The present application discloses a real-time object recognition method and apparatus based on differential recognition, which comprises an image matching step: acquiring an image of an object on a shelf of the vending machine at a preset interval of time, matching each acquired image with a feature point of the previous image of the image, and there will be a presence of the image. The image of the unsuccessful feature points is used as the image to be detected; the object recognition step is to input the image to be detected into the trained depth neural network model for object recognition; the purchase and settlement step is to determine the final object extracted by the user according to the result of object recognition and to settle accounts. Through this method, the goods extracted by the user on the shelf of the vending machine can be better identified and judged, the detection accuracy can be improved, and the user experience can be improved.
【技术实现步骤摘要】
基于差异识别的实时物体识别方法和装置
本申请涉及图像处理领域,特别是涉及一种基于差异识别的实时物体检测方法和装置。
技术介绍
现有的智能无人售货机,购买者在购物时需要系统自动识别用户拿走的商品。在公共场所设置这样的机器,不但方便了用户,同时还节省了大量人工费用。然而,通常这样的智能售货机都是采用高速摄像头实时捕捉用户拿取商品的过程来识别购买的商品。然而,有时用户拿取物体的速度过快,会导致摄像头来不及跟踪,从而造成识别困难,或者完全无法识别;有时用户完全握住物体或者只是露出物体的一部分,或者用户有意或无意遮挡住物体的关键部位,也会造成识别困难,或者完全无法识别。整个购物流程中,物体检测识别是其关键因素。检测识别算法包括物体模型训练和图片对比识别两个流程。受到柜体内部光源限制,加上用户拿取过程中的物体遮挡,或自身包装袋反光等影响,传统的检测识别算法在这种复杂光线场景条件下表现较差,识别成功率较低上述这些情况都会导致结算错误,使得用户不能顺利购物,用户体验变差。
技术实现思路
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。根据本申请的一个方面,提供了一种物体识别方法,所述方法包括:图像比对步骤:每隔预设时间间隔获取所述无人售货机的货架上的物体的图像,将获取的每一个图像与所述图像的前一个图像进行特征点匹配,将存在未匹配成功的特征点的图像作为待检测图像;物体识别步骤:将所述待检测图像输入经过训练的深度神经网络模型进行物体识别;购买结算步骤:根据物体识别结果确定用户最终提取的物体,进行结算。通过该方法,能够对用户在所述无人售货机的货架提取的商品进行更好 ...
【技术保护点】
1.一种物体识别方法,所述方法包括:图像比对步骤:每隔预设时间间隔获取所述无人售货机的货架上的物体的图像,将获取的每一个图像与所述图像的前一个图像进行特征点匹配,将存在未匹配成功的特征点的图像作为待检测图像;物体识别步骤:将所述待检测图像输入经过训练的深度神经网络模型进行物体识别;和购买结算步骤:根据物体识别结果确定用户最终提取的物体,进行结算。
【技术特征摘要】
1.一种物体识别方法,所述方法包括:图像比对步骤:每隔预设时间间隔获取所述无人售货机的货架上的物体的图像,将获取的每一个图像与所述图像的前一个图像进行特征点匹配,将存在未匹配成功的特征点的图像作为待检测图像;物体识别步骤:将所述待检测图像输入经过训练的深度神经网络模型进行物体识别;和购买结算步骤:根据物体识别结果确定用户最终提取的物体,进行结算。2.根据权利要求1所述的方法,其特征在于,所述图像比对步骤还包括:通过尺度不变特征变换(SIFT)算法分别计算所述图像与该图像的前一个图像的特征点,并进行特征点匹配。3.根据权利要求2所述的方法,其特征在于,所述图像比对步骤还包括:对于所述待检测图像,将匹配成功的特征点所对应的图像部分设置为纯色,未匹配成功的特征点所对应的图像部分保持不变。4.根据权利要求1至3的任一项所述的方法,其特征在于:所述深度神经网络模型为检测网络(DetectNet)模型。5.根据权利要求4所述的方法,其特征在于,通过以下步骤对所述检测网络模型进行训练和验证:输入步骤:将所述货架上的物体的图片和该物体的标签输入所述检测网络模型;特征抽取和预测步骤:将所述物体的图片切分成若干个网格,对于每个网格内的方块,利用所述检测网络模型中基于谷歌网络(GoogLeNet)的全卷积网络(FCN)进行物体类别和物体边界框的特征抽取和预测;损失度量计算步骤:对于每个网格内的方块,利用损失函数同时计算物体覆盖(objectcoverage)预测和物体边界框(objectbundingbox)预测的损失度量;预测结果生成步骤:通过聚类函数生成预测的对象边界框的最终集合,得到预测结果;和验证步骤:利用均值平均预测(mAP)对所述检测网络模型的性能进行验证。6.一种物体识别装置,...
【专利技术属性】
技术研发人员:王毕才,吕廷迅,谭勇,袁俊,
申请(专利权)人:成都果小美网络科技有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。