CN116843892A - Aoi场景轮廓识别方法 - Google Patents

Abstract

本申请提供一种本申请提供一种AO I场景轮廓识别方法，涉及AI图像处理技术领域，AO I场景轮廓识别方法包括：根据输入的目标兴趣点的点信息获取目标兴趣点在地图中对应的区域截图；根据区域截图中目标兴趣点对应的目标HSV颜色对区域截图进行颜色提取，以得到区域截图的二值图；对二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对中间图像进行二次处理以得到兴趣点在二值图中对应的极小区域；对极小区域进行轮廓检测得到目标轮廓结果，并获取目标轮廓结果在区域截图中的轮廓坐标序列；基于轮廓坐标序列和点信息计算目标轮廓结果对应的轮廓经纬度序列，以得到兴趣点对应的兴趣面。

Description

AOI场景轮廓识别方法

技术领域

本申请涉及AI图像处理技术领域，尤其涉及一种AOI(area of interest，兴趣面)场景轮廓识别方法。

背景技术

AOI能够在地图中标志出区域状的地理实体，例如火车站、商场、公园等，AOI轮廓识别的目标是识别在地图中的地理实体的区域轮廓，并用边界经纬度坐标列表表示。

现有的AOI轮廓识别的技术方案主要有三种。第一种是通过百度和高德等地图厂商的AOI数据接口进行访问AOI数据，但由于AOI数据是各大地图厂商的核心商业数据，一般不会直接对个人开放；第二种是通过网络爬虫的方式，爬取各大地图厂商的AOI数据，但各大厂商对于POI(point of interest，兴趣点)的检索是有限制的，严重的可能会造成IP地址被封的情况；第三种是人工标注，但识别准确度低、风险高且人工成本大。

发明内容

本申请的主要目的在于提供一种AOI场景轮廓识别方法，旨在提供一种高效、稳定且精确的AOI轮廓识别方法。

为实现上述目的，本申请提供一种AOI场景轮廓识别方法，所述AOI场景轮廓识别方法包括：

根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图；

根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取，以得到所述区域截图的二值图；

对所述二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对所述中间图像进行二次处理以得到所述兴趣点在所述二值图中对应的极小区域；

对所述极小区域进行轮廓检测得到目标轮廓结果，并获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列；

基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列，以得到所述兴趣点对应的兴趣面。

可选地，在一些可行的实施例中，所述点信息包括：兴趣点名称；所述根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图的步骤包括：

根据输入的目标兴趣点的兴趣点名称在地图中检索所述目标兴趣点的兴趣点位置；

以所述兴趣点位置为中心，基于预设的地图缩放等级获取所述目标兴趣点在地图中对应的区域截图。

可选地，在一些可行的实施例中，所述根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取的步骤，包括：

获取所述区域截图中所述目标兴趣点对应的目标HSV颜色的各上限值和各下限值；

基于各所述上限值和各所述下限值设置分割阈值，并基于所述分割阈值对所述区域截图进行颜色提取。

可选地，在一些可行的实施例中，对所述极小区域进行轮廓检测以得到多个轮廓结果；

计算各所述轮廓结果各自的面积，并确定各所述面积中最大的目标面积在各所述轮廓结果中对应的目标轮廓结果为目标轮廓结果。

可选地，在一些可行的实施例中，所述获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列的步骤，包括：

以所述区域截图中任一像素点为坐标原点建立坐标系；

获取所述目标轮廓结果在所述坐标系中的轮廓坐标序列，和，获取所述目标兴趣点在所述坐标系中的目标坐标。

可选地，在一些可行的实施例中，所述点信息还包括：兴趣点经纬度；所述基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列的步骤，包括：

基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。

可选地，在一些可行的实施例中，所述基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列的步骤，包括：

获取所述轮廓坐标序列与所述目标坐标的坐标差值；

基于所述坐标差值、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。

本申请提供一种AOI场景轮廓识别方法，AOI场景轮廓识别方法包括：根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图；根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取，以得到所述区域截图的二值图；对所述二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对所述中间图像进行二次处理以得到所述兴趣点在所述二值图中对应的极小区域；对所述极小区域进行轮廓检测得到目标轮廓结果，并获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列；基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列，以得到所述兴趣点对应的兴趣面。

相比于现技术采取网络爬虫或者人工标注的技术手段，本申请AOI场景轮廓识别方法通过在地图中查询POI并获取POI的地图截图，然后获取POI场景的HSV(Hue,色调，Saturation，饱和度，Value，亮度)颜色范围，通过颜色提取技术识别该POI的整体形状，再采用图像形态学的膨胀和腐蚀还有中值滤波对POI整体形状的二值图进行处理，获取该POI的极小区域，最后通过轮廓提取算法获取该POI的AOI信息。

如此，本申请基于上述采用HSV对图像进行颜色分割，并通过膨胀、腐蚀和中值滤波获取POI的极小区域从而获取AOI信息的方法，与传统通过网络爬虫或者人工标注来获取AOI信息的方式相比，本申请AOI场景轮廓识别方法在提高了AOI轮廓识别的准确性和效率的同时，避免了法律和商业纠纷，能够是的AOI信息的获取更加稳定。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域默认技术人员而言，在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。

图1为本申请AOI场景轮廓识别方法一实施例的实施流程示意图；

图2为本申请AOI场景轮廓识别方法实施例方案涉及的POI的区域截图；

图3为本申请AOI场景轮廓识别方法实施例方案涉及的对图像进行颜色提取后得到的二值图；

图4为本申请AOI场景轮廓识别方法实施例方案涉及的对图像进行膨胀处理后得到的图像；

图5为本申请AOI场景轮廓识别方法实施例方案涉及的对图像进行腐蚀处理后得到的图像；

图6为本申请AOI场景轮廓识别方法实施例方案涉及的存在噪声的区域截图；

图7为本申请AOI场景轮廓识别方法实施例方案涉及的对POI进行轮廓检测得到的图像。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

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申请，并不用于限定本申请。

需要说明的是，AOI能够在地图中标志出区域状的地理实体，例如火车站、商场、公园等，AOI轮廓识别的目标是识别在地图中的地理实体的区域轮廓，并用边界经纬度坐标列表表示。

现有的AOI轮廓识别的技术方案主要有三种。第一种是通过百度和高德等地图厂商的AOI数据接口进行访问AOI数据，但由于AOI数据是各大地图厂商的核心商业数据，一般不会直接对个人开放；第二种是通过网络爬虫的方式，爬取各大地图厂商的AOI数据，但各大厂商对于POI的检索是有限制的，严重的可能会造成IP地址被封的情况；第三种是人工标注，但识别准确度低、风险高且人工成本大。

针对上述问题，本申请提供一种AOI场景轮廓识别方法，AOI场景轮廓识别方法包括：根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图；根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取，以得到所述区域截图的二值图；对所述二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对所述中间图像进行二次处理以得到所述兴趣点在所述二值图中对应的极小区域；对所述极小区域进行轮廓检测得到目标轮廓结果，并获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列；基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列，以得到所述兴趣点对应的兴趣面。

相比于现技术采取网络爬虫或者人工标注的技术手段，本申请AOI场景轮廓识别方法通过在地图中查询POI并获取POI的地图截图，然后获取POI场景的HSV(Hue,色调，Saturation，饱和度，Value，亮度)颜色范围，通过颜色提取技术识别该POI的整体形状，再采用图像形态学的膨胀和腐蚀对POI整体形状的二值图进行处理，获取该POI的极小区域，最后通过轮廓提取算法获取该POI的AOI信息。

如此，本申请基于上述采用HSV对图像进行颜色分割，并通过膨胀、腐蚀和中值滤波获取POI的极小区域从而获取AOI信息的方法，与传统通过网络爬虫或者人工标注来获取AOI信息的方式相比，本申请AOI场景轮廓识别方法在提高了AOI轮廓识别的准确性和效率的同时，避免了法律和商业纠纷，能够是的AOI信息的获取更加稳定。

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清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种AOI场景轮廓识别方法，在本申请AOI场景轮廓识别方法的第一实施例中，请参照图1，所述AOI场景轮廓识别方法包括：

步骤S10，根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图；

需要说明的是，在本实施例中，POI的点信息包括名称、类别、分类和坐标，地图可以为任意包括多个POI信息的地图。

在本实施例中，在需要获取某个目标AOI时，先输入该目标AOI对应的目标POI的名称，然后根据该名称在地图中检索该目标POI，从而获得该目标POI的类别、分类和坐标，并以该目标POI为中心对地图进行截图，区域截图中需要包括POI对应的场所的全部区域。

步骤S20，根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取，以得到所述区域截图的二值图；

需要说明的是，在本实施例中，目标HSV颜色是根据HSV颜色模型对颜色的一种参数化表示，HSV颜色模型是指H、S、V三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色，能够通过色相、饱和度和明度的范围准确表示出某个颜色，并且，相比起采用RGB标准来表示颜色，采用HSV颜色模型来表示颜色能更接近人们对色彩的感知经验，更直观地表达颜色的色调、鲜艳程度和明暗程度。

在本实施例中，根据POI表示的场所在区域截图中的颜色识别出POI对应的目标HSV颜色，然后将区域截图中的目标HSV颜色与其他颜色进行分割，从而得到该区域截图的二值图。

步骤S30，对所述二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对所述中间图像进行二次处理以得到所述兴趣点在所述二值图中对应的极小区域；

需要说明的是，在本实施例中，膨胀(Dilation)和腐蚀(Erosion)是形态学图像处理中常用的基本操作，用于改变图像的形状、大小和结构。这两种操作可以应用于二值图像或灰度图像，并且在图像处理和计算机视觉的许多应用中都发挥着重要作用。

需要说明的是，在本实施例中，中值滤波是一种基于排序统计理论的非线性信号处理技术，它能够有效地抑制噪声。中值滤波的基本原理是用某一像素点周围邻域内各点的值的中值来代替该点的值，从而使周围像素值更接近真实值，同时消除了孤立的噪声点。

在本实施例中，因为图像中存在的噪音和干扰，经过处理得到的二值图可能存在噪点，因此，对图像进行闭运算，即先膨胀后腐蚀，采用闭运算能填补图像中空洞的部分，减小图像的噪声和干扰，从而得到第一次图像处理后的中间图像，但是，在地图中除了POI对应场所的颜色外，地图中的其他标识点可能也会有相同的颜色标识，比如车站、店面的标识，对于这类颜色相似的标识导致的噪声采用闭运算来处理并不能很好地去除，因此，还需要对采用闭运算得到的中间图像进行中值滤波，基于中值滤波技术能够很好地去除图像中孤立的噪声点，避免颜色相似的标识导致的噪声，从而得到POI对应的场所区域在二值图中的极小区域。

步骤S40，对所述极小区域进行轮廓检测得到目标轮廓结果，并获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列；

在本实施例中，经过图像预处理后得到的POI对应场所的极小区域的图像也是二值图，对于二值图进行轮廓检测即可得到目标轮廓结果，即可获取到目标轮廓结果在区域截图中的轮廓坐标序列，即目标轮廓节点中每个像素点坐标的集合。

步骤S50，基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列，以得到所述兴趣点对应的兴趣面。

在本实施例中，POI信息中包括了POI的经纬度，在得到轮廓坐标序列之后，可以根据轮廓中各个像素点与POI的相对位置得出轮廓中每个像素点的经纬度，进而得到轮廓的经纬度序列，即能够得到POI对应的AOI。

具体地，在需要获取某个POI对应的AOI时，先通过在地图查询POI以获取POI的地图截图，然后获取POI场景的HSV颜色范围，通过颜色提取技术识别该POI的整体形状，得到截图的二值图，然后采用图像形态学中的膨胀和腐蚀对POI整体形状的二值图进行处理，再对处理后的图像进行中值滤波，进一步去除图像中的噪音，获取该POI的极小区域，最后通过轮廓提取算法即可获取该POI的AOI信息。

相比于现技术采取网络爬虫或者人工标注的技术手段，本申请AOI场景轮廓识别方法通过在地图中查询POI并获取POI的地图截图，然后获取POI场景的HSV(Hue,色调，Saturation，饱和度，Value，亮度)颜色范围，通过颜色提取技术识别该POI的整体形状，再采用图像形态学的膨胀和腐蚀对POI整体形状的二值图进行处理，获取该POI的极小区域，最后通过轮廓提取算法获取该POI的AOI信息。

如此，本申请基于上述采用HSV对图像进行颜色分割，并通过膨胀、腐蚀和中值滤波获取POI的极小区域从而获取AOI信息的方法，与传统通过网络爬虫或者人工标注来获取AOI信息的方式相比，本申请AOI场景轮廓识别方法在提高了AOI轮廓识别的准确性和效率的同时，避免了法律和商业纠纷，能够是的AOI信息的获取更加稳定。

进一步地，基于上述本申请AOI场景轮廓识别方法的第一实施例，提出本申请AOI场景轮廓识别方法的第二实施例。

在本申请AOI场景轮廓识别方法的第二实施例中，上述的点信息包括：兴趣点名称，上述的步骤S10，据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图的步骤，包括：

步骤S101，根据输入的目标兴趣点的兴趣点名称在地图中检索所述目标兴趣点的兴趣点位置；

步骤S102，以所述兴趣点位置为中心，基于预设的地图缩放等级获取所述目标兴趣点在地图中对应的区域截图。

需要说明的是，在本实施例中，采用的地图软件可以为任意包括POI信息且采用颜色区分不同场所的地图，地图缩放等级的标准也依选择的地图软件而定。

在本实施例中，在需要获取某个POI对应的AOI时，在地图软件中输入POI的名称，即可检索到地图中包含该POI的图像，以该POI为中心，采用预设的缩放等级使图像中包含整个POI对应的场所，然后进行截图，以得到POI对应的区域截图。

进一步地，在一种可行的实施例中，上述的步骤S20中，根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取的步骤，包括：

步骤S201，获取所述区域截图中所述目标兴趣点对应的目标HSV颜色的各上限值和各下限值；

需要说明的是，在本实施例中，与通过RGB来表示颜色不同的是，基于HSV颜色模型表示的目标颜色对应的色调、饱和度和亮度均为一个范围，因此，对色调、饱和度和亮度的上下限进行限定即可得到某个颜色。

在本实施例中，因为地图中POI对应的场所的颜色与地图中其他场所存在差异，因此，可以分别提取出POI对应的场所在地图中的目标HSV颜色的色调、饱和度和亮度的上限值和下限值。

步骤S202，基于各所述上限值和各所述下限值设置分割阈值，并基于所述分割阈值对所述区域截图进行颜色提取。

在本实施例中，基于目标HSV颜色的色调、饱和度和亮度的上限值和下限值，可以对色调、饱和度和亮度中一个或多个设置阈值，来将POI对应的场所的颜色和其他颜色区分，使得原本的区域截图转换为二值图。

进一步地，在一种可行的实施例中，在上述的步骤S40中，对所述极小区域进行轮廓检测得到目标轮廓结果的步骤，包括：

步骤S401，对所述极小区域进行轮廓检测以得到多个轮廓结果；

步骤S402，计算各所述轮廓结果各自的面积，并确定各所述面积中最大的目标面积在各所述轮廓结果中对应的目标轮廓结果为目标轮廓结果。

在本实施例中，由于图像中会存在跟POI对应的场所色值范围相近的区域，所以在颜色提取-膨胀-腐蚀之后，进行轮廓检测时可能会存在多个轮廓结果，基于多个轮廓结果计算每个轮廓的面积，选择面积最大的轮廓作为POI的目标轮廓结果，从而达到排除干扰的效果。

进一步地，在一种可行的实施例中，在上述的步骤S40中，获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列的步骤，包括：

步骤S403，以所述区域截图中任一像素点为坐标原点建立坐标系；

步骤S404，获取所述目标轮廓结果在所述坐标系中的轮廓坐标序列，和，获取所述目标兴趣点在所述坐标系中的目标坐标。

在本实施例中，为了方便确认目标轮廓结果各个像素点的位置，以图像中任意一个像素点作为坐标原点建立坐标系，坐标系可以为笛卡尔坐标系，然后在坐标系中以像素点为单位表示出目标轮廓结果中各个像素点的坐标以得到轮廓坐标序列，并表示出POI在坐标系中的坐标。

进一步地，在一种可行的实施例中，上述的点信息好包括：兴趣点经纬度，在上述的步骤S50中，基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列的步骤，包括：

步骤S501，基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。

在本实施例中，在得到POI的轮廓坐标序列和POI的坐标后，可以计算出轮廓中每个像素点到POI的横、纵坐标差值，然后根据POI的经纬度，即可计算出轮廓中每个像素点的经纬度，进而得到轮廓经纬度序列。

进一步地，上述的步骤S501，基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列包括：

步骤S5011，获取所述轮廓坐标序列与所述目标坐标的坐标差值；

步骤S5012，基于所述坐标差值、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。

在本实施例中，在得到POI的轮廓坐标序列和POI的坐标后，可以计算出轮廓中每个像素点到POI的横、纵坐标差值，并且可以通过地图的缩放等级确认每个像素代表的经度值宽度和纬度值宽度，然后再根据POI的经纬度，即可计算出轮廓中每个像素点的经纬度，进而得到轮廓经纬度序列。

具体地，如果想要获取POI怀化南站的AOI信息，即可在地图中搜索怀化南站，如图2所示，以怀化南站为中心获取怀化南站所在位置的17级缩放的彩色截图，在图2原本的彩色图像中，方框内怀化南站对应区域的颜色为第一颜色，与周围场景的第二颜色有较大的差异，将怀化南站的HSV颜色的上限值和下限值提取，可以得到上限值数组为：[124,255,255]，下限值数组为：[100,200，60]，然后根据上线数组和下线数组，可以设置色调和饱和度的阈值，来将怀化南站的颜色和其他颜色分割开，以得到如图3所示的二值图，在图3中可以看出，因为图像中存在噪音和干扰，二值图中存在许多空洞和细小的不规则区域，因此先采用膨胀来对空洞的区域和不规则区域进行填充，得到如图4所示的膨胀后的图像，但是膨胀的同时会使整体轮廓外延，此时采用腐蚀操作来压缩车站的边缘，减小图像中车站的轮廓，从而得到如图5所示的腐蚀后的图像，一增一减，从而达到平衡的状态，但是根据地图得到的区域截图中可能存在与车站HSV颜色上下限阈值相近的区域，如图6所示，在彩色地图图像中，左上角圈中的地图标识的第三颜色与怀化南站在地图中的第一颜色相近，因此会对图像处理造成影响，在经过膨胀和腐蚀处理后，仍会存在噪声，如图5所示，腐蚀后的图像左上角的白点就是处理前图6圈中的地图标识导致的噪声，因此，还需要对图像进行中值滤波，以消除孤立的噪声点，进而得到POI对应的极小区域，然后对处理后的图像进行轮廓检测，如图7所示，得出怀化南站的场所轮廓线，并计算轮廓线上每个像素的经纬度，以得到经纬度序列，即AOI信息。

如此，本申请基于上述采用HSV对图像进行颜色分割，并通过膨胀和腐蚀还有中值滤波获取POI的极小区域从而获取AOI信息的方法，与传统通过网络爬虫或者人工标注来获取AOI信息的方式相比，本申请AOI场景轮廓识别方法在提高了AOI轮廓识别的准确性和效率的同时，避免了法律和商业纠纷，能够是的AOI信息的获取更加稳定。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意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、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种AOI场景轮廓识别方法，其特征在于，所述AOI场景轮廓识别方法包括：

根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图；

根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取，以得到所述区域截图的二值图；

对所述二值图进行膨胀处理和腐蚀处理得到中间图像，并基于中值滤波技术对所述中间图像进行二次处理以得到所述兴趣点在所述二值图中对应的极小区域；

对所述极小区域进行轮廓检测得到目标轮廓结果，并获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列；

基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列，以得到所述兴趣点对应的兴趣面。

2.根据权利要求1所述的AOI场景轮廓识别方法，其特征在于，所述点信息包括：兴趣点名称；所述根据输入的目标兴趣点的点信息获取所述目标兴趣点在地图中对应的区域截图的步骤包括：

根据输入的目标兴趣点的兴趣点名称在地图中检索所述目标兴趣点的兴趣点位置；

以所述兴趣点位置为中心，基于预设的地图缩放等级获取所述目标兴趣点在地图中对应的区域截图。

3.根据权利要求1所述的AOI场景轮廓识别方法，其特征在于，所述根据所述区域截图中所述目标兴趣点对应的目标HSV颜色对所述区域截图进行颜色提取的步骤，包括：

获取所述区域截图中所述目标兴趣点对应的目标HSV颜色的各上限值和各下限值；

基于各所述上限值和各所述下限值设置分割阈值，并基于所述分割阈值对所述区域截图进行颜色提取。

4.根据权利要求1所述的AOI场景轮廓识别方法，其特征在于，所述对所述极小区域进行轮廓检测得到目标轮廓结果的步骤，包括：

对所述极小区域进行轮廓检测以得到多个轮廓结果；

计算各所述轮廓结果各自的面积，并确定各所述面积中最大的目标面积在各所述轮廓结果中对应的目标轮廓结果为目标轮廓结果。

5.根据权利要求2所述的AOI场景轮廓识别方法，其特征在于，所述获取所述目标轮廓结果在所述区域截图中的轮廓坐标序列的步骤，包括：

以所述区域截图中任一像素点为坐标原点建立坐标系；

获取所述目标轮廓结果在所述坐标系中的轮廓坐标序列，和，获取所述目标兴趣点在所述坐标系中的目标坐标。

6.根据权利要求5所述的AOI场景轮廓识别方法，其特征在于，所述点信息还包括：兴趣点经纬度；所述基于所述轮廓坐标序列和所述点信息计算所述目标轮廓结果对应的轮廓经纬度序列的步骤，包括：

基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。

7.根据权利要求6所述的AOI场景轮廓识别方法，其特征在于，所述基于所述轮廓坐标序列、所述目标坐标、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列的步骤，包括：

获取所述轮廓坐标序列与所述目标坐标的坐标差值；

基于所述坐标差值、所述兴趣点经纬度和所述地图缩放等级计算所述目标轮廓结果对应的轮廓经纬度序列。