[发明专利]零售终端陈列货架翻拍识别方法及装置

权利要求书

1.一种零售终端陈列货架翻拍识别方法，其特征在于，包括：

获取待检测的陈列货架的图像；

对获取的陈列货架的图像进行预处理；

采用局部二值模式对预处理后的陈列货架的图像进行解析，得到一表征图像纹理特征的纹理描述图谱；

提取获得的纹理描述图谱的特征向量；

将提取的特征向量输入预设的且已训练的XGBoost模型进行识别，获得与输入的特征向量相关联的陈列货架的图像的翻拍判断结果。

2.根据权利要求1所述的零售终端陈列货架翻拍识别方法，其特征在于，对获取的陈列货架的图像进行预处理包括：

将获得的陈列货架的图像进行灰度处理，得到灰度图像；

对获得的灰度图像进行子图划分，将灰度图像均匀划分为N*N张子图。

3.根据权利要求2所述的零售终端陈列货架翻拍识别方法，其特征在于，采用一次或多次局部二值模式对划分后的每张子图进行解析，获得每张子图的纹理描述图谱。

4.根据权利要求3所述的零售终端陈列货架翻拍识别方法，其特征在于，采用局部二值模式对划分后的每张子图进行解析以获得该子图的纹理描述图谱的具体步骤为：

对每张子图中的每一个像素，比较M*M邻域内相邻的M×M-1个邻域点与中心点的像素值，若该邻域点的像素值大于中心点的像素值，则该邻域像素点的位置被标记为1，否则为0，M*M邻域内的M×M-个邻域点与中心点经像素值比较后产生M×M-1位二进制数,M为奇数；

将获得的二进制转换为十进制以获得该中心点的LBP值；

计算完所有该子图中每个像素点的LBP值后得到该子图的纹理描述图谱；

M*M邻域内中心点的LBP值计算公式为：

其中，(x_c,y_c)为中心点的像素值，g_p为邻域点的像素值，g_c为中心点的像素值，s(x)为每个邻域点相应的LBP值，P为邻域点的数量，R为圆形邻域范围半径。

5.根据权利要求3所述的零售终端陈列货架翻拍识别方法，其特征在于，当采用多次局部二值模式对划分后的每张子图进行解析时，每次局部二值模式处理的邻域范围均不相同，将多次局部二值模式所获得的纹理描述图谱进行平均。

6.根据权利要求5所述的零售终端陈列货架翻拍识别方法，其特征在于，当再次采用局部二值模式对划分后的每张子图进行解析时，邻域点坐标为：(x_c+Δx_k，y_c+Δy_k)，其中邻域点与中心点的相对坐标偏移Δx_k，Δy_k的计算公式为：

其中，R为圆形邻域范围的半径，round为取整数函数，k为邻域点的序号，沿顺时针方向标记为0至7，12点钟方向的邻域点为0。

7.根据权利要求3所述的零售终端陈列货架翻拍识别方法，其特征在于，在获得每一子图的纹理描述图谱后，输出每一纹理描述图谱的直方图，将直方图转为一维序列，所述一维序列为子图的纹理描述图谱的特征向量；

拼接多个子图的特征向量，获得表征原始陈列货架图像的纹理特征的整体特征向量。

8.根据权利要求1所述的零售终端陈列货架翻拍识别方法，其特征在于，在预设的且已训练的XGBoost模型内分类模型的目标选择二分类，控制模型复杂度的L2正则项参数lambda＝4，控制是否后剪枝的参数gamma＝0.1，构建决策树的深度参数max depth＝6，控制随机采样训练样本的百分比subsample＝0.7，生成决策树时的列采样参数colsamplebytree＝0.7。