• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    香港重庆时时彩手机app: 一种360度全景图片的识别方法和装置.pdf

    关 键 词:
    一种 360 全景 图片 识别 方法 装置
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611161637.4

    申请日:

    2016.12.15

    公开号:

    CN106815598A

    公开日:

    2017.06.09

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06K 9/62申请日:20161215|||公开
    IPC分类号: G06K9/62; G06K9/46 主分类号: G06K9/62
    申请人: 歌尔科技有限公司
    发明人: 孟亚州; 王铁存
    地址: 266104 山东省青岛市崂山区北宅街道投资服务中心308室
    优先权:
    专利代理机构: 北京市隆安律师事务所 11323 代理人: 权鲜枝;吴昊
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611161637.4

    授权公告号:

    |||

    法律状态公告日:

    2017.07.04|||2017.06.09

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种360度全景图片的识别方法和装置。该方法包括:收集若干个360度全景图片和非360度全景图片作为样本图片;获取每个样本图片的特征向量,通过样本训练获取区分360度全景图片特征和非360度全景图片特征的支持向量数据;采用与获取每个样本图片的特征向量相同的方式获取所述待识别图片的特征向量;判断所述待识别图片的特征向量是否符合支持向量数据中的360度全景图片特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全景图片??杉?,本发明实现待识别图片的自动识别,判断准确性高,进而根据识别结果选择对应的图片播放工具,提升用户体验。

    权利要求书

    1.一种360度全景图片的识别方法,其特征在于,所述方法包括:
    收集若干个360度全景图片和非360度全景图片作为样本图片;
    获取每个样本图片的特征向量,通过样本训练获取区分360度全景图片特征和非360度
    全景图片特征的支持向量数据;
    采用与获取每个样本图片的特征向量相同的方式获取所述待识别图片的特征向量;
    判断所述待识别图片的特征向量是否符合所述支持向量数据中的360度全景图片特
    征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全景图片。
    2.如权利要求1所述的方法,其特征在于,所述通过样本训练获取区分360度全景图片
    特征和非360度全景图片特征的支持向量数据包括:
    定义特征矩阵,所述特征矩阵的行数为所有样本图片的个数,列数为样本图片的特征
    向量的维数;将所有所述样本图片的特征向量依次放入所述特征矩阵;
    定义分类标号矩阵,所述分类标号矩阵的行数为所有样本图片的个数,列数为1,其值
    取1或-1,其中1表示360度全景图片,-1表示非360度全景图片;对放入所述特征矩阵中的每
    个样本图片,在所述分类标号矩阵中依次标识所述样本图片所属图片类型的值;
    根据所述特征矩阵和所述分类标号矩阵,利用机器学习的方法获取区分360度全景图
    片特征和非360度全景图片特征的支持向量数据。
    3.如权利要求2所述的方法,其特征在于,所述获取每个样本图片的特征向量包括:
    对每个样本图片,分别获取左侧C列与右侧C列的每个像素点的颜色值,其中C取值为大
    于等于1的自然数;
    对相对图片中间线对称的每对像素点分别计算色差值;
    从所有色差值中等间距地选取出预定数量N个色差值,将所述N个色差值构成色差向
    量;
    根据所述色差向量得到每个样本图片的特征向量,所述特征向量的维数为N。
    4.如权利要求3所述的方法,其特征在于,将C取值等于1;
    所述对每个样本图片,分别获取左侧C列与右侧C列的每个像素点的颜色值包括:
    分别获取每个样本图片的第一列和最后一列的每个像素点的颜色值,
    得到每个样本图片的第一列像素点的颜色值为:A={{RA1,GA1,BA1},{RA2,GA2,BA2},{RA3,
    GA3,BA3}...{RAn,GAn,BAn}};每个样本图片的最后一列像素点的颜色值为:B={{RB1,GB1,
    BB1},{RB2,GB2,BB2},{RB3,GB3,BB3}...{RBn,GBn,BBn}};其中n代表所述样本图片的行数,An代表
    第一列第n行的像素点,Bn代表最后一列第n行的像素点;
    所述对相对图片中间线对称的每对像素点分别计算色差值包括:
    根据公式计算相对图片中间线对称的每对
    像素点的色差值;
    所述根据所述色差向量得到每个样本图片的特征向量包括:
    根据N个色差值构成的色差向量C={C1,C2,C3,...,CN}得到每个样本图片的特征向量。
    5.如权利要求2所述的方法,其特征在于,所述机器学习的方法包括支持向量机算法
    SVM。
    6.一种360度全景图片的识别装置,其特征在于,所述装置包括:
    样本图片收集单元,用于收集若干个360度全景图片和非360度全景图片作为样本图
    片;
    特征向量获取单元,用于获取每个样本图片的特征向量;以及采用与获取每个样本图
    片的特征向量相同的方式获取所述待识别图片的特征向量;
    支持向量获取单元,用于根据获取的每个样本图片的特征向量,通过样本训练获取区
    分360度全景图片特征和非360度全景图片特征的支持向量数据;
    判断单元,用于判断所述待识别图片的特征向量是否符合所述支持向量数据中的360
    度全景图片特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全景图
    片。
    7.如权利要求6所述的装置,其特征在于,所述支持向量获取单元包括:特征矩阵、分类
    标号矩阵、样本放入??楹脱盗纺??,
    所述特征矩阵的行数为所有样本图片的个数,列数为样本图片的特征向量的维数;
    所述分类标号矩阵的行数为所有样本图片的个数,列数为1,其值取1或-1,其中1表示
    360度全景图片,-1表示非360度全景图片样;
    所述样本放入???,用于将所有所述样本图片的特征向量依次放入所述特征矩阵;对
    放入所述特征矩阵中的每个样本图片,在所述分类标号矩阵中依次标识所述样本图片所属
    图片类型的值;
    所述训练???,用于根据放入样本后的所述特征矩阵和所述分类标号矩阵,利用机器
    学习的方法获取区分360度全景图片特征和非360度全景图片特征的支持向量数据。
    8.如权利要求7所述的装置,其特征在于,所述特征向量获取单元包括:
    颜色值获取???,用于对每个样本图片或所述待识别图片,分别获取左侧C列与右侧C
    列的每个像素点的颜色值,其中C取值为大于等于1的自然数;
    色差值计算???,用于对相对图片中间线对称的每对像素点分别计算色差值;
    色差向量构成???,用于从所有色差值中等间距地选取出预定数量N个色差值,将所述
    N个色差值构成色差向量;
    特征向量获取???,用于根据所述色差向量得到每个样本图片的特征向量,所述特征
    向量的维数为N。
    9.如权利要求8所述的装置,其特征在于,C取值等于1;
    所述颜色值获取???,具体用于分别获取每个样本图片的第一列和最后一列的每个像
    素点的颜色值,得到每个样本图片的第一列像素点的颜色值为:A={{RA1,GA1,BA1},{RA2,
    GA2,BA2},{RA3,GA3,BA3}...{RAn,GAn,BAn}};每个样本图片的最后一列像素点的颜色值为:B
    ={{RB1,GB1,BB1},{RB2,GB2,BB2},{RB3,GB3,BB3}...{RBn,GBn,BBn}};其中n代表所述样本图片
    的行数,An代表第一列第n行的像素点,Bn代表最后一列第n行的像素点;
    所述色差值计算???,具体用于根据公式
    计算相对图片中间线对称的每对像素点的色差值;
    所述特征向量获取???,具体用于根据N个色差值构成的色差向量C={C1,C2,C3,...,
    CN}得到每个样本图片的特征向量。
    10.如权利要求7所述的装置,其特征在于,所述机器学习的方法包括支持向量机算法
    SVM。

    说明书

    一种360度全景图片的识别方法和装置

    技术领域

    本发明涉及图片识别技术领域,特别涉及一种360度全景图片的识别方法和装置。

    背景技术

    随着虚拟现实技术(Virtual Reality,VR)的日趋成熟,应用在VR模式下的资源不
    断涌现,特别是适于VR模式下观看的各种类型的图片,例如2D图片、全景图片等。当通过VR
    模式观看各种类型的图片时,图片的类型不同,图片查看工具也不相同。为了实现自动选择
    图片查看工具,代替用户手动选择,就需要对图片的类型进行自动识别,特别是对360度全
    景图片的识别。

    普通的全景图是通过拼接多幅图像达到广角的效果,来展现更多的场景,360度全
    景图片是通过图片的左右侧拼合,在VR模式下达到360度环视的效果,从而给用户带来三维
    立体的空间体验。这就要求,360度全景图片的的左右两边在拼合后,其颜色的过渡是平滑
    的,不存在明显的拼接痕迹,即拼接处的像素点的颜色值接近或者相同。其图1为360度全景
    图片的示意图;其中,图1(a)为360度全景图片的原图;图1(b)为360度全景图片原图的右半
    部分平移到左侧拼接后的效果示意图。如图1所示,该360度全景图片原图的右半部分平移
    到左侧并进行拼接后,该图片没有明显的拼接痕迹,整张图片看起来还是完整的。

    基于360度全景图片左右两边在拼合后,拼接处的像素点的颜色值接近或者相同,
    在现有技术中,识别360度全景图,一般有两种方式:一种是选择图像的宽高比例来识别,若
    宽高比大于一个阈值,就认为是360度全景图片;但是,普通的全景图的宽高比也较大,不能
    实现360度环视的效果,不能被视为是360度全景图片。所以,这种方法的误差性较大,会导
    致宽高较大的普通全景图的误判,准确性低;另一种是比较图像左右两侧对应位置的像素
    颜色值差,如果小于一个阈值,则认为是360度全景图。但是,这种方法对阈值的选择要求苛
    刻,通常情况下,很难找到一个阈值能准确识别所有360度全景图,准确性低。

    发明内容

    鉴于现有技术中识别360度全景图片的准确性低的问题,提出了本发明的一种360
    度全景图片的识别方法和装置,以便解决或至少部分地解决上述问题。

    根据本发明的一个方面,提供了一种360度全景图片的识别方法,其特征在于,所
    述方法包括:

    收集若干个360度全景图片和非360度全景图片作为样本图片;

    获取每个样本图片的特征向量,通过样本训练获取区分360度全景图片特征和非
    360度全景图片特征的支持向量数据;

    采用与获取每个样本图片的特征向量相同的方式获取所述待识别图片的特征向
    量;

    判断所述待识别图片的特征向量是否符合所述支持向量数据中的360度全景图片
    特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全景图片。

    根据本发明的另一个方面,提供了一种360度全景图片的识别装置,其特征在于,
    所述装置包括:

    样本图片收集单元,用于收集若干个360度全景图片和非360度全景图片作为样本
    图片;

    特征向量获取单元,用于获取每个样本图片的特征向量;以及采用与获取每个样
    本图片的特征向量相同的方式获取所述待识别图片的特征向量;

    支持向量获取单元,用于根据获取的每个样本图片的特征向量,通过样本训练获
    取区分360度全景图片特征和非360度全景图片特征的支持向量数据;

    判断单元,用于判断所述待识别图片的特征向量是否符合所述支持向量数据中的
    360度全景图片特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全
    景图片。

    综上所述,本发明首先收集若干个360度全景图片和非360度全景图片作为样本图
    片,获取每个样本图片的特征向量,通过样本训练以得到区分360度全景图片特征和非360
    度全景图片特征的支持向量数据,然后采用与获取每个样本图片的特征向量相同的方式获
    取待识别图片的特征向量,再根据该支持向量数据判断待识别图片的特征向量是否符合
    360度全景图片特征;若判断为是,则确定待识别图片为360度全景图片??杉?,本发明是综
    合若干个图片类型已知的图片特征获得支持向量数据后,再进一步判断待识别图片的特征
    向量是否符合360度全景图片特征,实现待识别图片的自动识别,并非简单的比较待识别图
    片自身的像素点的颜色值,判断准确性高,进而根据识别结果选择对应的图片播放工具,提
    升用户体验。

    附图说明

    图1为360度全景图片的示意图;其中,图1(a)为360度全景图片的原图;图1(b)为
    360度全景图片原图的右半部分平移到左侧拼接后的效果示意图;

    图2为本发明一个实施例提供的一种360度全景图片的识别方法的流程图;

    图3为本发明一个实施例提供的一种360度全景图片的识别装置的示意图。

    具体实施方式

    本发明的设计思路是:鉴于现有技术中识别360度全景图片的准确性低的问题,本
    发明首先通过样本训练学习若干个图片类型已知的图片特征获得区分360度全景图片特征
    和非360度全景图片特征的支持向量数据后,然后再根据该支持向量数据判断待识别图片
    是否符合360度全景图片特征,实现待识别图片的自动识别,并非简单的比较待识别图片自
    身的像素点的颜色值,判断准确性高,进而根据识别结果选择对应的图片播放工具,提升用
    户体验。为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式
    作进一步地详细描述。

    图2为本发明一个实施例提供的一种360度全景图片的识别方法的流程图。如图2
    所示,该方法包括:

    步骤S110,收集若干个360度全景图片和非360度全景图片作为样本图片。

    将收集到的若干个360度全景图片和非360度全景图片分别放入不同的文件夹下
    以进行区分,例如:在E://data//images//0//路径下放非360度全景图片数据;在E://
    data//images//1//路径下放360度全景图片数据。

    步骤S120,获取每个样本图片的特征向量,通过样本训练获取区分360度全景图片
    特征和非360度全景图片特征的支持向量数据。

    在获取每个样本图片的特征向量之前,首先需要将若干个360度全景图片数据和
    非360度全景图片数据分别加载到不同的容器中,以便特征向量获取开始时,加载到相应程
    序的内存中。例如,读取E://data//images//0//中的数据,将所有360度全景图样本数据加
    载到vector<Mat>posImages;读取E://data//images//1//中的数据,将所有非360度全景
    图样本数据加载到vector<Mat>negImages。

    获取特征向量的时候,是通过每个样本图片左右两侧的若干列的像素点的颜色
    值,计算色差值,并从所有色差值中等间距地选取出预定数量N个色差值,将所述N个色差值
    构成色差向量,作为每个样本图片的特征向量,有有多少个样本图片,就可以获得多少个特
    征向量。

    然后再通过样本训练,根据样本数据的特征向量和每个特征向量所对应的图片类
    型(360度全景图片或者非360度全景图片),获取区分360度全景图片特征和非360度全景图
    片特征的支持向量数据,该支持向量数据是通过若干个已经图片类型的样本图片获得的,
    可以更加准确的区分360度全景图片和非360度全景图片。

    步骤S130,采用与获取每个样本图片的特征向量相同的方式获取所述待识别图片
    的特征向量。

    为了利用样本训练得到的支持向量数据进行待识别图片的识别,需要采用与获取
    每个样本图片的特征向量相同的方式获取待识别图片的特征向量。

    步骤S140,判断所述待识别图片的特征向量是否符合支持向量数据中的360度全
    景图片特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全景图片。

    获得待识别图片的特征向量后,通过支持向量数据,就可以自动判断出待识别图
    片是否是360度全景图片。

    可见,本发明是综合若干个图片类型已知的图片特征获得支持向量数据后,再进
    一步判断待识别图片的特征向量是否符合360度全景图片特征,实现待识别图片的自动识
    别,并非简单的比较待识别图片自身的像素点的颜色值,判断准确性高,进而根据识别结果
    选择对应的图片播放工具,提升用户体验。

    在本发明的一个实施例中,步骤S120中的通过样本训练获取区分360度全景图片
    特征和非360度全景图片特征的支持向量数据包括如下步骤:

    (1)定义特征矩阵,特征矩阵的行数为所有样本图片的个数,列数为样本图片的特
    征向量的维数;将所有所述样本图片的特征向量依次放入所述特征矩阵。

    例如,定义特征矩阵为“Mat trainFeatureMat”,存入所有样本图片的特征向量。
    所有样本图片的个数为100个,每个样本图片的特征向量的维数,即每个特征向量区分的色
    差值的个数为25个,则特征矩阵的行数为100行,每一行代表一个样品图片,且每个样本图
    片都有其唯一的标识;特征矩阵的列数为25列,每一列代表一个特征向量中的色差值。

    (2)定义分类标号矩阵,所述分类标号矩阵的行数为所有样本图片的个数,列数为
    1,其值取1或-1,其中1表示360度全景图片,-1表示非360度全景图片;对放入所述特征矩阵
    中的每个样本图片,在所述分类标号矩阵中依次标识所述样本图片所属图片类型的值。

    例如,定义分类标号矩阵“Mat trainLabelMat”,存入所有样本图片的类别,这里
    的样本图片的类别是360度全景图片,可用“1”表示;或非360度全景图片,可用“-1”表示。

    因为每个样本图片都有唯一的标识,在定义分类标号矩阵中每个图片对应唯一的
    样本图片的类别。在一个具体的例子中,对于一个样本图片是360度全景图片,其唯一标识
    是样本图片1,在定义分类标号矩阵中的其中一行的两列中,其中一列存入的是样本图片1,
    另一列是“1”;对于另一个样本图片是非360度全景图片,其唯一标识是样本图片2,在定义
    分类标号矩阵中的其中一行的两列中,其中一列存入的是样本图片2,另一列是“-1”。

    分类标号矩阵中也可只包含一列用来标识样本图片所属图片类型的值,其每一行
    代表的样本图片需与特征向量中的每一行代表的样本图片一一对应。在一个具体的例子
    中,在特征矩阵中的第1行存入的是图片1的特征向量,且图片1是360度全景图片,那么在分
    类标号矩阵中的第1行存入的是标识图片1的所属图片类型的值“1”;在特征矩阵中的第3行
    存入的是图片3的特征向量,且图片3是非360度全景图片,那么在分类标号矩阵中的第3行
    存入的是标识图片3的所属图片类型的值“-1”。

    (3)根据所述特征矩阵和所述分类标号矩阵,利用机器学习的方法获取区分360度
    全景图片特征和非360度全景图片特征的支持向量数据。

    在本发明的一个实施例中,步骤S120中的获取每个样本图片的特征向量包括:

    (1)对每个样本图片,分别获取左侧C列与右侧C列的每个像素点的颜色值,其中C
    取值为大于等于1的自然数。

    例如,获取左侧2列和右侧2列的每个像素点的颜色值,那么获得的像素点的个数
    就是左侧2*H个,右侧2*H个。

    (2)对相对图片中间线对称的每对像素点分别计算色差值。

    如上述例子中,获取的左侧的像素点的第一列的像素点颜色值记为L11、L12、...、
    L1H,第二列的像素点颜色值记为L21、L22、...、L2H;右侧的像素点的第一列的像素点颜色
    值记为R11、R12、...,R1H,第二列的像素点颜色值记为R21、R22、...、R2H。那么,相对图片中
    间线对称的每对像素点分别计算色差值是:L11-R11,L12-R12,...,L1H-R1H;以及L21-R21,
    L22-R22,...,L2H-R2H。

    (3)从所有色差值中等间距地选取出预定数量N个色差值,将所述N个色差值构成
    色差向量。

    为了最大程度上获得样本图片的像素点差值的整体分布情况,且还需要考虑程序
    运行的速度,本实施例,是通过等间距地选取的方法,在选取的每一列色差值中等间距的选
    取N/C个色差值,并将所有选取出来的N个色差值色差值构成色差向量。这里的预定数量是
    人工设定的,例如可以设定为200个。

    在一个具体的例子中,预定数量为400个,第一列色差值为L11-R11,L12-R12,...,
    L1H-R1H,第二列色差值为L21-R21,L22-R22,...,L2H-R2H。那么就分别从第一列和第二列
    的色差值中等间距地选取200个色差值,构成该样本图片的色差向量,该色差向量的维数是
    400,即色差向量中的色差值的个数是400个。

    (4)根据所述色差向量得到每个样本图片的特征向量,所述特征向量的维数为N。

    在本发明的一个实施例中,将C取值等于1;即分别获取左侧1列与右侧1列的每个
    像素点的颜色值。

    那么前一个实施例的(1)中的对每个样本图片,分别获取左侧C列与右侧C列的每
    个像素点的颜色值包括:

    分别获取每个样本图片的第一列和最后一列的每个像素点的颜色值,即获取每个
    像素点的颜色值用每个像素点的R值、G值和B值进行表示。RGB是一种颜色标准,R(Red)代表
    红色,G(Green)代表绿色,B(Blue)代表蓝色,图片中的所有颜色,都由上述这三种颜色色光
    按照不同的比例混合而成,每种颜色都可以通过R值、G值和B值进行表示。本实施例中,获得
    每个样本图片的像素点的颜色值就是获得每个像素点的R值、G值和B值。

    得到每个样本图片的第一列像素点的颜色值为:A={{RA1,GA1,BA1},{RA2,GA2,BA2},
    {RA3,GA3,BA3}...{RAn,GAn,BAn}};每个样本图片的最后一列像素点的颜色值为:B={{RB1,
    GB1,BB1},{RB2,GB2,BB2},{RB3,GB3,BB3}...{RBn,GBn,BBn}}。

    其中,n代表所述样本图片的行数,如果图片的大小为W*H,W为图片的宽度,H为图
    片的高度,那么n=H;An代表第一列第n行的像素点,Bn代表最后一列第n行的像素点。

    前一个实施例的(1)中的对相对图片中间线对称的每对像素点分别计算色差值包
    括:

    根据公式计算相对图片中间线对称的
    每对像素点的色差值。

    从所有色差值Ci中等间距地选取出预定数量N个色差值,将所述N个色差值构成色
    差向量。

    前一个实施例的(4)中的根据所述色差向量得到每个样本图片的特征向量包括:
    根据N个色差值构成的色差向量C={C1,C2,C3,...,CN}得到每个样本图片的特征向量,即将
    色差向量C作为每个样本图片的特征向量。

    需要说明的是,获取所述待识别图片的特征向量的方法必须与获取每个样本图片
    的特征向量的方法相同,保证该支持向量数据的可用性。

    机器学习的方法有很多种,在本发明的一个实施例中,所述机器学习的方法包括
    支持向量机算法SVM。

    图3为本发明一个实施例提供的一种360度全景图片的识别装置的示意图。如图3
    所示,该360度全景图片的识别装置300包括:

    样本图片收集单元310,用于收集若干个360度全景图片和非360度全景图片作为
    样本图片。

    特征向量获取单元320,用于获取每个样本图片的特征向量;以及采用与获取每个
    样本图片的特征向量相同的方式获取所述待识别图片的特征向量。

    支持向量获取单元330,用于根据获取的每个样本图片的特征向量,通过样本训练
    获取区分360度全景图片特征和非360度全景图片特征的支持向量数据;

    判断单元340,用于判断所述待识别图片的特征向量是否符合支持向量数据中的
    360度全景图片特征;若判断为是,则确定待识别图片为360度全景图片,否则为非360度全
    景图片。

    在本发明的一个实施例中,所述支持向量获取单元330包括:特征矩阵、分类标号
    矩阵、样本放入??楹脱盗纺??,

    所述特征矩阵的行数为所有样本图片的个数,列数为样本图片的特征向量的维
    数;

    所述分类标号矩阵的行数为所有样本图片的个数,列数为1,其值取1或-1,其中1
    表示360度全景图片,-1表示非360度全景图片样;

    所述样本放入???,用于将所有所述样本图片的特征向量依次放入所述特征矩
    阵;对放入所述特征矩阵中的每个样本图片,在所述分类标号矩阵中依次标识所述样本图
    片所属图片类型的值;

    所述训练???,用于根据放入样本后的所述特征矩阵和所述分类标号矩阵,利用
    机器学习的方法获取区分360度全景图片和非360度全景图片的支持向量数据。

    在本发明的一个实施例中,所述特征向量获取单元320包括:

    颜色值获取???,用于对每个样本图片或所述待识别图片,分别获取左侧C列与右
    侧C列的每个像素点的颜色值,其中C取值为大于等于1自然数;

    色差值计算???,用于对相对图片中间线对称的每对像素点分别计算色差值;

    色差向量构成???,用于从所有色差值中等间距地选取出预定数量N个色差值,将
    所述N个色差值构成色差向量;

    特征向量获取???,用于根据所述色差向量得到每个样本图片的特征向量,所述
    特征向量的维数为N。

    在本发明的一个实施例中,C取值等于1;

    所述颜色值获取???,具体用于分别获取每个样本图片的第一列和最后一列的每
    个像素点的颜色值,得到每个样本图片的第一列像素点的颜色值为:A={{RA1,GA1,BA1},
    {RA2,GA2,BA2},{RA3,GA3,BA3}...{RAn,GAn,BAn}};每个样本图片的最后一列像素点的颜色值
    为:B={{RB1,GB1,BB1},{RB2,GB2,BB2},{RB3,GB3,BB3}...{RBn,GBn,BBn}};其中n代表所述样本图
    片的行数,An代表第一列第n行的像素点,Bn代表最后一列第n行的像素点;

    所述色差值计算???,具体用于根据公式
    计算相对图片中间线对称的每对像素点的色差值;

    所述特征向量获取???,具体用于根据N个色差值构成的色差向量C={C1,C2,
    C3,...,CN}得到每个样本图片的特征向量。

    在本发明的一个实施例中,所述机器学习的方法包括支持向量机算法SVM。

    需要说明的是,图3所示装置的各实施例与图2所示方法的各实施例对应相同,上
    文已有详细说明,在此不再赘述。

    综上所述,本发明首先收集若干个360度全景图片和非360度全景图片作为样本图
    片,获取每个样本图片的特征向量,通过样本训练以得到区分360度全景图片特征和非360
    度全景图片特征的支持向量数据,然后采用与获取每个样本图片的特征向量相同的方式获
    取待识别图片的特征向量,再根据该支持向量数据判断待识别图片的特征向量是否符合
    360度全景图片特征;若判断为是,则确定待识别图片为360度全景图片??杉?,本发明是综
    合若干个图片类型已知的图片特征获得支持向量数据后,再进一步判断待识别图片的特征
    向量是否符合360度全景图片特征,实现待识别图片的自动识别,并非简单的比较待识别图
    片自身的像素点的颜色值,判断准确性高,进而根据识别结果选择对应的图片播放工具,提
    升用户体验。

    以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员
    可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具
    体描述只是更好的解释本发明的目的,本发明的?;し段вσ匀ɡ蟮谋;し段?。

       内容来自专利网重庆时时彩单双窍门 www.4mum.com.cn转载请标明出处

    关于本文
    本文标题:一种360度全景图片的识别方法和装置.pdf
    链接地址://www.4mum.com.cn/p-6021277.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 久赢彩票首页 斗地主游戏规则 超级大乐透开奖时间 贵州快3走势图带连线 手机麻将作弊软件可试用 急速赛车迅雷下载 云南11选5中奖规则 藏宝图玄机论坛 31号彩票中奖号码3d 排列三走势图2012 北京pk10牛牛玩法介绍 七星彩走势图综合 斯诺克比分网即时比分一一 誉彩彩票安卓 上海快3三同号最大遗漏 中国福利彩票双色球开奖