CN101388067A - 一种互动娱乐商标广告的植入方法 - Google Patents

Abstract

本发明属于模式识别技术和数字互动娱乐领域，基于计算机视觉和图像处理技术的新型数字互动娱乐商标广告方法，把模式识别和统计学习技术运用于交互游戏中的商标广告，包括步骤：选取正负样本；标定正样本；用统计学习的方法训练正负样本；根据训练结果生成瀑布型级联分类器；根据分类器识别视频中的商标。本发明数字互动娱乐商标广告方法改变了传统的单一广告模式，利用最新的计算机视觉与图像处理技术实现商标的自动检测和识别，将广告与游戏同步，并且广告过程需要用户的参与，实时、鲁棒、趣味性强，并且易于实现和操作。本发明不仅可以扩大游戏的增值渠道，而且使游戏更具交互性和沉浸感。

Description

一种互动娱乐商标广告的植入方法

技术领域

本发明属模式识别技术和数字互动娱乐领域，涉及一种利用商标进行互动娱乐广告的商标检测和识别方法。

背景技术

当前消费者对于传统广告已经视若无睹，当消费者看到广告时，就已经产生了防备意识，广告的效果当然大打折扣。

最近游戏厂商纷纷看中了游戏软件的广告潜力，有的已经开始在游戏启动之前播放视频广告，有的则在游戏中间插播广告。这些方法只是把传统的广告简单的移植到了游戏中，形式上并没有进行大的改变，效果上也不会有显著的改善。

上述所说的广告方式多是消费群体被动的接受广告内容，虽然受众人群广泛，但由于没有针对性，没有与消费者的交互，真正产生的效果有限。

在数字互动娱乐领域，采用植入广告的方法成为交互娱乐和游戏开发商新的利润增长点。目前常用的广告植入方法有：在虚拟的三维场景中，采用纹理贴图的方法放置广告，但这种方式达不到实时交互的目的；也有根据姿态识别的方法，让用户可以交互的指定广告，但这种方式目前尚不稳定。

发明内容

本发明的目的是通过商标广告过程中玩家的主动参与，改变传统的被动广告模式，这种方式有利于促进游戏的可玩性，并能增强广告的效果，能帮助企业达到宣传某种商品的目的，同时为游戏开发商或者交互娱乐厂商带来新的赢利模式，本发明采用鲁棒的从视频图像序列中定位并准确识别到商标的方法，提供了一种新型的互动娱乐商标广告的植入方法。

为实现上述目的，本发明提供互动娱乐的商标广告的植入方法步骤包括：

步骤1：从视频图像中采集待识别商标图像的正样本；

步骤2：采集不包含待识别商标图像的负样本的图像集；

步骤3：对商标图像正样本进行标定；

步骤4：将所有的正样本和负样本图像进行颜色通道的变换；

步骤5：将步骤4得到的正样本图像进行归一化；

步骤6：用统计学习训练得到的商标图像正、负样本，生成瀑布型级联分类器；

步骤7：游戏提示玩家展示带有待识别商标的实物，通过图像输入设备采集待识别商标图像；

步骤8：根据训练得到的瀑布型级联分类器识别视频图像中的商标，识别到要做广告的商标。

所述的商标广告的植入方法，其从视频图像中采集待识别商标图像的正样本的步骤包括：

步骤11:在不同的摄像头设备条件下采集商标正样本图像；

步骤12:根据不同的光照条件采集商标正样本图像；

步骤13:在某一摄像头设备和某一光照条件下，分别在x-y-z三个自由度上旋转采集商标正样本图像；

步骤14:在步骤13的条件下，旋转商标正样本图像的同时，调整商标图像与摄像头的距离，采集商标正样本图像；

步骤15:从所有得到的商标正样本图像中选取具有较明晰的旋转，距离，光照，仿射变化特征的商标图像做最后的商标正样本图像。

所述的商标广告的植入方法，其采集不包含待识别商标图像的负样本的图像集的步骤包括：

步骤21：在同一摄像头设备和某一光照条件下，分别采集室内、室外、自然界、不同纯背景色图像作为负样本图像集的一部分；

步骤22：在步骤21的条件下，选取不同的摄像头设备采集图像并把这些图像加入负样本图像集；

步骤23：在步骤21的条件下，根据不同的光照条件采集图像并把这些图像加入负样本图像集；

步骤24：选取开放的图像库里的一些图像并把这些图像加入负样本图像集。

所述的商标广告的植入方法，其标定正样本的步骤包括：

步骤31:指定一个商标正样本图像的存放目录，按顺序打开图像，用户单击鼠标左键，拖动鼠标标定正样本的范围，正样本的范围在图像中的位置以像素为单位；

步骤32用左键画完矩形后，若对结果不满意，则单击右键取消上次标定；

步骤33:处理完当前图像后，操作空格或者双击鼠标自动载入下一张要处理的商标图像；

步骤34:处理完本正样本图像目录下的所有图像后，标定信息自动存储到某文件中。

所述的商标广告的植入方法，其将所有的正样本和负样本图像进行颜色通道的变换的步骤包括：

步骤41：取图像的RGB通道的值为r、g、b，并记录混合颜色通道信息的中间结果R’、G’、B’、Y为：

R’＝r-(g+b)/2；

G’＝g-(r+b)/2；

B’＝b-(r+g)/2；

Y＝(r+g)/2-|r-g|-b；

步骤42：计算混合的颜色通道信息RG、BY、I：

RG＝|R’-G’|

BY＝|B’-Y|

I＝r×1/3+g×1/3+b×1/3；

步骤43：把混合颜色通道信息RG、BY，I归一化到[0-255]，并把归一化的结果记为Norm(RG)，Norm(BY)，Norm(I)；

步骤44：混合的颜色通道信息最后表示为：

M＝a×Norm(RG)+b×Norm(BY)+c×Norm(I)；

a，b，c为常量参数；

步骤45：将步骤44所得结果作为最终的正、负样本图像值并存储起来。

所述的商标广告的植入方法，将步骤4得到的正样本图像进行归一化的步骤包括：

步骤51:将步骤4得到的商标图像正样本的位置信息写到一个单一文件中；

步骤52:根据得到的文件创建需要训练的正样本，并指定正样本的长宽比；

步骤53:对于所有的正样本，按照商标的长宽比归一化到统一尺寸。

所述的商标广告的植入方法，其用统计学习训练得到的商标图像正、负样本，生成瀑布型级联分类器的步骤包括：

步骤61：取不同尺度的窗计算Haar特征，采用连续的AdaBoost从上万个特征选出最具有明显特征的数十个少量关键特征，构造出弱分类器空间；

步骤62:训练本级窗口的显著特征为弱分类器，训练过程为把本级窗口的显著特征带入到负样本中计算，若取相反的值则为一个弱分类器；如果本级窗口的子窗口拥有显著特征的弱分类器则为分类器级联的条件；训练过的非显著特征将不再用于子窗口的弱分类器训练，使级联分类器的上层向下层筛选时具有较大的正负样本区分能力；

步骤63:使用上一级窗口的有显著特征的弱分类器应用于负样本，即把上一级窗口的弱分类器带入到负样本中计算，增加误识别率高的负样本的筛选权重，即把使用上级弱分类器训练时，不能与正样本区分的负样本权重增加，在训练下层分类器时首先选择这些负样本进行训练，以使下层分类器对使用上层分类器不能分类的负样本有好的分类能力，最后达到构造的多层级联分类器对所有负样本都具有较好的区分能力；

步骤64:级联的过程中调整放宽正样本的训练条件，调整放宽负样本的选择条件；

步骤65:针对某个正样本集的训练结果的单个弱分类器单独存储于一个目录中；

步骤66:最后转换所有的单一弱分类器为一个瀑布型级联分类器。

所述的商标广告的植入方法，其游戏提示玩家展示带有待识别商标的实物，通过图像输入设备采集待识别商标图像的步骤包括：

步骤71:在交互游戏场景中，用户被提示出示某种商标加速游戏进程或者用户出示某种商标获得某种奖励；

步骤72:用户如果具有游戏要求出示的商标，则把该商标放到摄像头设备前面，待系统识别该商标；

步骤73:启动摄像头，采集视频图像。

所述的商标广告的植入方法，其根据训练得到的瀑布型级联分类器识别视频图像中的商标，识别到要做广告的商标的步骤包括：

步骤81：对每一帧视频图像进行步骤4中所述的通道信息变换，形成一个积分图像，用快速场景分析定位到待检测目标存在的位置；

步骤82:在不同的尺度上，用步骤6产生的瀑布型级联分类器分别从小尺度到大尺度对采集到的视频图像进行检索，最后进行聚类得到最后的商标位置；

步骤83：如果步骤82聚类成功，则对玩家进行奖励。

本发明的积极效果：

本发明利用计算机视觉和图像处理技术，交互游戏场景中，用户被提示出示某种商标可以加速游戏进程，或者用户出示某种商标可以获得某种奖励，如果用户出示带有该商标的商品，利用本发明中训练得到的瀑布型级联分类器识别到要做广告的商标则给玩家一定的奖励，通过此过程达到广告的目的。本发明把商标广告植入游戏中，并且允许玩家和商标广告的交互，实现商标自动检测和识别实时的交互娱乐商标广告技术，解决商标广告方式多是消费群体被动的接受广告内容的问题。本发明不仅扩展了游戏的增值渠道，增强了游戏的沉浸感，而且该广告方式新颖，需要用户的主动交互，容易给用户留下深刻印象，真正产生广告的效果，并以此为游戏开发商或者交互娱乐厂商带来新的赢利方式。

此外，本发明采用混合的颜色通道进行分类器的训练和商标的识别，这样的处理会关注图像中的颜色鲜艳或者反差较大的地方，而且会降低光照变化的影响。本发明的混合颜色通道相对单一只对灰度信息处理，会大大加快识别速度，在Adabooting建立的级联搜索树上，相对于基于灰度的Adabooting算法，会减少1/2的时间，这样同时也加快了对搜索范围的聚类时间。

附图说明

图1是本发明的样本训练的流程图；

图2是本发明用于数字互动娱乐的商标识别流程图；

图3是本发明用于交互娱乐的示意图，图3.1是游戏场景图，图3.2是用户交互操作图示；

图4为本发明实施例Haar特征结构；

图5为本发明实施例分类器级联结构。

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

下面通过实例进一步说明基于计算机视觉和图像处理技术的互动娱乐商标广告的植入方法的操作过程。

本实例的所有代码均为C++编写，在Microsoft visual studio环境下运行。

如图1所示：正负样本采集与训练方法的具体实施步骤为：

(1-1)为了保证系统的鲁棒性，需要在不同的摄像头设备和不同的光照条件采集正样本图像：先在分辨率较低的低端摄像头上采集，然后在分辨率较高的高端摄像头上再采集；不同的光照条件分为普通的白天室内，晚上有较强的日光灯光线，晚上有较弱的日光灯光线；在上述所说的每种摄像头设备和光照条件下，分别在x-y-z三个自由度上进行旋转来采集商标正样本图像，即把商标上下旋转，左右旋转，前后旋转；旋转商标的同时，调整商标与摄像头的距离进行采集，保证商标在摄像头的较近距离如10厘米左右，较远距离如60厘米左右这段范围区间内都被采集一遍；从所有得到的图像中选取具有较明晰的旋转，距离，光照，仿射变化特征的商标正样本图像做最后的正样本图像，去掉一些由于运动过快或光线问题导致的图像不清晰的正样本图像，并保证最后所有的正样本图像包括了上述各种不同的情况，即包括了三个自由度的旋转，远近不同的距离，不同的光照等一系列情况；

(1-2)采集不包含待识别商标图像的负样本的图像集：先用较低分辨率的摄像头在普通的白天光照条件下分别采集室内，室外的图像加入负样本图像集；用分辨率较高的摄像头在普通的白天光照条件下分别采集室内，室外的图像加入负样本图像集；用较低分辨率的摄像头分别在以下四种情况下采集图像并加入负样本图像集：晚上有较强的日光灯光线的室内，较弱的日光灯光线的室内，白天阴天的室内，白天阴天的室外；用较高分辨率的摄像头分别在上述四种情况下采集图像并加入负样本图像集；分别用较低分辨率的摄像头和较高分辨率的摄像头采集一些自然界的图像加入负样本图像集；分别用较低分辨率的摄像头和较高分辨率的摄像头采集一些不同纯背景色图像加入负样本图像集；一些开放的图像库也可以加入负样本图像集；负样本图像集会作为不同正样本训练的负样本图像，采集的总数目多一些能够保证不重复；并且要保证所有的负样本图像都不包含待识别商标图像；

(1-3)对一个商标的正样本图像进行标定:指定一个正样本集合的图像目录，按顺序打开图像，用户单击鼠标左键，拖动鼠标标定正样本的范围，第一次按下左键的位置和松开左键的位置标定了商标所在矩形的一个对角线上的两顶点坐标；正样本的范围在图像中的位置以像素为单位；如果已用左键画好矩形，但对结果不满意，单击右键取消上次标定；在处理当前图像后，操作空格或者双击鼠标自动载入下一张要处理的图像；处理完本正样本目录下的所有图像后，标定信息自动存储到某文件中；

(1-4)将所有的正样本和负样本图像进行颜色通道的变换：

对图像的每个象素取它的R、G、B通道的值r，g，b，并记录混合颜色通道信息的中间结果

R’＝r-(g+b)/2；

G’＝g-(r+b)/2；

B’＝b-(r+g)/2；

Y＝(r+g)/2-|r-g|-b；

然后用上述结果计算混合的颜色通道信息：

RG＝|R-G|，BY＝|B-Y|，I＝r×1/3+g×1/3+b×1/3；

把RG，BY，I归一化到[0-255]，并把归一化结果记为Norm(RG)，Norm(BY)，Norm(I)；

混合的颜色通道信息最后表示为：

M＝a*Norm(RG)+b*Norm(BY)+c*Norm(I)；

a，b，c，的值可以为:2/5，2/5，1/5，也可取其他近似值，原则是a，b的值较大，c的值较小；将这个结果作为最终的正，负样本图像的值并存储起来；

(1-5)将(1-4)得到的正样本图像归一化：将(1-4)得到的正样本图像的位置信息存储到一个单独的文件中，并创建需要训练的正样本实例，指定正样本的长宽比；对于所有的正样本，按照商标的长宽比归一化到统一尺寸，长宽分别为20像素左右；

(1-6)用统计学习训练得到的商标图像正、负样本，生成瀑布型级联分类器:

取不同尺度的窗计算Haar特征，采用连续的AdaBoost方法从上万个特征选出最具有明显特征的数十个少量关键特征，构造出弱分类器空间，并学习这些弱分类器成为瀑布型级联分类器。本发明采用的统计学习方法是Adaboost算法。

Adaboost意为Adaptive Boost，是AT&T实验室提出的一种自提升Boosting算法。它通过调用弱分类器不断学习训练样本中的难学习的样本，从而达到较高的泛化精度。

本发明通过对Haar特征的统计来判别是不是待识别的商标。Haar特征(如图4)是Haar小波变化而来。它们通过相邻区域的灰度差，也就是亮度关系，描述目标。待识别商标可以通过若干这样的Haar特征来描述。其物理意义是十分明确的。对于本例来说，Haar特征不再指灰度差，而是颜色通道混合值的差。

Adaboost算法的主要过程是：首先给样本集合，然后对该样本集合进行循环操作，每次循环首先得到一个弱分类器，然后计算该假设的错误率，根据该错误率改变每个样本的权重进入下一个循环，若干个弱分类器组成瀑布型级联分类器。其具体过程如下：

Adaboost算法流程：

给定样本(x₁，y₁)，...，(x_n，y_n)，对m个负样本，y_i＝0；对l个正样本y_i＝1，n＝m+l。

分别对负样本正样本初始化权 $w_{1,i}=\frac{1}{2m},\frac{1}{2n}.$

t＝1，…，T

a归一化权。

$w_{t,i}\←\frac{w_{t,i}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{t,j}}$

b对于每一特征j，训练出一个弱分类器h_j，计算出与之对应的错误率。

ζ_t＝∑w_i|h_j(x)-y_j|

c.选择错误率ζ_t最小的h_j。

d.更新权，

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i}$

其中，

若分类正确，e_i＝1，否则e_i＝0。

在训练过程中，级联分类器达到一定级数但训练不能进行下去，则可考虑增加正样本数目或者在级联的过程中放宽正样本的显著特征的选择条件；在训练过程中如果某些负样本的权重一直很高，则可把这些负样本的权值降低，或者移除这些负样本；

针对某个正样本集的训练结果的单个弱分类器单独存储于一个目录中；

最终T个弱分类器组成一个瀑布型级联分类器：

其中， ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

最终形成的瀑布型级联分类器如图5所示；

如图2所示，游戏要求用户出示商标并识别商标的具体步骤为：

(1-7)在交互游戏场景中，游戏进行到某一阶段或玩家到达某个位置时，用户被提示出示某种商标加速游戏进程或者用户出示某种商标获得某种奖励，用户如果具有游戏要求出示的商标，则把该商标放到摄像头设备前面，待系统识别该商标，启动摄像头，采集视频图像。

(1-8)根据训练得到的瀑布型级联分类器识别视频图像中的商标，识别到要做广告的商标则给玩家一定的奖励，通过此过程达到广告的目的：对每一帧视频图像进行(1-4)中所述的通道信息转换，形成一个积分图像，用快速场景分析定位到检测目标存在的位置根据不同尺度，分别从小尺度到大尺度进行检索，具体过程为:

a.定义循环系数i＝0；

b.循环系数i加1，当前窗大小为(w，h)，其中w＝f×i×W，h＝f×i×H，f，W，H为调整系数，W，H分别为视频帧图像的宽和高左右大小，比如本例中摄像头采集到的图像为320*240，W可设为320左右，H可设为240左右；f可取0.1左右大小；当前步长：横向上间隔w/4，纵向上间隔h/4；若新窗口范围大于视频帧图像的大小，循环结束，否则继续；

c.以大小(w，h)的窗采用瀑布型级联分类器进行商标识别；

d.若识别成功，记录当前位置；转移到下一个位置，直至整幅图像遍历完，回到步骤b；

e.对所有的识别结果进行聚类，若聚类成功，则对玩家进行奖励。

如图3所示：数字互动娱乐的具体实施步骤为：

(2-1)本图只展现了一种本系统可能应用的交互娱乐方式；

(2-2)图3.1所示为：当一个游戏进入到一定阶段，触发一个事件，提示用户是否具有某种商品，如果用户拥有某种商品，则该用户得到某些奖励或者直接进入游戏的下一阶段；

(2-3)图3.2所示为交互娱乐玩家在摄像头面前识别某商标的情形；

(2-4)本发明有利于促进游戏的可玩性，能帮助企业达到宣传某种商品的目的，同时为游戏开发商或者交互娱乐厂商带来新的赢利模式。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种互动娱乐的商标广告的植入方法，其特征在于：包括步骤：

步骤1：从视频图像中采集待识别商标图像的正样本；

步骤2：采集不包含待识别商标图像的负样本的图像集；

步骤3：对商标图像正样本进行标定；

步骤4：将所有的正样本和负样本图像进行颜色通道的变换；

步骤5：将步骤4得到的正样本图像进行归一化；

步骤6：用统计学习训练得到的商标图像正、负样本，生成瀑布型级联分类器；

步骤7：游戏提示玩家展示带有待识别商标的实物，通过图像输入设备采集待识别商标图像；

步骤8：根据训练得到的瀑布型级联分类器识别视频图像中的商标，识别到要做广告的商标。

2.根据权利要求1所述的商标广告的植入方法，其特征在于：从视频图像中采集待识别商标图像的正样本的步骤包括：

步骤11：在不同的摄像头设备条件下采集商标正样本图像；

步骤12：根据不同的光照条件采集商标正样本图像；

步骤13：在某一摄像头设备和某一光照条件下，分别在x-y-z三个自由度上旋转采集商标正样本图像；

步骤14：在步骤13的条件下，旋转商标正样本图像的同时，调整商标图像与摄像头的距离，采集商标正样本图像；

步骤15：从所有得到的商标正样本图像中选取具有较明晰的旋转，距离，光照，仿射变化特征的商标图像做最后的商标正样本图像。

3.按权利要求1所述的商标广告的植入方法，其特征在于：采集不包含待识别商标图像的负样本的图像集的步骤包括：

步骤21：在同一摄像头设备和某一光照条件下，分别采集室内、室外、自然界、不同纯背景色图像作为负样本图像集的一部分；

步骤22：在步骤21的条件下，选取不同的摄像头设备采集图像并把这些图像加入负样本图像集；

步骤23：在步骤21的条件下，根据不同的光照条件采集图像并把这些图像加入负样本图像集；

步骤24：选取开放的图像库里的一些图像并把这些图像加入负样本图像集。

4.按权利要求1所述的商标广告的植入方法，其特征在于，标定正样本的步骤包括：

步骤31：指定一个商标正样本图像的存放目录，按顺序打开图像，用户单击鼠标左键，拖动鼠标标定正样本的范围，正样本的范围在图像中的位置以像素为单位；

步骤32用左键画矩形后，若对结果不满意，则单击右键取消上次标定；

步骤33：处理完当前图像后，操作空格或者双击鼠标自动载入下一张要处理的商标图像；

步骤34：处理完本正样本图像目录下的所有图像后，标定信息自动存储到某文件中。

5.按权利要求1所述的商标广告的植入方法，其特征在于，将所有的正样本和负样本图像进行颜色通道的变换的步骤包括：

步骤41：取图像的RGB通道的值为r、g、b，并记录混合颜色通道信息的中间结果R’、G’、B’、Y为：

R’＝r-(g+b)/2；

G’＝g-(r+b)/2；

B’＝b-(r+g)/2；

Y＝(r+g)/2-|r-g|-b；

步骤42：计算混合的颜色通道信息RG、BY、I：

RG＝|R’-G’|

BY＝|B’-Y|

I＝r×1/3+g×1/3+b×1/3；

步骤43：把混合颜色通道信息RG、BY，I归一化到[0-255]，并把归一化的结果记为Norm(RG)，Norm(BY)，Norm(I)；

步骤44：混合的颜色通道信息最后表示为：

M＝a×Norm(RG)+b×Norm(BY)+c×Norm(I)；

a，b，c为常量参数；

步骤45：将步骤44所得结果作为最终的正、负样本图像值并存储起来。

6.按权利要求1所述的商标广告的植入方法，其特征在于，将步骤4得到的正样本图像进行归一化的步骤包括：

步骤51：将步骤4得到的商标图像正样本的位置信息写到一个单一文件中；

步骤52：根据得到的文件创建需要训练的正样本，并指定正样本的长宽比；

步骤53：对于所有的正样本，按照商标的长宽比归一化到统一尺寸。

7.按权利要求1所述的商标广告的植入方法，其特征在于，用统计学习训练得到的商标图像正、负样本，生成瀑布型级联分类器的步骤包括：

步骤61：取不同尺度的窗计算Haar特征，采用连续的AdaBoost从上万个特征选出最具有明显特征的数十个少量关键特征，构造出弱分类器空间；

步骤62：训练本级窗口的显著特征为弱分类器，训练过程为把本级窗口的显著特征带入到负样本中计算，若取相反的值则为一个弱分类器；如果本级窗口的子窗口拥有显著特征的弱分类器则为分类器级联的条件；训练过的非显著特征将不再用于子窗口的弱分类器训练，使级联分类器的上层向下层筛选时具有较大的正负样本区分能力；

步骤63：使用上一级窗口的有显著特征的弱分类器应用于负样本，即把上一级窗口的弱分类器带入到负样本中计算，增加误识别率高的负样本的筛选权重，即把使用上级弱分类器训练时，不能与正样本区分的负样本权重增加，在训练下层分类器时首先选择这些负样本进行训练，以使下层分类器对使用上层分类器不能分类的负样本有好的分类能力，最后达到构造的多层级联分类器对所有负样本都具有较好的区分能力；

步骤64：级联的过程中调整放宽正样本的训练条件，调整放宽负样本的选择条件；

步骤65：针对某个正样本集的训练结果的单个弱分类器单独存储于一个目录中；

步骤66：最后转换所有的单一弱分类器为一个瀑布型级联分类器。

8.按权利要求1所述的商标广告的植入方法，其特征在于，游戏提示玩家展示带有待识别商标的实物，通过图像输入设备采集待识别商标图像的步骤包括：

步骤71：在交互游戏场景中，用户被提示出示某种商标加速游戏进程或者用户出示某种商标获得某种奖励；

步骤72：用户如果具有游戏要求出示的商标，则把该商标放到摄像头设备前面，待系统识别该商标；

步骤73：启动摄像头，采集视频图像。

9.按权利要求1所述的商标广告的植入方法，其特征在于，根据训练得到的瀑布型级联分类器识别视频图像中的商标，识别到要做广告的商标的步骤包括：

步骤81：对每一帧视频图像进行步骤4中所述的通道信息变换，形成一个积分图像，用快速场景分析定位到待检测目标存在的位置；

步骤82：在不同的尺度上，用步骤6产生的瀑布型级联分类器分别从小尺度到大尺度对采集到的视频图像进行检索，最后进行聚类得到最后的商标位置；

步骤83：如果步骤82聚类成功，则对玩家进行奖励。

Images