CN114170254A - 图像分布识别方法、系统、设备和存储介质 - Google Patents
图像分布识别方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN114170254A CN114170254A CN202111261635.3A CN202111261635A CN114170254A CN 114170254 A CN114170254 A CN 114170254A CN 202111261635 A CN202111261635 A CN 202111261635A CN 114170254 A CN114170254 A CN 114170254A
- Authority
- CN
- China
- Prior art keywords
- image
- shelf
- edge
- area
- line
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像分布识别方法、系统、设备和存储介质,可以通过预设的图像识别模型,对端架区域和货架区域间的隔离部分进行识别,进而获取包含隔离部分的第一图像部分;在图像识别模型无法对隔离部分进行识别的情况下,根据货架图像中的商品陈列信息获得商品陈列区域的边缘信息,并据此获取包含端架区域的第二图像部分;最后根据第一图像部分及第二图像部分中的至少一种,获取货架区域于货架图像中的分布情况。本技术方案的实施能够对货架图像中的端架区域和货架区域的隔离部分进行识别,从而实现对于货架区域的识别和获取,消除了端架区域中的商品在后续商品盘点过程中可能造成的干扰,为后续商品盘点提供良好的采集数据基础。
Description
技术领域
本发明涉及图像处理技术领域,具体地,公开了一种图像分布识别方法、系统、设备和存储介质。
背景技术
随着零售领域智能化和信息化进程的加快,越来越多的图像处理技术被应用到零售领域中,也因此对零售领域中的相关图像的处理技术提出了更高的要求。
以商超中存放零售商品的货架来说,为了快速便捷地对货架上的陈列物品进行盘点,可以通过对货架进行图像拍摄后借由图像识别工具进行高效便捷的商品盘点。而在上述借助图像进行商品盘点的过程中,计算机自主执行的盘点动作容易被拍摄图像中的一些无关项所干扰从而导致最终的盘点结果与实际陈列结果之间存在误差。如何去除检测到这些无关项的干扰已然成为了现如今图像处理技术领域中的重要问题。
可以理解的是,为了保证能够完整地获取货架的整体图像,在进行图像拍摄的过程中,难免会将货架两侧的端架区域纳入拍摄图像之中。所谓端架,指的是出现在货架两侧或是货架顶部或是货架底部,用于特殊陈列的一种附属架体,其主要用来陈列特定品牌的促销产品,能起到集中陈列、吸引顾客的目的。端架中陈列的商品通常是与特定品牌相关联的,且在不同的销售周期内会根据品牌方营销策略的改变而产生较大的变动,因而通常不将端架上陈列的商品纳入针对货架主体商品的日常盘点过程中。但由于容易在拍摄过程中被纳入拍摄图像中,若是直接对拍摄图像进行商品识别盘点,容易因货架上陈列的商品而受到干扰,导致基于日常盘点的后续分析统计难以达到预定精确度,为商超经营者营销策略的改变和制定造成困扰。
因此,如何消除货架图像中端架区域成列商品所造成的干扰,精准确定货架区域在货架图像中的分布情况,以保证后续对货架商品陈列情况的日常盘点操作能够更为精确、高效、便捷,是零售领域智能化进程中的重要环节。
发明内容
为了解决现有技术中存在的上述问题,本发明提供一种图像分布识别方法、系统、设备和存储介质。
在本申请的第一方面提供了一种图像分布识别方法,用于对货架图像中的货架区域的分布情况进行识别,其中货架图像中包含货架区域和端架区域。
该种方法包括如下步骤:
基于预设的图像识别模型,对端架区域和货架区域间的隔离部分进行识别,获取包含隔离部分的第一图像部分;
在图像识别模型无法对隔离部分进行识别的情况下,基于货架图像中的商品陈列信息,获取货架图像中的商品陈列区域的边缘信息;
根据边缘信息,获取与端架区域的陈列位置相匹配的边缘线;
根据边缘线于三维空间中的分布情况,筛选得到与隔离部分关联的优选边缘线,并获取包含端架区域的第二图像部分;
根据第一图像部分及第二图像部分中的至少一种,获取货架区域于货架图像中的分布情况。
在上述第一方面的一种可能的实现中,边缘信息包括:
于货架图像中,商品陈列区域的第一边缘轮廓线;及
于货架图像中,货架架体和端架架体的第二边缘轮廓线。
在上述第一方面的一种可能的实现中,在获取边缘线的过程中,还包括:
对第一边缘轮廓线和第二边缘轮廓线进行直线拟合,获得多条直边缘线;
在端架区域相对于水平地面处于货架区域的侧部的情况下,边缘线包括:
与水平地面的垂线的夹角小于或等于第一预设阈值的直边缘线。
在上述第一方面的一种可能的实现中,在获取边缘线的过程中,还包括:
对第一边缘轮廓线和第二边缘轮廓线进行直线拟合,获得多条直边缘线;
在端架区域相对于水平地面处于货架区域的上部和/或下部的情况下,边缘线包括:
与水平地面的平行线的夹角小于或等于第二预设阈值的直边缘线。
在上述第一方面的一种可能的实现中,在筛选得到优选边缘线的过程中,还包括:
获取边缘线于三维空间中的分布情况;
在边缘线于三维空间中的分布情况为直线度符合预设条件的直线的情况下,将边缘线作为优选边缘线。
在上述第一方面的一种可能的实现中,在边缘线于三维空间中的分布情况为直线度符合预设条件的直线的情况下,还包括:
根据长度依次对边缘线进行排序;
根据排序,将排序靠前的预设比例的边缘线作为优选边缘线。
在上述第一方面的一种可能的实现中,在获取第二图像部分的过程中,还包括:
根据优选边缘线的分布情况,获取与优选边缘线距离最近的货架图形的图像边缘;
将优选边缘线和图像边缘围成的区域作为包含端架区域的第二图像部分。
本申请的第二方面提供了一种图像分布识别系统,用于实现前述第一方面所提供的图像分布识别方法,该种系统包括:
第一识别模块,用于基于预设的图像识别模型,对端架区域和货架区域间的隔离部分进行识别,获取包含隔离部分的第一图像部分;
第二识别模块,用于在图像识别模型无法对隔离部分进行识别的情况下,基于货架图像中的商品陈列信息,获取货架图像中的商品陈列区域的边缘信息;
匹配模块,用于根据边缘信息,获取与端架区域的陈列位置相匹配的边缘线;
筛选模块,用于根据边缘线的曲率性质和分布情况,筛选得到与隔离部分相关的优选边缘线,并获取包含端架区域的第二图像部分;
获取模块,用于根据隔离部分的分布情况及端架区域的分布情况中的至少一种,获取货架区域于货架图像中的分布情况。
本申请的第三方面提供了一种图像分布识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现前述第一方面所提供的图像分布识别方法。
本申请的第四方面提供了一种计算机可读存储介质,该种计算机可读存储介质上存储有计算机程序,在计算机程序被处理器执行时实现前述第一方面所提供的图像分布识别方法。
与现有技术相比,本申请具有如下的有益效果:
通过本申请提出的技术方案,能够对货架图像中的端架区域和货架区域的隔离部分进行识别,从而实现对于货架区域的识别和获取,为后续商品盘点提供良好的采集数据基础。
另一方面,在无法直接对隔离部分进行识别的情况下,本申请提出的技术方案还提出了一种通过对陈列商品的边缘信息进行识别,根据边缘信息中的边缘轮廓线在三维空间中的分布情况确定出货架图像中包含有端架区域的部分,进而实现对货架区域的识别和获取,能够适应特殊类型的端架,取得同样的识别结果,进一步扩展了本技术方案的适用范围。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1根据本申请实施例,示出了一种图像分布识别方法的流程示意图;
图2根据本申请实施例,示出了一种获取边缘线的流程示意图;
图3根据本申请实施例,示出了一种筛选优选边缘线的流程示意图;
图4根据本申请实施例,示出了一种图像分布识别系统的结构示意图;
图5根据本申请实施例,示出了一种图像分布识别设备的结构示意图;
图6根据本申请实施例,示出了一种计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少区域地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
针对现有技术中难以对多个货架区域图像中存在的重复区域进行高效高精度的识别检测的技术问题,本申请提供了一种图像分布识别方法、系统、设备和存储介质。通过本申请提供的技术方案,能够对货架图像中的货架区域进行有效识别和获取,同时适用于多种不同的端架设置场景,进而为后续商品盘点提供良好的采集数据基础。以下将结合实施例对本申请提供的技术方案进行阐释和说明。
在本申请的一些实施例中,图1示出了一种图像分布识别方法的流程示意图。具体地,该种方法用于对货架图像中的货架区域的分布情况进行识别。其中,货架图像中至少包含有货架区域和端架区域。
可以理解的是,为了保证能够完整地获取货架的整体图像,在进行图像拍摄的过程中,难免会将货架两侧的端架区域纳入拍摄图像之中。于本申请提供的技术方案中,需要针对至少包含有货架区域和端架区域两个部分的货架拍摄图像进行处理。其中,货架区域指的是进行商品陈列的货架主体区域,也是商品盘点过程中需要考虑的区域;端架区域主要指的是在货架的边缘进行特价商品或是推销商品展示用的小型陈列区域,其中所陈列的商品不需要纳入商品盘点的范围中,下文对此不再赘述。
如图1所示,该种方法具体包括如下步骤:
步骤100:基于预设的图像识别模型,对端架区域和货架区域间的隔离部分进行识别,获取包含隔离部分的第一图像部分。
可以理解的是,预设的图像识别模型可以基于神经网络模型和深度学习算法等方式预先训练得到,训练集可以是由大量的包含货架区域和端架区域的货架图像所组成的。通过训练集的预先训练,图像识别模型能够从货架图像中对隔离部分进行像素级识别。
步骤200:在图像识别模型无法对隔离部分进行识别的情况下,基于货架图像中的商品陈列信息,获取货架图像中的商品陈列区域的边缘信息。
可以理解的是,由于图像识别模型可以是基于深度学习等训练方式得到的,其在对隔离部分进行识别的过程中需要依托大量的历史货架图像中已然出现过的隔板样式所总结得到的图像特征。随着零售领域的不断高速发展,各种新型样式的端架也逐步投入到市场之中,例如异形端架、木质端架、嵌入式端架等。由于这些新型端架的样式设计并不统一,有些甚至不具备与货架区域间的隔离部分,自然也就无法通过图像识别模型进行相应的识别。针对此类问题,本申请可以通过下述步骤200至步骤400对图像识别模型无法对隔离部分进行识别的情形加以应对。
步骤300:根据边缘信息,获取与端架区域的陈列位置相匹配的边缘线。其中,有关边缘线获取的具体实现方式将于下文中进行说明。
步骤400:根据边缘线于三维空间中的分布情况,筛选得到与隔离部分关联的优选边缘线,并获取包含端架区域的第二图像部分。其中,有关获取优选边缘线以及第二图像部分的具体实现方式将于下文中进行说明。
步骤500:根据第一图像部分及第二图像部分中的至少一种,获取货架区域于货架图像中的分布情况。
可以理解的是,通过上述步骤100至步骤400,能够至少获取到第一图像部分以及第二图像部分中的至少一种:在本申请的一些具体实施例中,由于第一图像部分指的是货架区域和端架区域之间的间隔部分,且端架区域往往位于货架图像中靠近边缘的位置,在获得第一图像部分的情况时,可以将第一图像部分与其最靠近的图像边缘所构成的区域进行去除,从而保障了剩余部分恰好是货架图像中的货架区域部分。而在本申请的另一些具体实施例中,由于第二图像部分包括端架部分,且第二图像部分的至少一部分边缘线为步骤400中获得的优选边缘线,可以将第二图像部分认为是包含端架部分的最小规范几何区域或是外接规范几何区域,同样可以通过去除第二图像部分来获取货架部分于货架图像中的分布情况。
于上述实施例中,步骤100至步骤500对如何获取货架区域于货架图像中的分布情况做了简要阐释,以下将对上述步骤的具体实现方式进行进一步的说明。
于前述实施例的一些可能的实现中,于上述步骤200中,边缘信息可以进一步包括:于货架图像中,商品陈列区域的第一边缘轮廓线;以及于货架图像中,货架架体和端架架体的第二边缘轮廓线。
可以理解的是,在图像识别模型无法直接识别出隔离部分的情况下,可以通过对陈列商品的边缘信息进行识别,进而根据边缘信息中的边缘轮廓线在三维空间中的分布情况确定出货架图像中包含有端架区域的部分,最后实现对货架区域的识别和获取。这一切的基础在于对货架图像中出现的陈列商品的边缘信息进行获取。
于上述实施例中,可以基于Canny算法对货架图片进行边缘信息检测,以获取货架图像中的货架轮廓信息、陈列商品轮廓信息以及端架轮廓信息,这些轮廓信息的具体表现形式可以为在货架图像中进行标识的边缘轮廓线。
进一步地,图2示出了一种获取边缘线的具体流程示意。如图2所示,于前述步骤300中,在获取边缘线的过程中,还可以包括如下步骤:
步骤301:对第一边缘轮廓线和第二边缘轮廓线进行直线拟合,获得多条直边缘线。可以理解的是,由于第一边缘轮廓线和第二边缘轮廓线是基于像素级图像边缘检测所得到的的,其可能会随拍摄图像的畸变或是陈列商品的外包装的不同而呈曲线状呈现,这并不利于后续对其的边缘线判定,可以预先通过直线拟合的方式将其拟合为多条直边缘线以便在后续步骤中进行相应的处理和判断。
步骤302:在端架区域相对于水平地面处于货架区域的侧部的情况下,将与水平地面的垂线的夹角小于或等于第一预设阈值的直边缘线作为边缘线。
步骤303:在端架区域相对于水平地面处于货架区域的上部和/或下部的情况下,将与水平地面的平行线的夹角小于或等于第二预设阈值的直边缘线作为边缘线。
可以理解的是,端架既可以布置在货架的两侧,也可以布置在货架的上方或是底部最底层。当端架布置在货架的两侧时,可以挑选与货架的竖直方向一致的边缘以得到多个能够反馈货架与端架之间分隔的竖直边缘线;当端架布置在货架的上方或是底部最底层,则可以将前述的竖直边缘线设置为与水平底面相平行的水平边缘线,从而便于检测出位于货架上方或下方的端架。考虑到拍摄的货架图片可能由于拍摄角度等原因产生一定的画面变形,因此在挑选与货架的竖直方向一致或是与水平底面相平行的边缘时,本领域技术人员可以根据实际需求预设一定的偏差角度来适应潜在的拍摄误差。
在本申请的一些实施例中,图3示出了一种筛选优选边缘线的流程示意。如图3所示,于前述步骤400中,在筛选得到优选边缘线的过程中,还可以包括如下步骤:
步骤401:基于霍夫变化原理,获取边缘线于三维空间中的分布情况。
可以理解的是,从货架图像上获得的边缘线是相对于货架图像这一二维平面中的,于对应的三维空间中并不一定代表一条直的边缘线,因此可以利用霍夫变换进行相应的直线检测,并将直线度符合预设条件的边缘线作为筛选得到的优选边缘线。
步骤402:在边缘线于三维空间中的分布情况为直线度符合预设条件的直线的情况下,将边缘线作为优选边缘线。
进一步地,于上述实施例中,在边缘线于三维空间中的分布情况为直线度符合预设条件的直线的情况下,上述步骤402还可以进一步包括:
根据长度依次对边缘线进行排序,并根据排序将排序靠前的预设比例的边缘线作为优选边缘线。
可以理解的是,基于端架与货架之间的分布特征,端架往往是靠在货架的一侧上并能够尽可能地占据该侧全部区域以呈现更多的推销商品或是取得更好的推销效果,往往长度相对较长的优选边缘线便是与端架和货架之间隔离部分的隔板相对应的。
在本申请的一些实施例中,于前述步骤400中,在获取第二图像部分的过程中,还可以包括:根据优选边缘线的分布情况,获取与优选边缘线距离最近的货架图形的图像边缘;将优选边缘线和图像边缘围成的区域作为包含端架区域的第二图像部分。
可以理解的是,对于货架图像而言,由于端架通常会在货架图像的边缘位置,因此可以利用这一特点,将检测出来的优选边缘线位置靠近货架图像边缘一侧的区域视为包含端架的第二图像部分。
在本申请的一些实施例中,图4示出了一种图像分布识别系统的结构示意图。如图4所示,该系统能够实现前述任意一项实施例中阐释的图像分布识别方法,具体包括:
第一识别模块001,用于基于预设的图像识别模型,对端架区域和货架区域间的隔离部分进行识别,获取包含隔离部分的第一图像部分;
第二识别模块002,用于在图像识别模型无法对隔离部分进行识别的情况下,基于货架图像中的商品陈列信息,获取货架图像中的商品陈列区域的边缘信息;
匹配模块003,用于根据边缘信息,获取与端架区域的陈列位置相匹配的边缘线;
筛选模块004,用于根据边缘线的曲率性质和分布情况,筛选得到与隔离部分相关的优选边缘线,并获取包含端架区域的第二图像部分;
获取模块005,用于根据隔离部分的分布情况及端架区域的分布情况中的至少一种,获取货架区域于货架图像中的分布情况。
可以理解的是,上述图像分布识别系统中的各个功能模块执行与前述实施例中图像分布识别方法相同的步骤流程,在此不做赘述。
在本申请的一些实施例中,还提供了一种图像分布识别设备,该种设备可以包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现本申请技术方案中说明的图像拉正方法的步骤。
可以理解的是,本申请技术方案的各个方面可以实现为系统、方法或程序产品。因此,本申请技术方案的各个方面可以具体实现为以下形式,即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图5根据本申请的一些实施例,示出了一种图像分布识别设备的结构示意图。下面参照图5来详细描述根据本实施例中的实施方式实施的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本申请技术方案任何实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组建可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本实施例中上述图像拼接方法区域中描述的根据本实施例中的实施步骤。例如,处理单元610可以执行如图1至图4中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取单元(RAM)和/或高速缓存存储单元,可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图像加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等) 通信,还可以与一个或者多个使得用户与该电子设备600交互的设备通信,和/或与使得该电子设备能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600 还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/ 或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其他模块通信。应当明白,尽管图5中未示出,可以结合电子设备600使用其他硬件和 /或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
在本申请的一些实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时能够实现上述公开中图像拉正方法的步骤。
尽管本实施例未详尽地列举其他具体的实施方式,但在一些可能的实施方式中,本申请技术方案说明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本申请技术方案中图像拼接方法区域中描述的根据本申请技术方案各种实施例中实施方式的步骤。
如上说明之内容,该实施例提供的计算机可读存储介质中存储的计算机程序被执行时,通过提供的图像拉正方法来检测货架图片中的商品和置物层,进而调整置物层在不同方向上的长度,得到二次调整图片;最后对二次调整图片进行整体的比例调整,以使二次调整图片中商品的标记框的长宽比与货架图片中对应商品的标记框的长宽比一致,从而得到拉正图片。
图6根据本申请的一些实施例示出了一种计算机可读存储介质的结构示意图。如图6所示,其中描述了根据本申请技术方案的实施方式中用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。当然,依据本实施例产生的程序产品不限于此,在本申请技术方案中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子 (非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一区域传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请技术方案操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、区域地在用户设备上执行、作为一个独立的软件包执行、区域在用户计算设备上区域在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,于本申请提出的技术方案中,能够对货架图像中的端架区域和货架区域的隔离部分进行识别,从而实现对于货架区域的识别和获取,为后续商品盘点提供良好的采集数据基础。
另一方面,于本申请提出的技术方案中,在无法直接对隔离部分进行识别的情况下,还提供了一种通过对陈列商品的边缘信息进行识别,根据边缘信息中的边缘轮廓线在三维空间中的分布情况确定出货架图像中包含有端架区域的部分,进而实现对货架区域的识别和获取,能够适应特殊类型的端架,取得同样的识别结果,进一步扩展了本技术方案的适用范围。
上述描述仅是对本申请技术方案较佳实施例的描述,并非对本申请技术方案范围的任何限定,本申请技术方案领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种图像分布识别方法,其特征在于,用于对货架图像中的货架区域的分布情况进行识别,所述货架图像中包含所述货架区域和端架区域;
所述方法包括如下步骤:
基于预设的图像识别模型,对所述端架区域和所述货架区域间的隔离部分进行识别,获取包含所述隔离部分的第一图像部分;
在所述图像识别模型无法对所述隔离部分进行识别的情况下,基于所述货架图像中的商品陈列信息,获取所述货架图像中的商品陈列区域的边缘信息;
根据所述边缘信息,获取与所述端架区域的陈列位置相匹配的边缘线;
根据所述边缘线于三维空间中的分布情况,筛选得到与所述隔离部分关联的优选边缘线,并获取包含所述端架区域的第二图像部分;
根据所述第一图像部分及所述第二图像部分中的至少一种,获取所述货架区域于所述货架图像中的分布情况。
2.如权利要求1所述的方法,其特征在于,所述边缘信息包括:
于所述货架图像中,所述商品陈列区域的第一边缘轮廓线;及
于所述货架图像中,货架架体和端架架体的第二边缘轮廓线。
3.如权利要求2所述的方法,其特征在于,在获取所述边缘线的过程中,还包括:
对所述第一边缘轮廓线和所述第二边缘轮廓线进行直线拟合,获得多条直边缘线;
在所述端架区域相对于水平地面处于所述货架区域的侧部的情况下,所述边缘线包括:
与所述水平地面的垂线的夹角小于或等于第一预设阈值的所述直边缘线。
4.如权利要求2所述的方法,其特征在于,在获取所述边缘线的过程中,还包括:
对所述第一边缘轮廓线和所述第二边缘轮廓线进行直线拟合,获得多条直边缘线;
在所述端架区域相对于水平地面处于所述货架区域的上部和/或下部的情况下,所述边缘线包括:
与所述水平地面的平行线的夹角小于或等于第二预设阈值的所述直边缘线。
5.如权利要求1所述的方法,其特征在于,在筛选得到所述优选边缘线的过程中,还包括:
获取所述边缘线于所述三维空间中的分布情况;
在所述边缘线于所述三维空间中的分布情况为直线度符合预设条件的直线的情况下,将所述边缘线作为所述优选边缘线。
6.如权利要求5所述的方法,其特征在于,在所述边缘线于所述三维空间中的分布情况为直线度符合预设条件的直线的情况下,还包括:
根据长度依次对所述边缘线进行排序;
根据所述排序,将排序靠前的预设比例的所述边缘线作为所述优选边缘线。
7.如权利要求1所述的方法,其特征在于,在获取所述第二图像部分的过程中,还包括:
根据所述优选边缘线的分布情况,获取与所述优选边缘线距离最近的所述货架图形的图像边缘;
将所述优选边缘线和所述图像边缘围成的区域作为包含所述端架区域的所述第二图像部分。
8.一种图像分布识别系统,用于实现权利要求1至7中任一项所述的图像分布识别方法,其特征在于,所述系统包括:
第一识别模块,用于基于预设的图像识别模型,对所述端架区域和所述货架区域间的隔离部分进行识别,获取包含所述隔离部分的第一图像部分;
第二识别模块,用于在所述图像识别模型无法对所述隔离部分进行识别的情况下,基于所述货架图像中的商品陈列信息,获取所述货架图像中的商品陈列区域的边缘信息;
匹配模块,用于根据所述边缘信息,获取与所述端架区域的陈列位置相匹配的边缘线;
筛选模块,用于根据所述边缘线的曲率性质和分布情况,筛选得到与所述隔离部分相关的优选边缘线,并获取包含所述端架区域的第二图像部分;
获取模块,用于根据所述隔离部分的分布情况及所述端架区域的分布情况中的至少一种,获取所述货架区域于所述货架图像中的分布情况。
9.一种图像分布识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7中任一项所述的图像分布识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像分布识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261635.3A CN114170254A (zh) | 2021-10-28 | 2021-10-28 | 图像分布识别方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261635.3A CN114170254A (zh) | 2021-10-28 | 2021-10-28 | 图像分布识别方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170254A true CN114170254A (zh) | 2022-03-11 |
Family
ID=80477535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111261635.3A Pending CN114170254A (zh) | 2021-10-28 | 2021-10-28 | 图像分布识别方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170254A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205665A (zh) * | 2022-09-15 | 2022-10-18 | 创新奇智(合肥)科技有限公司 | 一种识别产品位置的方法、装置、电子设备及介质 |
-
2021
- 2021-10-28 CN CN202111261635.3A patent/CN114170254A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205665A (zh) * | 2022-09-15 | 2022-10-18 | 创新奇智(合肥)科技有限公司 | 一种识别产品位置的方法、装置、电子设备及介质 |
CN115205665B (zh) * | 2022-09-15 | 2022-12-02 | 创新奇智(合肥)科技有限公司 | 一种识别产品位置的方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734162B (zh) | 商品图像中目标识别方法、系统、设备及存储介质 | |
US11638490B2 (en) | Method and device for identifying product purchased by user and intelligent shelf system | |
CN108416403B (zh) | 商品与标签的自动关联方法、系统、设备及存储介质 | |
US8345101B2 (en) | Automatically calibrating regions of interest for video surveillance | |
CN110570389B (zh) | 车辆损伤识别方法及装置 | |
KR100647322B1 (ko) | 객체의 모양모델 생성장치 및 방법과 이를 이용한 객체의특징점 자동탐색장치 및 방법 | |
US20230245443A1 (en) | Reducing scale estimate errors in shelf images | |
CN107992820B (zh) | 基于双目视觉的货柜自助售货方法 | |
CN110569701A (zh) | 计算机执行的车辆定损方法及装置 | |
Tonioni et al. | Product recognition in store shelves as a sub-graph isomorphism problem | |
US11669843B2 (en) | Automated planogram anomaly detection | |
CN109871765B (zh) | 一种基于图像的非标物品堆叠检测方法、系统及电子设备 | |
US9299229B2 (en) | Detecting primitive events at checkout | |
CN111881894A (zh) | 采集货柜商品售卖信息的方法、系统、设备和存储介质 | |
Saran et al. | Robust visual analysis for planogram compliance problem | |
CN114170254A (zh) | 图像分布识别方法、系统、设备和存储介质 | |
CN115249356A (zh) | 识别方法、装置、设备及存储介质 | |
CN108805823B (zh) | 商品图像矫正方法、系统、设备及存储介质 | |
CN114332602A (zh) | 一种智能货柜的商品识别方法 | |
Majdi et al. | Product stock management using computer vision | |
CN110705363B (zh) | 一种商品规格的识别方法与装置 | |
CN108446693B (zh) | 待识别目标的标记方法、系统、设备及存储介质 | |
US20230130674A1 (en) | Computer-readable recording medium storing learning program, learning method, and information processing apparatus | |
CN115619791A (zh) | 一种物品陈列检测方法、装置、设备及可读存储介质 | |
US20220414374A1 (en) | Reducing a search space for item identification using machine learning |
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 |