一种处理方法及电子设备与流程

本公开涉及电子技术领域，尤其涉及一种处理方法及电子设备。

背景技术：

在物体识别领域，特别是在零售商品的识别，经常碰到的问题是如何快速扩展对未知商品的识别。扩展对未知商品的识别需要对未知商品的特征进行提取，因此，如何快速且准确的提取未知商品的特征，是一项亟待解决的问题。

技术实现要素：

有鉴于此，本公开提供一种处理方法，能够快速且准确的提取出未知商品的特征，提升了用户体验。

本公开提供了一种处理方法，包括：

采集目标商品多个角度的图片；

对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量；

对提取得到的所有特征向量进行算法融合，输出所述目标商品的目标特征向量。

优选地，所述对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量包括：

基于卷积神经网络的卷积核对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量。

优选地，所述对提取得到的所有特征向量进行算法融合，输出所述目标商品的目标特征向量包括：

对提取得到的所有特征向量进行加权取平均值，得到所述目标商品的目标特征向量。

优选地，所述方法还包括：

存储所述目标商品的目标特征向量。

优选地，所述方法还包括：

基于所述目标商品的目标特征向量对待识别商品进行识别。

一种电子设备，包括：

第一存储器，用于存储应用程序与应用程序运行所产生的数据；

采集装置，用于采集目标商品多个角度的图片；

处理器，用于运行所述应用程序以对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行算法融合，输出所述目标商品的目标特征向量。

优选地，所述处理器在执行对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量时，具体用于：

基于卷积神经网络的卷积核对所述多个角度的图片分别进行特征提取，得到每张图片的特征向量。

优选地，所述处理器在执行对提取得到的所有特征向量进行算法融合，输出所述目标商品的目标特征向量时，具体用于：

对提取得到的所有特征向量进行加权取平均值，得到所述目标商品的目标特征向量。

优选地，所述设备还包括：

第二存储器，用于存储所述目标商品的目标特征向量。

优选地，所述处理器还用于：

基于所述目标商品的目标特征向量对待识别商品进行识别。

从上述技术方案可以看出，本公开公开的一种控制方法，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行算法融合，输出所述目标商品的特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

附图说明

为了更清楚地说明本公开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，下面描述中的附图仅仅是本公开的一些实施例，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的附图。

图1为本公开公开的一种处理方法实施例1的方法流程图；

图2为本公开公开的一种处理方法实施例2的方法流程图；

图3为本公开公开的一种处理方法实施例3的方法流程图；

图4为本公开公开的一种处理方法实施例4的方法流程图；

图5为本公开公开的一种处理方法实施例5的方法流程图；

图6为本公开公开的一种电子设备实施例1的结构示意图；

图7为本公开公开的一种电子设备实施例2的结构示意图；

图8为本公开公开的一种电子设备实施例3的结构示意图；

图9为本公开公开的一种电子设备实施例4的结构示意图；

图10为本公开公开的一种电子设备实施例5的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

如图1所示，为本公开公开的一种处理方法实施例1的流程图，所述方法可以包括以下步骤：

s101、采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

s102、对多个角度的图片分别进行特征提取，得到每张图片的特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。

s103、对提取得到的所有特征向量进行算法融合，输出目标商品的目标特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行算法融合，输出所述目标商品的特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图2所示，为本公开公开的一种处理方法实施例2的流程图，所述方法可以包括以下步骤：

s201、采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

s202、基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

s203、对提取得到的所有特征向量进行算法融合，输出目标商品的目标特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行算法融合，输出所述目标商品的特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图3所示，为本公开公开的一种处理方法实施例3的流程图，所述方法可以包括以下步骤：

s301、采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

s302、基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

s303、对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图4所示，为本公开公开的一种处理方法实施例4的流程图，所述方法可以包括以下步骤：

s401、采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

s402、基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

s403、对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量；

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

s404、存储目标商品的目标特征向量。

当得到目标商品的目标特征向量后，还可以进一步将目标商品的目标特征向量进行存储，便于后续在商品识别时使用。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量，存储目标商品的目标特征向量。本公开能够快速且准确的提取出未知商品的特征，以及进一步存储目标特征向量，便于后续在商品识别时使用，提升了用户体验。

如图5所示，为本公开公开的一种处理方法实施例5的流程图，所述方法可以包括以下步骤：

s501、采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

s502、基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

s503、对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量；

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

s504、存储目标商品的目标特征向量；

当得到目标商品的目标特征向量后，还可以进一步将目标商品的目标特征向量进行存储，便于后续在商品识别时使用。

s505、基于目标商品的目标特征向量对待识别商品进行识别。

当需要对待识别商品进行识别时，可以将待识别商品提取出的特征向量通过和存储器中存储的特征向量进行欧几里得距离运算，取距离最小的存储器中的特征向量作为待识别商品的判别类型，从而识别出商品种类。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量，存储目标商品的目标特征向量，基于目标商品的目标特征向量对待识别商品进行识别。本公开能够快速且准确的提取出未知商品的特征，以及进一步存储目标特征向量，便于后续在商品识别时识别出商品的种类，提升了用户体验。

如图6所示，为本公开公开的一种电子设备实施例1的结构示意图，所述电子设备可以包括：

第一存储器601，用于存储应用程序与应用程序运行所产生的数据；

采集装置602，用于采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

处理器603，用于运行所述应用程序以对多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行算法融合，输出目标商品的目标特征向量。

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行算法融合，输出所述目标商品的特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图7所示，为本公开公开的一种电子设备实施例2的结构示意图，所述电子设备可以包括：

第一存储器701，用于存储应用程序与应用程序运行所产生的数据；

采集装置702，用于采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

处理器703，用于运行所述应用程序以基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行算法融合，输出目标商品的目标特征向量。

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行算法融合，输出所述目标商品的特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图8所示，为本公开公开的一种电子设备实施例3的结构示意图，所述电子设备可以包括：

第一存储器801，用于存储应用程序与应用程序运行所产生的数据；

采集装置802，用于采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

处理器803，用于运行所述应用程序以基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量。

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量。本公开能够快速且准确的提取出未知商品的特征，提升了用户体验。

如图9所示，为本公开公开的一种电子设备实施例4的结构示意图，所述电子设备可以包括：

第一存储器901，用于存储应用程序与应用程序运行所产生的数据；

采集装置902，用于采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

处理器903，用于运行所述应用程序以基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

第二存储器904，用于存储目标商品的目标特征向量。

当得到目标商品的目标特征向量后，还可以进一步将目标商品的目标特征向量进行存储，便于后续在商品识别时使用。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量，存储目标商品的目标特征向量。本公开能够快速且准确的提取出未知商品的特征，以及进一步存储目标特征向量，便于后续在商品识别时使用，提升了用户体验。

如图10所示，为本公开公开的一种电子设备实施例5的结构示意图，所述电子设备可以包括：

第一存储器1001，用于存储应用程序与应用程序运行所产生的数据；

采集装置1002，用于采集目标商品多个角度的图片；

当需要得到目标商品的特征向量时，首先对目标商品进行多个角度的图片采集。例如，通过支架装置预先固定多个(4～8个)相机的位置，将目标商品放置在相机的中心位置，相机对应着商品的不同角度，这些不同角度拍照采集到目标商品多个角度的图片。

处理器1003，用于运行所述应用程序以基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量；对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量；

当采集到目标商品多个角度的图片后，进一步对采集到的每一张图片进行特征提取，得到多个角度的特征向量。在对每一张图片进行特征提取时，可以将每一张图片输入到卷积神经网络，卷积神经网络运算输出每张图片的特征向量。

然后，进一步通过算法对提取到的目标商品的多个角度的特征向量进行融合，生成目标商品唯一的目标特征向量。具体的，每一张图片都会生成一组唯一的特征向量，多张图片对单一目标商品就会生成多个特征向量，将多个特征向量通过加权取平均值，得到目标商品的目标特征向量。

第二存储器1004，用于存储目标商品的目标特征向量；

当得到目标商品的目标特征向量后，还可以进一步将目标商品的目标特征向量进行存储，便于后续在商品识别时使用。

处理器1003，还用于基于目标商品的目标特征向量对待识别商品进行识别。

当需要对待识别商品进行识别时，可以将待识别商品提取出的特征向量通过和存储器中存储的特征向量进行欧几里得距离运算，取距离最小的存储器中的特征向量作为待识别商品的判别类型，从而识别出商品种类。

综上所述，在上述实施例中，当需要获得商品的特征向量时，首先采集目标商品多个角度的图片，然后基于卷积神经网络的卷积核对多个角度的图片分别进行特征提取，得到每张图片的特征向量，对提取得到的所有特征向量进行加权取平均值，得到目标商品的目标特征向量，存储目标商品的目标特征向量，基于目标商品的目标特征向量对待识别商品进行识别。本公开能够快速且准确的提取出未知商品的特征，以及进一步存储目标特征向量，便于后续在商品识别时识别出商品的种类，提升了用户体验。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本公开。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。