CN103902987B - 一种基于卷积网络的台标识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积网络技术的台标识别方法，针对处理相似台标在卷积神经网络识别准确度不高的问题，提出了一种级联神经网络来分类识别台标。其步骤是：第一步采集所需要识别的台标样本；第二步建立级联型卷积网络阵列，把采集的样本进行训练；第三步测试的图像经过卷积神经网络阵列运算，第四步统计阵列计算的结果判定所属台标。本发明已经在PC机进行了实验，进行40个电视台标的识别，包括10个CCTV电视台标和29个非CCTV台标、1个非台标。识别结果：40个台平均识别率为96.98%，平均错误率为0.62%。

Description

一种基于卷积网络的台标识别方法

技术领域

本发明涉及台标识别技术领域，特别是一种基于卷积网络的台标识别方法。

背景技术

台标识别技术是近几年技术进步与市场需求双重催生下发展起来的，它是现代电视技术、网络信息技术、图像处理与人工智能等技术发展下的产物，是目前基于内容的视频检索、分析、理解等领域的热门技术。

原有的台标识别方法种类繁多，常用的方法包括Hu不变矩法、模板匹配法、基于边缘检测以及基于区域的方法。随着机器智能技术的发展，相关研究人员提出基于神经网络的台标识别方法，利用台标位置、形状等的时空不变特性，利用已经训练好的神经网络对候选台标区域进行检测识别，最后根据决策结果判断，但是准确率不高，识别数量上也无法满足需求。

发明内容

本发明的目的是克服现有神经网络算法的不足，提出了一种基于卷积网络的台标识别方法。

本发明采用以下方案实现：一种基于卷积网络的台标识别算法，其特征在于包括以下步骤：

步骤S01：台标样本采集阶段只获取格式为YUYV视频流中Y分量存储成图像文件，采集所需要识别的台标样本；

步骤S02：卷积参数库建立的阶段通过生成一个训练对应矩阵，N个台标按照对应矩阵关系两两训练达到区分效果，然后把网络参数存储成卷积神经网络对应矩阵参数库，共N*（N-1）/2个卷积神经网络对应矩阵参数库；

步骤S03：统计识别阶段中把测试台标输入这N*（N-1）/2个卷积神经网络对应矩阵参数库进行卷积计算，输出数据按照正负对台标拟属电视台进行累加，统计累加值最高的判断为对应电视台台标，其中N为整数。

在本发明一实施例中，所述步骤S01中的台标样本采集包括：

步骤S21：按一定时间间隔从视频流中获取YUYY中Y分量存储成像；

步骤S22：在图像中按固定句型框来抽取台标图缩放到一定大小、采样到M张，M为整数；

步骤S23：完成对所有电视台台标的采样。

在本发明一实施例中，所述步骤S03中的卷积计算包括以下步骤：

步骤S31：采用随机数初始化网络参数，把采集好的台标样本随机排序后输入；

步骤S32：图像进行预处理，包括滤波和直方图均值化，进行正向传播进入C1层；

步骤S33：进行随机卷积处理，进行子采样处理，按对应关系存入S1层；

步骤S34：进行随机卷积处理，进行子采样处理，按对应关系存入C2层；

步骤S35：图像矩阵调整成序列，进行固定卷积处理，按对应关系存入S2子层；

步骤S36：进行固定卷积处理，按对应关系存入N1子层；

步骤S37：采用特定函数y=s（x）处理统计后的输出；

步骤S38：反向中采用x=f（y），进行反向传播；

步骤S39：数据经S2、C2、S1、C1子层，并通过对比正向传播数据修改网络参数；

步骤S40：重复步骤S31到S39直到达到区分两组台标效果。

本发明的方法的主要特点如下：

针对台标识别需要较高的识别率，而原有神经网络对多个对象识别时需要增加网络层数和训练复杂度之后，还无法取得较高的识别率的弊端，本发明在不增加网络层数和训练复杂度的情况下，提供一种基于卷积神经网络的台标识别方法，来提高台标识别的效率和准确率。

附图说明

图1为台标识别算法流程图。

图2为测试图像例图。

图3 为样本采集流程图。

图4为卷积网络参数库对应关系。

图5为卷积神经网络结构。

图6为S1层进入C2层的对应关系1。

图7为S1层进入C2层的对应关系2。

图8为S1层进入C2层的对应关系3。

图9为判决标准样例。

图10为台标判决流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参见图1，本实施例中，该基于卷积网络的台标识别算法包括：步骤S01：台标样本采集阶段只获取格式为YUYV视频流中Y分量存储成图像文件，采集所需要识别的台标样本；步骤S02：卷积参数库建立的阶段通过生成一个训练对应矩阵，N个台标按照对应矩阵关系两两训练达到区分效果，然后把网络参数存储成卷积神经网络对应矩阵参数库，共N*（N-1）/2个卷积神经网络对应矩阵参数库；步骤S03：统计识别阶段中把测试台标输入这N*（N-1）/2个卷积神经网络对应矩阵参数库进行卷积计算，输出数据按照正负对台标拟属电视台进行累加，统计累加值最高的判断为对应电视台台标，其中N为整数。

较佳的，本实施例中，获取机顶盒视频流（YUYV格式）中Y分量提取获得所需H*W（H为高度，W为宽度）的图像，按台标相应位置（一般为显示图像的左上角）由固定位置大小的矩形框抽取样本图像H1*W1，按比例缩放到一定大小（实验下采用54*131）进行训练。样本图像如下图2所示，样本采集流程图如图3所示，包括：a、按一定时间间隔从视频流中获取YUYY中Y分量存储成像；b、在图像中按固定句型框来抽取台标图缩放到一定大小、采样到M张；c、完成对所有电视台台标的采样。

卷积参数库建立：一共有N组台标，按照图4表格对应关系（圆圈代表对应其行与列的台标）进行卷积神经网络训练。共获得N*（N-1）/2个卷积网络矩阵参数库，设定行项为正样本，列项为负样本（如第一个圈代表第N组与第N-1组台标训练，第N组为正样本，第N-1组为负样本）。

卷积神经网络结构，如图5。

（1）采用随机数初始化网络参数，把采集好的台标样本随机排序后输入。

（2）图像进行预处理，包括滤波和直方图均值化，进行正向传播进入C1层。

（3）进行随机卷积处理，进行子采样处理，按对应关系存入S1层。

（4）进行随机卷积处理，进行子采样处理，按对应关系存入C2层，如图6的对应关系。还能采用图7，图8的对应关系。

（5）图像矩阵调整成序列，进行固定卷积处理，按对应关系存入S2子层。

（6）进行固定卷积处理，按对应关系存入N1子层。

（7）采用特定函数y=s（x）处理统计后的输出。

（8）反向中采用x=f（y）（f为s的反函数），进行反向传播。

（9）数据经S2、C2、S1、C1子层，并通过对比正向传播数据修改网络参数。

（10）重复（1）到（9）直到达到区分两组台标效果。

在数据由S1层向C2层传输过程中，可以修改对应关系结构优化神经网络，通过实验验证图6的对应关系数据收敛效果较好。

统计识别阶段：测试样本输入卷积判断，输出大于零的标定为正样本（表示该台标通过第一个卷积运算后，判断为更趋近与正样本）。如图9样例，测试样本为台标3，3个卷积输出判断为正样本，正样本，负样本，得出台标3累加值为2，则判断该测试台标为台标3。判决流程图如图10所示。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (2)

1.一种基于卷积网络的台标识别算法，其特征在于包括以下步骤：

步骤S01：台标样本采集阶段只获取格式为YUYV视频流中Y分量存储成图像文件，采集所需要识别的台标样本；

步骤S02：卷积参数库建立的阶段通过生成一个训练对应矩阵，N个台标按照对应矩阵关系两两训练达到区分效果，然后把网络参数存储成卷积神经网络对应矩阵参数库，共N*（N-1）/2个卷积神经网络对应矩阵参数库；

步骤S03：统计识别阶段中把测试台标输入这N*（N-1）/2个卷积神经网络对应矩阵参数库进行卷积计算，输出数据按照正负对台标拟属电视台进行累加，统计累加值最高的判断为对应电视台台标，其中N为整数；

所述步骤S03中的卷积计算包括以下步骤：

步骤S31：采用随机数初始化网络参数，把采集好的台标样本随机排序后输入；

步骤S32：图像进行预处理，包括滤波和直方图均值化，进行正向传播进入C1层；

步骤S33：进行随机卷积处理，进行子采样处理，按对应关系存入S1层；

步骤S34：进行随机卷积处理，进行子采样处理，按对应关系存入C2层；

步骤S35：图像矩阵调整成序列，进行固定卷积处理，按对应关系存入S2子层；

步骤S36：进行固定卷积处理，按对应关系存入N1子层；

步骤S37：采用特定函数y=s（x）处理统计后的输出；

步骤S38：反向中采用x=f（y），进行反向传播；

步骤S39：数据经S2、C2、S1、C1子层，并通过对比正向传播数据修改网络参数；

步骤S40：重复步骤S31到S39直到达到区分两组台标效果。

2.根据权利要求1所述的基于卷积网络的台标识别算法，其特征在于：所述步骤S01中的台标样本采集包括：

步骤S21：按一定时间间隔从视频流中获取YUYY中Y分量存储成像；

步骤S22：在图像中按固定句型框来抽取台标图缩放到一定大小、采样到M张，M为整数；

步骤S23：完成对所有电视台台标的采样。