一种检测图像的方法、装置、设备和计算机存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种检测图像的方法、装置、设备和计算机存储介质。

背景技术：

商品生产厂家在把商品投向市场时，需要了解商品在市场上的投放情况，例如商品在货架中的位置信息。而商品位于不同货架中的不同位置，会影响商品的销售量，因此商品在货架中的位置信息对于商品生产厂家非常重要。在现有技术中，通常由人工抽查图片的方式来获取商品在货架中的位置信息，除了成本较高之外，还会导致信息获取不准确的问题。

技术实现要素：

有鉴于此，本发明提供了一种检测图像的方法、装置、设备和计算机存储介质，用于自动地获取待检测图像中商品与货架之间的关联信息，能够降低信息获取成本，提升信息获取效率以及准确性。

本发明为解决技术问题所采用的技术方案为提供一种检测图像的方法，所述方法包括：获取待检测图像；从所述待检测图像中分别提取商品信息以及货架信息；将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品与货架之间的关联信息。

根据本发明一优选实施例，在获取待检测图像之后，还包括对所述待检测图像进行预处理：对所述待检测图像进行解析，得到所述待检测图像的rgb数据；对所得到的rgb数据进行均值化处理；将均值化处理后的rgb数据缩放到预设尺寸。

根据本发明一优选实施例，所述商品信息包含所述待检测图像中各商品的位置信息以及类别信息；所述货架信息包含所述待检测图像中各货架的位置信息以及层数信息。

根据本发明一优选实施例，从所述待检测图像中提取商品的位置信息时，包括：将所述待检测图像作为商品检测模型的输入，得到商品检测模型的输出结果，所述输出结果为包含已标注待检测图像中各商品的图像；获取输出图像中所标注商品的预设位置的坐标，作为待检测图像中各商品的位置信息。

根据本发明一优选实施例，从所述待检测图像中提取商品的类别信息时，包括：将所述商品检测模型的输出结果作为商品分类模型的输入，根据商品分类模型的输出结果，获取所述待检测图像中各商品的类别信息。

根据本发明一优选实施例，从所述待检测图像中提取货架信息时，包括：对所述待检测图像进行标准化处理，得到标准化处理结果；对所述标准化处理结果进行图像分割，得到所述待检测图像的分割结果；根据预设的筛选条件，从所述分割结果中确定所述待检测图像中货架的分割结果；根据所述待检测图像中货架的分割结果，获取所述待检测图像中各货架的货架信息。

根据本发明一优选实施例，所述商品与货架之间的关联信息包括商品所在货架的层数信息以及商品在所在货架中的位置信息中的至少一种。

根据本发明一优选实施例，在将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品所在货架的层数信息时，包括：根据所述商品的位置信息与货架的位置信息，计算商品与位于商品下方的各货架之间的距离；根据距离计算结果，将距离商品最近的货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

根据本发明一优选实施例，在将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品在所在货架的位置信息时，包括：获取位于同一层货架中各商品的位置信息；根据所获取的各商品的位置信息，按照从左到右的顺序对各商品进行排序；根据排序结果，将商品的排序位置作为商品在所在货架中的位置信息。

根据本发明一优选实施例，所述将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品与货架之间的关联信息时，还包括：获取所述待检测图像中预设类别的商品的商品信息；将所获取的预设类别的商品的商品信息以及货架信息进行融合计算，输出所述待检测图像中预设类别的商品与货架之间的关联信息。

本发明为解决技术问题所采用的技术方案为提供一种检测图像的装置，所述装置包括：获取单元，用于获取待检测图像；提取单元，用于从所述待检测图像中分别提取商品信息以及货架信息；处理单元，用于将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品与货架之间的关联信息。

根据本发明一优选实施例，所述商品信息包含所述待检测图像中各商品的位置信息以及类别信息；所述货架信息包含所述待检测图像中各货架的位置信息以及层数信息。

根据本发明一优选实施例，所述提取单元从所述待检测图像中提取商品的位置信息时，具体执行：将所述待检测图像作为商品检测模型的输入，得到商品检测模型的输出结果，所述输出结果为包含已标注待检测图像中各商品的图像；获取输出图像中所标注商品的预设位置的坐标，作为待检测图像中各商品的位置信息。

根据本发明一优选实施例，所述提取单元从所述待检测图像中提取商品的类别信息时，具体执行：将所述商品检测模型的输出结果作为商品分类模型的输入，根据商品分类模型的输出结果，获取所述待检测图像中各商品的类别信息。

根据本发明一优选实施例，所述提取单元从所述待检测图像中提取货架信息时，具体执行：对所述待检测图像进行标准化处理，得到标准化处理结果；对所述标准化处理结果进行图像分割，得到所述待检测图像的分割结果；根据预设的筛选条件，从所述分割结果中确定所述待检测图像中货架的分割结果；根据所述待检测图像中货架的分割结果，获取所述待检测图像中各货架的货架信息。

根据本发明一优选实施例，所述商品与货架之间的关联信息包括商品所在货架的层数信息以及商品在所在货架中的位置信息中的至少一种。

根据本发明一优选实施例，所述处理单元在将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品所在货架的层数信息时，具体执行：根据所述商品的位置信息与货架的位置信息，计算商品与位于商品下方的各货架之间的距离；根据距离计算结果，将距离商品最近的货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

根据本发明一优选实施例，所述处理单元在将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品在所在货架的位置信息时，具体执行：获取位于同一层货架中各商品的位置信息；根据所获取的各商品的位置信息，按照从左到右的顺序对各商品进行排序；根据排序结果，将商品的排序位置作为商品在所在货架中的位置信息。

由以上技术方案可以看出，本发明通过从待检测图像中分别提取出待检测图像中所包含商品的商品信息以及所包含货架的货架信息，进而根据所提取的商品信息以及货架信息来输出商品与货架之间的关联信息，无需人工分析，从而降低了信息获取成本，提升了信息获取效率以及准确性。

【附图说明】

图1为本发明一实施例提供的一种检测图像的方法流程图；

图2为本发明一实施例提供的标注待检测图像中商品的示意图；

图3为本发明一实施例提供的一种检测图像的装置结构图；

图4为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明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。

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。

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)”。

图1为本发明一实施例提供的一种检测图像的方法流程图，如图1中所示，所述方法包括：

在101中，获取待检测图像。

在本步骤中，获取待检测图像。具体地，本步骤所获取的待检测图像为包含商品以及摆放商品的货架的图像，可以将终端设备从超市、商场或者无人售卖装置中所拍摄的包含商品的货架图像作为待检测图像。

为了避免由于待检测图像的自身原因，例如图像格式、图像尺寸等，所导致的无法对图像进行准确检测的问题，本步骤在获取待检测图像之后，还可以包括对待检测图像进行预处理的过程。

其中，本步骤在预处理待检测图像时，可以采用以下方式：对所获取的待检测图像进行解析，得到待检测图像的rgb数据；对所得到的rgb数据进行均值化处理，例如将r、g、b三个通道的数据分别减去相应的预设值；将均值化处理后的rgb数据缩放到预设尺寸，从而从缩放得到的数据中分别提取商品信息以及货架信息。

在102中，从所述待检测图像中分别提取商品信息以及货架信息。

在本步骤中，从步骤101中所获取的待检测图像中分别提取商品信息以及货架信息。其中，本步骤所提取的商品信息包含待检测图像中所包含的各商品的位置信息以及类别信息，商品的位置信息为各商品在待检测图像中的位置坐标，商品的类别信息可以为各商品的名称，也可以为各商品的sku(stockkeepingunit，商品统一编号)；本步骤所提取的货架信息包含待检测图像中所包含的各货架的位置信息以及层数信息，还可以进一步包含货架总层数，货架的位置信息为各货架在待检测图像中的位置坐标，货架的层数信息为各货架在全部货架中所处的层数。

具体地，本步骤在从待检测图像中提取商品的位置信息时，可以采用以下方式：将待检测图像作为商品检测模型的输入，得到商品检测模型的输出结果，所得到的输出结果为包含已标注待检测图像中各商品的图像；获取输出图像中所标注商品的预设位置的坐标，作为待检测图像中各商品的位置信息，例如若以矩形框标注图像中的商品，则可以获取标注商品的矩形框中左上角以及右下角的点的坐标、也可以获取标注商品的矩形框的中心点的坐标。

其中，商品检测模型是预先训练得到的，其能够根据所输入的图像，输出包含已标注输入图像中各商品的图像。具体地，可以采用以下方式预先训练得到商品检测模型：获取图像以及与各图像对应的已标注图像中各商品的图像，作为训练数据，例如以矩形框来标注图像中的各商品；将各图像作为输入，将与各图像对应的已标注图像中各商品的图像作为输出，训练深度学习模型，得到商品检测模型。

可以理解的是，商品检测模型在输出已标注待检测图像中各商品的图像时，还可以同时输出图像中所标注商品的置信度。因此，本步骤在获取待检测图像中各商品的位置信息之前，还可以将置信度小于预设阈值的标注结果进行滤除，仅保留置信度大于等于预设阈值的标注结果，从而再进行获取商品位置信息的操作。

具体地，本步骤在从待检测图像中提取商品的类别信息时，可以采用以下方式：将商品检测模型的输出结果作为商品分类模型的输入，根据商品分类模型的输出结果，获取待检测图像中各商品的类别信息。

其中，商品分类模型是预先训练得到的，其能够根据所输入的图像，输出该图像中所包含商品的类别信息。具体地，可以采用以下方式预先训练得到商品分类模型：获取已标注图像中各商品的图像以及各图像中所标注商品的类别信息，作为训练数据，例如使用矩形框来标注图像中的商品；将已标注图像中各商品的各图像作为输入，将各图像中所标注商品的类别信息作为输出，训练分类模型，得到商品分类模型。

可以理解的是，商品分类模型在输出待检测图像中各商品的类别信息时，还可以进一步输出商品类别信息的置信度。因此，本步骤在获取待检测图像中各商品的类别信息时，还可以将置信度小于预设阈值的类别信息进行滤除，仅保留置信度大于等于预设阈值的商品的类别信息。

举例来说，图2为本发明一实施例提供的标注待检测图像中商品的示意图，为了便于描述，在图2中以黑色矩形框仅对待检测图像中“江中公司”的商品进行标注，矩形框所对应的数字为检测到商品对应的sku。

具体地，本步骤在从待检测图像中提取货架信息时，可以采用以下方式：对待检测图像进行标准化处理，得到待检测图像对应的标准化处理结果，例如对图像进行灰度变换以及二值化处理等；对标准化处理结果进行图像分割，得到待检测图像的分割结果，例如使用水平或垂直方向投影直方图的方式进行图像分割；根据预设的筛选条件，从所得到的分割结果中确定待检测图像中货架的分割结果，例如将分割结果中大于等于预设长度的分割结果确定为货架的分割结果；根据待检测图像中货架的分割结果，获取待检测图像中各货架的货架信息。

其中，本步骤在根据货架的分割结果获取待检测图像中各货架的货架信息时，可以将各货架分割结果的预设位置在待检测图像中的位置坐标作为各货架的位置信息；根据各货架的位置信息对各货架进行空间排序，例如从上到下对货架进行排序，根据排序结果得到各货架的层数信息。可以理解的是，本步骤可以直接根据货架的分割结果来获取待检测图像中的货架信息，也可以通过对货架的分割结果进行透射变换后，再根据变换结果来获取待检测图像的货架信息。

在103中，将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品与货架之间的关联信息。

在本步骤中，将步骤102中所获取的待检测图像中所包含商品的商品信息以及所包含货架的货架信息进行融合计算，输出待检测图像中商品与货架之间的关联信息。本步骤所输出的商品与货架之间的关联信息，可以供商品对应的生产厂家进行商品投放情况的分析。

其中，本步骤所输出的商品与货架之间的关联信息包括商品所在货架的层数信息以及商品在所在货架中的位置信息中的至少一种。

由于步骤102中所得到的商品信息以及货架信息是相互独立的，无法体现出待检测图像中商品与货架之间的关联信息，例如商品摆放在哪层货架、商品在所摆放货架中的位置等等，而商品在货架中的摆放位置会影响商品的销售，因此商品与货架之间的关联信息是商品厂家较为关心的内容。因此本步骤通过将商品信息以及货架信息进行融合结算的方式，从而输出待检测图像中商品与货架之间的关联信息。

具体地，本步骤在将商品信息以及货架信息进行融合计算，输出待检测图像中商品所在货架的层数信息时，可以采用以下方式：根据商品的位置信息与货架的位置信息，计算商品与位于商品下方的各货架之间的距离；根据距离计算结果，将距离商品最近的货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

可以理解的是，若本步骤在根据位置信息确定位于商品下方的货架只有一个时，则无需进行商品与货架之间距离的计算，直接将该货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

具体地，本步骤在将商品信息以及货架信息进行融合计算，输出待检测图像中商品在所在货架中的位置信息时，可以采用以下方式：获取位于同一层货架中各商品的位置信息，例如可以利用上一步骤中所得到的商品所在货架的分析结果来获取位于同一层货架中各商品的位置信息；根据所获取的各商品的位置信息，按照从左到右的顺序对各商品进行排序；根据排序结果，将商品的排序位置作为商品在所在货架中的位置信息。

本步骤在将商品信息以及货架信息进行融合计算，输出待检测图像中商品与货架之间的关联信息时，还可以采用以下方式：获取待检测图像中预设类别的商品的商品信息，例如从待检测图像的商品信息中仅获取“品牌a”的商品的商品信息；将所获取的预设类别的商品的商品信息以及货架信息进行融合计算，输出待检测图像中预设类别的商品与货架之间的关联信息，例如输出待检测图像中“品牌a”的商品与货架之间的关联信息。

可以理解的是，本步骤在输出待检测图像中商品与货架之间的关联信息时，还可以输出待检测图像中各商品的类别信息、各商品在待检测图像中的宽度和高度等内容。

本步骤在输出待检测图像中商品与货架之间的关联信息之后，还可以包含以下内容：获取所述待检测图像中各商品的成交量，并确定成交量排在前n位的商品，其中n为大于等于1的正整数；获取排在前n位的商品与货架之间的关联信息。也就是说，本步骤还能够获取商品在货架中的位置信息与商品成交量之间的关系，从而便于相关用户更加合理地对商品进行摆放。

图3为本发明一实施例提供的一种检测图像的装置结构图，如图3中所示，所述装置包括：获取单元31、训练单元32、提取单元33以及处理单元34。

获取单元31，用于获取待检测图像。

获取单元31获取待检测图像。具体地，获取单元31所获取的待检测图像为包含商品以及摆放商品的货架的图像，可以将终端设备从超市、商场或者无人售卖装置中所拍摄的包含商品的货架图像作为待检测图像。

为了避免由于待检测图像的自身原因，例如图像格式、图像尺寸等，所导致的无法对图像进行准确检测的问题，获取单元31在获取待检测图像之后，还可以包括对待检测图像进行预处理的过程。

其中，获取单元31在预处理待检测图像时，可以采用以下方式：对所获取的待检测图像进行解析，得到待检测图像的rgb数据；对所得到的rgb数据进行均值化处理，例如将r、g、b三个通道的数据分别减去相应的预设值；将均值化处理后的rgb数据缩放到预设尺寸，从而从缩放得到的数据中分别提取商品信息以及货架信息。

训练单元32，用于预先训练得到商品检测模型以及商品分类模型。

训练单元32可以采用以下方式预先训练得到商品检测模型：获取图像以及与各图像对应的已标注图像中各商品的图像，作为训练数据，例如以矩形框来标注图像中的各商品；将各图像作为输入，将与各图像对应的已标注图像中各商品的图像作为输出，训练深度学习模型，得到商品检测模型。预先训练得到的商品检测模型，其能够根据所输入的图像，输出包含已标注输入图像中各商品的图像。

训练单元32可以采用以下方式预先训练得到商品分类模型：获取已标注图像中各商品的图像以及各图像中所标注商品的类别信息，作为训练数据，例如使用矩形框来标注图像中的商品，所标注的商品的类别信息可以为商品的名称或者商品的sku；将已标注图像中各商品的各图像作为输入，将各图像中所标注商品的类别信息作为输出，训练分类模型，得到商品分类模型。预先训练得到的商品分类模型，其能够根据所输入的图像，输出该图像中所包含商品的类别信息。

提取单元33，用于从所述待检测图像中分别提取商品信息以及货架信息。

提取单元33从获取单元31中所获取的待检测图像中分别提取商品信息以及货架信息。其中，提取单元33所提取的商品信息包含待检测图像中所包含的各商品的位置信息以及类别信息，商品的位置信息为各商品在待检测图像中的位置坐标，商品的类别信息可以为各商品的名称，也可以为各商品的sku(stockkeepingunit，商品统一编号)；提取单元33所提取的货架信息包含待检测图像中所包含的各货架的位置信息以及层数信息，还可以进一步包含货架总层数，货架的位置信息为各货架在待检测图像中的位置坐标，货架的层数信息为各货架在全部货架中所处的层数。

具体地，提取单元33在从待检测图像中提取商品的位置信息时，可以采用以下方式：将待检测图像作为商品检测模型的输入，得到商品检测模型的输出结果，所得到的输出结果为包含已标注待检测图像中各商品的图像；获取输出图像中所标注商品的预设位置的坐标，作为待检测图像中各商品的位置信息，例如若以矩形框标注图像中的商品，则可以获取标注商品的矩形框中左上角以及右下角的点的坐标、也可以获取标注商品的矩形框的中心点的坐标。

可以理解的是，商品检测模型在输出已标注待检测图像中各商品的图像时，还可以同时输出图像中所标注商品的置信度。因此，提取单元33在获取待检测图像中各商品的位置信息之前，还可以将置信度小于预设阈值的标注结果进行滤除，仅保留置信度大于等于预设阈值的标注结果，从而再进行获取商品位置信息的操作。

具体地，提取单元33在从待检测图像中提取商品的类别信息时，可以采用以下方式：将商品检测模型的输出结果作为商品分类模型的输入，根据商品分类模型的输出结果，获取待检测图像中各商品的类别信息。

可以理解的是，商品分类模型在输出待检测图像中各商品的类别信息时，还可以进一步输出商品类别信息的置信度。因此，提取单元33在获取待检测图像中各商品的类别信息时，还可以将置信度小于预设阈值的类别信息进行滤除，仅保留置信度大于等于预设阈值的商品的类别信息。

具体地，提取单元33在从待检测图像中提取货架信息时，可以采用以下方式：对待检测图像进行标准化处理，得到待检测图像对应的标准化处理结果，例如对图像进行灰度变换以及二值化处理等；对标准化处理结果进行图像分割，得到待检测图像的分割结果，例如使用水平或垂直方向投影直方图的方式进行图像分割；根据预设的筛选条件，从所得到的分割结果中确定待检测图像中货架的分割结果，例如将分割结果中大于等于预设长度的分割结果确定为货架的分割结果；根据待检测图像中货架的分割结果，获取待检测图像中各货架的货架信息。

其中，提取单元33在根据货架的分割结果获取待检测图像中各货架的货架信息时，可以将各货架分割结果的预设位置在待检测图像中的位置坐标作为各货架的位置信息；根据各货架的位置信息对各货架进行空间排序，例如从上到下对货架进行排序，根据排序结果得到各货架的层数信息。可以理解的是，提取单元33可以直接根据货架的分割结果来获取待检测图像中的货架信息，也可以通过对货架的分割结果进行透射变换后，再根据变换结果来获取待检测图像的货架信息。

处理单元34，用于将所述商品信息以及货架信息进行融合计算，输出所述待检测图像中商品与货架之间的关联信息。

处理单元34将提取单元33所获取的待检测图像中所包含商品的商品信息以及所包含货架的货架信息进行融合计算，输出待检测图像中商品与货架之间的关联信息。处理单元34所输出的商品与货架之间的关联信息，可以供商品对应的生产厂家进行商品投放情况的分析。

其中，处理单元34所输出的商品与货架之间的关联信息包括商品所在货架的层数信息以及商品在所在货架中的位置信息中的至少一种。

由于提取单元33所得到的商品信息以及货架信息是相互独立的，无法体现出待检测图像中商品与货架之间的关联信息，例如商品摆放在哪层货架、商品在所摆放货架中的位置等等，而商品在货架中的摆放位置会影响商品的销售，因此商品与货架之间的关联信息是商品厂家较为关心的内容。因此处理单元34通过将商品信息以及货架信息进行融合结算的方式，从而输出待检测图像中商品与货架之间的关联信息。

具体地，处理单元34在将商品信息以及货架信息进行融合计算，输出待检测图像中商品所在货架的层数信息时，可以采用以下方式：根据商品的位置信息与货架的位置信息，计算商品与位于商品下方的各货架之间的距离；根据距离计算结果，将距离商品最近的货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

可以理解的是，若处理单元34在根据位置信息确定位于商品下方的货架只有一个时，则无需进行商品与货架之间距离的计算，直接将该货架确定为商品所在的货架，并获取该货架的层数信息作为商品所在货架的层数信息。

具体地，处理单元34在将商品信息以及货架信息进行融合计算，输出待检测图像中商品在所在货架中的位置信息时，可以采用以下方式：获取位于同一层货架中各商品的位置信息；根据所获取的各商品的位置信息，按照从左到右的顺序对各商品进行排序；根据排序结果，将商品的排序位置作为商品在所在货架中的位置信息。

处理单元34在将商品信息以及货架信息进行融合计算，输出待检测图像中商品与货架之间的关联信息时，还可以采用以下方式：获取待检测图像中预设类别的商品的商品信息，例如从待检测图像的商品信息中仅获取“品牌a”的商品的商品信息；将所获取的预设类别的商品的商品信息以及货架信息进行融合计算，输出待检测图像中预设类别的商品与货架之间的关联信息，例如输出待检测图像中“品牌a”的商品与货架之间的关联信息。

可以理解的是，处理单元34在输出待检测图像中商品与货架之间的关联信息时，还可以输出待检测图像中各商品的类别信息、各商品在待检测图像中的宽度和高度等内容。

处理单元34在输出待检测图像中商品与货架之间的关联信息之后，还可以包含以下内容：获取待检测图像中各商品的成交量，并确定成交量排在前n位的商品，其中n为大于等于1的正整数；获取排在前n位的商品与货架之间的关联信息。也就是说，处理单元34还能够获取商品在货架中的位置信息与商品成交量之间的关系，便于相关用户更加合理地对商品进行摆放。

如图4所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、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。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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022进行。并且，计算机系统/服务器012还可以通过网络适配器020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。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器012使用其它硬件和/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系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。

计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

利用本发明所提供的技术方案，通过从待检测图像中分别提取出待检测图像中所包含商品的商品信息以及所包含货架的货架信息，进而融合计算所提取的商品信息以及货架信息来输出商品与货架之间的关联信息，无需人工分析，从而降低了信息获取成本，提升了信息获取效率以及准确性。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。