专利交易市场

本发明涉及图像识别技术领域，其目的在于提供一种密集型目标检测计量方法。本发明包括以下步骤：将待检测的原始图像输入密集型目标检测模型；密集型目标检测模型对原始图像中的目标区域进行定位，然后输出目标区域的边界框；根据目标区域的边界框，对原始图像进行剪裁，得到目标图像及目标图像的定位信息，并将目标图像输入分类模型；分类模型对目标图像进行图像分类，得到目标图像的类别信息；将目标图像的定位信息及其类别信息整合，过滤目标图像中的冗余图像，得到密集型目标的定位信息和类别信息。本发明所需训练样本减少，采集成本降低，同时可实现快速迭代更新。

本发明涉及图像识别技术领域，其目的在于提供一种动态商品识别方法。本发明包括以下步骤：S1.采集用户的购买行为视频，同时实时采集货柜内指定区域的实际称重数据；S2.将购买行为视频分解为多帧购买图像，检测购买图像中用户的手图像和商品图像，得到手检测框、商品检测框和与商品检测框对应的商品标签；S3.按时间序列对手检测框和商品检测框进行跟踪，为同一目标不同时刻的检测框赋予相同ID；S4.判断手和商品的进出状态，得到手图像和商品图像的进出时序表；S5.根据货柜内指定区域在每个时刻的实际称重数据，矫正手图像和商品图像的进出时序表，生成购买清单。本发明结合重量和视觉识别商品，可用于复杂环境，抗干扰能力强，同时识别准确率高。

本发明涉及图像处理技术领域，其目的在于提供一种基于深度学习和多目标跟踪的行人流量统计方法。本发明主要包括以下步骤：S1：拍摄行人监控视频并读取视频中的图像；S2：设定图像的有效区域及流量计数；S3：构建基于深度学习的行人检测模型并对其进行训练；S4：进行当前行人检测，得到当前行人框的坐标及图像块；S5：利用基于深度学习的多目标跟踪算法对当前行人进行跟踪，并产生当前行人的坐标；S6：生成当前行人的移动轨迹；S7：判断当前行人是否离开有效区域；若是则进入步骤S8，若否则进入步骤S4；S8：选取噪声阈值并进行噪声判断；S9：删除当前行人在连续视频帧中的坐标。本发明可在实际使用场景中提供实施精确的流量统计结果。

本发明属于图像处理技术领域，公开了一种生成深度学习样本的方法。本发明包括以下步骤：采集纯色背景下拍摄的初始图像；从初始图像中获取到目标图像的位置及轮廓，并截取出目标图像；对截取出的目标图像进行数据增广，得到目标图像的初始数据集；从初始数据集中选取任一目标图像后，将当前目标图像随机放置于预设的背景图形中并进行泊松图形融合，然后记录当前目标图像在预设背景图像中的位置；重复步骤S4，形成深度学习的目标检测数据集。本发明减少了海量目标数据的准备时间成本、人力成本及硬件成本，生成优质的目标检测数据集，进而为深度学习提供了优质的样本，增加了目标检测网络的鲁棒性。