于将采集的图像发送至所述处理器;其中,所述摄像头采集的图像为所述待识别图像。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742965.8A CN113420696A (zh) | 2021-07-01 | 2021-07-01 | 一种气味发生控制方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742965.8A CN113420696A (zh) | 2021-07-01 | 2021-07-01 | 一种气味发生控制方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420696A true CN113420696A (zh) | 2021-09-21 |
Family
ID=77717980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742965.8A Pending CN113420696A (zh) | 2021-07-01 | 2021-07-01 | 一种气味发生控制方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420696A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511655A (zh) * | 2022-02-16 | 2022-05-17 | 深圳市恒必达电子科技有限公司 | 一种带气味复现的vr/ar体感装置和气味形成系统 |
CN114840093A (zh) * | 2022-07-04 | 2022-08-02 | 江西工业贸易职业技术学院 | 一种基于vr设备的气味模拟操控系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475938A (zh) * | 2013-08-29 | 2013-12-25 | 深圳市汉普电子技术开发有限公司 | 可散发气味的终端及控制终端散发气味的方法 |
US20190087425A1 (en) * | 2017-09-18 | 2019-03-21 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing olfactory information related to multimedia content and apparatus and method for generating label information |
CN110991533A (zh) * | 2019-12-03 | 2020-04-10 | Oppo广东移动通信有限公司 | 图像识别方法、识别装置、终端设备及可读存储介质 |
CN111597921A (zh) * | 2020-04-28 | 2020-08-28 | 深圳市人工智能与机器人研究院 | 场景识别方法、装置、计算机设备和存储介质 |
CN112092750A (zh) * | 2020-09-15 | 2020-12-18 | 中国第一汽车股份有限公司 | 基于车辆的图像播放方法、装置、系统、车辆及存储介质 |
CN112613551A (zh) * | 2020-12-17 | 2021-04-06 | 东风汽车有限公司 | 汽车零部件识别方法、存储介质及系统 |
US20210166058A1 (en) * | 2019-12-03 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Image generation method and computing device |
-
2021
- 2021-07-01 CN CN202110742965.8A patent/CN113420696A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475938A (zh) * | 2013-08-29 | 2013-12-25 | 深圳市汉普电子技术开发有限公司 | 可散发气味的终端及控制终端散发气味的方法 |
US20190087425A1 (en) * | 2017-09-18 | 2019-03-21 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing olfactory information related to multimedia content and apparatus and method for generating label information |
CN110991533A (zh) * | 2019-12-03 | 2020-04-10 | Oppo广东移动通信有限公司 | 图像识别方法、识别装置、终端设备及可读存储介质 |
US20210166058A1 (en) * | 2019-12-03 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Image generation method and computing device |
CN111597921A (zh) * | 2020-04-28 | 2020-08-28 | 深圳市人工智能与机器人研究院 | 场景识别方法、装置、计算机设备和存储介质 |
CN112092750A (zh) * | 2020-09-15 | 2020-12-18 | 中国第一汽车股份有限公司 | 基于车辆的图像播放方法、装置、系统、车辆及存储介质 |
CN112613551A (zh) * | 2020-12-17 | 2021-04-06 | 东风汽车有限公司 | 汽车零部件识别方法、存储介质及系统 |
Non-Patent Citations (2)
Title |
---|
赵杨: "基于机器视觉的西瓜花体识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
钟平忠: "基于气味表征信息的气味复现方法及装置研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511655A (zh) * | 2022-02-16 | 2022-05-17 | 深圳市恒必达电子科技有限公司 | 一种带气味复现的vr/ar体感装置和气味形成系统 |
CN114511655B (zh) * | 2022-02-16 | 2022-11-04 | 深圳市恒必达电子科技有限公司 | 一种带气味复现的vr/ar体感装置和气味形成系统 |
CN114840093A (zh) * | 2022-07-04 | 2022-08-02 | 江西工业贸易职业技术学院 | 一种基于vr设备的气味模拟操控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420696A (zh) | 一种气味发生控制方法、系统及计算机可读存储介质 | |
CN110519636B (zh) | 语音信息播放方法、装置、计算机设备及存储介质 | |
US7043465B2 (en) | Method and device for perception of an object by its shape, its size and/or its orientation | |
CN111988658B (zh) | 视频生成方法及装置 | |
TWI484422B (zh) | 用以提供姿態分析之方法、裝置和電腦程式產品 | |
EP3108379B1 (en) | Image editing techniques for a device | |
CN112053683A (zh) | 一种语音指令的处理方法、设备及控制系统 | |
EP3660663A1 (en) | Delivering virtualized content | |
CN109558901B (zh) | 一种语义分割训练方法及装置、电子设备、存储介质 | |
CN112633313B (zh) | 一种网络终端的不良信息识别方法及局域网终端设备 | |
US7212669B2 (en) | Automatic perception method and device | |
CN111062974A (zh) | 一种使用去除鬼影对前景目标提取的方法及系统 | |
CN111091122B (zh) | 一种多尺度特征卷积神经网络的训练和检测方法、装置 | |
CN111382305A (zh) | 一种视频去重方法、装置、计算机设备和存储介质 | |
CN110418148B (zh) | 视频生成方法、视频生成设备及可读存储介质 | |
CN112819509B (zh) | 自动筛选广告图片的方法、系统、电子设备和存储介质 | |
CN114240770A (zh) | 一种图像处理方法、装置、服务器及存储介质 | |
CN112101196B (zh) | 数据的处理方法、装置、设备以及存储介质 | |
JP2007293559A (ja) | 非定常映像検出装置,非定常映像検出方法及びその方法を実装したプログラム | |
CN109409381A (zh) | 基于人工智能的家具顶视图的分类方法及系统 | |
KR20130001635A (ko) | 깊이 맵 생성 방법 및 장치 | |
CN105120335B (zh) | 一种处理电视节目图片的方法和装置 | |
EP4024350A1 (en) | Utilizing machine learning models for inserting user-generated content into media content | |
Cagnoni | Evolutionary computer vision: a taxonomic tutorial | |
CN112364200B (zh) | 一种类脑成像的方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |