本发明专利技术实施例提供一种基于视图的空间形状识别方法、装置、设备和存储介质，涉及外观识别技术领域。这种空间形状识别方法包含S1、获取目标产品的N个视角的视图。S2、根据N个视角的视图，提取目标产品的X个结构的N个视角的结构轮廓图。S3、根据结构轮廓图，进行特征提取，获取X个结构的N个视角的Hu矩和傅里叶描述子。S4、根据Hu矩和傅里叶描述子，获取X个结构的N个视角的特征向量。S5、通过分类模型对特征向量进行分类，获取X个结构的N个视角的平面形状。S6、根据平面形状，通过多图融合规则进行识别，获取目标产品的各个结构的空间形状。本发明专利技术的空间形状识别方法能够根据视图获取空间形状，从而为图像检索提供新的检索基础。从而为图像检索提供新的检索基础。从而为图像检索提供新的检索基础。
【技术实现步骤摘要】
基于视图的空间形状识别方法、装置、设备和存储介质
[0001]本专利技术涉及外观识别
，具体而言，涉及一种基于视图的空间形状识别方法、装置、设备和存储介质。
技术介绍
[0002]传统的图像搜索引擎通常基于图像周边围绕的元数据信息，例如标题和标签，来索引多媒体视觉信息。但是由于这些文本信息可能与视觉信息不一致，存在效率低和无法满足用户具体化等方面的需求，其检索结果可能不可靠，在外观产品专利上尤为突出。
[0003]为避免这种问题，传统的基于单幅图像输入的检索方式已经无法满足用户的需求，为了解决输入图像的获取问题，将基于特征的图像检索与基于注释的图像检索相结合成为一个重要的趋势。基于特征的图像检索主要通过对图像的视觉特征的提取来实现的。传统的视觉特征例如：平面形状、纹理、颜色和边缘特征等，或者对上述多个特征的融合上。
[0004]外观专利设计包含产品的六视图和轴测图，对外观专利设计的各个视图进行传统的视觉特征提取，会忽略掉视图中的部分信息，无法充分利用各个视图之间的关系。从而大大降低了图像搜索的准确率。
[0005]有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
[0006]本专利技术提供了一种基于视图的空间形状识别方法、装置、设备和存储介质，以改善传统的图像特征提取会忽略外观专利设计中隐藏的信息。
[0007]第一方面、
[0008]本专利技术实施例提供了一种基于视图的空间形状识别方法，其包含步骤S1至步骤S6。
[0009]S1、获取目标产品的N个视角的视图。
[0010]S2、根据N个视角的视图，提取目标产品的X个结构的N个视角的结构轮廓图。
[0011]S3、根据结构轮廓图，进行特征提取，获取X个结构的N个视角的Hu矩和傅里叶描述子。
[0012]S4、根据Hu矩和傅里叶描述子，获取X个结构的N个视角的特征向量。
[0013]S5、通过分类模型对特征向量进行分类，获取X个结构的N个视角的平面形状。
[0014]S6、根据平面形状，通过多图融合规则进行识别，获取目标产品的各个结构的空间形状。
[0015]第二方面、
[0016]本专利技术实施例提供了一种基于视图的空间形状识别装置，其包含：
[0017]视图获取模块，用于获取目标产品的N个视角的视图。
[0018]结构轮廓获取模块，用于根据N个视角的视图，提取目标产品的X个结构的N个视角的结构轮廓图。
[0019]特征提取模块，用于根据结构轮廓图，进行特征提取，获取X个结构的N个视角的Hu矩和傅里叶描述子。
[0020]特征融合模块，用于根据Hu矩和傅里叶描述子，获取X个结构的N个视角的特征向量。
[0021]形状识别模块，用于通过分类模型对特征向量进行分类，获取X个结构的N个视角的平面形状。
[0022]形状融合模块，用于根据平面形状，通过多图融合规则进行识别，获取目标产品的各个结构的空间形状。
[0023]第三方面、
[0024]本专利技术实施例提供了一种基于视图的空间形状识别设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的基于视图的空间形状识别方法。
[0025]第四方面、
[0026]本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的基于视图的空间形状识别方法。
[0027]通过采用上述技术方案，本专利技术可以取得以下技术效果：
[0028]通过本专利技术实施例的空间形状识别方法能够根据目标产品的N个视角的视图，获取其各个结构的空间形状，从而为图像检索提供新的检索基础，以取得更加准确的检索结果，具有很好的实际意义。
[0029]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0030]为了更清楚地说明本专利技术实施例的技术方案，下面将对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专利技术的某些实施例，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。
[0031]图1是本专利技术第一实施例提供的空间形状识别方法的流程示意图。
[0032]图2是本专利技术第一实施例提供的空间形状识别方法的逻辑框图。
[0033]图3是光滑处理的逻辑框图。
[0034]图4是结构轮廓图获取逻辑框图。
[0035]图5是光滑处理前的产品图。
[0036]图6是光滑处理后的产品图。
[0037]图7是产品正视图和提取后的产品轮廓图。
[0038]图8是最小外接矩形将产品轮廓图中的手柄结构圈出来的示意图。
[0039]图9是不同匹配系数下花洒形状识别率的折线图。
[0040]图10是不同匹配系数下花洒形状判断准确率的折线图。
[0041]图11是不同傅里叶描述子长度的识别准确率的折线图。
[0042]图12是分类模型的求解示意图。
[0043]图13是多图融合规则的规则图。
[0044]图14是本专利技术第二实施例提供的空间形状识别装置的结构示意图。
具体实施方式
[0045]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0046]为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。
[0047]在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0048]应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0049]取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0050]实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于视图的空间形状识别方法，其特征在于，包含：获取目标产品的N个视角的视图；根据所述N个视角的视图，提取目标产品的X个结构的N个视角的结构轮廓图；根据所述结构轮廓图，进行特征提取，获取X个结构的N个视角的Hu矩和傅里叶描述子；根据所述Hu矩和所述傅里叶描述子，获取X个结构的N个视角的特征向量；通过分类模型对所述特征向量进行分类，获取X个结构的N个视角的平面形状；根据所述平面形状，通过多图融合规则进行识别，获取目标产品的各个结构的空间形状。2.根据权利要求1所述的基于视图的空间形状识别方法，其特征在于，根据所述N个视角的视图，提取目标产品的X个结构的N个视角的结构轮廓图，包括：通过图像分割算法，分别从所述N个视角的视图中提取目标产品的图像，获取目标产品的N个视角的产品图，并对所述产品图进行边缘光滑处理；根据边缘光滑处理后的产品图，提取目标产品的整体轮廓，获取目标产品的N个视角的产品轮廓图；根据所述产品轮廓图，提取目标产品的X个结构的结构轮廓图，获取目标产品的X个结构的N个视角的结构轮廓图。3.根据权利要求2所述的基于视图的空间形状识别方法，其特征在于，所述图像分割算法为GrabCut算法；根据所述产品轮廓图，提取目标产品的X个结构的结构轮廓图，获取目标产品的X个结构的N个视角的结构轮廓图，包括：基于目标产品的结构特性，在所述产品轮廓图中寻找结构的边界点，获取X个结构的所属范围；识别所述所属范围的最大面积轮廓，获取X个结构的最大面积轮廓；计算所述最大面积轮廓的最小外接矩形，获取X个结构的最小外接矩形；根据所述最小外接矩形，从所述产品轮廓图中提取结构轮廓图，获取目标产品的X个结构的N个视角的结构轮廓图。4.根据权利要求1所述的基于视图的空间形状识别方法，其特征在于，根据所述Hu矩和所述傅里叶描述子，获取X个结构的N个视角的特征向量，包括：获取目标产品的轮廓模板库；根据所述轮廓模板库和所述Hu矩，计算匹配系数，获取目标产品的X个结构的N个视角的匹配系数；将所述匹配系数和所述傅里叶描述子进行归一化处理，然后串行融合，获取目标产品的X个结构的N个视角的特征向量。5.根据权利要求4所述的基于视图的空间形状识别方法，其特征在于，所述特征向量的融合模型为：式中，K(I)为特征向量、ε1为匹配系数权重、K
hu
(I
【专利技术属性】
技术研发人员：林文广，鄢文超，曾斯平，郭晓珍，赖荣燊，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：
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。