物品識別方法和裝置，室內(nèi)地圖生成方法和裝置的制造方法
【專利摘要】本發(fā)明提供了一種物品識別方法和裝置，室內(nèi)地圖生成方法和裝置，其中，該物品識別方法包括：對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫；基于所述物品特征庫，對室內(nèi)物品進行匹配識別，該本發(fā)明解決了現(xiàn)有技術中物品識別準確度不高的技術問題，達到了有效提高物品識別準確性的技術效果，且通過該物品識別方法生成室內(nèi)地圖進行室內(nèi)物品的定位，有效提高了定位的準確性。
【專利說明】
物品識別方法和裝置，室內(nèi)地圖生成方法和裝置
技術領域
[0001]本發(fā)明涉及計算機領域，特別涉及一種物品識別方法和裝置，室內(nèi)地圖生成方法和裝置。
【背景技術】
[0002]隨著物聯(lián)網(wǎng)設備和智能設備的不斷發(fā)展，物品識別的研究和發(fā)展也取得了長足的發(fā)展，目前，常用的物品識別方法就是基于物品特征庫進行特征匹配以實現(xiàn)對物品的識別，因此，識別準確度的高低很大程度上取決于物品特征庫的特征量。
[0003]目前，主要的物品特征庫的建立方法有以下幾種:
[0004]I)人工輸入每個對比樣本的屬性，因為人工輸入特征的樣本量和特征量特別有效，因此所建立的物品特征庫中的特征量很少；
[0005]2)輸入多找圖像，然后采用自學習的方法建庫的建立，然后這樣學習所依據(jù)的樣本量還是很有限的，很難滿足人們對高精度物品識別的需求。
[0006]進一步的，實際社會千萬家庭或室內(nèi)環(huán)境中，物品的種類及樣式數(shù)量及增長速度是非常驚人的，人工輸入的方式和輸入圖像的方式，都僅能應用在有限的特定使用環(huán)境中，無法實際大規(guī)模用于各類環(huán)境中的物品識別。
[0007]針對現(xiàn)有的物品識別精度較低，無法大規(guī)模應用的技術問題，目前尚未提出有效的解決方法。

【發(fā)明內(nèi)容】

[0008]本發(fā)明實施例提供了一種物品識別方法，以解決現(xiàn)有技術中物品識別準確度不高和現(xiàn)有信息采集方式有較大局限的技術問題，該方法包括:
[0009]對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫；
[0010]基于所述物品特征庫，對室內(nèi)物品進行匹配識別。
[0011 ] 在一個實施例中，所述對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫，包括:
[0012]提取一個網(wǎng)頁；
[0013]查找出與該網(wǎng)頁匹配的網(wǎng)頁模型，其中，所述網(wǎng)頁模型中標識有網(wǎng)頁中各個頁面區(qū)域所攜帶的信息；
[0014]基于匹配出的網(wǎng)頁模型，識別出該網(wǎng)頁對應物品的物品名稱和物品特征。
[0015]在一個實施例中，所述網(wǎng)頁模型是按照以下方法之一建立的:
[0016]對同一網(wǎng)站中的所有網(wǎng)頁的視覺模型進行聚類分析，得到該網(wǎng)站中的多個網(wǎng)頁模型；或者，
[0017]根據(jù)用戶經(jīng)驗確定網(wǎng)頁中各個頁面區(qū)域所攜帶的信息，以建立網(wǎng)頁模型。
[0018]在一個實施例中，對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫，包括:
[0019]提取一個網(wǎng)頁，獲取該網(wǎng)頁的網(wǎng)頁組織代碼；
[0020]從所述網(wǎng)頁組織代碼中提取出該網(wǎng)頁對應物品的物品名稱和物品特征。
[0021]在一個實施例中，從所述網(wǎng)頁組織代碼中提取該網(wǎng)頁對應物品的物品特征，包括:
[0022]確定所述網(wǎng)頁組織代碼的結(jié)構(gòu)化信息；
[0023]按照結(jié)構(gòu)化信息，確定所述網(wǎng)頁組織代碼中各個提取項的開始字符串符號和結(jié)束字符串符號；
[0024]依據(jù)所述各個提取項的開始字符串符號和結(jié)束字符串符號，從所述網(wǎng)頁組織代碼中獲取該網(wǎng)頁對應物品的物品名稱和物品特征。
[0025]在一個實施例中，物品特征包括以下至少之一:形狀參數(shù)、體積參數(shù)、材質(zhì)參數(shù)、重量參數(shù)。
[0026]在一個實施例中，所述互聯(lián)網(wǎng)網(wǎng)頁的信息包括:物品介紹網(wǎng)站的網(wǎng)頁上顯示的信息內(nèi)容，和/或，物品介紹網(wǎng)站的介紹物品信息的資料文件。
[0027]本發(fā)明實施例還提供了一種室內(nèi)地圖生成方法，以解決現(xiàn)有技術中因為物品識別準確性不高而導致的室內(nèi)地圖的準確性也不高的技術問題，該方法包括:
[0028]智能識別與信息處理設備獲取待生成室內(nèi)地圖的區(qū)域的全景圖像；
[0029]基于上述物品識別方法，從所述全景圖像中識別出多個相對獨立的物品，并從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征；
[0030]根據(jù)獲取的各個獨立的物品的物品特征，依據(jù)圖像處理技術確定所述全景圖像中各個物品相互之間的距離和方位的關聯(lián)關系；
[0031]根據(jù)所述各個物品相互之間的距離和方位的關聯(lián)關系，生成所述待生成室內(nèi)地圖的區(qū)域的地圖。
[0032]在一個實施例中，在所述地圖的坐標體系中，各個物品相互之間的距離和方位的關聯(lián)關系通過位置鏈表的形式存儲。
[0033]在一個實施例中，從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征，包括:
[0034]從所述物品特征庫中獲取識別出的物品的體積屬性參數(shù)，其中，所述體積屬性參數(shù)包括:物品的長、寬和高。
[0035]本發(fā)明實施例還提供了一種物品識別裝置，以解決現(xiàn)有技術中物品識別準確度不高的技術問題，該裝置包括:
[0036]特征庫建立模塊，用于對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫；
[0037]識別模塊，用于基于所述物品特征庫，對室內(nèi)物品進行匹配識別。
[0038]本發(fā)明實施例還提供了一種室內(nèi)地圖生成裝置，位于智能識別與信息處理設備中，以解決現(xiàn)有技術中因為物品識別準確性不高而導致的室內(nèi)地圖的準確性也不高的技術問題，該裝置包括:
[0039]全景圖像生成模塊，用于獲取待生成室內(nèi)地圖的區(qū)域的全景圖像；
[0040]上述物品識別裝置，用于從所述全景圖像中識別出多個相對獨立的物品，并從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征；
[0041]關聯(lián)關系確定模塊，用于根據(jù)獲取的各個獨立的物品的物品特征，依據(jù)圖像處理技術確定所述全景圖像中各個物品相互之間的距離和方位的關聯(lián)關系；
[0042]室內(nèi)地圖生成模塊，用于根據(jù)所述各個物品相互之間的距離和方位的關聯(lián)關系，生成所述待生成室內(nèi)地圖的區(qū)域的地圖。
[0043]在本發(fā)明實施例中，通過對互聯(lián)網(wǎng)中的網(wǎng)頁做持續(xù)性抓取更新學習來建立物品特征庫，從而實現(xiàn)對室內(nèi)物品進行匹配識別，因為物聯(lián)網(wǎng)中所存在的數(shù)據(jù)量巨大，因此可以使得物品特征庫中的信息更為全面，從而可以有效解決現(xiàn)有技術中物品識別準確度不高的技術問題，達到了有效提高物品識別準確性的技術效果，且可以滿足物品種類飛速發(fā)展的需求，大大提高了物品識別方法的使用范圍。
【附圖說明】
[0044]此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本申請的一部分，并不構(gòu)成對本發(fā)明的限定。在附圖中:
[0045]圖1是根據(jù)本發(fā)明實施例的應用場景示意圖；
[0046]圖2是根據(jù)本發(fā)明實施例的物品識別方法和室內(nèi)地圖生成方法的方法流程圖；
[0047]圖3是根據(jù)本發(fā)明實施例的商品介紹網(wǎng)頁的模型提取示意圖；
[0048]圖4是根據(jù)本發(fā)明實施例的存儲各個物品相互之間的距離和方位的關聯(lián)關系的位置鏈表的示意圖；
[0049]圖5是根據(jù)本發(fā)明實施例的室內(nèi)地圖生成裝置的結(jié)構(gòu)框圖。
【具體實施方式】
[0050]為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，下面結(jié)合實施方式和附圖，對本發(fā)明做進一步詳細說明。在此，本發(fā)明的示意性實施方式及其說明用于解釋本發(fā)明，但并不作為對本發(fā)明的限定。
[0051]以下配合圖式及本發(fā)明的較佳實施例，進一步闡述本發(fā)明為達成預定發(fā)明目的所采取的技術手段。
[0052]首先參考圖1，其示出了本發(fā)明的實施方式可以在其中實施的應用場景。圖1中所示的場景包括終端100、待識別物品200和互聯(lián)網(wǎng)300。終端100可以是移動終端，例如:手機、平板電腦、筆記本電腦、個人數(shù)字助理等移動電子設備，也可以是機器人，例如:掃地機器人、聊天機器人、安防機器人等。
[0053]終端100可以通過有線或者無線方式與互聯(lián)網(wǎng)進行信息交互，或者從互聯(lián)網(wǎng)上獲取信息，終端100中可內(nèi)置有處理器和圖像獲取模塊，終端100可以通過內(nèi)置的圖像獲取模塊“看到”待識別物品200，所謂“看到”可以獲取待識別物品的圖片，或者是通過與攝像設備的結(jié)合抓取到待識別物品的圖像，然后通過處理器實現(xiàn)對物品的匹配識別。為了實現(xiàn)對物品的匹配識別，就需要建立一個物品特征庫，在建立物品特征庫的時候，可以通對互聯(lián)網(wǎng)200網(wǎng)頁中的信息進行持續(xù)性地抓取更新學習，以建立物品特征庫，基于該物品特征庫進行物品的匹配識別。因為更新學習的樣本來自擁有海量資源的互聯(lián)網(wǎng)，因此，也就使得更新學習到的特征庫無限趨于完善，從而可以大大提高匹配識別的準確性。
[0054]下面結(jié)合圖1的應用場景，和圖2所示的方法，對本發(fā)明示例性實施方式的物品識別方法和室內(nèi)地圖生成方法進行介紹。
[0055]需要注意的是，上述應用場景僅是為了便于理解本發(fā)明的精神和原理而示出，本發(fā)明的實施方式在此方面不受任何限制。相反，本發(fā)明的實施方式可以應用于適用的任何場景。
[0056]例如，參見圖2，為本發(fā)明一實施例的物品識別方法和室內(nèi)地圖生成方法的方法流程圖，如圖2所示，主要可以包括以下步驟:
[0057]步驟201:對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫；
[0058]S卩，基于互聯(lián)網(wǎng)上無限的網(wǎng)絡資源來訓練物品特征庫，使得更新學習到的特征庫無限趨于完善，以提高匹配識別的準確性。具體的，可以但不限于按照以下方式中的一種或多種進行網(wǎng)頁信息的持續(xù)性抓取更新學習:
[0059]I)提取一個網(wǎng)頁，查找出與該網(wǎng)頁匹配的網(wǎng)頁模型，其中，網(wǎng)頁模型中標識有網(wǎng)頁中各個頁面區(qū)域所攜帶的信息；基于匹配出的網(wǎng)頁模型，識別出該網(wǎng)頁對應物品的物品名稱和物品特征。
[0060]S卩，考慮到對于同一網(wǎng)站而言，同一類型網(wǎng)頁，網(wǎng)頁每個區(qū)域所對應的信息類型是相同的，因此，可以將同一類型的網(wǎng)頁聚類分析后得到這一類網(wǎng)頁每個區(qū)域所代表的信息，這樣，在進行信息提取時候，就可以按照區(qū)域以及區(qū)域所對應的數(shù)據(jù)信息進行提取。
[0061]具體實現(xiàn)的時候，可以按照以下方式建立網(wǎng)頁模型:對同一網(wǎng)站中的所有網(wǎng)頁的視覺模型進行聚類分析，得到該網(wǎng)站中的多個網(wǎng)頁模型；也可以是根據(jù)用戶經(jīng)驗確定網(wǎng)頁中各個頁面區(qū)域所攜帶的信息，以建立網(wǎng)頁模型。
[0062]例如:如圖3所示，可以采用視覺上的接近將一個網(wǎng)頁分為多個區(qū)域，然后按照各個區(qū)域的位置關系排列輸出，由多個區(qū)域組合形成這個網(wǎng)頁對應的網(wǎng)頁模型。以一個購物網(wǎng)站為例，如圖3所示為一個商品介紹網(wǎng)頁的模型提取示意圖，在該商品介紹網(wǎng)頁中，最上面區(qū)域是這個物品的名稱，然后是價格介紹區(qū)域，再然后是一些物品的參數(shù)介紹，后面是物品的圖片展示區(qū)域，右面是一些廣告信息。那么就可以將這個網(wǎng)站的商品網(wǎng)頁進行聚類分析，得到對應于這些網(wǎng)頁的網(wǎng)頁模型(圖3中所示出的是以坐標區(qū)域的方式表示每個區(qū)域所攜帶的信息的，以實現(xiàn)網(wǎng)頁模型的標識)，在后續(xù)進行網(wǎng)頁抓取學習的時候，就可以按照生成的網(wǎng)頁模型確定出每個區(qū)域中所攜帶的具體數(shù)據(jù)信息。在具體實現(xiàn)的時候，還可以采用除了坐標表示之外的其它方式進行標識，例如可以根據(jù)URL規(guī)律、網(wǎng)頁結(jié)構(gòu)、模型交集等方式得到分類結(jié)果。
[0063]2)提取一個網(wǎng)頁，獲取該網(wǎng)頁的網(wǎng)頁組織代碼，從所述網(wǎng)頁組織代碼中提取出該網(wǎng)頁對應物品的物品名稱和物品特征。
[0064]S卩，因為在網(wǎng)頁組織代碼中攜帶有網(wǎng)頁的各種信息，且網(wǎng)頁組織代碼中有信息組成的詳細規(guī)則，如果獲取到網(wǎng)頁組織代碼，就可以還原出網(wǎng)頁中的數(shù)據(jù)信息。
[0065]具體實現(xiàn)時，可以按照以下方式從網(wǎng)頁組織代碼中提取該網(wǎng)頁對應物品的物品特征:確定所述網(wǎng)頁組織代碼的結(jié)構(gòu)化信息，按照結(jié)構(gòu)化信息，確定所述網(wǎng)頁組織代碼中各個提取項的開始字符串符號和結(jié)束字符串符號，然后依據(jù)各個提取項的開始字符串符號和結(jié)束字符串符號，從網(wǎng)頁組織代碼中獲取該網(wǎng)頁對應物品的物品名稱和物品特例如:通過人工模版進行抽取，輸入一個網(wǎng)頁的網(wǎng)頁組織代碼，然后根據(jù)代碼和URL匹配對應的信息提取模版，通過模版提取出結(jié)構(gòu)化信息，所謂的模板就是:定義每個提取項開始的字符串號和結(jié)束的字符串符號。具體實現(xiàn)的時候，上述的網(wǎng)頁組織代碼可以是html代碼，也可以是xml代碼，javascript代碼等能夠組織出web的代碼，具體采用何種代碼組織出web頁面，本申請不作具體限定，可以按照需求選擇。以網(wǎng)頁組織代碼為html代碼為例，假設，給定一個網(wǎng)頁，該網(wǎng)頁為:http://item.jd.com/1158180, html,只需要從其對應的網(wǎng)頁組織代碼里獲取對應的商品名，開始的字符串(不包括[])則是[商品名稱:]結(jié)束的字符串[</li>]，毛重的標記標簽則是:[商品毛重:]結(jié)束標簽[</li>]，以此類推，便可以人工整理出所有從互聯(lián)網(wǎng)上提取出的目標物品的詳細參數(shù)了。
[0066]在上述各個實施例中，物品特征可以包括但不限于以下至少之一:形狀參數(shù)、體積參數(shù)、材質(zhì)參數(shù)、重量參數(shù)等。
[0067]因為所建立的物品特征庫更為趨近于完善，因此識別出的結(jié)果也更為準確可靠，例如，可以這樣設想，有1000個樣本訓練得到特征庫，必然不如20000個樣本訓練得到的特征庫準確。雖然準確性不會提升20倍，但是從1000個樣本到20000個樣本的訓練，準確性一定有大幅度的提升。
[0068]對于上文所提到的互聯(lián)網(wǎng)網(wǎng)頁的信息，可以是:物品介紹網(wǎng)站的網(wǎng)頁上顯示的信息內(nèi)容(例如:B2B、B2C或者是商品介紹網(wǎng)站等網(wǎng)站的網(wǎng)頁中直接顯示出來的信息)，也可以是物品介紹網(wǎng)站的介紹物品信息的資料文件(例如:網(wǎng)頁所鏈接的用于對物品進行介紹的Pdf文件、視頻文件等)。然而值得注意的是，上述所提及的網(wǎng)站類型以及文件類型僅是為了更好地說明本發(fā)明，還可以采用其它類型的網(wǎng)站或者其它類型的資料文件，本申請在此不作限定，只要是可以獲取物品信息的網(wǎng)頁和資料文件都可以作為網(wǎng)絡學習的對象。
[0069]進一步的，發(fā)明人考慮到現(xiàn)有技術中機器人對現(xiàn)實環(huán)境及周圍物品的識別理解的準確率和有效率不高的主要原因就是因為當前的機器人在生成室內(nèi)地圖的時候，依據(jù)的是普通的二維坐標，例如，當機器人需要找一個待定位的物品的時候，可以先確定出離自己比較近的物體，這個時候再從地圖中查找出這個比較近的物體的坐標，然后將這個比較近的物體的坐標與待定位物品的坐標進行比較，從而確定出待定位物品的大概位置。即，是通過這種絕對坐標來定位的。然而，對于普通人的思維而言，卻并非是依據(jù)絕對坐標進行定位，而是基于相對坐標，即當識別出眼前是什么物品，例如，看到眼前是冰箱，便可以確定出電視的大概位置，即電視相對于冰箱的大概位置，也就是說，一般人的思維是基于相對坐標和方位進行物品的定位的。
[0070]步驟202:終端(例如:智能識別與信息處理設備，該設備可以是機器人，但不限于機器人，在下文中用智能設備來表示該終端)在待生成地圖的區(qū)域內(nèi)移動時，可隨時進行圖像掃描，以得到所述區(qū)域的多幅圖像；
[0071]步驟203:根據(jù)圖像掃描得到的多幅圖像拼接出該區(qū)域的全景圖像；
[0072]步驟204:然后采用上述建立得到特征庫就可以從該全景圖像中識別出該區(qū)域內(nèi)的多個相對獨立的物品；
[0073]具體的，可以采用神經(jīng)網(wǎng)絡算法從全景圖像中提取出各個獨立的物品(例如:電視、冰箱、沙發(fā)、桌子等)，并以預先建立的存儲有多種物品的特征信息的物品特征庫為匹配基礎，確定出各個物品的物品類別，即基于形成的全景圖像，識別出物品以及物品的類別，例如:從室內(nèi)全景圖像中識別出電視機和電視機的型號、冰箱和冰箱的型號等等。
[0074]步驟205:可以從上述建立的特征庫中獲取這多個相對獨立的物品中各個物品的體積屬性參數(shù)；
[0075]步驟206:根據(jù)獲取的各個物品的體積屬性參數(shù)，依據(jù)圖像處理技術從全景圖像中確定出各個物品相互之間的距離和方位的關聯(lián)關系，以生成該區(qū)域的地圖。
[0076]S卩，為了準確確定出物品之間的距離，可以基于物品的特征庫確定出物品的體積屬性參數(shù)(例如:長、寬、高)對，進一步的，在圖像掃描的過程中，就已經(jīng)記錄了圖像掃描時攝像頭的分辨率和圖像掃描時設備的姿態(tài)，因此將同一物品的兩幅圖像進行對比，就可以確定出攝像頭和圖像里物品的物理距離，然后再結(jié)合物品的體積屬性參數(shù)可以進一步確定出物品與物品之間的精確距離，從而最終形成基于物品與物品之間的距離和方位關系的室內(nèi)地圖。
[0077]考慮到地圖中物品與物品之間是直接關聯(lián)的，因此可以通過位置鏈表的形式存儲各個物品相互之間的距離和方位的關聯(lián)關系，如圖4所示，是位置鏈表的一個示例，其中所標識的冰箱、沙發(fā)、電視等都是將其視作重心所在的一點，即確定的距離是兩個物品重心之間的位置，且都以機器人面對當前物品的正面中心位置為參考點，來確定另外一個物品的距離和方位。
[0078]步驟207:在基于上述識別地圖進行室內(nèi)物品定位的時候，智能設備(例如:機器人)可以在當前位置進行一次圖像掃描，并從掃描得到的圖像中識別出至少一個物品；
[0079]步驟208:根據(jù)識別出的至少一個物品，從上述基于各個物品相互之間的距離和方位的關聯(lián)關系建立的地圖中，查找出所述待定位物品相對于識別出的物品的距離和方位；
[0080]步驟209:根據(jù)掃描得到的圖像和識別出的物品的體積屬性參數(shù)，確定出智能設備相對于識別出的物品的距離和方位；
[0081]步驟210:根據(jù)所述待定位物品相對于識別出的物品的距離和方位，和智能設備相對于識別出的物品的距離和方位，確定出所述待定位物品相對于該智能設備的距離和方位。
[0082]這樣就使得智能設備進行室內(nèi)物體定位時的思維更貼近于人的思維，S卩，如果人站在屋內(nèi)，想到冰箱位置去，那么他只需要根據(jù)臉前的物品便可以確定出冰箱相對于現(xiàn)在的位置的距離和方位，這和基于數(shù)理(類似XYZ)坐標的地圖體系有極大的不同，可以顯著提高人機交互的易用性。這樣便可以很方便地與智能設備進行交流和溝通，以該智能設備是一機器人為例進行說明，你可以告訴這個機器人到冰箱去拿瓶水送到客廳的茶幾上，那么機器人只要看一眼(可以是對前面進行圖像掃描)，識別出面前的物品，并確定自身與眼前物品的方位和距離，然后從地圖中確定出冰箱相對于眼前物品之間的距離和方位，機器人便可以準確地移動到冰箱位置處。
[0083]總的來說，發(fā)明人考慮到現(xiàn)有的物品識別方法之所以識別精度不高的主要原因就是人為設定的物品特征庫中的特征過少，通過樣本訓練的物品特征庫中樣本量也太少。為此，發(fā)明人想到互聯(lián)網(wǎng)中資源很多，可以說涵蓋了所有希望獲取的數(shù)據(jù)，因此可以通過對互聯(lián)網(wǎng)的網(wǎng)頁的持續(xù)抓取和學習更新來建立物品特征庫，這樣可以使得物品特征庫，以實現(xiàn)更為精確的物品識別。基于上述為物品識別，在本例中還提出了一種高精度的室內(nèi)地圖生成方法，該方法是基于物品與物品相互之間的距離和方位來生成室內(nèi)地圖的，基于這個地圖只要識別出自身所在區(qū)域的一個物品，便可以直觀有效地確定出其它物品相對該物品的距離和位置，從而實現(xiàn)更為貼近人的思維模式的位置定位。
[0084]在上述實施例中提出了一種基于互聯(lián)網(wǎng)數(shù)據(jù)自我學習得到物品特征庫以實現(xiàn)物品識別的方式，同時基于該物品識別方式進行室內(nèi)物品定位識別及室內(nèi)地圖描繪的方法，創(chuàng)新性地解決了智能設備在與普遍人進行人機交互的過程中，智能設備對現(xiàn)實環(huán)境及周圍物品的識別理解的準確率及有效率不高的問題，并能根據(jù)識別后的物品之間的位置關聯(lián)關系，形成人機皆可直接閱讀的基于物品的室內(nèi)坐標地圖體系。
[0085]因為是基于互聯(lián)網(wǎng)數(shù)據(jù)的自我學習的提出，解決了現(xiàn)有的智能設備對室內(nèi)物品識別需要人工預制識別特征對比庫，人工指明每個對比樣本的屬性，而實際社會千萬家庭或室內(nèi)環(huán)境中，物品的種類及樣式數(shù)量及增長速度是非常驚人的，人工預先指明及訓練的識別物品的方法，已經(jīng)僅能應用在有限的特定使用環(huán)境中，無法實際大規(guī)模用于各類室內(nèi)環(huán)境中的技術問題，從而可以滿足對越來越多的物品的精確識別，使得物品識別可以應用到更為廣泛的領域，因為物聯(lián)網(wǎng)中的數(shù)據(jù)是很多的，通過對網(wǎng)絡中數(shù)據(jù)的抓取更新和學習，可以大大提高數(shù)據(jù)識別的準確性和有效性。
[0086]基于同一發(fā)明構(gòu)思，本發(fā)明實施例中還提供了一種室內(nèi)地圖生成裝置，如下面的實施例所述。由于室內(nèi)地圖生成裝置解決問題的原理與室內(nèi)地圖生成方法相似，因此室內(nèi)地圖生成裝置的實施可以參見室內(nèi)地圖生成方法的實施，重復之處不再贅述。以下所使用的，術語“單元”或者“模塊”可以實現(xiàn)預定功能的軟件和/或硬件的組合。盡管以下實施例所描述的裝置較佳地以軟件來實現(xiàn)，但是硬件，或者軟件和硬件的組合的實現(xiàn)也是可能并被構(gòu)想的。圖5是本發(fā)明實施例的室內(nèi)地圖生成裝置的一種結(jié)構(gòu)框圖，該室內(nèi)地圖生成裝置位于智能識別與信息處理設備中，如圖5所示，包括:
[0087]全景圖像生成模塊501，用于獲取待生成室內(nèi)地圖的區(qū)域的全景圖像；
[0088]物品識別裝置502，用于從所述全景圖像中識別出多個相對獨立的物品，并從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征；
[0089]關聯(lián)關系確定模塊503，用于根據(jù)獲取的各個獨立的物品的物品特征，依據(jù)圖像處理技術確定所述全景圖像中各個物品相互之間的距離和方位的關聯(lián)關系；
[0090]室內(nèi)地圖生成模塊504，用于根據(jù)所述各個物品相互之間的距離和方位的關聯(lián)關系，生成所述待生成室內(nèi)地圖的區(qū)域的地圖。
[0091]具體的，如圖5所示，上述物品識別裝置502包括:特征庫建立模塊5021，用于對互聯(lián)網(wǎng)中的網(wǎng)頁做持續(xù)性抓取更新學習，以建立物品特征庫；識別模塊5022，用于基于所述物品特征庫，對室內(nèi)物品進行匹配識別。
[0092]具體實施的時候，特征庫建立模塊5021不斷地對網(wǎng)上所有商品網(wǎng)頁的圖片和對應的商品名以及相關屬性參數(shù)做持續(xù)性抓取更新學習，從而使得特征庫中的物品特征越來越豐富；全景圖像生成模塊501依據(jù)圖像掃描得到的圖像形成室內(nèi)的全景地圖圖像，這需要依賴于攝像頭獲取圖像，同時還需要依賴于圖像的合成和渲染技術；識別模塊5022識別出室內(nèi)的全景地圖圖像中的各個獨立的物品，以及各個物品的類別，可以通過卷積神經(jīng)網(wǎng)絡的方法實現(xiàn)對物品的精確識別，同時識別過程就需要用到通過特征庫建立模塊5021建立的物品特征庫；室內(nèi)地圖生成t旲塊504根據(jù)關聯(lián)關系確定t旲塊503確定的各個物品之間的距離和方位關系，生成基于物品與物品之間管的室內(nèi)地圖生成模塊，即形成了基于物品的室內(nèi)地圖體系。
[0093]對于室內(nèi)物品的識別，主要就是依據(jù)上述室內(nèi)地圖體系的物品識別和定位，如果將其應用到與機器人的交流中，將大大提高溝通的效率和溝通的準確性，機器人只需要識別出周圍的任意物體，便可以直接確定出其它物品的方位和距離。例如:基于物體識別構(gòu)建的室內(nèi)地圖，可支持通過語音就可以和機器人以室內(nèi)物品做參照進行位置的溝通，比如:機器人告訴你家里哪里出了問題，或者是指揮機器人去那里做什么。
[0094]在本例中，通過對室內(nèi)物品進行精確識別后，生成基于物品與物品之間的相互位置關系的地圖坐標體系，從而使得建立的地圖坐標更近似于人對物品相互之間位置的認知和識別，即，形成了人機皆可自然閱讀的基礎于室內(nèi)物體的地圖坐標體系，從而解決了現(xiàn)有技術中機器人對現(xiàn)實環(huán)境及周圍物品的識別理解的準確率和有效率不高的技術問題，達到了有效提高定位和識別準確性和定位效率的技術效果。更重要的是，提出了一種基于互聯(lián)網(wǎng)數(shù)據(jù)的機器學習方法，可實現(xiàn)海量的物體識別特征庫的自我學習和增長，極大地提高了智能設備對物體識別的準確性。
[0095]在另外一個實施例中，還提供了一種軟件，該軟件用于執(zhí)行上述實施例及優(yōu)選實施方式中描述的技術方案。
[0096]在另外一個實施例中，還提供了一種存儲介質(zhì)，該存儲介質(zhì)中存儲有上述軟件，該存儲介質(zhì)包括但不限于:光盤、軟盤、硬盤、可擦寫存儲器等。
[0097]顯然，本領域的技術人員應該明白，上述的本發(fā)明實施例的各模塊或各步驟可以用通用的計算裝置來實現(xiàn)，它們可以集中在單個的計算裝置上，或者分布在多個計算裝置所組成的網(wǎng)絡上，可選地，它們可以用計算裝置可執(zhí)行的程序代碼來實現(xiàn)，從而，可以將它們存儲在存儲裝置中由計算裝置來執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實現(xiàn)。這樣，本發(fā)明實施例不限制于任何特定的硬件和軟件結(jié)合。
[0098]以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領域的技術人員來說，本發(fā)明實施例可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。
【主權項】
1.一種物品識別方法，其特征在于，包括: 對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫； 基于所述物品特征庫，對室內(nèi)物品進行匹配識別。2.如權利要求1所述的方法，其特征在于，所述對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫，包括: 提取一個網(wǎng)頁； 查找出與該網(wǎng)頁匹配的網(wǎng)頁模型，其中，所述網(wǎng)頁模型中標識有網(wǎng)頁中各個頁面區(qū)域所攜帶的信息； 基于匹配出的網(wǎng)頁模型，識別出該網(wǎng)頁對應物品的物品名稱和物品特征。3.如權利要求2所述的方法，其特征在于，所述網(wǎng)頁模型是按照以下方法之一建立的: 對同一網(wǎng)站中的所有網(wǎng)頁的視覺模型進行聚類分析，得到該網(wǎng)站中的多個網(wǎng)頁模型；或者， 根據(jù)用戶經(jīng)驗確定網(wǎng)頁中各個頁面區(qū)域所攜帶的信息，以建立網(wǎng)頁模型。4.如權利要求1所述的方法，其特征在于，對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫，包括: 提取一個網(wǎng)頁，獲取該網(wǎng)頁的網(wǎng)頁組織代碼； 從所述網(wǎng)頁組織代碼中提取出該網(wǎng)頁對應物品的物品名稱和物品特征。5.如權利要求4所述的方法，其特征在于，從所述網(wǎng)頁組織代碼中提取該網(wǎng)頁對應物品的物品特征，包括: 確定所述網(wǎng)頁組織代碼的結(jié)構(gòu)化信息； 按照結(jié)構(gòu)化信息，確定所述網(wǎng)頁組織代碼中各個提取項的開始字符串符號和結(jié)束字符串符號； 依據(jù)所述各個提取項的開始字符串符號和結(jié)束字符串符號，從所述網(wǎng)頁組織代碼中獲取該網(wǎng)頁對應物品的物品名稱和物品特征。6.如權利要求2至5中任一項所述的方法，其特征在于，物品特征包括以下至少之一:形狀參數(shù)、體積參數(shù)、材質(zhì)參數(shù)、重量參數(shù)。7.如權利要求1至5中任一項所述的方法，其特征在于，所述互聯(lián)網(wǎng)網(wǎng)頁的信息包括:物品介紹網(wǎng)站的網(wǎng)頁上顯示的信息內(nèi)容，和/或，物品介紹網(wǎng)站的介紹物品信息的資料文件。8.一種室內(nèi)地圖生成方法，其特征在于，包括: 智能識別與信息處理設備獲取待生成室內(nèi)地圖的區(qū)域的全景圖像； 基于權利要求1至7中任一項所述的物品識別方法，從所述全景圖像中識別出多個相對獨立的物品，并從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征； 根據(jù)獲取的各個獨立的物品的物品特征，依據(jù)圖像處理技術確定所述全景圖像中各個物品相互之間的距1?和方位的關聯(lián)關系； 根據(jù)所述各個物品相互之間的距離和方位的關聯(lián)關系，生成所述待生成室內(nèi)地圖的區(qū)域的地圖。9.如權利要求8所述的方法，其特征在于，在所述地圖的坐標體系中，各個物品相互之間的距離和方位的關聯(lián)關系通過位置鏈表的形式存儲。10.如權利要求8所述的方法，其特征在于，從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征，包括: 從所述物品特征庫中獲取識別出的物品的體積屬性參數(shù)，其中，所述體積屬性參數(shù)包括:物品的長、寬和高。11.一種物品識別裝置，其特征在于，包括: 特征庫建立模塊，用于對互聯(lián)網(wǎng)網(wǎng)頁中的信息做持續(xù)性抓取更新學習，以建立物品特征庫； 識別模塊，用于基于所述物品特征庫，對室內(nèi)物品進行匹配識別。12.—種室內(nèi)地圖生成裝置，位于智能識別與信息處理設備中，其特征在于，包括: 全景圖像生成模塊，用于獲取待生成室內(nèi)地圖的區(qū)域的全景圖像； 權利要求11中所述的物品識別裝置，用于從所述全景圖像中識別出多個相對獨立的物品，并從建立的物品特征庫中獲取識別出的各個獨立的物品的物品特征； 關聯(lián)關系確定模塊，用于根據(jù)獲取的各個獨立的物品的物品特征，依據(jù)圖像處理技術確定所述全景圖像中各個物品相互之間的距離和方位的關聯(lián)關系； 室內(nèi)地圖生成模塊，用于根據(jù)所述各個物品相互之間的距離和方位的關聯(lián)關系，生成所述待生成室內(nèi)地圖的區(qū)域的地圖。
【文檔編號】G06F17/30GK106033435SQ201510110320
【公開日】2016年10月19日
【申請日】2015年3月13日
【發(fā)明人】聶華聞
【申請人】北京貝虎機器人技術有限公司