CN104200238B - 台标识别方法和台标识别装置 - Google Patents
台标识别方法和台标识别装置 Download PDFInfo
- Publication number
- CN104200238B CN104200238B CN201410487354.3A CN201410487354A CN104200238B CN 104200238 B CN104200238 B CN 104200238B CN 201410487354 A CN201410487354 A CN 201410487354A CN 104200238 B CN104200238 B CN 104200238B
- Authority
- CN
- China
- Prior art keywords
- station symbol
- node
- class
- sample
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种台标识别方法和台标识别装置,该台标识别方法包括:根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,多级分类器包括与台标分类树中各分支节点一一对应的若干个子分类器,子分类器中包括与对应的分支节点的子节点一一对应的若干个分类模型,分类模型的正样本为对应的子节点中包含的全部台标样本,分类模型的负样本为与对应的子节点为兄弟关系的其他子节点中包含的全部台标样本;根据多级分类器识别出显示图像中的待检测台标的标识。本发明的技术方案通过预先构建具有多层结构的台标分类树,然后基于台标分类树生成相应的多级分类器,最后根据多级分类器以实现对显示图像中的待检测台标的标识的精准识别。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种台标识别方法和台标识别装置。
背景技术
随着人们生活水平的提高,智能电视在家庭中的普及率日益广泛,在人们的日常休闲与娱乐生活中起到越来越重要的作用。
智能电视在为用户提供交互点对点的娱乐和信息等服务时,首先需要获知智能电视当前播放节目的内容,然后根据当前播放内容提供相关的服务,从而实现与用户进行实时互动。现有技术中,为获取用户当前播放的内容,首先需要识别出用户当前播放画面中台标的标识,然后基于识别出的台标的标识从服务器端获取相应的直播信号,最后基于该直播信号可以获知当前播放节目的内容。
然而,由于现有技术中对台标的标识的识别精确度不高,尤其是在识别一些相似台标的标识时,很容易发生对台标的错误识别,从而导致智能电视为用户提供了与当前画面不对应的交互信息,造成用户的体验感下降。
发明内容
本发明提供一种台标识别方法和台标识别装置,可有效识别出显示图像中的待检测台标的标识。
为实现上述目的,本发明提供一种台标识别方法,包括:
根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,所述多级分类器包括与所述台标分类树中各分支节点一一对应的子分类器,所述子分类器中包括与对应的所述分支节点的子节点一一对应的若干个分类模型,所述分类模型的正样本为对应的所述子节点中包含的全部所述台标样本,所述分类模型的负样本为与对应的所述子节点为兄弟关系的其他所述子节点中包含的全部所述台标样本;
根据所述多级分类器识别出显示图像中的待检测台标的标识。
可选地,所述根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器的步骤之前还包括:
计算各台标样本与其他台标样本之间的相似度;
根据各台标样本与其他台标样本之间的相似度生成具有多层结构的所述台标分类树,其中所述台标分类树的根节点为全部的所述台标样本,所述台标分类树的叶节点为各所述台标样本,所述台标分类树的分支节点中的台标样本之间的相似度的最小值大于所述分支节点的父节点中的台标样本之间的相似度的最小值。
可选地,所述根据所述多级分类器识别出显示图像中的待检测台标的标识的步骤具体包括:
从所述显示图像中提取待检测台标的台标图像,所述台标图像的尺寸与所述台标样本的尺寸相同;
根据当前节点对应的子分类器识别出所述台标图像在下一层分支中对应的分类节点;
判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标图像对应的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续执行所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤。
可选地,所述根据所述多级分类器识别出显示图像中的待检测台标的标识的步骤具体包括:
从所述显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,所述预定尺寸大于所述台标样本的尺寸;
根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标检测图像中包含的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续执行所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤。
可选地,所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤包括:
在所述台标检测图像中建立与台标样本尺寸相同的滑动窗,所述滑动窗以预定步长对所述台标检测图像进行扫描。
根据当前节点对应的子分类器中的所述分类模型,计算所述滑动窗处于不同位置时所述滑动窗中的图像在下一层分支中对应各个分类节点的概率Hi(x),其中,
其中,i代表分类节点的类别,xk代表滑动窗,δ为一个预设阈值,fi(xk)表示滑动窗xk属于第i类的概率,Hi(x)表示台标检测图像属于第i类的概率;
根据计算出的所述滑动窗处于不同位置时所述滑动窗中的图像对应各个分类节点的概率,计算所述台标检测图像对应各个分类节点的概率;
根据计算出的所述台标检测图像对应各个分类节点的概率之中的最大值识别出所述台标检测图像在下一层分支中对应的分类节点。
可选地,所述台标分类树的结构层数大于2。
可选地,所述台标分类树的结构层数为3。
为实现上述目的,本发明提供一种台标识别装置,包括:分类器生成模块和标识识别模块,其中所述分类器生成模块与所述标识识别模块连接;
所述分类器生成模块用于根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,所述多级分类器包括与所述台标分类树中各分支节点一一对应的若干个子分类器,所述子分类器中包括与对应的所述分支节点的子节点一一对应的若干个分类模型,所述分类模型的正样本为对应的所述子节点中包含的全部所述台标样本,所述分类模型的负样本为与对应的所述子节点为兄弟关系的其他所述子节点中包含的全部所述台标样本;
所述标识识别模块用于根据所述多级分类器识别出显示图像中的待检测台标的标识。
可选地,还包括:相似度计算模块和分类树生成模块,其中所述分类树生成模块与所述相似度计算模块和所述分类器生成模块连接,
所述相似度计算模块用于计算各台标样本与其他台标样本之间的相似度;
所述分类树生成模块用于根据各台标样本与其他台标样本之间的相似度生成具有多层结构的所述台标分类树,其中所述台标分类树的根节点为全部的所述台标样本,所述台标分类树的叶节点为各所述台标样本,所述台标分类树的分支节点中的台标样本之间的相似度的最小值大于所述分支节点的父节点中的台标样本之间的相似度的最小值。
可选地,所述标识识别模块包括:第一图像提取单元、第一节点识别单元和第一节点类型判断单元,其中所述第一节点识别单元与所述第一图像提取单元和所述第一节点类型判断单元连接;
第一图像提取单元用于从所述显示图像中提取待检测台标的台标图像,所述台标图像的尺寸与所述台标样本的尺寸相同;
第一节点识别单元用于根据当前节点对应的子分类器识别出所述台标图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
第一节点类型判断单元用于判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标图像对应的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续利用所述第一节点识别单元根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点。
可选地,所述标识识别模块包括:第二图像提取单元、第二节点识别单元和第二节点类型判断单元,其中所述第二节点识别单元与所述第二图像提取单元和所述第二节点类型判断单元连接;
所述第二图像提取单元用于从所述显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,所述预定尺寸大于所述台标样本的尺寸;
所述第二节点识别单元用于根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
所述第二节点类型判断单元用于判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标检测图像中包含的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续利用所述第二节点识别单元根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点。
可选地,所述第二节点识别单元包括:滑动窗生成子单元、滑动窗分类概率计算子单元、检测图像分类概率计算子单元和检测图像分类节点识别子单元,其中所述滑动窗生成子单元与所述滑动窗分类概率计算子单元连接,所述检测图像分类概率计算子单元与所述滑动窗分类概率计算子单元和所述检测图像分类节点识别子单元连接;
滑动窗生成子单元用于在所述台标检测图像中建立与台标样本尺寸相同的滑动窗,所述滑动窗以预定步长对所述台标检测图像进行扫描;
滑动窗分类概率计算子单元用于根据当前节点对应的子分类器中的所述分类模型,计算所述滑动窗处于不同位置时所述滑动窗中的图像在下一层分支中对应各个分类节点的概率;
检测图像分类概率计算子单元用于根据计算出的所述滑动窗处于不同位置时所述滑动窗中的图像对应各个分类节点的概率,计算所述台标检测图像对应各个分类节点的概率Hi(x),其中
其中,i代表分类节点的类别,xk代表滑动窗,δ为一个预设阈值,fi(xk)表示滑动窗xk属于第i类的概率,Hi(x)表示台标检测图像属于第i类的概率;
检测图像分类节点识别子单元用于根据计算出的所述台标检测图像对应各个分类节点的概率之中的最大值识别出所述台标检测图像在下一层分支中对应的分类节点。
本发明具有以下有益效果:
本发明提供了一种台标识别方法和台标识别装置,该台标识别方法包括:根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,多级分类器包括与台标分类树中各分支节点一一对应的子分类器,子分类器中包含有与对应的分支节点的子节点一一对应的分类模型,分类模型的正样本为对应的子节点中包含的全部台标样本,分类模型的负样本为与对应的子节点为兄弟关系的其他子节点中包含的全部台标样本;根据多级分类器识别出显示图像中的待检测台标的标识。本发明的技术方案通过预先构建具有多层结构的台标分类树,然后基于台标分类树生成相应的多级分类器,最后根据多级分类器以实现对显示图像中的待检测台标的标识的精准识别。
附图说明
图1为本发明实施例一提供的台标识别方法的流程图;
图2为本发明实施例一中生成的三层结构的台标分类树的示意图;
图3为本发明实施例一中生成的四层结构的台标分类树的示意图;
图4为本发明实施例一中步骤104的具体流程图;
图5为本发明实施例二提供的台标识别方法的流程图;
图6为本发明实施例二中步骤205的具体流程图;
图7为本发明实施例三提供的台标识别的结构示意图;
图8为本发明实施例三中的标识识别模块的结构示意图;
图9为本发明实施例四中的标识识别模块的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的台标识别方法和台标识别装置进行详细描述。
图1为本发明实施例一提供的台标识别方法的流程图,如图1所示,包括:
步骤101:计算各台标样本与其他台标样本之间的相似度。
本实施例中,计算各台标样本与其他台标样本之间的相似度,以便后续步骤中根据各台标样本与其他台标样本之间的相似度生成具有多层结构的台标分类。
需要说明的是,两个台标样本之间相似度可以利用现有技术中存在的任意一种图像相似度计算方法得到,该相似度的计算过程此处不再进行赘述。
在本实施例中,假定全部的台标样本分别数量为9个,且这9个台标样本分别为:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7、湖南卫视和东方卫视。各台标样本与其他台标样本之间的相似度的值可参见表1,表1为各台标样本之间的相似度表,如下表1:
表1.各台标样本之间的相似度表
由上表1可以看出,属于CCTV类的任意两个台标样本之间的相似度均较高,属于CCTV类的台标样本与非CCTV类的台标样本之间的相似度较低,属于非CCTV类的两个台标样本之间的相似度也较低。
需要说明的是,上述台标样本数量为9个的技术方案起到示例性作用,并不对本申请的技术方案产生限制。
步骤102:根据各台标样本与其他台标样本之间的相似度生成具有多层结构的台标分类树,其中台标分类树的根节点为全部的台标样本,台标分类树的叶节点为各的台标样本,台标分类树的分支节点中的台标样本之间的相似度的最小值大于分支节点的父节点中的台标样本之间的相似度的最小值。
根据各台标样本与其他台标样本之间的相似度生成具有多层结构的台标分类树,其中该台标分类树的结构层数大于2,本实施例中优选地,该台标分类树的结构层数为3。
下面以根据CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7、湖南卫视和东方卫视这9个台标样本生成一个三层结构的台标分类树为例进行详细说明。其中,假定进行归一化处理后的各台标样本的尺寸均为160×80。
图2为本发明实施例一中生成的三层结构的台标分类树的示意图。
其中该三层结构的台标分类树的第一层为台标分类树的根节点A,该根节点A含全部的台标样本,即:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7、湖南卫视和东方卫视,该根节点A中台标样本之间的相似度的最小值为0.1。
在构建该台标分类树的第二层时,以相似度为0.5为基准进行分类。具体地,将其中任意两个台标样本的相似度均大于或等于0.5的至少两个台标样本所构成的集合划分为一类并作为一个分支节点,而与其他任意一个台标样本的相似度均小于0.5的台标样本则单独划分为一类并作为一个叶节点。通过上述分类后,该台标分类树的第二层包括一个分支节点B和两个叶节点C、D,该分支节点B包含台标样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7,叶节点C包含台标样本:湖南卫视,叶节点D包含台标样本:东方卫视。此时分支节点B中的相似度的最小值为0.6,大于根节点A中台标样本之间的相似度的最小值0.1。
在构建该台标分类树的第三层时,以相似度为0.95为基准进行分类,此时该台标分类树的第三层包括7个叶节点E、F、G、H、I、J、K。其中叶节点E包含台标样本:CCTV1,叶节点F包含台标样本:CCTV2,叶节点G包含台标样本:CCTV3,叶节点H包含台标样本:CCTV4,叶节点I包含台标样本:CCTV5,叶节点J包含台标样本:CCTV6,叶节点K包含台标样本:CCTV7。
当然,本实施例中台标分类树的结构层数为三层情况仅起到示例性作用。本实施例中,台标分类树的结构层数大于2均可。例如:还可以根据上述9个台标样本生成一个四层结构的台标分类树。图3为本发明实施例一中生成的四层结构的台标分类树的示意图,如图3所示,第一层结构仅包括一个根节点A’,根节点A’包含台标样本CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7、湖南卫视和东方卫视,根节点A中台标样本之间的相似度的最小值为0.1
第二层结构包括:一个分支节点B’和两个叶节点C’、D’,该分支节点B’包含台标样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7,叶节点C’包含台标样本:湖南卫视,叶节点D’包含台标样本:东方卫视。此时分支节点B’中的相似度的最小值为0.6,大于根节点A中台标样本之间的相似度的最小值。
第三层结构包括:一个分支节点E’和5个叶节点F’、G’、H’、I’、J’,其中该分支节点E’包含台标样本:CCTV1和CCTV7,叶节点F’包含台标样本:CCTV2,叶节点G’包含台标样本:CCTV3,叶节点H’包含台标样本:CCTV4,叶节点I’包含台标样本:CCTV5,叶节点J’包含台标样本:CCTV6。
第四层结构包括:两个叶节点K’、L’,其中叶节点K’包含台标样本:CCTV1,叶节点L’包含台标样本:CCTV7。
本实施例中,需要说明的是,当分类数的层数越多时,在后续识别待检测台标的标识时,其检测结果越精确。
步骤103:根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,多级分类器包括与台标分类树中各分支节点一一对应的若干个子分类器,子分类器包括与对应的分支节点的子节点一一对应的若干个分类模型,分类模型的正样本为对应的子节点中包含的全部台标样本,分类模型的负样本为与对应的子节点为兄弟关系的其他子节点中包含的全部台标样本。
在步骤103中,仅以台标分类树为三层结构的情况为例来进行说明。具体地,根据预先生成的具有三层结构的台标分类树训练出相应的二级分类器。
在该二级分类器的第一级中仅存在一个对应根节点A的子分类器。由于根节点A有三个子节点,因此对应根节点A生成的子分类器中包含有三个分类模型,且分别记为分类模型A-1、分类模型A-2和分类模型A-3,其中分类模型A-1对应节点B,分类模型A-2对应节点C,分类模型A-3对应节点D,三个分类模型对应的正、负样本如下。
分类模型A-1的正样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7。
分类模型A-1的负样本:湖南卫视和东方卫视。
分类模型A-2的正样本:湖南卫视。
分类模型A-2的负样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7和东方卫视。
分类模型A-1的正样本:东方卫视。
分类模型A-1的负样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7和湖南卫视。
在该二级分类器的第一级中仅存在一个对应分支节点B的子分类器,由于分支节点B有七个子节点,因此对应分支节点B生成的子分类器中包含有七个分类模型,且分别记为分类模型B-1、分类模型B-2、分类模型B-3、分类模型B-4、分类模型B-5、分类模型B-6和分类模型B-7,其中分类模型B-1对应节点E,分类模型B-2对应节点F,分类模型B-3对应节点G,分类模型B-4对应节点H,分类模型B-5对应节点I,分类模型B-6对应节点J,分类模型B-7对应节点K,七个分类模型对应的正、负样本如下。
分类模型B-1的正样本:CCTV1。
分类模型B-1的负样本:CCTV2、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7.
分类模型B-2的正样本:CCTV2。
分类模型B-2的负样本:CCTV1、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7。
分类模型B-3的正样本:CCTV3。
分类模型B-3的负样本:CCTV1、CCTV2、CCTV4、CCTV5、CCTV6和CCTV7。
分类模型B-4的正样本:CCTV4。
分类模型B-4的负样本:CCTV1、CCTV2、CCTV3、CCTV5、CCTV6和CCTV7
分类模型B-5的正样本:CCTV5。
分类模型B-5的负样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV6和CCTV7。
分类模型B-6的正样本:CCTV6。
分类模型B-6的负样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、和CCTV7。
分类模型B-7的正样本:和CCTV7。
分类模型B-7的负样本:CCTV1、CCTV2、CCTV3、CCTV4、CCTV5和CCTV6。
步骤104:根据多级分类器识别出显示图像中的待检测台标的标识。
图4为本发明实施例一中步骤104的具体流程图,如图4所示,可选地,步骤104包括:
步骤1041:从显示图像中提取待检测台标的台标图像,台标图像的尺寸与台标样本的尺寸相同。
在步骤1041中,先对显示图像进行归一化处理,以使显示图像归一化后的尺寸为720×576,然后利用图像处理技术从归一化后的显示图像中提取待检测台标的台标图像,其中提取出的台标图像的尺寸与台标样本的尺寸相同,即为160×80。
步骤1042:根据当前节点对应的子分类器识别出台标图像在下一层分支中对应的分类节点。
步骤1043:判断分类节点的类型是否为叶节点。
在步骤1043中,若判断出分类节点的类型为叶节点,则识别出台标图像对应的待检测台标的标识为叶节点对应的台标样本的标识,若判断出分类节点的类型为分支节点,则继续执行根据当前节点对应的子分类器识别出台标检测图像在下一层分支中对应的分类节点的步骤1042。
此处需要说明的是,对于本领域的技术人员来说如何判断树结构中的一个节点是否为叶节点为本领域的现有技术。
下面以待识别台标为CCTV1为例,来描述步骤1042和步骤1043的过程。
首先,执行步骤1042,根据根节点A对应的子分类器识别出台标图像在台标分类树的第二层对应的分类节点,此时识别出的台标图像在台标分类树的第二层对应的分类节点为节点B。
需要说明的是,在利用根节点A对应的子分类器进行分类时,对应的台标样本的总集合为CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6、CCTV7、湖南卫视和东方卫视。
然后,执行步骤1043,判断分类节点B的类型是否为叶节点。此时,经过步骤1043后判断出分类节点B的类型为分支节点。
再然后,执行步骤1042,根据分类节点B对应的子分类器识别出台标图像在台标分类树的第三层对应的分类节点,此时识别出的台标图像在台标分类树的第三层对应的分类节点为节点E。
需要说明的是,在利用分类节点B对应的子分类器进行分类时,对应的台标样本的总集合为CCTV1、CCTV2、CCTV3、CCTV4、CCTV5、CCTV6和CCTV7。
接着,执行步骤1043,判断分类节点E的类型是否为叶节点,此时判断出分类节点E的类型为叶节点,则识别出台标图像对应的待检测台标的标识为叶节点E对应的台标样本的标识,即为CCTV1,流程结束。
由上述过程可以看出,随着子分类器的识别次数的增加,相应的子分类器中对应的台标样本的总集合在逐渐缩小,此时对应的识别精度会逐渐升高。
在本实施例中,虽然台标分类树的结构层数越多,对待检测台标的识别的识别精度会越高,但是多级分类器对应的运算时间也会相应增加。本实施例中,综合对识别精度和运算时间的考虑,优选地,生成的台标分类树的层数为三层,对应的多级分类器的级数为两级。
本发明实施例一提供了一种台标识别方法,该方法包括:根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器;根据所述多级分类器识别出显示图像中的待检测台标的标识,本发明的技术方案可对显示图像中的待检测台标进行精确的识别。
实施例二
图5为本发明实施例二提供的台标识别方法的流程图,如图5所示,该台标识别方法包括:
步骤201:计算各台标样本与其他台标样本之间的相似度。
步骤202:根据各台标样本与其他台标样本之间的相似度生成具有多层结构的台标分类树,其中台标分类树的根节点为全部的台标样本,台标分类树的叶节点为各台标样本,台标分类树的分支节点中的台标样本之间的相似度的最小值大于分支节点的父节点中的台标样本之间的相似度的最小值。
步骤203:根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,多级分类器包括与台标分类树中各分支节点一一对应的若干个子分类器,子分类器中包括与对应的分支节点的子节点一一对应的若干个分类模型,分类模型的正样本为对应的子节点中包含的全部台标样本,分类模型的负样本为与对应的子节点为兄弟关系的其他子节点中包含的全部台标样本。
本实施例中的步骤201至步骤203与上述实施例一中的步骤101至步骤103相同,具体内容可参见上述实施例一中对步骤101至步骤103的描述,此处不再赘述。
需要说明的是,本实施例中以步骤202中生成的台标分类树为图2所示的台标分类树为例进行描述。
步骤204:从显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,预定尺寸大于台标样本的尺寸。
在利用上述实施例一中的步骤1041提取显示图像中的待检测台标的台标图像时,提取的台标图像的尺寸(160×80)较小,因此很难准确的获取到待检测台标的完整标识,从而导致后续的识别过程产生错误识别。
为解决上述问题,本实施例中从显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,且该预定尺寸大于台标样本的尺寸(160×80),本实施例中可选地,预定尺寸的大小为230×150。由于预定尺寸大于台标样本的尺寸,因此该台标检测图像可有效的包含待检测台标的完整标识。
步骤205:根据当前节点对应的子分类器识别出台标检测图像在下一层分支中对应的分类节点,分类节点为当前节点的子节点。
图6为本发明实施例二中步骤205的具体流程图,如图6所示,可选地,步骤205包括:
步骤2051:在台标检测图像中建立与台标样本尺寸相同的滑动窗,滑动窗以预定步长对台标检测图像进行扫描。
本实施例中,假定台标检测图像的尺寸为230×150,滑动框的尺寸为160×80,扫描步长为2个像素,因此滑动框在水平方向上存在36个不同位置,在竖直方向上存在36个不同位置,在该台标检测图像中滑动框总共存在1296个不同位置。
步骤2052:根据当前节点对应的子分类器中的分类模型,计算滑动窗处于不同位置时滑动窗中的图像在下一层分支中对应各个分类节点的概率。
本实施例中以当前节点为图2中的根节点A为例进行说明,此时相应的,在下一层分支中对应3个分类节点B、C、D。
在步骤2052中,计算出的滑动窗处于不同位置时滑动窗中的图像在下一层分支中对应各个分类节点的概率记为fi(xk)。其中,i代表分类节点的类别,xk代表滑动窗,fi(xk)即表示滑动窗xk属于第i类的概率。
其中,fi(xk)可根据当前节点对应的子分类器中的分类模型计算,其过程如下:其中,首先提取滑动窗xk的特征向量;然后将滑动窗xk对应的特征向量分别输入到各分类模型中,从而可输出滑动窗xk属于各类别i的概率。本实施中当前节点A在下一层分支中对应的分类节点的数量为3个,因此i的取值可以为1、2或3(此处的1、2、3均表示类别)。相应地,滑动框总共存在1296个不同位置,因此k的取值可以为1至1296中任意一个整数。
步骤2053:根据计算出的滑动窗处于不同位置时滑动窗中的图像对应各个分类节点的概率,计算台标检测图像对应各个分类节点的概率。
在步骤2053中,计算出的计算台标检测图像对应各个分类节点的概率记为Hi(x),其中x表示台标检测图像,Hi(x)表示台标检测图像属于第i类的概率。其中,Hi(x)可通过如下公式计算得出。
其中,m表示该台标检测图像中滑动框可处不同位置的总数,本实施例中,该台标检测图像中滑动框总共存在1296个不同位置,因此m的取值为1296。h(xk)用于判断滑动窗xk是否属于第i类,其中当fi(xk)<=δ时,则判断出滑动窗xk不属于第i类,即h(xk)取值为0;当当fi(xk)>δ时,则判断出滑动窗xk属于第i类,即h(xk)取值为1。其中δ为一个预设阈值,可选地δ为0.5。
由于当前节点为根节点A,且根节点A在下一层分支中对应3个分类节点B、C、D,因此在步骤2053结束后可输出三个概率值,其中台标检测图像对应分类节点B的概率记为H1(x),台标检测图像对应分类节点C的概率记为H2(x),台标检测图像对应分类节点D的概率记为H3(x)
步骤2054:根据计算出的台标检测图像对应各个分类节点的概率之中的最大值识别出台标检测图像在下一层分支中对应的分类节点。
在步骤2054中,比较上述步骤2053中计算出的各个概率值,并获得上述步骤2053中计算出各个概率值之中的最大值,根据该最大值可识别出标检测图像在下一层分支中对应的分类节点。
本实施例中,通过步骤2053输出有H1(x)、H2(x)和H3(x)三个概率值,在步骤2054中,若比较出H1(x)最大,则识别出标检测图像对应分类节点B;若比较出H2(x)最大,则识别出标检测图像对应分类节点C;若比较出H3(x)最大,则识别出标检测图像对应分类节点C。
通过上述步骤2051至步骤2054可识别出台标检测图像在下一层分支中对应的分类节点。
步骤206:判断分类节点的类型是否为叶节点。
若判断出分类节点的类型为叶节点,则识别出台标检测图像中包含的待检测台标的标识为叶节点对应的台标样本的标识,若判断出分类节点的类型为分支节点,则继续执行步骤205。
本发明实施例二提供了一种台标识别方法,在该台标识别方法中,采用滑动窗扫描的方式判断台标检测图像对应的分类,同时采用多级分类器识别出台标检测图像中包含的待检测台标的标识,从而实现对显示图像中的待检测台标进行精确的识别。
实施例三
图7为本发明实施例三提供的台标识别装置的结构示意图,如图7所示,该台标识别装置包括:分类器生成模块3和标识识别模块4,其中分类器生成模块3与标识识别模块4连接,分类器生成模块3用于根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,多级分类器包括与台标分类树中各分支节点一一对应的若干个子分类器,子分类器中包括与对应的分支节点的子节点一一对应的若干个分类模型,分类模型的正样本为对应的子节点中包含的全部台标样本,分类模型的负样本为与对应的子节点为兄弟关系的其他子节点中包含的全部台标样本,标识识别模块4用于根据多级分类器识别出显示图像中的待检测台标的标识。
可选地,该台标识别装置还包括:相似度计算模块1和分类树生成模块2,其中分类树生成模块2与相似度计算模块1和分类器生成模块3连接,相似度计算模块1用于计算各台标样本与其他台标样本之间的相似度,分类树生成模块2用于根据各台标样本与其他台标样本之间的相似度生成具有多层结构的台标分类树,其中台标分类树的根节点为全部的台标样本,台标分类树的叶节点为各台标样本,台标分类树的分支节点中的台标样本之间的相似度的最小值大于分支节点的父节点中的台标样本之间的相似度的最小值。
图8为本发明实施例三中的标识识别模块的结构示意图,如图8所示,标识识别模块4包括:第一图像提取单元5、第一节点识别单元6和第一节点类型判断单元7,其中第一节点识别单元6与第一图像提取单元5和第一节点类型判断单元7连接;第一图像提取单元5用于从显示图像中提取待检测台标的台标图像,台标图像的尺寸与台标样本的尺寸相同,第一节点识别单元6用于根据当前节点对应的子分类器识别出台标图像在下一层分支中对应的分类节点,分类节点为当前节点的子节点,第一节点类型判断单元7用于判断分类节点的类型是否为叶节点,若判断出分类节点的类型为叶节点,则识别出台标图像对应的待检测台标的标识为叶节点对应的台标样本的标识,若判断出分类节点的类型为分支节点,则继续利用第一节点识别单元6根据当前节点对应的子分类器识别出台标检测图像在下一层分支中对应的分类节点。
本实施例中的台标识别装置识别台标的过程可参见上述实施例一中的描述,此处不再赘述。
实施例四
本发明实施例四提供了一种台标识别装置,该台标识别装置包括:相似度计算模块、分类树生成模块、分类器生成模块和标识识别模块。本实施例与上述实施例三的区别在于,本实施例中的标识识别模块与上述实施例三中的标识识别模块不同。
图9为本发明实施例四中的标识识别模块的结构示意图,如图9所示,标识识别模块4包括:第二图像提取单元8、第二节点识别单元9和第二节点类型判断单元10,其中第二节点识别单元9与第二图像提取单元8和第二节点类型判断单元10连接,第二图像提取单元8用于从显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,预定尺寸大于台标样本的尺寸,第二节点识别单元9用于根据当前节点对应的子分类器识别出台标检测图像在下一层分支中对应的分类节点,分类节点为当前节点的子节点,第二节点类型判断单元10用于判断分类节点的类型是否为叶节点,若判断出分类节点的类型为叶节点,则识别出台标检测图像中包含的待检测台标的标识为叶节点对应的台标样本的标识,若判断出分类节点的类型为分支节点,则利用第二节点识别单元继续根据当前节点对应的子分类器识别出台标检测图像在下一层分支中对应的分类节点。
本实施例中,进一步可选地,第二节点类型判断单元10包括:滑动窗生成子单元11、滑动窗分类概率计算子单元12、检测图像分类概率计算子单元13和检测图像分类节点识别子单元14,其中滑动窗生成子单元11与滑动窗分类概率计算子单元12连接,检测图像分类概率计算子单元13与滑动窗分类概率计算子单元12和检测图像分类节点识别子单元14连接,滑动窗生成子单元11用于在台标检测图像中建立与台标样本尺寸相同的滑动窗,滑动窗以预定步长对台标检测图像进行扫描,滑动窗分类概率计算子单元12用于根据当前节点对应的子分类器中的分类模型,计算滑动窗处于不同位置时滑动窗中的图像在下一层分支中对应各个分类节点的概率,检测图像分类概率计算子单元13用于根据计算出的滑动窗处于不同位置时滑动窗中的图像对应各个分类节点的概率,计算台标检测图像对应各个分类节点的概率Hi(x)
其中,i代表分类节点的类别,xk代表滑动窗,δ为一个预设阈值,fi(xk)表示滑动窗xk属于第i类的概率,Hi(x)表示台标检测图像属于第i类的概率;检测图像分类节点识别子单元14用于根据计算出的台标检测图像对应各个分类节点的概率之中的最大值识别出台标检测图像在下一层分支中对应的分类节点。
本实施例中的台标识别装置识别台标的过程可参见上述实施例二中的描述,此处不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种台标识别方法,其特征在于,包括:
根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,所述多级分类器包括与所述台标分类树中各分支节点一一对应的若干个子分类器,所述子分类器中包括与对应的所述分支节点的子节点一一对应的若干个分类模型,所述分类模型的正样本为对应的所述子节点中包含的全部所述台标样本,所述分类模型的负样本为与对应的所述子节点为兄弟关系的其他所述子节点中包含的全部所述台标样本;
根据所述多级分类器识别出显示图像中的待检测台标的标识;
所述根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器的步骤之前还包括:
计算各台标样本与其他台标样本之间的相似度;
根据各台标样本与其他台标样本之间的相似度生成具有多层结构的所述台标分类树,其中所述台标分类树的根节点为全部的所述台标样本,所述台标分类树的叶节点为各所述台标样本,所述台标分类树的分支节点中的台标样本之间的相似度的最小值大于所述分支节点的父节点中的台标样本之间的相似度的最小值。
2.根据权利要求1所述的台标识别方法,其特征在于,所述根据所述多级分类器识别出显示图像中的待检测台标的标识的步骤具体包括:
从所述显示图像中提取待检测台标的台标图像,所述台标图像的尺寸与所述台标样本的尺寸相同;
根据当前节点对应的子分类器识别出所述台标图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标图像对应的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续执行所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤。
3.根据权利要求1所述的台标识别方法,其特征在于,所述根据所述多级分类器识别出显示图像中的待检测台标的标识的步骤具体包括:
从所述显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,所述预定尺寸大于所述台标样本的尺寸;
根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标检测图像中包含的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续执行所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤。
4.根据权利要求3所述的台标识别方法,其特征在于,所述根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点的步骤包括:
在所述台标检测图像中建立与台标样本尺寸相同的滑动窗,所述滑动窗以预定步长对所述台标检测图像进行扫描;
根据当前节点对应的子分类器中的所述分类模型,计算所述滑动窗处于不同位置时所述滑动窗中的图像在下一层分支中对应各个分类节点的概率;
根据计算出的所述滑动窗处于不同位置时所述滑动窗中的图像对应各个分类节点的概率,计算所述台标检测图像对应各个分类节点的概率Hi(x),其中,
其中,i代表分类节点的类别,xk代表滑动窗,δ为一个预设阈值,fi(xk)表示滑动窗xk属于第i类的概率,Hi(x)表示台标检测图像属于第i类的概率;
根据计算出的所述台标检测图像对应各个分类节点的概率之中的最大值识别出所述台标检测图像在下一层分支中对应的分类节点。
5.根据权利要求1-4中任一所述的台标识别方法,其特征在于,所述台标分类树的结构层数大于2。
6.根据权利要求5所述的台标识别方法,其特征在于,所述台标分类树的结构层数为3。
7.一种台标识别装置,其特征在于,包括:分类器生成模块和标识识别模块,其中所述分类器生成模块与所述标识识别模块连接;
所述分类器生成模块用于根据预先生成的具有多层结构的台标分类树训练出相应的多级分类器,所述多级分类器包括与所述台标分类树中各分支节点一一对应的若干个子分类器,所述子分类器中包括与对应的所述分支节点的子节点一一对应的若干个分类模型,所述分类模型的正样本为对应的所述子节点中包含的全部所述台标样本,所述分类模型的负样本为与对应的所述子节点为兄弟关系的其他所述子节点中包含的全部所述台标样本;
所述标识识别模块用于根据所述多级分类器识别出显示图像中的待检测台标的标识;
还包括:相似度计算模块和分类树生成模块,其中所述分类树生成模块与所述相似度计算模块和所述分类器生成模块连接,
所述相似度计算模块用于计算各台标样本与其他台标样本之间的相似度;
所述分类树生成模块用于根据各台标样本与其他台标样本之间的相似度生成具有多层结构的所述台标分类树,其中所述台标分类树的根节点为全部的所述台标样本,所述台标分类树的叶节点为各所述台标样本,所述台标分类树的分支节点中的台标样本之间的相似度的最小值大于所述分支节点的父节点中的台标样本之间的相似度的最小值。
8.根据权利要求7所述的台标识别装置,其特征在于,所述标识识别模块包括:第一图像提取单元、第一节点识别单元和第一节点类型判断单元,其中所述第一节点识别单元与所述第一图像提取单元和所述第一节点类型判断单元连接;
第一图像提取单元用于从所述显示图像中提取待检测台标的台标图像,所述台标图像的尺寸与所述台标样本的尺寸相同;
第一节点识别单元用于根据当前节点对应的子分类器识别出所述台标图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
第一节点类型判断单元用于判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标图像对应的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续利用所述第一节点识别单元根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点。
9.根据权利要求7所述的台标识别装置,其特征在于,所述标识识别模块包括:第二图像提取单元、第二节点识别单元和第二节点类型判断单元,其中所述第二节点识别单元与所述第二图像提取单元和所述第二节点类型判断单元连接;
所述第二图像提取单元用于从所述显示图像中提取具有预定尺寸且包含有待检测台标的台标检测图像,所述预定尺寸大于所述台标样本的尺寸;
所述第二节点识别单元用于根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点,所述分类节点为所述当前节点的子节点;
所述第二节点类型判断单元用于判断所述分类节点的类型是否为叶节点,若判断出所述分类节点的类型为叶节点,则识别出所述台标检测图像中包含的待检测台标的标识为所述叶节点对应的台标样本的标识,若判断出所述分类节点的类型为分支节点,则继续利用所述第二节点识别单元根据当前节点对应的子分类器识别出所述台标检测图像在下一层分支中对应的分类节点。
10.根据权利要求9所述的台标识别装置,其特征在于,所述第二节点识别单元包括:滑动窗生成子单元、滑动窗分类概率计算子单元、检测图像分类概率计算子单元和检测图像分类节点识别子单元,其中所述滑动窗生成子单元与所述滑动窗分类概率计算子单元连接,所述检测图像分类概率计算子单元与所述滑动窗分类概率计算子单元和所述检测图像分类节点识别子单元连接;
滑动窗生成子单元用于在所述台标检测图像中建立与台标样本尺寸相同的滑动窗,所述滑动窗以预定步长对所述台标检测图像进行扫描;
滑动窗分类概率计算子单元用于根据当前节点对应的子分类器中的所述分类模型,计算所述滑动窗处于不同位置时所述滑动窗中的图像在下一层分支中对应各个分类节点的概率;
检测图像分类概率计算子单元用于根据计算出的所述滑动窗处于不同位置时所述滑动窗中的图像对应各个分类节点的概率,计算所述台标检测图像对应各个分类节点的概率Hi(x),其中,
其中,i代表分类节点的类别,xk代表滑动窗,δ为一个预设阈值,fi(xk)表示滑动窗xk属于第i类的概率,Hi(x)表示台标检测图像属于第i类的概率;
检测图像分类节点识别子单元用于根据计算出的所述台标检测图像对应各个分类节点的概率之中的最大值识别出所述台标检测图像在下一层分支中对应的分类节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410487354.3A CN104200238B (zh) | 2014-09-22 | 2014-09-22 | 台标识别方法和台标识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410487354.3A CN104200238B (zh) | 2014-09-22 | 2014-09-22 | 台标识别方法和台标识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200238A CN104200238A (zh) | 2014-12-10 |
CN104200238B true CN104200238B (zh) | 2017-07-28 |
Family
ID=52085527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410487354.3A Active CN104200238B (zh) | 2014-09-22 | 2014-09-22 | 台标识别方法和台标识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200238B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868683A (zh) * | 2015-11-24 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 台标识别方法及装置 |
US10996308B2 (en) * | 2018-04-17 | 2021-05-04 | Asm Technology Singapore Pte Ltd | Apparatus and method for authentication of electronic device test stations |
CN109902178A (zh) * | 2019-02-28 | 2019-06-18 | 云孚科技(北京)有限公司 | 一种多级文本分类方法及系统 |
CN111368789B (zh) * | 2020-03-18 | 2023-05-26 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111507403A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN111738232B (zh) * | 2020-08-06 | 2020-12-15 | 深圳须弥云图空间科技有限公司 | 一种标记桩基的方法和装置 |
CN117372787B (zh) * | 2023-12-05 | 2024-02-20 | 同方赛威讯信息技术有限公司 | 一种图像多类别识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572335A2 (en) * | 1992-05-29 | 1993-12-01 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
US7983448B1 (en) * | 2006-06-02 | 2011-07-19 | University Of Central Florida Research Foundation, Inc. | Self correcting tracking of moving objects in video |
CN103020650A (zh) * | 2012-11-23 | 2013-04-03 | Tcl集团股份有限公司 | 一种台标识别方法及装置 |
-
2014
- 2014-09-22 CN CN201410487354.3A patent/CN104200238B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572335A2 (en) * | 1992-05-29 | 1993-12-01 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
US7983448B1 (en) * | 2006-06-02 | 2011-07-19 | University Of Central Florida Research Foundation, Inc. | Self correcting tracking of moving objects in video |
CN103020650A (zh) * | 2012-11-23 | 2013-04-03 | Tcl集团股份有限公司 | 一种台标识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Real-time object detection for"smart" vehicles";D.M.Gavrila;《Computer Vision,1999.The Proceedings of the Seventh IEEE International Conference on》;19990927;全文 * |
"基于Gentle Adaboost的人脸检测算法研究";曹二奎;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20131215(第S2期);第4.3节 * |
"基于视频的人体检测";卜庆武;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20130414(第04期);第3.1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104200238A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200238B (zh) | 台标识别方法和台标识别装置 | |
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN104992191B (zh) | 基于深度学习的特征和最大置信路径的图像分类方法 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN106778796B (zh) | 基于混合式协同训练的人体动作识别方法及系统 | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN107451607B (zh) | 一种基于深度学习的典型人物的身份识别方法 | |
CN104021394B (zh) | 基于AdaBoost算法的绝缘子图像识别方法 | |
CN105095856A (zh) | 基于掩膜的有遮挡人脸识别方法 | |
CN107194418B (zh) | 一种基于对抗特征学习的水稻蚜虫检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN107808129A (zh) | 一种基于单个卷积神经网络的面部多特征点定位方法 | |
CN106355140B (zh) | 车辆检测的方法及装置 | |
CN110188708A (zh) | 一种基于卷积神经网络的人脸表情识别方法 | |
CN106875007A (zh) | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 | |
CN107341463A (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
CN107563274A (zh) | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN103971112A (zh) | 图像特征提取方法及装置 | |
CN106228109A (zh) | 一种基于骨骼运动轨迹的动作识别方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN110008819A (zh) | 一种基于图卷积神经网络的人脸表情识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |