室内物体识别的方法、装置、电子设备及介质制造方法及图纸

本申请公开了一种室内物体识别的方法、装置、电子设备及介质。通过应用本申请的技术方案，可以利用样本室内全景图像数据，通过提取其包含的各个物品对象的环境特征，采用针对性设计和训练初始的卷积神经网络以得到训练完毕的目标卷积网络模型，并在后续基于该目标卷积网络模型预测某个物品在未来时间信息的位置数据，从而解决现有室内物品定位方法识别结果不够准确的问题。果不够准确的问题。果不够准确的问题。

【技术实现步骤摘要】
室内物体识别的方法、装置、电子设备及介质


[0001]本申请中涉及图像处理技术，尤其是一种室内物体识别的方法、装置、电子设备及介质。

技术介绍

[0002]近年来，位置服务需求不断增长，催生了定位技术的不断发展。针对室内定位，基于视觉的定位技术随着视觉传感器的发展，得到了更多的重视。
[0003]其中，现有的室内定位方法，如临近探测法、质心定位法、RFI D法等等，需要使用特殊设备支持定位，例如射频标签、信号发射
‑
接收设备，需部署一定的网络环境，会带来额外的成本，且定位范围、经度会由于网络信号的状况收到会受到干扰。因此，如何设计一种识别结果准确且成本较小的室内定位方法，成为了需要解决的问题。

技术实现思路

[0004]本申请实施例提供一种室内物体识别的方法、装置、电子设备及介质。用以解决相关技术中存在的，现有室内定位方法识别结果不够准确的问题。
[0005]其中，根据本申请实施例的一个方面，提供的一种室内物体识别的方法，包括：
[0006]获取标注有时间信息的室内全景图像，所述室内全景图像中包含至少一个待识别物体图像；
[0007]对所述室内全景图像进行视野分割处理，得到至少一个子室内图像，其中每个子室内图像中包含一个所述待识别物体图像以及对应的位置信息以及时间信息；
[0008]利用所述子室内图像对初始的卷积网络模型进行训练，当检测到满足预设训练条件时，生成目标卷积网络模型；
[0009]利用所述目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果。
[0010]可选地，在基于本申请上述方法的另一个实施例中，所述当检测到满足预设训练条件时，生成目标卷积网络模型，包括：
[0011]当检测到达到训练至模型收敛、训练次数达到预设迭代次数以及训练时长达到预设训练时间的其中一种时，确定满足所述预设训练条件，生成所述目标卷积网络模型。
[0012]可选地，在基于本申请上述方法的另一个实施例中，所述利用所述子室内图像对初始的卷积网络模型进行训练，包括：
[0013]获取包含同一个待识别物体图像的多个子室内图像，其中每个子室内图像对应于不同的时间信息；
[0014]将多个对应于不同时间信息的子室内图像输入至所述初始卷积网络模型进行训练，生成所述目标卷积网络模型。
[0015]可选地，在基于本申请上述方法的另一个实施例中，所述利用所述目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果，包括：
[0016]基于所述目标卷积网络模型，对所述待检测室内全景图像进行特征识别，得到物体对象参数，所述物体对象参数包括物体对象的形态特征参数以及位置特征参数；
[0017]根据所述物体对象参数与当前时间信息的匹配关系，得到对应物体对象的位置识别结果。
[0018]可选地，在基于本申请上述方法的另一个实施例中，在所述基于所述目标卷积网络模型，对所述待检测室内全景图像进行特征识别，得到物体对象参数之后，还包括：
[0019]根据所述物体对象参数，获取所述物体对象对应的大小特征、色彩特征以及轮廓特征的至少一种；
[0020]根据所述大小特征、色彩特征以及轮廓特征的至少一种，确定所述物体对象对应于预设物体类别时，确定所述物体对象参数与当前时间信息的匹配关系。
[0021]可选地，在基于本申请上述方法的另一个实施例中，所述确定所述物体对象参数与当前时间信息的匹配关系，包括：
[0022]获取当前时间信息，并检测所述物体对象是否满足在所述当前时间信息上进行展示的条件；
[0023]若确定所述物体对象满足在所述当前时间信息上进行展示的条件，确定所述物体对象参数与当前时间信息相匹配。
[0024]其中，根据本申请实施例的又一个方面，提供的一种室内物体识别的装置，其特征在于，包括：
[0025]获取模块，被配置为获取标注有时间信息的室内全景图像，所述室内全景图像中包含至少一个待识别物体图像；
[0026]分割模块，被配置为对所述室内全景图像进行视野分割处理，得到至少一个子室内图像，其中每个子室内图像中包含一个所述待识别物体图像以及所述时间信息；
[0027]训练模块，被配置为利用所述子室内图像对初始的卷积网络模型进行训练，当检测到满足预设训练条件时，生成目标卷积网络模型；
[0028]生成模块，被配置为利用所述目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果。
[0029]根据本申请实施例的又一个方面，提供的一种电子设备，包括：
[0030]存储器，用于存储可执行指令；以及
[0031]显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述室内物体识别的方法的操作。
[0032]根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述室内物体识别的方法的操作。
[0033]本申请中，可以获取标注有时间信息的室内全景图像，室内全景图像中包含至少一个待识别物体图像；对室内全景图像进行视野分割处理，得到至少一个子室内图像，其中每个子室内图像中包含一个待识别物体图像以及时间信息；利用子室内图像对初始的卷积网络模型进行训练，当检测到满足预设训练条件时，生成目标卷积网络模型；利用目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果。通过应用本申请的技术方案，可以利用样本室内全景图像数据，通过提取其包含的各个物品对象的环境特征，采用针对性设计和训练初始的卷积神经网络以得到训练完毕的目标卷
积网络模型，并在后续基于该目标卷积网络模型预测某个物品在未来时间信息的位置数据，从而解决现有室内物品定位方法识别结果不够准确的问题。
[0034]下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
[0035]构成说明书的一部分的附图描述了本申请的实施例，并且连同描述一起用于解释本申请的原理。
[0036]参照附图，根据下面的详细描述，可以更加清楚地理解本申请，其中：
[0037]图1为本申请提出的一种室内物体识别的方法示意图；
[0038]图2为本申请提出的一种室内物体识别的电子装置的结构示意图；
[0039]图3为本申请提出的一种室内物体识别的电子设备的结构示意图。
具体实施方式
[0040]现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
[0041]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0042]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内物体识别的方法，其特征在于，包括：获取标注有时间信息的室内全景图像，所述室内全景图像中包含至少一个待识别物体图像；对所述室内全景图像进行视野分割处理，得到至少一个子室内图像，其中每个子室内图像中包含一个所述待识别物体图像以及对应的位置信息以及时间信息；利用所述子室内图像对初始的卷积网络模型进行训练，当检测到满足预设训练条件时，生成目标卷积网络模型；利用所述目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果。2.如权利要求1所述的方法，其特征在于，所述当检测到满足预设训练条件时，生成目标卷积网络模型，包括：当检测到达到训练至模型收敛、训练次数达到预设迭代次数以及训练时长达到预设训练时间的其中一种时，确定满足所述预设训练条件，生成所述目标卷积网络模型。3.如权利要求1或2所述的方法，其特征在于，所述利用所述子室内图像对初始的卷积网络模型进行训练，包括：获取包含同一个待识别物体图像的多个子室内图像，其中每个子室内图像对应于不同的时间信息；将多个对应于不同时间信息的子室内图像输入至所述初始卷积网络模型进行训练，生成所述目标卷积网络模型。4.如权利要求1所述的方法，其特征在于，所述利用所述目标卷积网络模型对待检测室内全景图像进行物体对象识别，得到对应物体对象的位置识别结果，包括：基于所述目标卷积网络模型，对所述待检测室内全景图像进行特征识别，得到物体对象参数，所述物体对象参数包括物体对象的形态特征参数以及位置特征参数；根据所述物体对象参数与当前时间信息的匹配关系，得到对应物体对象的位置识别结果。5.如权利要求4所述的方法，其特征在于，在所述基于所述目标卷积网络模型，对所述待检测室内全景图像进行特...

【专利技术属性】
技术研发人员：李玉敏，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：