CN105095837B - 一种台标识别方法和系统 - Google Patents

Abstract

本发明公开提供的一种台标识别方法和系统，所述台标识别方法通过采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像训练出对应的人工神经网络分类器和多个Haar分类器；采集当前的电视画面图像，采用Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若存在，则将该矩形区域图像输入人工神经网络分类器进行识别，最后根据人工神经网络分类器识别的结果结合Haar分类器对应的台标类型是否一致来判断台标识别的结果；从而克服了现有的人工神经网络分类器无法应对台标的位移和缩放的缺点，可在电视台标发生位置移动和尺寸缩放的情况下快速准确地识别台标的类别。

Description

一种台标识别方法和系统

技术领域

本发明涉及图像识别领域，尤其涉及一种台标识别方法和系统。

背景技术

电视台的台标是区分不同电视台的重要标识，台标识别技术是对电视画面中的台标进行识别的一种技术，台标识别技术为视频分析、检索以及用户收视行为统计等应用提供了重要的数据信息。在现有的多种台标识别技术中，采用人工神经网络分类器对台标进行识别是其中一种重要的方法，在这类采用人工神经网络的台标识别方法中，往往是在电视画面中截取包含台标的图像块作为学习样本，并将这些图像块学习样本中每个像素的像素值作为特征输入人工神经网络进行学习，用这种方式训练得到的人工神经网络分类器在台标位置不发生变化、台标大小不发生缩放的情况下可以得到较好的识别结果，但若台标发生了位移或缩放，这种分类器的识别效果就比较差。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种台标识别方法和系统，旨在解决现有的在台标发生位置位移和尺寸缩放的情况下台标识别准确率低，识别效果差的问题。

本发明的技术方案如下：

一种台标识别方法，其中，包括步骤：

A、采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及用于识别所述台标的人工神经网络分类器；

B、采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E；

C、判断所述多个Haar分类器是否均被采用完，若为否，则执行步骤D；若为是，则执行拒识别处理；

D、采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E；

E、将所述矩形区域图像输入所述人工神经网络分类器进行台标识别，得出台标识别结果；

F、判断所述台标识别结果是否为所述Haar分类器对应的台标，若为否，则返回步骤C；若为是，则确认所述电视画面图像对应的台标为所述Haar分类器对应的台标。

所述的台标识别方法，其中，所述步骤A具体包括：

A1、采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像；

A2、截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像；

A3、根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器；

A4、根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。

所述的台标识别方法，其中，所述步骤B具体包括：

B1、采集当前的电视画面图像；

B2、采用所述多个Haar分类器中的某一Haar分类器检测所述电视画面图像的左上角区域图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E。

所述的台标识别方法，其中，所述步骤E具体包括：

E1、将所述矩形区域图像缩放至所述人工神经网络要求的尺寸；

E2将缩放后的矩形区域图像的每个像素的像素值输入所述人工神经网络分类器进行识别，识别出台标识别结果。

一种台标识别系统，其中，包括：

训练模块，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及与所述台标对应的人工神经网络分类器；

图像采集及检测模块，用于采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；

分类器判断模块，用于当所述电视画面图像中不存在包含该Haar分类器对应的台标的矩形区域图像时，或当所述台标识别结果是否为所述Haar分类器对应的台标时，判断所述多个Haar分类器是否均被采用完；

拒识别处理模块，用于当所述多个Haar分类器均被采用完时，进行拒识别处理；

继续检测模块，用于当所述多个Haar分类器没有被采用完时，采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；

台标识别模块，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像输入人工神经网络分类器进行台标识别，得出台标识别结果；

台标判断模块，用于判断所述台标识别结果是否为所述Haar分类器对应的台标，若为是，则所述电视画面图像对应的台标为所述Haar分类器对应的台标。

所述的台标识别系统，其中，所述训练模块具体包括：

电视画面图像采集单元，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像；

截取单元，用于截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像；

Haar分类器训练单元，用于根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器；

人工神经网络分类器训练单元，用于根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。

所述的台标识别系统，其中，所述图像采集及检测模块具体包括：

图像采集单元，用于采集当前的电视画面图像；

图像检测单元，用于采用所述多个Haar分类器中的某一Haar分类器检测所述电视画面图像的左上角区域图像中是否存在包含该Haar分类器对应的台标的矩形区域图像。

所述的台标识别系统，其中，所述台标识别模块具体包括：

缩放单元，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像缩放至所述人工神经网络要求的尺寸；

台标识别单元，用于将缩放后的矩形区域图像的每个像素的像素值输入人工神经网络分类器进行识别，识别出台标识别结果。

本发明所提供的一种台标识别方法和系统，有效地解决了现有的台标识别技术中在台标发生位置位移和尺寸缩放的情况下台标识别准确率低，识别效果差的问题，通过结合Haar分类器与人工神经网络分类器的电视台标识别方法，首先利用Haar分类器在电视画面图像中检测是否存在电视台标的矩形区域图像，若存在，则将该矩形区域图像输入人工神经网络分类器进行识别，最后根据人工神经网络分类器识别的结果结合Haar分类器对应的台标类型是否一致来最终判断台标识别的结果，本发明克服了现有的人工神经网络分类器无法应对台标的位移和缩放的缺点，即使是在台标发生位置移动和尺寸缩放的情况下依然可以快速准确地识别台标的类别，带来了大大的方便。

附图说明

图1为本发明提供的台标识别方法较佳实施例的流程图。

图2为本发明提供的台标识别方法应用实施例的流程方法图。

图3为本发明提供的台标识别系统较佳实施例的结构框图。

具体实施方式

本发明提供一种台标识别方法和系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，图1为本发明提供的台标识别方法较佳实施例的流程图，如图所示，所述台标识别方法包括步骤：

S100、采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及用于识别所述台标对应的人工神经网络分类器；

S200、采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤S300；若为是，则执行步骤S500；

S300、判断所述多个Haar分类器是否均被采用完，若为否，则执行步骤S400；若为是，则执行步骤S800、拒识别处理；

S400、采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤S300；若为是，则执行步骤S500；

S500、将所述矩形区域图像输入所述人工神经网络分类器进行台标识别，得出台标识别结果；

S600、判断所述台标识别结果是否为所述Haar分类器对应的台标，若为否，则返回步骤S300；若为是，则执行步骤S700、确认所述电视画面图像对应的台标为所述Haar分类器对应的台标。

以下结合具体的实施例对上述步骤进行详细的描述。

在所述步骤S100中，采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及与所述台标对应的人工神经网络分类器。具体来说，关于Haar分类器的由来，它的起源是2001年，Viola和Jones两位发表了经典的《Rapid Object Detection usinga Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》，然后在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联，也因此当时提出的这个算法被称为Viola-Jones检测器。又过了一段时间，Rainer Lienhart和Jochen Maydt两位将这个检测器进行了扩展，最终形成了OpenCV现在的Haar分类器。简单来说，Haar分类器 = Haar-like特征 + 积分图方法 +AdaBoost + 级联。Haar分类器算法的要点如下：使用Haar-like特征做检测，使用积分图（Integral Image）对Haar-like特征求值进行加速，使用AdaBoost算法训练区分人脸和非人脸的强分类器，使用筛选式级联把强分类器级联到一起，提高准确率。Haar分类器是一种物体检测的方法。关于训练Haar分类器的方法是机器学习领域的公知技术。而人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activationfunction）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。所述人工神经网络分类器是已经经过训练的人工神经网络分类器，如何训练人工神经网络分类器的方法是机器学习领域的公知技术。

所述步骤S100具体包括：采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像。然后截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像。再根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器，也就是说一个Haar分类器对应一个台标。举例说明如下：譬如有10个台标，每个台标对应有多个包含该台标的电视画面图像，通过上述步骤截取包含各个台标的矩形区域图像，以及不包含台标的矩形区域图像，从而可训练出对应各个台标的Haar分类器，总共10个，在实际应用时，可对多个台标训练对应的Haar分类器，关于Haar分类器具体的数量，此处不做限定。并且根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。这里采用另外一部分的矩形区域图像来训练人工神经网络分类器，是为了防止样本重叠，导致识别结果正确率降低。

在所述步骤S200中，采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤S300；若为是，则执行步骤S500。具体来说，采集当前的电视画面图像，应用某台标对应的Haar分类器对当前的电视画面图像进行台标识别，若在所述电视画面图像中检测是否可能存在该Haar分类器对应的某台标的矩形区域图像在台标的尺寸发生缩放的情况下Haar分类器也仍然可以搜索到台标在电视画面中的可能存在区域。若所述电视画面图像中存在所述Haar分类器对应的台标的矩形区域图像，则进入步骤S500、将所述矩形区域图像输入所述人工神经网络分类器进行台标识别，得出台标识别结果。若不存在所述Haar分类器对应的台标的矩形区域图像，则执行步骤S300、判断所述多个Haar分类器是否均被采用完，若为否，则执行步骤S400；若为是，则执行步骤S800、拒识别处理。

也就是说，在步骤S300中，当所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中不存在包含该Haar分类器对应的台标的矩形区域图像时，则判断所述多个Haar分类器是否均被采用完，也就是是否所有的Haar分类器都检测完当前电视画面图像了（这是由步骤S100中采集的样本中的台标数量来确定的，在实际应用时，国内国外有数量很多的台标，一般只采用某个地区的台标样本，所以训练得出的Haar分类器是有限的），若为否，则执行步骤S400、采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像；若为是，则执行拒识别处理，也就是说所有的Haar分类器检测完当前电视画面图像都不能找出对应各个Haar分类器中可能存在台标的矩形区域图像，那么就不给出识别结果，或者说完成识别。也就是所有的Haar分类器都检测完所述电视画面图像，但却没有发现存在对应该Haar分类器的台标的矩形区域图像，那么对所述电视画面图像进行拒识别处理，也就是不给出识别结果。当然，也可以采用下一帧的电视画面图像，或者预设时间之后的电视画面图像，从而避免当前的电视画面图像无法识别或不存在台标的现象。

在步骤S400中，采用下一Haar分类器检测所述电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像，若为否，则执行步骤S300，若为是，则执行步骤S500。具体来说，采用下一个Haar分类器再继续进行台标识别，以判断电视画面中是否存在该Haar分类器对应的台标的矩形区域图像，若为否，即还是找不到包含该Haar分类器对应的台标的矩形区域图像，则返回步骤S300循环判定，若为是，进入步骤S500中。

在步骤S500中，将所述矩形区域图像输入所述人工神经网络分类器进行台标识别，得出台标识别结果。具体来说，若在所述电视画面图像中存在所述Haar分类器对应的台标的矩形区域图像，那么则将该矩形区域图像缩放至人工神经网络分类器所要求的尺寸，并将缩放后的矩形区域图像的每个像素的像素值输入人工神经网络分类器进行识别，得出识别结果，所述识别结果为某个台标。

在步骤S600中，判断所述台标识别结果是否为所述Haar分类器对应的台标，若为否，则返回步骤S300；若为是，则所述电视画面图像对应的台标为所述Haar分类器对应的台标。具体来说，就是将人工神经网络分类器的识别结果与Haar分类器识别结果进行比对，若两者一致，则所述识别结果为所述电视画面图像对应的台标。若所述台标识别结果不为所述Haar分类器对应的台标，则执行步骤S300、判断所述多个Haar分类器是否均被采用完，若为否，则执行步骤S400采用下一个Haar分类器继续检测；若为是，则执行拒识别处理。也就是说人工神经网络分类器的识别结果与Haar分类器识别结果不一致时，则采用下一Haar分类器检测所述电视画面图像中是否存在所述Haar分类器对应的台标的矩形区域图像，若为是，则执行步骤S500。也就是说当两者结果不一致时，采用另一个经过训练的Haar分类器检测所述电视画面图像，采用同样的人工神经网络分类器，重复进行本发明的上述流程，若还是不一致，则采用下下个Haar分类器，依次类推，直到所有的Haar分类器都检测完所述电视画面图像。若所有的Haar分类器检测完所述电视画面图像，都没有出现Haar分类器的识别结果与人工神经网络分类器的识别结果一致的情况，那么对所述电视画面图像进行拒识别处理，也就是不给出识别结果。在实际应用时，可以采用下一帧的电视画面图像或预设时间之后的电视画面图像来重复本发明的流程。

以下以具体的应用实施例对上述步骤进行详细的说明。

在实际应用时，设需要识别的台标种类为台标1、台标2……台标n，首先需要采集大量含有这些台标的电视画面图像，并且还需要采集大量不含有这些台标的电视画面图像，以便进行Haar分类器的训练。针对每一种类型的台标，都需要训练一个与其对应的Haar分类器，该Haar分类器可以在一幅图像中检测可能含有其所属的台标的区域。譬如，在训练与台标1对应的Haar分类器时，采集一批含有台标1的电视画面图像，并从这些电视画面图像中截取台标1所在的矩形区域图像。需要注意的是在这些截取得到的矩形区域图像中台标的位置应该一致对齐，即台标在这些矩形区域图像中的位置应该相一致。然后从上述矩形区域图像中随机选取其中的一部分作为正样本，来训练台标1对应的Haar分类器，剩下的一部分矩形区域图像将用来训练人工神经网络分类器。

并且在训练台标1对应的Haar分类器时还需要提供负样本，这些负样本包括：含有其他台标（非台标1）的矩形区域图像以及不含有任何台标的矩形区域图像，通过上述部分正样本和上述负样本从而可训练出台标1对应的Haar分类器，进而训练出与台标1到台标n一一对应的n个Haar分类器。训练Haar分类器的方法是机器学习领域的公知技术，此处不再赘述。对其它台标对应的Haar分类器的训练方法与台标1的情况类似，此处也不再详述。需要注意的是，训练各个台标对应的Haar分类器时使用的样本图像具有相同的尺寸，譬如、图像宽为W，高为H。

由于在训练与各个台标对应的Haar分类器时，使用了其中的一部分正样本，另外剩下的那部分正样本用于人工神经网络分类器的训练，将这些样本中的各个像素的像素值作为人工神经网络的输入，由于这些样本图像的尺寸为WH，因此人工神经网络分类器具有WH个输入特征。人工神经网络分类器的训练方法是机器学习领域的公知技术，此处不再赘述。在训练好一个人工神经网络分类器之后，该人工神经网络分类器即可对输入的图像进行识别，以判断该输入图像中所包含的台标的类别。

请参阅图2，图2为本发明提供的台标识别方法应用实施例的流程方法图。在预先训练好n个Haar分类器以及人工神经网络分类器之后，以台标i来代表某个台标，且i=1，2，3…n。进入步骤S1、读入电视画面图像，也就是采集当前的电视画面图像。然后进入步骤S2、从预先训练好的n个Haar分类器中选取第1个Haar分类器，即取i=1，然后进入步骤S3、使用台标i=1对应的Haar分类器对实际的电视画面图像进行台标识别，也就是首先采用台标1对应的Haar分类器来对当前电视画面图像进行检测，然后进入步骤S4、检测所述电视画面图像中是否存在台标i=1的矩形区域图像，若存在，则执行步骤S5，若不存在则执行步骤S6。步骤S5、将存在台标i的矩形区域缩放至人工神经网络分类器要求的尺寸。在步骤S5之后执行步骤S7、将缩放后的矩形区域输入人工神经网络分类器进行台标类型识别。步骤S6、依次采用n个Haar分类器中下一个Haar分类器，即i++，采用台标i的下一个台标i+1对应的Haar分类器。所述步骤S6的意思是在台标1对应的Haar分类器中在对所述电视画面图像进行识别时不存在台标1的矩形区域图像，那么将i在原来的基础上加1，即采用台标2对应的Haar分类器继续检测。在步骤S7之后执行步骤S8、判断识别结果是否为台标i，具体来说，就是人工神经网络分类器的识别结果是否为台标1，若为是，则执行步骤S9、输出识别结果为台标i；若为否，则执行步骤S6、i++。在步骤S6之后执行步骤S10、判断预先训练的n个Haar分类器是否遍历完成，即判断i是否大于n，若没有完成，即台标i++后的台标i还是小于或等于n，则转入步骤S3，继续使用i加1后的台标i对应的Haar分类器（也就是上述台标i的下一个台标i+1对应的Haar分类器）继续检测。若在步骤S10中判断得到i>n，则执行步骤S11、对所述电视画面图像进行拒识别处理，即不输出识别结果。所述步骤S11表明两种情况，一种是，步骤S4为否的情况下进入步骤S6，再进入步骤S10的循环，也就是说，在当前的电视画面图像中，n个Haar分类器都没有找到对应各自台标的矩形区域图像。另一种就是，步骤S8为否的情况下进入步骤S6，再进入步骤S10的循环，也就是说，在当前的电视画面图像中，n个Haar分类器中都不存在与人工神经网络分类器的识别结果一致的情况。需要说明的是，n个Haar分类器中，对当前的电视画面图像进行识别时，可能出现多个Haar分类器检测到所述电视画面图像中存在对应的矩形区域图像。本发明采用上述流程，大大减少了计算量，提高了检测速度，节约了时间。

举例说明如下：若台标1对应的Haar分类器在电视画面图像中找到了可能存在台标1的矩形区域图像（设该区域宽为W1，高为H1），则将该矩形区域图像缩放至人工神经网络所要求的尺寸（即宽为W，高为H），并将缩放后的图像区域的每个像素的像素值输入人工神经网络分类器进行识别，若人工神经网络分类器的识别结果为台标1，与Haar分类器所属的台标类型一致，则认为该图像区域中存在台标1，即当前电视画面中的台标类型为台标1；反之，若人工神经网络分类器的识别结果与Haar分类器所属的台标类型不一致，则判断当前电视画面中没有包含台标1。另一方面，若台标1对应的Haar分类器在电视画面中没有找到可能存在台标1的矩形区域图像，则同样认为该电视画面中不存在台标1。若判断当前电视画面中不存在台标1，则继续以同样的方法判断该电视画面中是否存在台标2，若不存在台标2，再接着判断是否存在台标3……，直到完成所有n种台标的判断为止，若判断所有n种台标都不存在于电视画面中，则对该电视画面进行拒识别处理。

在实际应用Haar分类器在电视画面中进行台标搜索时，若电视画面分辨率太高搜索速度会相应降低，为了提高搜索速度，可以在电视画面中截取一个子图像块来进行台标识别，例如，大部分电视节目的台标都位于电视画面的左上角，则实际识别时可以截取电视画面中左上角区域图像来进行台标识别，但要注意该区域应取得稍大一些，以便能够适应台标的尺寸缩放和位置移动。

本发明提供的台标识别方法，结合了Haar分类器与人工神经网络分类器，首先通过Haar分类器在电视画面中检测可能存在电视台标的矩形区域，若找到了这样的矩形区域，则将该矩形区域缩放至人工神经网络分类器所要求的尺寸，并将缩放后的矩形区域中的各像素的像素值输入人工神经网络分类器进行识别，最后根据人工神经网络分类器识别的结果结合Haar分类器的类型来最终判断台标的类别，克服了一般的人工神经网络分类器无法应对台标的位移和缩放的缺点，即使是在台标发生位置移动和尺寸缩放的情况下依然可以快速准确地识别台标的类别，可在电视台标发生位置移动和尺寸缩放的情况下快速准确地识别台标的类别，增强了台标识别方法的适应性。

基于上述台标识别方法，本发明还提供一种台标识别系统，如图3所示，所述台标识别系统包括：

训练模块10，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及与所述台标对应的人工神经网络分类器；具体如方法步骤S100所述；

图像采集及检测模块20，用于采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；具体如方法步骤S200所述；

分类器判断模块30，用于当所述电视画面图像中不存在包含该Haar分类器对应的台标的矩形区域图像时，或当台标识别结果不为所述Haar分类器对应的台标时，判断所述多个Haar分类器是否均被采用完；具体如方法步骤S300所述；

拒识别处理模块40，用于当所述多个Haar分类器均被采用完时，进行拒识别处理；具体如方法步骤S800所述；

继续检测模块50，用于当所述多个Haar分类器没有被采用完时，采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；具体如方法步骤S400所述；

台标识别模块60，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像输入人工神经网络分类器进行台标识别，得出台标识别结果；具体如方法步骤S500所述；

台标判断模块70，用于判断所述台标识别结果是否为所述Haar分类器对应的台标，若为是，则所述电视画面图像对应的台标为所述Haar分类器对应的台标；具体如方法步骤S600和S700所述。

进一步地，所述训练模块10具体包括：

电视画面图像采集单元，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像；

截取单元，用于截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像；

Haar分类器训练单元，用于根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器；

人工神经网络分类器训练单元，用于根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。

进一步地，所述图像采集及检测模块20具体包括：

图像采集单元，用于采集当前的电视画面图像；

图像检测单元，用于采用所述多个Haar分类器中的某一Haar分类器检测所述电视画面图像的左上角区域图像中是否存在包含该Haar分类器对应的台标的矩形区域图像。

进一步地，所述台标识别模块60具体包括：

缩放单元，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像缩放至所述人工神经网络要求的尺寸；

台标识别单元，用于将缩放后的矩形区域图像的每个像素的像素值输入人工神经网络分类器进行识别，识别出台标识别结果。

综上所述，本发明提供的一种台标识别方法和系统，克服了现有的人工神经网络分类器无法应对台标的位移和缩放的缺点，可在电视台标发生位置移动和尺寸缩放的情况下快速准确地识别台标的类别，增强了台标识别方法的适应性。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种台标识别方法，其特征在于，包括步骤：

A、采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及用于识别所述台标的人工神经网络分类器；

B、采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E；

C、判断所述多个Haar分类器是否均被采用完，若为否，则执行步骤D；若为是，则执行拒识别处理；

D、采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E；

E、将所述矩形区域图像输入所述人工神经网络分类器进行台标识别，得出台标识别结果；

F、判断所述台标识别结果是否为所述Haar分类器对应的台标，若为否，则返回步骤C；若为是，则确认所述电视画面图像对应的台标为所述Haar分类器对应的台标；

所述步骤A具体包括：

A1、采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像；

A2、截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像；

A3、根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器；

A4、根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。

2.根据权利要求1所述的台标识别方法，其特征在于，所述步骤B具体包括：

B1、采集当前的电视画面图像；

B2、采用所述多个Haar分类器中的某一Haar分类器检测所述电视画面图像的左上角区域图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；若为否，则执行步骤C；若为是，则执行步骤E。

3.根据权利要求1所述的台标识别方法，其特征在于，所述步骤E具体包括：

E1、将所述矩形区域图像缩放至所述人工神经网络要求的尺寸；

E2将缩放后的矩形区域图像的每个像素的像素值输入所述人工神经网络分类器进行识别，识别出台标识别结果。

4.一种台标识别系统，其特征在于，包括：

训练模块，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，进行Haar分类器训练和人工神经网络分类器训练，训练出与台标一一对应的多个Haar分类器、及与所述台标对应的人工神经网络分类器；

图像采集及检测模块，用于采集当前的电视画面图像，采用所述多个Haar分类器中的某一Haar分类器检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；

分类器判断模块，用于当所述电视画面图像中不存在包含该Haar分类器对应的台标的矩形区域图像时，或当台标识别结果不为所述Haar分类器对应的台标时，判断所述多个Haar分类器是否均被采用完；

拒识别处理模块，用于当所述多个Haar分类器均被采用完时，进行拒识别处理；

继续检测模块，用于当所述多个Haar分类器没有被采用完时，采用所述多个Haar分类器中的下一Haar分类器继续检测所述当前的电视画面图像中是否存在包含该Haar分类器对应的台标的矩形区域图像；

台标识别模块，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像输入人工神经网络分类器进行台标识别，得出台标识别结果；

台标判断模块，用于判断所述台标识别结果是否为所述Haar分类器对应的台标，若为是，则所述电视画面图像对应的台标为所述Haar分类器对应的台标；

所述训练模块具体包括：

电视画面图像采集单元，用于采集包含台标的多个电视画面图像和不含有台标的多个电视画面图像，其中，所述包含台标的多个电视画面图像中对应包含一个台标，所述台标的数量为多个，且每一个台标对应有多个包含该台标的电视画面图像；

截取单元，用于截取包含台标的多个电视画面图像中台标所在的矩形区域图像、及截取不包含台标的多个电视画面图像中对应尺寸的矩形区域图像；

Haar分类器训练单元，用于根据不含有台标的矩形区域图像和一部分包含台标的矩形区域图像进行Haar分类器训练，训练出与所述台标一一对应的多个Haar分类器；

人工神经网络分类器训练单元，用于根据另一部分包含台标的矩形区域图像进行人工神经网络分类器训练，训练出与所述台标对应的人工神经网络分类器。

5.根据权利要求4所述的台标识别系统，其特征在于，所述图像采集及检测模块具体包括：

图像采集单元，用于采集当前的电视画面图像；

图像检测单元，用于采用所述多个Haar分类器中的某一Haar分类器检测所述电视画面图像的左上角区域图像中是否存在包含该Haar分类器对应的台标的矩形区域图像。

6.根据权利要求4所述的台标识别系统，其特征在于，所述台标识别模块具体包括：

缩放单元，用于当所述电视画面图像中存在包含该Haar分类器对应的台标的矩形区域图像时，将所述矩形区域图像缩放至所述人工神经网络要求的尺寸；

台标识别单元，用于将缩放后的矩形区域图像的每个像素的像素值输入人工神经网络分类器进行识别，识别出台标识别结果。