無人超市消費(fèi)便利、方便高效,逐漸成為一種新興的購物方式。與傳統(tǒng)超市的自助掃碼結(jié)算方式不同,無人超市的結(jié)算過程發(fā)生在購物動作結(jié)束的同時,更加快捷。因此,準(zhǔn)確檢測出無人超市環(huán)境下購物過程中的商品信息對于實(shí)時掌握商品銷售情況、提供更好的客戶購物體驗等都至關(guān)重要。根據(jù)普通人的購物習(xí)慣,通過對手部所持商品進(jìn)行檢測,即可實(shí)現(xiàn)對客戶購物情況等信息的獲取。本文基于計算機(jī)視覺技術(shù)和深度學(xué)習(xí)理論,從多目標(biāo)商品檢測、單目標(biāo)背景下的手持商品識別和多目標(biāo)背景下的手持商品檢測等方面進(jìn)行了研究,主要研究內(nèi)容如下:1.針對目前缺乏多目標(biāo)背景下的手持商品檢測數(shù)據(jù)集的問題,本文以模擬的無人超市商品貨架為背景,10種商品為檢測目標(biāo),構(gòu)建了同時包含彩色圖像和深度圖像的數(shù)據(jù)集,適用于多目標(biāo)商品檢測和多目標(biāo)背景下的手持商品檢測。2.研究了深度學(xué)習(xí)目標(biāo)檢測結(jié)構(gòu)Faster R-CNN,構(gòu)建了多目標(biāo)商品檢測模型。針對Kinect人體關(guān)鍵點(diǎn)檢測方法在身體發(fā)生遮擋時容易產(chǎn)生骨架錯亂的現(xiàn)象,研究了基于CPMs模型的人體關(guān)鍵點(diǎn)檢測方法,通過獲取圖像的紋理信息和關(guān)節(jié)點(diǎn)置信圖的空間信息得到關(guān)節(jié)點(diǎn)位置,為實(shí)現(xiàn)手持商品檢測模型提供支持。3.針對單目... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

0類商品實(shí)例示例

西安建筑科技大學(xué)碩士學(xué)位論文15GrabCutCropandResize樣本貼圖圖2.6訓(xùn)練數(shù)據(jù)構(gòu)建流程1）原始樣本采集從不同角度對圖2.5所示的10種常見飲品實(shí)例進(jìn)行拍攝獲得視頻數(shù)據(jù)。相關(guān)拍攝情況如下：(1)攝像頭在距離目標(biāo)對象1米的距離進(jìn)行拍攝；(2)攝像機(jī)分別從平視、俯視45°和仰視45°的角度進(jìn)行拍攝；(3)攝像機(jī)的每個角度都分別對目標(biāo)的0°(以商品正面商標(biāo)為0°)到180°進(jìn)行拍攝，之后掉轉(zhuǎn)目標(biāo)方向再拍攝一次。由于在視頻拍攝過程中允許商品產(chǎn)生運(yùn)動，因此對視頻進(jìn)行抽幀操作后提取出的圖像中同時包含有清晰和模糊的圖像。采集的原始樣本圖像如圖2.7所示。圖2.7原始樣本圖像示例最終抽取出的圖像中，每個類別商品大約36張左右，包含有目標(biāo)對象的各個角度。10類商品共獲得324張原始圖像，采用labelImg[50]將原始圖像標(biāo)注為VOC2007[51]格式，得到包含位置和類別信息的標(biāo)注文件。2）目標(biāo)對象分割在進(jìn)行樣本圖像貼圖之前，需要對粘貼的目標(biāo)對象進(jìn)行分割，本文采用GrabCut[52]算法對目標(biāo)圖像進(jìn)行分割。GrabCut是圖像分割的常用算法，是GraphCut算法[53]的改進(jìn)。該算法利用圖

西安建筑科技大學(xué)碩士學(xué)位論文16像中的紋理(顏色)信息和邊界(反差)信息來區(qū)分前景和背景，算法思想是將整幅圖像映射為s-t網(wǎng)絡(luò)圖，如圖2.8所示，圖中的源點(diǎn)和分別指前景和背景的終點(diǎn)。圖2.8s-t網(wǎng)絡(luò)圖可根據(jù)人為畫框的方式選定前景和背景范圍，即進(jìn)行算法初始化操作。之后分別構(gòu)建前景和背景的高斯混合模型，并采用-均值聚類[54]進(jìn)行初始化操作。通過計算各相鄰節(jié)點(diǎn)之間的距離獲得分割的能量權(quán)重值，構(gòu)造未知區(qū)的s-t網(wǎng)絡(luò)圖，最后以最大流-最小割算法進(jìn)行切分。GrabCut算法通過不斷更新和修正高斯混合模型參數(shù)使之趨于收斂來實(shí)現(xiàn)分割，即使Gibbs能量函數(shù)[55]逐漸減少，最終收斂。在本文中，使用標(biāo)注數(shù)據(jù)中的位置信息進(jìn)行初始化。對原始樣本圖像進(jìn)行分割后得到如圖2.9所示樣本前景圖像及其對應(yīng)的mask圖像。(a)前景圖像(b)mask圖2.9樣本前景圖像及其對應(yīng)的mask圖像3)樣本圖像貼圖在保留前景圖像和對應(yīng)mask圖像不同大小的原尺寸情況下，對前景圖像及其對應(yīng)的mask圖像同時進(jìn)行縮放，縮放規(guī)則為分別縮放到短邊長為15像素、30像素、60像素和100像素。基于上面生成的各尺寸的前景樣本圖像及其對應(yīng)的mask圖像，我們隨機(jī)選取

【參考文獻(xiàn)】：
期刊論文
[1]基于區(qū)域分割的混合地震預(yù)測算法[J]. 周天祥,董紅斌,周雯.  計算機(jī)工程. 2019(09)
[2]基于最優(yōu)k均值聚類的時空動態(tài)背景模型[J]. 舒浩浩,陳盛雙,李石君.  小型微型計算機(jī)系統(tǒng). 2019(02)
[3]基于自動種子區(qū)域生長的超聲B圖像缺陷分割方法[J]. 倪豪,鄭慧峰,王月兵,呼劉晨,曹永剛,張凱.  計量學(xué)報. 2018(06)
[4]融合深度信息的Grabcut自動圖像分割[J]. 劉輝,石小龍,漆坤元,左星.  小型微型計算機(jī)系統(tǒng). 2018(10)
[5]改進(jìn)的基于深度學(xué)習(xí)的遙感圖像分類算法[J]. 王鑫,李可,徐明君,寧晨.  計算機(jī)應(yīng)用. 2019(02)
[6]Faster R-CNN在工業(yè)CT圖像缺陷檢測中的應(yīng)用[J]. 常海濤,茍軍年,李曉梅.  中國圖象圖形學(xué)報. 2018(07)
[7]基于SAD算法的立體匹配的實(shí)現(xiàn)[J]. 岳陳平,孟麗婭.  微型機(jī)與應(yīng)用. 2013(06)
[8]一種基于邊緣與區(qū)域信息的先驗水平集圖像分割方法[J]. 王斌,李潔,高新波.  計算機(jī)學(xué)報. 2012(05)
[9]基于分裂合并法和Ncut法的圖像分割[J]. 邵健萍,陳麗芳.  江南大學(xué)學(xué)報(自然科學(xué)版). 2011(05)
[10]一種基于區(qū)域Gibbs勢能函數(shù)的視頻運(yùn)動對象分割算法[J]. 包紅強(qiáng),張兆揚(yáng).  通信學(xué)報. 2005(06)

博士論文
[1]基于數(shù)據(jù)挖掘方法的長春地區(qū)40歲以上人群2型糖尿病非侵入性風(fēng)險評分研究[D]. 劉玉佳.吉林大學(xué) 2018
[2]基于特征學(xué)習(xí)的無約束環(huán)境下的人臉識別研究[D]. 田雷.北京郵電大學(xué) 2018
[3]視覺顯著性計算及其應(yīng)用研究[D]. 楊軍.華南理工大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的變電設(shè)備圖像特征提取[D]. 陳旭.南京郵電大學(xué) 2018
[2]基于復(fù)合神經(jīng)網(wǎng)絡(luò)的開放域問題分類方法研究與實(shí)現(xiàn)[D]. 周忠誠.國防科學(xué)技術(shù)大學(xué) 2017
[3]基于多特征融合的商品圖像分類[D]. 余健.西南交通大學(xué) 2013
[4]基于數(shù)據(jù)挖掘的復(fù)雜仿真數(shù)據(jù)分析方法研究[D]. 田萌.哈爾濱工業(yè)大學(xué) 2010



本文編號：3345657