一种仿真物体识别方法、装置、设备及介质与流程

1.本发明涉及计算机视觉领域技术领域，具体涉及一种仿真物体识别方法、装置、设备及介质。


背景技术：

2.智能化设备正在不断融入人们的工作生活，为了保证智能设备的智能性以及安全性，智能机器设备需要能够正确识别物体，为智能设备提供安全保障。现有技术中，在智能机器人的仿真物体识别技术中，多采用检测分割算法，目前现有技术中的仿真物体识别的精度较低，从而导致对物体的识别检测效果下降，导致图像采集设备对仿真物体不能做到有效的高精度识别。


技术实现要素：

3.因此，本发明要解决的技术问题在于克服现有技术中的仿真物体识别精度较低的缺陷，从而提供了一种仿真物体识别方法、装置、设备及介质。
4.第一方面，本发明提供了一种仿真物体识别方法，包括如下步骤：获取目标区域在当前帧的图像数据，并提取所述图像数据中目标物体的目标轮廓区域，将当前帧对应的目标轮廓区域的特征数据与前一帧对应的目标轮廓区域的特征数据进行关联分析，得到当前帧对应的关联结果；当所述当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件，将所述目标物体确定为仿真物体。
5.可选地，在本发明提供的仿真物体识别方法中，提取所述图像数据中目标物体的目标轮廓区域，包括：识别所述图像数据中的目标物体；基于所述目标物体对所述图像数据进行分割，得到分割区域；在所述分割区域中提取所述目标物体的目标轮廓区域。
6.可选地，在本发明提供的仿真物体识别方法中，所述关联结果包括轮廓移动速率、以及轮廓移动方向，当所述当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件，将所述目标物体确定为仿真物体，包括：根据当前帧对应的目标轮廓区域，与前一帧对应的目标轮廓区域确定第一轮廓移动速率；根据所述前一帧对应的目标轮廓区域，与次前一帧对应的目标轮廓区域确定第二轮廓移动速率；获取图像采集设备在采集当前帧的图像数据时的第一设备移动速率、在采集前一帧的图像数据时的第二设备移动速率，以及设备移动方向的趋势；计算所述第一轮廓移动速率与所述第一设备移动速率的第一比值，以及所述第二轮廓移动速率与所述第二设备移动速率的第二比值；将所述第一比值与所述第二比值的比值确定为第三比值；根据所述当前帧对应的轮廓移动方向，以及连续多个相邻帧对应的轮廓移动方向，确定所述目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势；在所述第三比值以及所述轮廓移动方向的趋势与所述设备移动方向的趋势，均满足所述预设条件时，确定所述目标物体为仿真物体。
7.可选地，在本发明提供的仿真物体识别方法中，所述关联结果包括轮廓重合度，和/或，轮廓交并比，当所述当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足
预设条件，将所述目标物体确定为仿真物体，包括：若当前帧对应的轮廓重合度与连续多个相邻帧对应的轮廓重合度均大于预定轮廓重合度的阈值，和/或，当前帧对应的轮廓交并比与连续多个相邻帧对应的轮廓交并比均大于预定轮廓交并比的阈值，将所述目标物体确定为仿真物体。
8.可选地，在本发明提供的仿真物体识别方法中，所述关联结果还包括轮廓特征相似度，在当所述当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件，将所述目标物体确定为仿真物体，还包括：若当前帧对应的轮廓特征相似度与连续多个相邻帧对应的轮廓特征相似度均大于预定轮廓特征相似度的阈值，将所述目标物体确定为仿真物体。
9.可选地，在本发明提供的仿真物体识别方法中，根据所述当前帧对应的轮廓移动方向，以及连续多个相邻帧对应的轮廓移动方向，确定所述目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势，包括：根据当前帧对应的目标轮廓区域，与前一帧对应的目标轮廓区域确定第一轮廓移动方向；根据所述前一帧对应的目标轮廓区域，与次前一帧对应的目标轮廓区域确定第二轮廓移动方向；根据所述第一轮廓移动方向与所述第二轮廓移动方向，确定所述目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势。
10.可选地，在本发明提供的仿真物体识别方法中，在所述第三比值以及所述轮廓移动方向的趋势与所述设备移动方向的趋势，均满足所述预设条件时，确定所述目标物体为仿真物体，包括：将所述第三比值与预设阈值进行判比，得到第三比值判比结果；将所述目标轮廓区域的移动方向的趋势和所述设备的移动方向的趋势进行关联分析，得到移动方向关联结果；在所述第三比值判比结果和所述移动方向关联结果均满足预设条件时，将所述目标物体确定为仿真物体。
11.第二方面，本发明提供一种仿真物体识别装置，包括：图像处理模块，用于获取目标区域在当前帧的图像数据，并提取所述图像数据中目标物体的目标轮廓区域，将当前帧对应的目标轮廓区域的特征数据与前一帧对应的目标轮廓区域的特征数据进行关联分析，得到当前帧对应的关联结果；仿真物体判断模块，当所述当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件，所述仿真物体判断模块用于将所述目标物体确定为仿真物体。
12.第三方面，本发明提供一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如本发明第一方面提供的仿真物体识别方法。
13.第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明第一方面提供的仿真物体识别方法。
14.本发明技术方案，具有如下优点：
15.本发明提供的仿真物体识别方法、装置、设备及介质，通过获取目标物体的图像数据，并基于目标的图像数据提取目标物体的目标轮廓区域，并对提取到的相邻目标轮廓区域进行关联分析，获得相邻目标轮廓区域的关联结果，通过对相邻目标轮廓区域的关联结果进行判断，来确定目标物体是否为仿真物体，当目标轮廓区域的关联结果满足判定仿真
物体的条件时，图像采集设备判定该目标物体为仿真物体。本发明通过对目标轮廓区域的目标物体进行自动的分析与判断，提高了对仿真物体识别的准确度，能够实时的分析周围环境中仿真物体，对仿真物体进行有效的高精度识别。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
17.图1为本发明实施例中仿真物体识别方法的一个具体示例的流程图；
18.图2为本发明实施例中仿真物体识别装置的一个具体示例的结构示意图；
19.图3为本发明实施例中计算机设备的一个具体实例的结构示意图。
具体实施方式
20.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
21.在本发明的描述中，需要说明的是，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
22.本实施例提供一种仿真物体识别方法，可应用于图像采集设备上，如图1所示，包括如下步骤：
23.步骤s1：获取目标区域在当前帧的图像数据，并提取图像数据中目标物体的目标轮廓区域，将当前帧对应的目标轮廓区域的特征数据与前一帧对应的目标轮廓区域的特征数据进行关联分析，得到当前帧对应的关联结果。
24.在一可选是实施例中，目标区域可以为街道、广场、公园等室内及室外场所，目标物体包括但不限于人体模特、动物模型、雕塑等比较逼真的物体，与真人体等比例接近的物体。
25.在一可选实施例中，目标轮廓区域包括但不限于物体本身的轮廓边缘、外接矩形框等。
26.在一可选实施例中，相邻目标轮廓区域为当前帧与前一帧目标图像中提取的目标轮廓或者当前帧与前一帧以及次前一帧目标图像中提取的目标轮廓。
27.在一可选实施例中，当获取到目标轮廓区域后，按照时间顺序将目标轮廓区域加入到时间序列中。
28.在一可选实施例中，根据轮廓的时间序列，对轮廓序列中的目标轮廓区域进行特征关联分析时，所分析的特征数据包括但不限于面积、增减方向、轮廓交并比，所采用的分析方法包括但不限于凸包分析、角点分析、hog特征分析等。
29.在一可选实施例中，相邻目标轮廓区域的特征数据包括但不限于：相邻目标轮廓区域的轮廓特征相似度、相邻目标轮廓区域的轮廓位移方向、相邻目标轮廓区域的轮廓移动位移、相邻目标轮廓区域的轮廓交并比、相邻目标轮廓区域的轮廓重合度，将特征数据存
储到特征存储单元中，便于后续识别仿真物体时使用。
30.步骤s2：当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件，将目标物体确定为仿真物体。
31.本发明实施例提供的仿真物体识别方法，通过获取目标物体的图像数据，并基于目标的图像数据提取目标物体的目标轮廓区域，并对提取到的相邻目标轮廓区域进行关联分析，获得相邻目标轮廓区域的关联结果，通过对相邻目标轮廓区域的关联结果进行判断，来确定目标物体是否为仿真物体，当目标轮廓区域的关联结果满足判定仿真物体的条件时，图像采集设备判定该目标物体为仿真物体。本发明通过对目标轮廓区域的目标物体进行自动的分析与判断，提高了对仿真物体识别的准确度，能够实时的分析周围环境中仿真物体，对仿真物体进行有效的高精度识别。
32.在一可选实施例中，提取图像数据中目标物体的目标轮廓区域，包括：
33.首先，识别图像数据中的目标物体。
34.然后，基于目标物体对图像数据进行分割，得到分割区域。
35.利用深度学习技术对图像进行检测识别和分割，具体为：使用神经网络结构所构建的算法模型对图像像素进行分类，同时提取相应的类别轮廓，再使用图像分割算法，包括但不限于mask-rcnn、deeplap-v3等算法对目标图像中的物体及类别区域进行分割，此处也可以使用传统的图像处理方法如图像变换、图像编码压缩等，但是使用传统的图像处理方法会导致仿真物体的识别时的计算量过大，并且识别精度降低，从而导致无法准确的辨别仿真物体。
36.通过本发明实施例，将图像分割成多个区域，再根据分割后的区域对目标进行处理，从而可以大大的减少图像再处理过程中的计算量，并且可以提高仿真物体识别的效率。
37.最后，在分割出区域中提取目标物体的目标轮廓区域。
38.可以使用包括但不限于边缘提取、分水岭、轮廓填充提取、最小外接矩形等一种或多种方法提取各图像数据中目标物体的目标轮廓区域。
39.在一可选实施例中，关联结果包括相邻目标轮廓区域的轮廓移动速率、轮廓移动方向，上述步骤s2具体包括：
40.首先，根据当前帧对应的目标轮廓区域，与前一帧对应的目标轮廓区域确定第一轮廓移动速率，根据前一帧对应的目标轮廓区域，与次前一帧对应的目标轮廓区域确定第二轮廓移动速率。
41.在一可选实施例中，可以根据相邻两帧目标轮廓区域的质心或者相邻两帧目标轮廓区域边缘移动的距离，除以相邻两帧的时间间隔，得到数值为轮廓移动速率。
42.其次，获取图像采集设备在采集当前帧的图像数据时的第一设备移动速率、在采集前一帧的图像数据时的第二设备移动速率，以及设备移动方向的趋势。
43.在一可选实施例中，图像采集设备包括但不限于智能机器人、摄像头等。
44.然后，计算第一轮廓移动速率与第一设备移动速率的第一比值，以及第二轮廓移动速率与第二设备移动速率的第二比值；将第一比值与第二比值的比值确定为第三比值。
45.最后，根据当前帧对应的轮廓移动方向，以及连续多个相邻帧对应的轮廓移动方向，确定目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势，第三比值以及轮廓移动方向的趋势与设备移动方向的趋势，均满足预设条件时，确定目标物体为仿真物体。
46.示例性地，当图像采集设备为智能机器人时，智能机器人获取目标区域的图像后，获取图像中的目标轮廓区域，对目标轮廓区域的特征数据进行关联分析，由于仿真物体是静止物体，仿真物体本身不具备移动的能力，所以智能机器人在移动的过程中，以智能机器人为参照物，仿真物体是移动的，并且，在理想状态下，智能机器人的移动速率与目标轮廓的移动速率是相等的，因此可以通过设备的移动速率与目标轮廓的移动速率的比值确定目标物体是否为仿真物体。同理，在理想状态下，智能机器人的移动方向与目标轮廓的移动方向是相反的，因此可以通过设备的移动方向与目标轮廓的移动方向确定目标物体是否为仿真物体。
47.在一可选实施例中，根据当前帧对应的轮廓移动方向，以及连续多个相邻帧对应的轮廓移动方向，确定目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势的步骤，具体包括：
48.首先，根据当前帧对应的目标轮廓区域，与当前帧的前一帧对应的目标轮廓区域确定第一轮廓移动方向。
49.在一可选实施例中，将当前帧对应的目标轮廓区域相对于当前帧的前一帧对应的目标轮廓区域的偏移方向确定为第一轮廓移动方向。
50.其次，根据前一帧对应的目标轮廓区域，与次前一帧对应的目标轮廓区域确定第二轮廓移动方向。
51.在一可选实施例中，将当前帧的前一帧对应的目标轮廓区域相对于当前帧的次前一帧对应的目标轮廓区域的偏移方向确定为第二轮廓移动方向。
52.最后，根据第一轮廓移动方向与第二轮廓移动方向，确定目标轮廓区域在多个相邻帧之间的轮廓移动方向的趋势。
53.在一可选实施例中，在第三比值以及轮廓移动方向的趋势与设备移动方向的趋势，均满足预设条件时，确定目标物体为仿真物体的步骤，具体包括：
54.首先，将第三比值与预设阈值进行判比，得到第三比值判比结果。
55.其次，将目标轮廓区域的移动方向的趋势和设备的移动方向的趋势进行关联分析，得到移动方向关联结果。
56.最后，在第三比值判比结果和移动方向关联结果均满足预设条件时，将目标物体确定为仿真物体。
57.在一可选实施例中，若第三比值在预设区间内，则表示第三比值判比结果满足条件，若移动方向关联结果为反向，则表示移动方向关联结果满足条件，此时将目标物体判定为仿真物体。示例性地，预设区间可以为[0.8,1.2]、[0.9,1.1]等。
[0058]
在一可选实施例中，关联结果包括轮廓重合度，和/或，轮廓交并比，上述步骤s2具体包括：
[0059]
若当前帧对应的轮廓重合度与连续多个相邻帧对应的轮廓重合度均大于预定重合度的阈值，和/或，当前帧对应的轮廓交并比与连续多个相邻帧对应的轮廓交并比均大于预定交并比的阈值，将目标物体确定为仿真物体。
[0060]
在一可选实施例中，当前帧对应的轮廓交并比为目标轮廓区域当前帧与当前帧的前一帧的目标轮廓区域的轮廓交并比，通过如下步骤计算目标轮廓区域的交并比：
[0061]
将当前帧对应的目标轮廓区域与前一帧对应的目标轮廓区域的像素值相加，再减
去区域统一像素值，得到的区域为当前帧对应的目标轮廓区域与前一帧对应的目标轮廓区域的交集区域，将当前帧对应的目标轮廓区域与前一帧对应的目标轮廓区域的像素值相加，再减去交集区域，得到的区域为当前帧对应的目标轮廓区域与前一帧对应的目标轮廓区域的并集区域，然后交集区域除以并集区域，得到轮廓交并比。
[0062]
示例性地，当预定重合度的阈值为0.9，预定交并比的阈值为0.9时，当智能机器人判定目标轮廓区域当前帧与前一帧轮廓重合度大于0.9，和/或，目标轮廓区域当前帧与前一帧的轮廓交并比大于0.9，则判定目标为仿真物体，若目标轮廓区域当前帧与前一帧的重合度或交并比只有其中一个满足所对应的阈值，即可判定目标物体为仿真物体。
[0063]
在一可选实施例中，关联结果还包括轮廓特征相似度，在上述步骤s2中，在通过轮廓移动速率或轮廓移动位移、以及轮廓移动方向对目标物体进行判定，或，通过轮廓重合度、轮廓交并比对目标物体进行判定的同时，还包括：
[0064]
若当前帧对应的轮廓特征相似度与连续多个相邻帧对应的轮廓特征相似度均大于预定轮廓特征相似度的阈值，将目标物体确定为仿真物体。
[0065]
在本发明实施例中，无法仅通过轮廓特征相似度判断目标物体是否为仿真物体，需结合轮廓重合度、轮廓交并比、轮廓移动速率变化率和目标轮廓区域移动方向趋势中的至少一个条件共同判断目标轮廓区域内的目标物体是否为仿真物体。
[0066]
示例性地，当轮廓特征相似度的阈值为0.9时，智能机器人判定目标轮廓区域的当前帧与前一帧的轮廓特征相似度，当轮廓特征相似度大于0.9，且轮廓轮廓重合度大于阈值时，判定该目标轮廓区域为仿真物体，当轮廓特征相似度小于或等于0.9时，则判定该目标轮廓区域为非仿真物体。
[0067]
在一可选实施例中，可以选择以下其中一个条件作为判定目标物体是否为仿真物体的条件：
[0068]
1.目标轮廓区域的轮廓移动速率与图像采集设备的设备移动速率之间的第三比值位于预设区间内，且目标轮廓区域的轮廓移动方向的趋势与图像采集设备移动方向的趋势相反。
[0069]
2.目标轮廓区域的轮廓重合度大于轮廓重合度的阈值，和/或，目标轮廓区域的轮廓交并比大于轮廓交并比的阈值。
[0070]
3.目标轮廓区域的轮廓移动速率与图像采集设备的设备移动速率之间的第三比值位于预设区间内，且目标轮廓区域的轮廓移动方向的趋势与图像采集设备移动方向的趋势相反，和，目标轮廓区域的轮廓重合度大于轮廓重合度的阈值，和/或，目标轮廓区域的轮廓交并比大于轮廓交并比的阈值。
[0071]
4.目标轮廓区域的轮廓移动速率与图像采集设备的设备移动速率之间的第三比值位于预设区间内，且目标轮廓区域的轮廓移动方向的趋势与图像采集设备移动方向的趋势相反，且，轮廓特征相似度大于轮廓特征相似度的阈值。
[0072]
5.目标轮廓区域的轮廓重合度大于轮廓重合度的阈值，和/或，目标轮廓区域的轮廓交并比大于轮廓交并比的阈值，和，轮廓特征相似度大于轮廓特征相似度的阈值。
[0073]
6.目标轮廓区域的轮廓移动速率与图像采集设备的设备移动速率之间的第三比值位于预设区间内，且目标轮廓区域的轮廓移动方向的趋势与图像采集设备移动方向的趋势相反，和，目标轮廓区域的轮廓重合度大于轮廓重合度的阈值，和/或，目标轮廓区域的轮
廓交并比大于轮廓交并比的阈值，和，轮廓特征相似度大于轮廓特征相似度的阈值。
[0074]
上述实施例提供的仿真物体识别方法可以应用于图像采集设备中，包括但不限于智能机器人，当应用于智能机器人中时，使得智能机器人能够实时分析周围环境中的伪目标，对仿真物体进行有效的高精度识别。
[0075]
本施例提供一种仿真物体识别装置，如图2所示，包括：
[0076]
图像处理模块21，用于获取目标区域在当前帧的图像数据，并提取图像数据中目标物体的目标轮廓区域，将当前帧对应的目标轮廓区域的特征数据与前一帧对应的目标轮廓区域的特征数据进行关联分析，得到当前帧对应的关联结果，详细内容上述实施例中步骤s1的描述，在此不再赘述；
[0077]
仿真物体判断模块22，当前帧对应的关联结果与连续多个相邻帧对应的关联结果满足预设条件时，仿真物体判断模块22用于将目标物体确定为仿真物体，详细内容上述实施例中步骤s2的描述，在此不再赘述。
[0078]
本发明实施例提供一种计算机设备，如图3所示，包括：至少一个处理器31，例如cpu(central processing unit，中央处理器)，至少一个通信接口33，存储器34，至少一个通信总线32。其中，通信总线32用于实现这些件之间的连接通信。其中，通信接口33可以包括显示屏(display)、键盘(keyboard)，可选通信接口33还可以包括标准的有线接口、无线接口。
[0079]
存储器34可以是高速ram存储器(ramdom access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器34可选的还可以是至少一个位于远离前述处理器31的存储装置。其中处理器31可以执行上述实施例中提供的仿真物体识别方法。存储器34中存储一组程序代码，且处理器31调用存储器34中存储的程序代码，以用于执行上述实施例中提供的仿真物体识别方法。其中，通信总线32可以是外设部件互连标(peripheralcomponent interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线32可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条线表示，但并不表仅有一根总线或一种类型的总线。其中，存储器34可以包括易失性存储(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固降硬盘(英文：solid-state drive，缩写：ssd)；存储器34还可以包括上述种类的存储器的组合。其中，处理器31可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。其中，处理器31还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。
[0080]
上述pld可以是复杂可编程逻辑器件(英文：complex programmable logicdevice，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0081]
本发明实施例提供一种计算机可读存储介质，存储器还用于存储程序指令。处理器可以调用程序指令，实现如本技术执行上述实施例中提供的仿真物体识别方法。本发明
实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述实施例中提供的仿真物体识别方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固降硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0082]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。