视觉识别 订阅
VI又称为VIS,是英文Visual Identity System的缩写。其意是指将企业的一切可视事物进行统一的视觉识别表现和标准化、专有化。通过VI,将企业形象传达给社会公众。视觉识别系统(VI)又可分为两大主要方面:一是基础系统,包括企业名称、品牌标志、标准字体、印刷字体、标准图形、标准色彩(宣传口号、经营报告书和产品说明书等八大要素;二是应用系统。它至少包括十大要素,即产品及其包装、生产环境和设备。展示场所和器具、交通运输工具、办公设备和用品、工作服及其饰物、广告设施和视听资料、公关用品和礼物、厂旗和厂徽、指示标识和路牌等等。 展开全文
VI又称为VIS,是英文Visual Identity System的缩写。其意是指将企业的一切可视事物进行统一的视觉识别表现和标准化、专有化。通过VI,将企业形象传达给社会公众。视觉识别系统(VI)又可分为两大主要方面:一是基础系统,包括企业名称、品牌标志、标准字体、印刷字体、标准图形、标准色彩(宣传口号、经营报告书和产品说明书等八大要素;二是应用系统。它至少包括十大要素,即产品及其包装、生产环境和设备。展示场所和器具、交通运输工具、办公设备和用品、工作服及其饰物、广告设施和视听资料、公关用品和礼物、厂旗和厂徽、指示标识和路牌等等。
信息
英文缩写
VI VIS
外文名
Visual Identity System
最主要特征
外在、直接、具有传播力和感染力
释    义
将企业的一切可视事物进行统一的视觉识别表现和标准化、专有化
中文名
视觉识别
基本要素
企业标志
视觉识别简介:
CIS是企业的整体经营策略和全方位的公共关系战略措施,是企业与公众沟通的一种有效的手段。企业理念识别(MI)是企业长期发展过程中形成的,具有独特个性的价值观体系,是企业宝贵的精神资产,是企业不断成长的驱动力。行为识别(BI)是在企业理念识别指导下逐渐培育起来的,是企业全体员工自觉的工作方式和行为方法。视觉识别(VI)是企业所独有的一套识别标志。视觉识别是理念识别的外在表现,理念识别是视觉识别的精神内涵。没有精神理念,视觉传达只能是简单的装饰品;没有视觉识别,理念识别也无法有效地表达和传递。有部分学者认为:CIS除由MI、BI、VI组成统一体外,还有EI。 EI是英文Environmental Identity的缩写,即环境识别。它主要是指企业在所处自然环境或社会环境之中显示出来的独特个性。比如企业建筑物的外貌风格、布局特色、环境与生态保护等。视觉识别是将企业理念与价值观通过静态的具体化的视觉传播形式,有组织有计划地传达给社会大众,树立企业统一性的识别形象。
收起全文
精华内容
下载资源
问答
  • 视觉识别

    2016-06-09 20:27:50
    一点感想,我们生活在一个三维的世界,脱离三维世界却想整出来视觉识别恐怕是扯。 坐标轴和精确度。 以某一个方向为坐标轴,以摄像头的焦距来决定精确度的层级,微米毫米厘米还是米千米。 三维视野填充,表面成像...

    一点感想,我们生活在一个三维的世界,脱离三维世界却想整出来视觉识别恐怕是扯。

    坐标轴和精确度。

    以某一个方向为坐标轴,以摄像头的焦距来决定精确度的层级,微米毫米厘米还是米千米。

    三维视野填充,表面成像,模糊匹配。

    双摄像头或者三摄像头,数学的三角函数定位。

    应该大致可以识别,就是不知道数据量怎么样。

    展开全文
  • 视觉识别入门之识别 ——口罩识别

    万次阅读 多人点赞 2020-04-06 18:14:56
    视觉识别入门之识别 ——口罩识别 ​ 时隔多月未动笔写文,一是自己初学很多不明白的地方都在快速地学习,从现在开始定期写文,我是水彩笔一根,但确是对着生活和学习充满极度热情的人,希望能带着读者们一起进步,...

    视觉识别入门之识别 ——口罩识别

    ​ 时隔多月未动笔写文,一是自己初学很多不明白的地方都在快速地学习,从现在开始定期写文,我是水彩笔一根,但确是对着生活和学习充满极度热情的人,希望能带着读者们一起进步,一起学习,三人行必有我师焉!

    ​ 都说写文的都是大佬级的人物才写的,我这种水彩笔本不应该淌这趟水,不过在自己学习道路上有很多硕博的朋友以及现在面临着工作的朋友们都在鼓励我开始写文,一是写文的过程中 是一个很好的把自己学过的东西巩固的过程,根据费曼学习法,这写文的过程同时也是一种讲述与分享的过程;二是现在开始培养自己的博客,高质,原创和粉丝量以后也会成为工作简历的一部分。

    ​ 话不多说,兴趣是学习的引路人,先说说做视觉吧,大致有这几个方向:

    人脸(目标)跟踪:在视频中,动态的追踪人脸(目标)位置的变化(高级目标:可预测(预判)目标 的下一步方向);
    人脸(目标)检测:定位人脸或者人脸中关键点(如鼻子、眼睛、嘴唇等)的位置;
    人脸(目标)识别:将一张人脸图片输入,判断该人脸属于人脸数据库记录中的哪一个人;(已初步解 决 4月4日)
    人脸(目标)验证:输入两张人脸图片,判断是否为同一人;
    人脸(目标)聚类:输入一批脸,将属于相似的人脸归为一类。

    小白,初学,先接触的是识别,今天分享一下口罩识别:先上图:

    在这里插入图片描述在这里插入图片描述其中也可以实时检测,要是训练集数据增强处理,再加上昏暗条件下的数据以及红外传感器,有机会在疫情当下,实用于医院,学校等场所,尤其在无人看管的晚上,再配上热传感检测体温,可以初步满足需求!当然,一个实际用处的项目需要考虑因素太多,在此不打脸充胖子了。

    这里是我传入的图片,用过opencv的朋友都知道图中的代码修改一下即可:

    imgPath = 'C:\\Users\\acer\\Desktop\\spiders\\pic\\XU\\xusong.jpg'
    img = cv2.imread(imgPath)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    inference(img, show_result=True, target_shape=(260, 260))
    

    视频流就0传入:0指的是大家笔记本内置的0号摄像头;

    参数0改成视频路径或图片路径 就会传入视频/图片进行检测,甚至可以把手机摄像头传入,例如:

    video_path = 'http://admin:admin@'
    

    在@后面加上自己手机摄像头的IP地址就行,可以手机下载一个ip摄像头软件进入即可。

    今天给大家介绍几种我接触过的口罩检测方式,上述的使用的是深度学习SSD模型,朋友设计网络只有8个卷积层,加上定位和分类层,一共只有24层(每层的通道数目基本都是32\64\128),所以模型特别小,只有101.5万参数。

    因为只需要少数的特征来判断是否佩戴口罩,参数比较少,运行起来也比较快,还在网页做了一个,用的Tensorflow.js库

    这是模型网络拓扑层:

    | 卷积层 | 特征图大小 | anchor大小 | anchor宽高比(aspect ratio)|
    |第一层|33x33|0.04,0.056|1,0.62,0.42||第二层|17x17|0.08,0.11|1,0.62,0.42|
    |第三层|9x9|0.16,0.22|1,0.62,0.42||第四层|5x5|0.32,0.45|1,0.62,0.42|
    |第五层|3x3|0.64,0.72|1,0.62,0.42|
    

    f[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-x7Lg2ljE-1586167427013)(C:\Users\acer\Pictures\1586166387919.png)]

    这些是朋友训练好的模型,持久化操作方便再次调用,省时又省力。

    其余的方式还有直接调用模型,不经历深度学习框架的,甚至有的只需要几行代码就需要搞定,比如:10行代码进行口罩识别(当然是调用训练好的模型啦),甚至一些自己训练模型的方式,可以只用opencv的trainsample.exe进行,这个里面不涉及很多代码,适合新朋友玩玩,

    有时间的话,下次再聊,学业在身,我努力按时写博,希望初学的朋友和我一起努力度过初学的坑,达到入门水平微小博主,在线求关,大家下期再见(下期分享上述内容)

    希望好奇心能带着大家向前学习,看到自己训练的模型成功,成功跑出来,看到识别成功,难道不比print “hello world”好玩吗hhhh

    展开全文
  • 视觉识别入门之人脸识别———— 基于FACENET的高精度人脸识别 一:项目展示: - 这是实时视频读取的展示,是可以读单张图片,或者本地视频流,抑或是实时人脸检测与分类的,至于我为什么不展示我的自拍,主要原因...

    视觉识别入门之人脸识别————

    基于FACENET的高精度人脸识别


    一:项目展示:

    -在这里插入图片描述在这里插入图片描述

    这是实时视频读取的展示,是可以读单张图片,或者本地视频流,抑或是实时人脸检测与分类的,至于我为什么不展示我的自拍,主要原因是因为太丑了hhhh

    本文中我吧我暂且把我的模型称作为:孩子,因为机器学习,深度学习,实际是一个拟人的过程,通俗的说,就是我们的小时候,什么都不会,妈妈一个一个教你认字,久而久之,你就认识了一些字了,也就是著名的 有监督机器学习。这些概念类的科普,后期会给大家全面科普的,请多多关注!

    解读一下,左边的图片的是一个著名的博士,可能大家不熟悉,不过不重要,我的项目中让他充作正例学习样本,也就是,我想让我的孩子认识的人,我只“教会了”孩子认识几个人,比如这个博士,和我(我的照片是暂时不放出来滴),然后图片的右边是我孩子不认识的歌手——许嵩,

    项目的目的很简单,现在还没有完善(请期(因)待(为)后(我)续(菜)),就只有简单的识别人脸而已,如果我的孩子不认识这个人,那么就会标注出“UNKNOWN”,如果他认识这个人,像这个博士,他就会给出他的名字(我姑且用这个博士的文件名代替名字)

    如图中,他都正确识别了,经过我的反复测试,实时的准确率是很高的,纵使是在昏暗的情况下,

    只要你露出来了一张脸,亦或者你带上了口罩,戴上了眼镜,张了嘴巴,我的孩子都认识,实话说,还是挺聪明的,好下面我们来解读一下内容:(关注博主,后续项目会分享出来,需要的兄弟自提吧!)
    这边几张图片都是,左边的博士们,我得孩子是认识的,许嵩,他还太嫩了,我暂且还没教我孩子认~
    在这里插入图片描述


    首先,很高兴在这里与大家相遇,这是我个人的第三篇博客,我会按时更新,与大家一起进步,我现在是真实地菜鸡,但是,学习是我的信仰,大家有缘相遇,记的关注再走哟!

    facenet是谷歌的一篇很有名的论文和开源项目,其实现了将输入的人像最终转换为shape为1*128的向量,然后通过计算不同照片之间的欧几里得距离(俗称欧氏距离)来判断他们的相似度,当然其中还包含许多技巧以及创新的想法,最终的在lfw(一个很有名的人脸数据库)准确率达到99.60%左右,在后面我会尽可能的解读其论文和代码中的有意思的想法

    mtcnn是一个用来检测图片中人脸位置(人脸检测)的深度学习模型,其使用了三个卷积网络实现了对图像中人脸的检测,在后面再具体的介绍其实现的细节

    基于lfw的训练集: 正例样本 :100张(4个人图像)size:500x500(便于识别与快速加载)
    负例样本:13700 张来自facenet官网


    训练前的准备:加载图片集:

    def load_data(data_dir):
        data = {}
        pics_ctr = 0
        for guy in os.listdir(data_dir):
            person_dir = pjoin(data_dir, guy)
            curr_pics = [read_img(person_dir, f) for f in os.listdir(person_dir)]
            data[guy] = curr_pics
        return data
    
    

    我将这一万多张图片按照比例分出了三成的验证集:

    X_train, X_test, y_train, y_test = train_test_split(train_x, train_y, test_size=.2, random_state=42)
    
    

    使用mtcnn模型获取每张图片中人脸的数量以及位置,并将得到的embdding数据储存,后续会介绍embdding嵌入层

    for x in data[keys[0]]:
        _, images_me, i = load_and_align_data(x, 160, 44, 1.0)
        if i:
            feed_dict = {images_placeholder: images_me, phase_train_placeholder: False}
            emb = sess.run(embeddings, feed_dict=feed_dict)
            for xx in range(len(emb)):
                train_x.append(emb[xx, :])
    

    加载完图片后使用KNN(无监督机器学习中的K邻近算法,用的K-means++)这些依旧后续介绍

    def knn_classifier(train_x, train_y):
        from sklearn.neighbors import KNeighborsClassifier
        model = KNeighborsClassifier(n_jobs=-1)
        model.fit(train_x, train_y)
        return model
    
    
    model = knn_classifier(X_train, y_train)
    predict = model.predict(X_test)
    
    accuracy = metrics.accuracy_score(y_test, predict)
    print('accuracy: %.2f%%' % (100 * accuracy))
    

    这时,我们查看一下accuracy用的大致3000多张的验证集进行识别:

    然后模型持久化操作,保存一下模型就行,

    训练时间不长,然后我们介绍实际使用模块


    开始识别模块,先定义好几个参数分别是:图片最小尺寸,阈值(拿来识别用的),和切割尺寸:

    minsize = 20
    threshold = [0.6, 0.7, 0.7]  
    factor = 0.709  
    bounding_boxes, _ = align.detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
    

    然后使用tensorflow 的session进入“上下文”并加载模型:facenet模型和我们的训练好的KNN模型:

    with tf.Graph().as_default():
    with tf.Session() as sess:
    # 加载模型
    facenet.load_model(model_dir)
    images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
    embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
    phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")
    
    model = joblib.load('../models/knn_classifier.model')
    

    接下来就开始识别了

    首先加载摄像头:

    def run():
        # 开启ip摄像头
        # video = 0
        # 参数为0表示打开内置摄像头,参数是视频文件路径则打开视频
        video = 'http://admin:admin@192.168.43.1:8081/'  # 我自己手机摄像头ip
        capture = cv2.VideoCapture(video)
        cv2.namedWindow("camera", 1)
        c = 0
        num = 0
        frame_interval = 3  # frame intervals
        while True:
            ret, frame = capture.read()
    

    这里我依旧用的自己的手机摄像头,因为电脑的内置摄像头不是很清晰(因为谁会用电脑摄像头拍照呢?)

    det, crop_image, j = load_and_align_data(img, 160, 44, 1.0)
    if j:
        feed_dict = {images_placeholder: crop_image, phase_train_placeholder: False}
        emb = sess.run(embeddings, feed_dict=feed_dict)
        for xx in range(len(emb)):
            print(type(emb[xx, :]), emb[xx, :].shape)
            detect_face.append(emb[xx, :])
            detect_face = np.array(detect_face)
            detect_face = detect_face.reshape(-1, 128)
            predict = model.predict(detect_face)
    

    最后就是识别结果与数据标注了:

    for i in range(len(predict)):
        if predict[i] == 1000:
            result.append('Unknown')
            else:
                try:
                    result.append(list(dict.keys())[list(dict.values()).index(predict[i])])
                    except:
                        result.append('Unknowns')
      
    

    绘制矩形框,添加文字(其中也可以换成中文识别,我暂时还没有做):

     for rec_position in range(len(det)):
                        cv2.rectangle(frame, (det[rec_position, 0], det[rec_position, 1]),
                                      (det[rec_position, 2], det[rec_position, 3]), (0, 255, 0), 2, 8, 0)
                        cv2.putText(
                            frame,
                            result[rec_position],
                            (det[rec_position, 0], det[rec_position, 1]),
                            cv2.FONT_HERSHEY_COMPLEX_SMALL,
                            0.8,
                            (0, 0, 255),
                            thickness=2,
                            lineType=2)
    

    其中数据标注部分,我是自己思考了一些时间的,用的将数据字典方式,把标签和名字串起来,比如:

    labels = os.listdir(datas)
    labels_num = []
    i = 0
    for i in range(len(labels)):
        labels_num.append(i)
        i += 1
        list2 = labels
        list3 = labels_num
        dict = {}
        i = 0
        length = len(list2)
        while i < length:
            dit = {list2[i]: list3[i]}
            dict.update(dit)
            i += 1
    

    训练的时候,加载相应的标签,根据返回值,来显示图像的名字,下面是验证集的准确率:
    在这里插入图片描述

    我的项目配置: tensorflow -gpu 1.14 (另外需要安装CUDA/cuDNN) scipy -1.2.1 numpy -1.16.2

    我的调优: 1:启动gpu环境(os.environ[“CUDA_VISIBLE_DEVICES”] = ‘0’)总时间50秒。
    2:解决人脸识别中的名字显示问题:使用了数据字典做的映射(因为做训练的时候传入的只能是0,1,2等数字)后期对于显示真正的名字,只需要把训练集中正例图片名称修改就行,中文显示名字也只是方法问题(可以实现)
    3:多线程启动程序和ui 界面(暂未完善)

    4:优化首选: 1:换显卡高的电脑运行 2:启动多线程多进程 训练 和 预测 和 使用 , 3:分布式训练(模型并行和数据并行(首选)两种方法) ,4:租GPU版服务 器,或找学校实验室资源

    一不小心,这边文章,就要结尾了,上述是项目的简介,很大程度上说,人脸识别已经被大牛们玩烂了,我作为一个初学者,自然得碰一碰了,初期,自己遇到了很多困难,不断地 发现问题 解决问题 又制造问题的过程,其中,也参考了很多朋友的文章,很多的论文,文中参考了一些朋友的意见,很代码,我也在此提出感谢,我是站在巨人的肩膀上希望有一天会超越巨人!项目中,facenet也是封装的很完美,自己目前是没有能力修改 的,至于自己搭建神经网络,我也不是很熟悉,自己只搭过几次,效果,自然没有专家们做的好,以后熟练了,就要开始研究底层结构了,地基是项目的核心。
    在这里插入图片描述
    自己码了这么多字了,希望又朋友喜欢,正如我得标签:喜欢的事,努力去做就行了!另外,想要代码来跑一跑的同学们,可以关注博主,再私信我哟,或者过段时间会开源的。大佬看到我得文章也不要笑,初学~

    有缘人!既然都划到最后了有缘人是否可以留下一个关注呢~

    ​ 又是梦想成为大博主的一天:2020年4月9日

    ​ 上海第二工业大学智能科学与技术大二学子

    ​ 不甘心做XX调包侠的:周小夏

    展开全文
  • 基于机器视觉的苹果识别和形状特征提取
  • 本实用新型涉及视觉识别技术领域,具体的说,涉及一种视觉识别系统。背景技术:随着智能识别技术的不断发展,移动视觉识别系统已经被越来越多的应用在各种场景中。在现有视觉识别技术中,被检测的物体和检测物体中有...

    本实用新型涉及视觉识别技术领域,具体的说,涉及一种视觉识别系统。

    背景技术:

    随着智能识别技术的不断发展,移动视觉识别系统已经被越来越多的应用在各种场景中。

    在现有视觉识别技术中,被检测的物体和检测物体中有一个为静止状态,大部分情况下被检测的物体为静止状态。或者,被检测的物体和检测物体都处于静止状态。并且,在现有视觉识别技术中,被检测物体的检测点一般较大,易于识别。

    但是,对于被检测物体的检测点较小的情况,或者被检测物体处于移动或变化的状态时,现有的视觉识别技术很难对被检测物体有效识别。因此,现有的视觉识别技术存在局限性,存在不能有效识别被检测物体的技术问题。

    技术实现要素:

    本实用新型的目的在于提供一种视觉识别系统,以解决现有的视觉识别技术存在局限性,存在不能有效识别被检测物体的技术问题。

    本实用新型提供一种视觉识别系统,包括摄像头和视觉库;

    所述摄像头拍摄被检测物体,并将包含有被检测物体的图像传输至所述视觉库;

    所述视觉库通过对比,从所述图像中识别被检测物体。

    优选的,所述摄像头为高清摄像头。

    优选的,所述摄像头为可移动摄像头。

    进一步的,所述摄像头安装于移动机器人上。

    优选的,所述的视觉库为OpenCV。

    在一个优选实施方式中,所述被检测物体为机柜中的指示灯。

    进一步的,该视觉识别系统还包括素材库,所述素材库中存储有被检测物体的图片;

    所述视觉库将所述图像与所述素材库中的图片进行对比,从所述图像中识别被检测物体。

    本实用新型带来了以下有益效果:本实用新型提供的视觉识别系统包括摄像头和视觉库。其中,摄像头首先拍摄被检测物体,并将包含有被检测物体的图像传输至视觉库。然后,由视觉库将摄像头拍摄到的图片进行对比,并从图像中识别被检测物体。本实用新型提供的视觉识别系统中,采用视觉库对摄像头拍摄到的图像进行对比,对于被检测物体较小的情况,以及被检测物体处于动态的情况,也能够有效识别,因此克服了现有的视觉识别系统的局限性,解决了现有的视觉识别系统不能有效识别被检测物体的技术问题。

    本实用新型的其它特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本实用新型而了解。本实用新型的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

    附图说明

    为了更清楚的说明本实用新型实施例中的技术方案,下面将对实施例描述中所需要的附图做简单的介绍:

    图1是本实用新型实施例提供的视觉识别系统的示意图。

    具体实施方式

    以下将结合附图及实施例来详细说明本实用新型的实施方式,借此对本实用新型如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本实用新型中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本实用新型的保护范围之内。

    如图1所示,本实用新型实施例提供一种视觉识别系统,其中包括摄像头1和视觉库2。其中,摄像头1用于拍摄被检测物体,并将包含有被检测物体的图像传输至视觉库,视觉库2通过对比,从图像中识别被检测物体。

    作为一个优选方案,本实施例中的摄像头1为高清摄像头。由于指示灯的体积较小,所以要确定指示灯的状态,需要高清摄像头拍摄监控画面,保证软件通过OpenCV识别出指示灯的状态。

    高清在数字电视里有明确的规定,在摄像头领域虽然没有明确规定,但已经形成了默认的行规。高清摄像头指的是HD 1080P或HD 960P或HD 720P的摄像头,并且镜头元件必须使用五层玻璃镜头,因为全玻璃镜头要比塑料加玻璃的镜头清晰度好很多。

    进一步的是,本实用新型塑料中的摄像头1为可移动摄像头,比如可以将摄像头1安装于移动机器人上,以便于图像的采集。

    本实施例中,视觉库2为OpenCV。OpenCV的全称是Open Source Computer Vision Library,是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上,具有轻量级而且高效的特点。

    本实施例中,OpenCV用C++语言编写,它的主要接口也是C++语言,但是依然保留了大量的C语言接口。同时OpenCV中也有大量的Python、Java、MATLAB/OCTAVE(版本2.5)的接口,也能够提供对于C#、Ch、Ruby的支持,这些语言的API接口函数可以通过在线文档获得。

    本实用新型实施例提供的视觉识别系统中还包括素材库3,素材库3中存储有被检测物体的图片。视觉库2将图像与素材库3中的图片进行对比,从图像中识别被检测物体。

    本实施例以机柜中的指示灯作为被检测物体进行说明,具体的识别过程包括如下步骤:

    1)利用移动机器人上的高清摄像头拍摄被检测的机柜所在位置的图像。

    2)高清摄像头到达被检测的机柜所在的特定位置。

    3)通过视觉识别系统检测并识别高清摄像头拍摄的机柜中特定的指示灯,即被检测物体。

    4)视觉识别系统将识别的指示灯信号利用OpenCV与素材库中的图片进行比对,以采集到按照时间来进行关联的系列数据。

    通过本实用新型实施例提供的视觉识别系统,进行仪表数据的采集,能够对不便于人工读取指示灯信号的地方,通过视觉识别的数据检测收集系统,进行数据的采集,对现场的指示灯信号进行视频监控并实时进行数据识别。

    根据镜头分割技术对视频进行分割以获取多个镜头片段,并对这些镜头片段进行指示灯识别,以识别特定指示灯所在的镜头片段。本实用新型实施例提供的技术方案结合了指示灯识别技术与镜头分割技术,能够克服仅仅使用指示灯识别技术进行视频识别的各种局限。

    本实用新型实施例提供的技术方案,不是以帧为识别对象,而是以镜头片段为识别对象。在整个镜头片段之中,只要出现一次可识别的指示灯就可以识别特定指示灯所在的镜头片段。指示灯视觉识别系统还要保证,检测的指示灯不是闪烁状态的熄灭状态,为了做到这一点,本实施例中通过不同角度的照片确定指示灯的状态。

    通过OpenCV与素材库中的素材做动态对比,动态对比的过程是假设A、B、C、D点存在指示灯,主要在OpenCV中对比A、B、C、D四个点。如果发现与OpenCV的素材库不一样,则会保存到数据库,用户可以在软件中了解指示灯的状态,并做出及时的应对,例如进行报警等。

    本实施例中选定识别系统,是通过OpenCV检测并识别高清摄像头拍摄的画面中的数据后,视觉识别系统将识别的数据的数据类型和对应的数据含义进行定义,以采集到按照时间来进行关联的系列数据。

    因为有些场所不适于人工读取指示灯的信号,所以本实用新型实施例提供了一种可以代替人的系统去识别现场环境中指示灯的状态,通过这种视频识别技术来识别一些不便人工读取指示灯信号的地方中的指示灯。

    虽然本实用新型所公开的实施方式如上,但所述的内容只是为了便于理解本实用新型而采用的实施方式,并非用以限定本实用新型。任何本实用新型所属技术领域内的技术人员,在不脱离本实用新型所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本实用新型的专利保护范围,仍须以所附的权利要求书所界定的范围为准。

    展开全文
  • 基恩士视觉识别系统说明书
  • 本套课程并非软件教学,使用AI软件完成一整套企业vis视觉识别系统设计,从企业产品营销及规划开始创作企业LOGO,逐步了解VIS基础部分与应用部分制作全过程。
  • 基于视觉识别的采矿机器人doc,提供“基于视觉识别的采矿机器人”免费资料下载,主要包括特殊煤层视觉识别的采掘机器人、基于视觉识别的凿岩机器人、井下喷浆机器人、瓦斯、地压检测机器人等内容,可供学习使用。
  • 视觉识别参考资料

    2018-04-12 21:12:24
    基于视觉识别的捡球机器人:https://blog.csdn.net/yueqiuchen?viewmode=list 文字检测与识别资源:https://blog.csdn.net/peaceinmind/article/details/51387367(里面有大量自然文字识别的论文、博客等等,十分...
  • VI:视觉识别

    2019-11-14 10:40:53
     CIS的具体组成部分 MI:理念识别 BI:行为识别 VI:视觉识别  什么是CIS ?  CIS是Corporate Identity System的缩写,意思是企业形象识别系统。60年代,美国人首先提出了企业的CI设计这一概念。据说是美国IBM...
  • RoboMaster视觉教程(3)视觉识别程序整体框架

    千次阅读 多人点赞 2019-07-10 08:45:20
    RoboMaster 视觉教程(3)视觉识别程序框架概览多线程除了多线程,还可使用多进程接下来以东南大学的开源程序为例讲一下他们的整体架构下面进入正题项目配置文件概览ImgProdCons 类主函数用类来包装算法 概览 ...
  • 全套八个部分: 电商视觉运营高级课程介绍 电商品牌标识设计 电商品牌文案设计方法 电商导航视觉识别设计 电商品牌分类标识系统设计 电商视觉设计配色技巧 电商应用界面设计 电商视觉的排版与应用方法 围绕平台级...
  • 万科品牌视觉识别手册(全套VI系统) cis mi bi vi 视觉识别手册参考
  • 本文介绍了目前国内外关于长尾数据分布下深度视觉识别的研究进展,主要从常用数据集及应用、经典机器学习解决方案和深度学习解决方案三个维度进行梳理和分析,并针对长尾数据分布的深度视觉识别的未来方向进行了探讨...
  • 原文出处:青岛易触大家都知道,共享经济是国民素质的试金石,共享货架在火了不...其中视觉识别方案比较成熟运营成本比较低,是未来的发展方向。我们就简单讲解一下视觉识别的智能售货柜是如何使用的。智能售货柜1、...
  • 【CS231n】斯坦福大学李飞飞视觉识别课程笔记

    千次阅读 多人点赞 2019-04-06 20:01:42
    最近开了一个新坑——【CS231n】斯坦福大学李飞飞视觉识别课程,准备认真学习并记录自己的学习历程。 由官方授权的CS231n课程笔记翻译知乎专栏——智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结。 ...
  • 机器视觉识别物体应用案例

    千次阅读 2016-12-22 19:12:15
    机器视觉,是怎么识别周围...视觉识别,可以整体识别,也可以局部细节识别,可以从物体或环境的形状做视觉识别,也可以加入色彩的元素以更加细腻地刻画物体可环境,如下图所示:  图1 物体的形状、色彩识别
  • 视觉识别的资料较少,此为EPSON第三方相机设备的安装调试步骤
  • 在大多数的网页中,页面中的不同的区域会通过横向或纵向布局,布局块边距等来达到视觉识别目的。以如下页面为例: 从整体上来看,该页面分为导航区,搜索结果区,热词区。每个区域内还有区域划分,例如搜索结果区的...
  • 1. 基本概念 1.1 视觉识别 视觉识别包含以下内容: 1)Image Classification 2)Object Detection 3)Object Localization ...
  • 分享一下博主在寒假期间做的双目视觉识别小程序,基于OpenCV视觉库和Qt框架,可以实现目标物体的识别,并获得其位姿、距离和位置信息。 程序介绍可以参考博客:...
  • 原标题:机器视觉、模式识别库汇总机器视觉是一种综合应用,要用到图像处理、三维几何变换之类的,有的需要模式识别。模式识别是一种算法,就是如何分类和识别。可以用到很多地方,文字、语音、图像的智能识别。下面...
  • 随着计算机技术的快速发展,视觉识别技术在越来越多的领域得到应用,视觉识别系统的准确性以及实时性直接对整个系统的性能有着深远的影响。视觉识别系统涉及到包括计算机科学,图像处理技术,神经网络技术,模式...
  • 新闻发布会背板设计: 企业VI视觉识别灯箱设计 企业吉祥物及鼠标垫设计: 请柬设计:
  • 新华社北京12月21日电题:视觉识别迎来“中国大脑”:三问我国首款嵌入式人工智能视觉芯片 樊攀、盖博铭 中关村前沿技术企业地平线机器人技术团队20日发布首款嵌入式人工智能视觉芯片。在人工智能视觉识别...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 17,494
精华内容 6,997
关键字:

视觉识别