本發(fā)明涉及臺燈及3D物體識別技術領域，具體而言，涉及一種基于臺燈的3D物體識別方法及裝置。

背景技術：

臺燈是人們?nèi)粘Ｉ钪斜夭豢缮俚挠闷?，比如說，學生在晚上學習的時候需要使用臺燈、或者人們在晚上看書或者辦公的時候也需要臺燈，甚至是有的人在晚上干活的時候，為了有較亮的光線，也需要使用臺燈，因此，臺燈廣泛應用在人們的日常生活中。

隨著社會的發(fā)展，臺燈也得到了快速的發(fā)展，現(xiàn)在的臺燈的功能越來越多，比如說，可以采集物體的圖像、可以投影、甚至還可以進行通信等，現(xiàn)有技術中的臺燈，當采集了物體的圖像后，可以對物體的圖像進行識別，進而識別出該物體是什么。

但是，現(xiàn)有技術中當臺燈識別物體時，只能對物體的二維圖像進行識別，這樣使得物體的識別精度較低。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明實施例的目的在于提供一種基于臺燈的3D物體識別方法，以解決現(xiàn)有技術中的臺燈只能對物體進行二維識別，使得物體的識別精度較低的問題。

第一方面，本發(fā)明實施例提供了一種基于臺燈的3D物體識別方法，其中，所述方法包括：

采集置于臺燈的圖像采集區(qū)域的待識別物體的RGB圖像和深度信息，所述深度信息包括所述RGB圖像上每個像素點的深度值；

獲取所述RGB圖像的灰度圖；

根據(jù)所述灰度圖上每個像素點的灰度值和深度值，提取所述待識別物體的特征矢量；

根據(jù)所述特征矢量以及預先建立的特征信息庫對所述待識別物體進行識別。

結合第一方面，本發(fā)明實施例提供了上述第一方面的第一種可能的實現(xiàn)方式，其中，所述根據(jù)所述灰度圖上每個像素點的灰度值和深度值，提取所述待識別物體的特征矢量，包括：

根據(jù)每個所述像素點的灰度值和深度值，對所述灰度圖進行至少一次卷積處理，獲取所述灰度圖對應的特征矢量；

將所述灰度圖對應的特征矢量確定為所述待識別物體的特征矢量。

結合第一方面，本發(fā)明實施例提供了上述第一方面的第二種可能的實現(xiàn)方式，其中，所述根據(jù)所述特征矢量及預先建立的特征信息庫對所述待識別物體進行識別，包括：

計算所述待識別物體的特征矢量與所述特征信息庫中的每個物體的特征矢量之間的歐氏距離；

根據(jù)所述歐氏距離對所述待識別物體進行識別。

結合第一方面的第二種可能的實現(xiàn)方式，本發(fā)明實施例提供了上述第一方面的第三種可能的實現(xiàn)方式，其中，所述根據(jù)所述歐氏距離對所述待識別物體進行識別，包括：

比較所述特征信息庫中每個物體對應的歐氏距離，選取所述歐氏距離中最小的歐氏距離；

將最小的所述歐氏距離與預設閾值進行比較，當最小的所述歐氏距離小于等于預設閾值時，將最小的所述歐氏距離對應的物體確定為待識別物體。

結合第一方面，本發(fā)明實施例提供了上述第一方面的第四種可能的實現(xiàn)方式，其中，所述根據(jù)所述特征矢量以及預先建立的特征信息庫對所述待識別物體進行識別，包括：

計算所述待識別物體的特征矢量與所述特征性信息庫中每個物體的特征矢量之間的馬氏距離；

根據(jù)所述馬氏距離對所述待識別物體進行識別。

第二方面，本發(fā)明實施例提供了一種基于臺燈的3D物體識別裝置，其中，所述裝置包括：

采集模塊，用于采集置于臺燈的圖像采集區(qū)域的待識別物體的RGB圖像和深度信息，所述深度信息包括所述RGB圖像上每個像素點的深度值；

獲取模塊，獲取所述RGB圖像的灰度圖；

提取模塊，用于根據(jù)所述灰度圖上每個像素點的灰度值和深度值，提取所述待識別物體的特征矢量；

識別模塊，用于根據(jù)所述特征矢量以及預先建立的特征信息庫對所述待識別物體進行識別。

結合第二方面，本發(fā)明實施例提供了上述第二方面的第一種可能的實現(xiàn)方式，其中，所述提取模塊包括：

獲取單元，根據(jù)每個所述像素點的灰度值和深度值，對所述灰度圖進行至少一次卷積處理，獲取所述灰度圖對應的特征矢量；

第一確定單元，用于將所述灰度圖對應的特征矢量確定為所述待識別物體的特征矢量。

結合第二方面，本發(fā)明實施例提供了上述第二方面的第二種可能的實現(xiàn)方式，其中，所述識別模塊包括：

第一計算單元，用于確定所述待識別物體的特征矢量與所述特征信息庫中的每個物體的特征矢量之間的歐氏距離；

第一識別單元，用于根據(jù)所述歐氏距離對所述待識別物體進行識別。

結合第二方面的第二種可能的實現(xiàn)方式，本發(fā)明實施例提供了上述第二方面的第三種可能的實現(xiàn)方式，其中，所述第一識別單元還用于，

比較所述特征信息庫中每個物體對應的歐氏距離，選取所述歐氏距離中最小的歐氏距離；將最小的所述歐氏距離與預設閾值進行比較，當最小的所述歐氏距離小于或等于預設閾值時，將最小的所述歐氏距離對應的物體確定為待識別物體。

結合第二方面，本發(fā)明實施例提供了上述第二方面的第四種可能的實現(xiàn)方式，其中，所述識別模塊還包括：

第二計算單元，用于計算所述待識別物體的特征矢量與所述特征性信息庫中每個物體的特征矢量之間的馬氏距離；

第二確定單元，用于根據(jù)所述馬氏距離對所述待識別物體進行識別。

本發(fā)明實施例提供了一種基于臺燈的3D物體識別方法及裝置，在對待識別物體進行識別時，采集待識別物體的RGB圖像和深度信息，對待識別物體進行三維識別，使得物體的識別更精確。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關的附圖。

圖1示出了本發(fā)明實施例1所提供的一種基于臺燈的3D物體識別方法的流程圖；

圖2示出了本發(fā)明實施例1所提供的一種基于臺燈的3D物體識別方法中提取待識別物體的特征矢量的流程圖；

圖3示出了本發(fā)明實施例1所提供的一種基于臺燈的3D物體識別方法中對待識別物體進行識別的流程圖；

圖4示出了本發(fā)明實施例2所提供的一種基于臺燈的3D物體識別裝置的結構示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領域技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

考慮到現(xiàn)有技術中，臺燈的功能越來越多，比如說，可以采集物體的圖像、可以投影、甚至還可以進行通信等，現(xiàn)有技術中的臺燈，當采集了物體的圖像后，可以對物體的圖像進行識別，進而識別出該物體是什么。

但是，現(xiàn)有技術中當臺燈識別物體時，只能對物體的二維圖像進行識別，這樣使得物體的識別精度較低?；诖?，本發(fā)明實施例提供了一種基于臺燈的3D物體識別方法及裝置，下面通過實施例進行描述。

實施例1

本發(fā)明實施例提供了一種基于臺燈的3D(three dimensions，三維)物體識別方法，如圖1所示，該方法包括步驟S110-S150，具體如下。

S110，采集置于臺燈的圖像采集區(qū)域的待識別物體的RGB(red，green，blue紅、綠、藍)圖像和深度信息，該深度信息包括RGB圖像上每個像素點的深度值。

上述待識別物體為三維物體，比如說，鉛筆、水杯、眼鏡盒等。

在本發(fā)明實施例中，在臺燈上設置有圖像采集器件，圖像采集器件能夠采集一定區(qū)域的物體的圖像，當將待識別物體置于臺燈的圖像采集區(qū)域時，圖像采集器件會采集待識別物體的RGB圖像和深度信息。

其中，上述圖像采集器件為攝像頭，該攝像頭可以是單目攝像頭，也可以是雙目攝像頭。

如果上述攝像頭為單目攝像頭，單目攝像頭可以通過向外發(fā)射結構光來采集待識別物體的深度信息；如果上述攝像頭為雙目攝像頭，雙目攝像頭中的左目攝像頭和右目攝像頭分別采集待識別物體的圖像，將左目攝像頭采集的待識別物體的圖像記為左圖像，將右目攝像頭采集的待識別物體的圖像記為右圖像，采用SSD(Sum of Squared Differences，誤差平方和)等算法對將左圖像和右圖像進行匹配，確定出左圖像上各個點在右圖像上的對應位置點，之后根據(jù)雙目攝像頭的焦距利用雙目立體重構原理確定出待識別物體的深度信息。

其中，上述深度信息指的是RGB圖像上每個像素點對應的深度值，該深度值指的是待識別物體上的每個像素點與攝像頭之間的距離。

S120，獲取上述RGB圖像的灰度值。

當采集了待識別物體的RGB圖像后，上述RGB圖像為彩色圖像，因此，將該RGB圖像轉化成灰度圖，具體過程包括：獲取采集的圖像上每個像素點的R、G、B值，根據(jù)每個像素點的R、G、B值，采用浮點算法、整數(shù)方法、移位方法、平均值法等計算出每個像素點對應的灰度值，將原來圖像上每個像素的RGB用灰度值替換，這樣，得到原來圖像的灰度圖。

另外，還可以通過采用電視工業(yè)標準轉換矩陣將采集的圖像轉換成灰度圖，或者通過HLS(Hue Lightness Saturation,色度、亮度、飽和度)模型轉換算法將采集的圖像轉換成灰度圖，本發(fā)明實施例并不對獲取灰度圖的具體方法進行限定。

由于上述深度信息包括RGB圖像上每個像素點對應的深度值，該深度值指的是RGB圖像上每個像素點距離攝像頭的距離，因此，當獲取到上述RGB圖像的灰度圖后，就確定出了該灰度圖上每個像素點對應的灰度值和深度值。

S130，根據(jù)上述灰度圖上每個像素點的灰度值和深度值，提取待識別物體的特征矢量。

在本發(fā)明實施例中，通過對灰度圖進行卷積處理的方式，提取待識別物體的特征矢量，如圖2所示，包括步驟S210-S220，具體如下。

S210，根據(jù)每個像素點的灰度值和深度值，對上述灰度圖進行至少一次卷積處理，獲取上述灰度圖對應的特征矢量；

S220，將上述灰度圖對應的特征矢量確定為待識別物體的特征矢量。

其中，上述可以對灰度圖進行一次卷積運算，也可以對灰度圖進行多次卷積運算，對上述灰度圖進行卷積運算的次數(shù)越多，得到的待識別物體的特征矢量越精確。

上述對灰度圖進行卷積處理，首先需要得到上述灰度圖中每個像素點對應的灰度值及深度值，即得到上述灰度圖矩陣，比如說，上述灰度圖的大小為10×10，說明該灰度圖共有10行10列的像素點，即共有100個像素點，則獲取上述100個像素點中每個像素點對應的灰度值以及深度值，分別獲取上述灰度值組成的灰度矩陣和深度值組成的深度矩陣，分別對灰度矩陣和深度矩陣進行卷積運算，卷積運算的公式如下所示：

conv＝σ(imgMat ο W+b)

其中，在上述公式中，W表示卷積核，ο表示卷積操作，b表示偏置值，σ表示激活函數(shù)，當imgMat表示灰度矩陣時，conv表示對灰度矩陣卷積運算后得到的特征值，當imgMat表示深度矩陣時，conv表示對深度矩陣卷積運算后得到的特征值，同時對上述灰度矩陣和深度矩陣進行卷積運算后，得到上述灰度圖的特征矢量。

上述卷積核W也是一個矩陣，比如說3×3的矩陣，上述卷積核矩陣的大小可以根據(jù)實際應用進行選擇，本發(fā)明實施例并不對上述卷積核的具體大小進行限定。

如果選取的卷積核W的大小為3×3，灰度矩陣及深度矩陣的大小均為10×10，則對灰度矩陣及深度矩陣進行一次卷積運算后，卷積后得到的灰度矩陣及深度矩陣的大小為(10-3+1)×(10-3+1)，即得到8×8的灰度矩陣以及8×8的深度矩陣，將得到的灰度矩陣及深度矩陣中的每個元素都加上偏置值b，將得到后的矩陣中的每個元素都輸入到激活函數(shù)σ中。

上述激活函數(shù)σ可以使用如下函數(shù)：

在上述公式中，f(x)為對卷積后得到的灰度矩陣及深度矩陣中的元素進行激活后的值，x表示卷積后得到的灰度矩陣及深度矩陣中的元素。

可以對上述灰度矩陣及深度矩陣連續(xù)進行多次卷積運算，最終得到物體的特征矢量，其中，物體的特征矢量包括物體的灰度特征值和深度特征值。

上述對灰度圖進行卷積運算的次數(shù)，與選取的卷積核的大小有關系，比如說，上述灰度圖的大小為10×10，選取的卷積核的大小為3×3，則對上述灰度圖進行一次卷積運算后，得到8×8的灰度圖，再次使用上述卷積核對灰度圖進行卷積運算后，得到6×6的灰度圖，連續(xù)對上述灰度圖進行多次卷積運算，最終得到該灰度圖對應的特征矢量。

上述卷積核的選取依據(jù)如下：在數(shù)字信號處理中，卷積(Convolution)也叫做旋積或者摺積，卷積是通過兩個函數(shù)(函數(shù)f和函數(shù)g)生成第三個函數(shù)的一種數(shù)學算子，表征函數(shù)f與經(jīng)過翻轉和平移的函數(shù)g的重疊部分的面積。在圖像處理中卷積運算與上述這種經(jīng)過翻轉和平移(滑動)后求面積的運算極為相似，卷積中的“滑動函數(shù)”被稱為卷積核(Kernel)，也稱為濾波(Filter)，一般用的是線性濾波，即輸出像素是輸入鄰域像素的加權和。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNN)利用設定步長的卷積核，采用局部連接，后一層的神經(jīng)元僅僅與前面卷積核內(nèi)的像素進行線性相乘相加，而與區(qū)域外的像素沒有任何關系。此外當前層與下一層之間的權重系數(shù)僅僅由卷積核(濾波器)指定大小的參數(shù)決定，這樣權值參數(shù)共享給剩下的神經(jīng)元，大大減少了參數(shù)的訓練量。CNN通過有監(jiān)督的訓練樣本，通過不斷的前向傳遞和誤差反饋傳播，不斷地調(diào)整整個神經(jīng)網(wǎng)絡的卷積核，使目標函數(shù)誤差最小，此時得到的卷積核為訓練數(shù)據(jù)集的最優(yōu)卷積核。

當上述確定出灰度圖的特征矢量后，該灰度圖對應的特征矢量就是待識別物體的特征矢量。

S140，根據(jù)上述特征矢量與預先建立的特征信息庫對待識別物體進行識別。

其中，上述對待識別物體進行識別包括三種情況。

第一種情況，根據(jù)歐氏距離對待識別物體進行識別，如圖3所示，包括步驟S310-S320，具體如下：

S310，計算待識別物體的特征矢量與特征信息庫中的每個物體的特征矢量之間的歐氏距離；

S320，根據(jù)上述歐氏距離對待識別物體進行識別。

其中，上述特征信息庫是預先建立好的，在采用本發(fā)明實施例提供的方法對待識別物體進行識別之前，就已經(jīng)建立好了上述特征信息庫。

其中，上述特征信息庫中存儲有多種物體的特征矢量，具體建立過程包括：

采集多種物體的RGB圖像和深度信息，并確定出RGB圖像上每個像素點對應的灰度值和深度值，根據(jù)每個像素點的灰度值和深度值對物體的灰度圖進行卷積運算，得到每種物體對應的特征矢量，將所有物體的特征矢量、物體名稱以及特征矢量和名稱之間的對應關系存儲在特征信息庫中。

因此，采用本發(fā)明實施例提供的方法對待識別物體進行識別時，當確定出待識別物體的特征矢量后，分別計算待識別物體的特征矢量和特征信息庫中每個物體的特征矢量之間的歐氏距離。

歐氏距離的計算如下所示：

n維空間是一個點集，點集中每個點P可以表示為(p₁，p₂…p_i),其中，i＝1,2,…n，則n維空間中兩個點C＝(c₁,c₂,…,c_i)和D＝(d₁,d₂,…,d_i)之間的歐氏距離的計算公式為：

在本發(fā)明實施例中，ρ(C,D)為C和D之間的歐氏距離，C可以是待識別物體的特征矢量，包括灰度特征值和深度特征值，D為特征信息庫中的每個物體的特征矢量，計算C和D之間的歐氏距離，c_i為待識別物體的特征矢量中的任意一個特征值，該特征值可以是灰度特征值或者是深度特征值，d_i為特征信息庫中任意一個物體的特征矢量中的任意一個特征值，該特征值可以是灰度特征值，也可以是深度特征值。

其中，上述特征信息庫中存儲有多少個物體的特征矢量，則計算出多少個歐氏距離，當計算出上述待識別物體的特征矢量和特征信息庫中每個物體的特征矢量之間的歐氏距離后，根據(jù)上述歐氏距離對待識別物體進行識別，具體包括：比較上述特征信息庫中每個物體對應的歐氏距離，選取上述歐氏距離中最小的歐氏距離；將最小的歐氏距離與預設閾值進行比較，當最小的歐氏距離小于等于預設閾值時，將最小的歐氏距離對應的物體確定為待識別物體。

上述預設閾值是預先設置的一個歐氏距離值，當計算出的歐氏距離小于或等于該值時，將該歐氏距離對應的物體確定為待識別物體，當計算出的歐氏距離大于該值時，說明該歐氏距離對應的物體與待識別物體相差比較大，確定該歐氏距離對應的物體不是待識別物體。

上述特征信息庫中每個物體均對應一個歐氏距離，將上述所有的歐氏距離進行比較，確定出最小的歐氏距離，如果確定出的最小的歐氏距離小于或者等于預設閾值，則將最小的歐氏距離對應的特征信息庫中的物體確定為待識別物體。

如果上述確定出的最小的歐氏距離大于上述預設閾值，則說明上述最小的歐氏距離對應的物體并不是待識別物體，這時臺燈會發(fā)出提示，提示無法識別當前待識別物體。

如果上述同時確定出多個相同的最小的歐氏距離，且確定出的最小的歐氏距離均小于或者等于預設閾值，這時，臺燈無法識別出待識別物體，只能識別出待識別物體為每種物體的概率，比如說，上述確定出三個最小的歐氏距離，且確定出的最小的歐氏距離小于或等于預設閾值，則臺燈會識別出待識別物體為上述三個歐氏距離對應的特征信息庫中的物體的概率分別為33％，同時，臺燈還會發(fā)出提示，提示用戶再次對待識別物體進行識別。

如果當同時確定出多個相同的最小的歐氏距離，且最小的歐氏距離大于上述預設閾值，說明每個最小的歐氏距離對應的物體均不是待識別物體，這時，臺燈會發(fā)出提示，提示無法識別待識別物體。

第二種情況，根據(jù)馬氏距離對待識別物體進行識別，具體包括：

計算待識別物體的特征矢量與特征信息庫中每個物體的特征矢量之間的馬氏距離；根據(jù)上述馬氏距離對待識別物體進行識別。

上述特征信息庫與預先建立的，存儲有多種物體的特征矢量、物體名稱以及特征矢量和物體名稱之間的對應關系。

采用本發(fā)明實施例提供的方法對待識別物體進行識別時，需要計算待識別物體的特征矢量與特征信息庫中每個物體的特征矢量之間的馬氏距離。

馬氏距離的計算過程如下：

其中，在上述公式中，S(x_i,y_i)為x_i和y_i之間的馬氏距離，xi表示待識別物體的特征矢量，xj表示特征信息庫中任意一個物體的特征矢量，T表示轉置，S為特征矢量的協(xié)方差矩陣。

當上述計算出待識別物體的特征矢量與特征信息庫中任意一個物體的特征矢量之間的馬氏距離后，從中選取最小的馬氏距離，并將最小的馬氏距離與預設值進行比較，如果該最小的馬氏距離小于或等于上述預設值，則確定該最小的馬氏距離對應的物體為待識別物體；如果上述選取出的最小的馬氏距離為多個，且最小的馬氏距離小于或等于上述預設值，這時，臺燈無法識別出待識別物體，只能識別出待識別物體為某種物體的概率。

如果從中選取的最小的馬氏距離大于上述預設值，說明待識別物體與上述最小的馬氏距離對應的物體的相似度相差較大，這時，臺燈將會發(fā)出提示，提示無法識別待識別物體。

上述預設值是預先設置的一個馬氏距離值，當最小的馬氏距離小于或等于上述預設值時，說明待識別物體與最小的馬氏距離對應的物體之間的相似度較大，可以確定上述最小的馬氏距離對應的物體就是待識別物體，如果最小的馬氏距離大于上述預設值時，說明待識別物體與最小的馬氏距離對應的物體之間的相似度較小，這時，臺燈無法識別出待識別物體。

第三種情況，根據(jù)BP(Back Propagation，后向傳播神經(jīng)網(wǎng)絡)神經(jīng)網(wǎng)絡對待識別物體進行識別，具體過程包括：

根據(jù)上述特征矢量及特征信息庫中BP神經(jīng)網(wǎng)絡確定待識別物體的類別。

上述BP神經(jīng)網(wǎng)絡是預先訓練好的，將待識別物體的特征矢量出入BP神經(jīng)網(wǎng)絡，根據(jù)BP神經(jīng)網(wǎng)絡的輸出對待識別物體進行識別。

本發(fā)明實施例提供的基于臺燈的3D物體識別方法，在對待識別物體進行識別時，采集待識別物體的RGB圖像和深度信息，對待識別物體進行三維識別，使得物體的識別更精確。

實施例2

本發(fā)明實施例提供了一種基于臺燈的3D物體識別裝置，該裝置可以是一個控制芯片，比如說CPLD控制芯片，安裝在臺燈上，其中，如圖4所示，該裝置包括：采集模塊410、獲取模塊420、提取模塊430和識別模塊440；

上述采集模塊410，用于采集置于臺燈的圖像采集區(qū)域的待識別物體的RGB圖像和深度信息，該深度信息包括上述RGB圖像上每個像素點的深度值；

上述獲取模塊420，用于獲取上述RGB圖像的灰度圖；

上述提取模塊430，用于根據(jù)上述灰度圖上每個像素點的灰度值和深度值，提取待識別物體的特征矢量；

上述識別模塊440，用于根據(jù)上述特征矢量以及預先建立的特征信息庫對待識別物體進行識別。

其中，上述提取模塊430根據(jù)上述灰度圖上每個像素點的灰度值和深度值提取待識別物體的特征矢量，是通過獲取單元和第一確定單元實現(xiàn)的，具體包括：

上述獲取單元，用于根據(jù)每個像素點的灰度值和深度值，對上述灰度圖進行至少一次卷積處理，獲取上述灰度圖對應的特征矢量；上述第一確定單元，用于將上述灰度圖對應的特征矢量確定為待識別物體的特征矢量。

上述識別模塊440根據(jù)待識別物體的特征矢量和預先建立的特征信息庫對待識別物體進行識別，是通過第一計算單元和第一識別單元實現(xiàn)的，具體包括：

上述第一計算單元，用于計算上述待識別物體的特征矢量與特征信息庫中每個物體的特征矢量之間的歐氏距離；上述第一識別單元，用于根據(jù)上述歐氏距離對待識別物體進行識別。

其中，上述第一識別單元還用于，比較上述特征信息庫中每個物體對應的歐氏距離，選取上述歐氏距離中最小的歐氏距離；將最小的歐氏距離與預設閾值進行比較，當最小的歐氏距離小于或等于預設閾值時，將最小的歐氏距離對應的物體確定為待識別物體。

上述識別模塊440根據(jù)待識別物體的特征矢量和特征信息庫對待識別物體進行識別還可以通過第二計算單元和第二確定單元來實現(xiàn)，具體包括：

上述第二計算單元，用于計算待識別物體的特征矢量與特征信息庫中每個物體的特征矢量之間的馬氏距離；上述第二確定單元，用于根據(jù)上述馬氏距離對待識別物體進行識別。

本發(fā)明實施例提供的基于臺燈的3D物體識別裝置，在對待識別物體進行識別時，采集待識別物體的RGB圖像和深度信息，對待識別物體進行三維識別，使得物體的識別更精確。

本發(fā)明實施例所提供的基于臺燈的3D物體識別裝置可以為設備上的特定硬件或者安裝于設備上的軟件或固件等。本發(fā)明實施例所提供的裝置，其實現(xiàn)原理及產(chǎn)生的技術效果和前述方法實施例相同，為簡要描述，裝置實施例部分未提及之處，可參考前述方法實施例中相應內(nèi)容。所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，前述描述的系統(tǒng)、裝置和單元的具體工作過程，均可以參考上述方法實施例中的對應過程，在此不再贅述。

在本發(fā)明所提供的實施例中，應該理解到，所揭露裝置和方法，可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，又例如，多個單元或組件可以結合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些通信接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明提供的實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術方案本質(zhì)上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋，此外，術語“第一”、“第二”、“第三”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。

最后應說明的是：以上所述實施例，僅為本發(fā)明的具體實施方式，用以說明本發(fā)明的技術方案，而非對其限制，本發(fā)明的保護范圍并不局限于此，盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，其依然可以對前述實施例所記載的技術方案進行修改或可輕易想到變化，或者對其中部分技術特征進行等同替換；而這些修改、變化或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明實施例技術方案的精神和范圍。都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應以所述權利要求的保護范圍為準。