CN105635750B - 频道识别方法及装置 - Google Patents

频道识别方法及装置 Download PDF

Info

Publication number
CN105635750B
CN105635750B CN201510999595.0A CN201510999595A CN105635750B CN 105635750 B CN105635750 B CN 105635750B CN 201510999595 A CN201510999595 A CN 201510999595A CN 105635750 B CN105635750 B CN 105635750B
Authority
CN
China
Prior art keywords
image
channel
matrix
identification
preset
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
Application number
CN201510999595.0A
Other languages
English (en)
Other versions
CN105635750A (zh
Inventor
杨杰
颜业钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN201510999595.0A priority Critical patent/CN105635750B/zh
Publication of CN105635750A publication Critical patent/CN105635750A/zh
Priority to PCT/CN2016/084684 priority patent/WO2017113605A1/zh
Application granted granted Critical
Publication of CN105635750B publication Critical patent/CN105635750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种频道识别方法，所述频道识别方法包括以下步骤：在预设的识别周期内采集多个屏幕图像；分别从各所述屏幕图像中提取含有频道标识的标识图像；根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。本发明还公开了一种频道识别装置。本发明大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。并且，通过采集屏幕图像和预先存储的库图像进行处理，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。

Description

频道识别方法及装置
技术领域
本发明涉及智能电视领域，尤其涉及一种频道识别方法及装置。
背景技术
目前，随着电子技术的发展，智能电视的使用范围越来越广，而用户能够观看的频道也越来越多。为了便于厂家了解用户对智能电视的使用习惯和用户偏好电视节目，从而有针对性的提供用户偏好的电视内容。智能电视往往需要对用户观看的电视频道进行频道识别和统计。现有的频道统计过程中，需要不停的与服务器交互来确定当前的频道信息，由于与远程服务器的交互过程往往会存在延时时间，常常会造成识别不准确、运算速度慢的问题。
因此，现有的频道识别过程中需时时刻刻与服务器交互、且运算速度慢以及识别准确度低的问题。此方面的问题亟待发明人解决。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于解决现有的频道识别过程中需时时刻刻与服务器交互、且运算速度慢以及识别准确度低的问题。
为实现上述目的，本发明提供一种频道识别方法，所述频道识别方法包括以下步骤：
在预设的识别周期内采集多个屏幕图像；
分别从各所述屏幕图像中提取含有频道标识的标识图像；
根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。
优选的，所述根据所述识别周期内的所有标识图像进行特征提取，得到特征图像的步骤包括：
根据各所述标识图像对应的矩阵计算均值矩阵；
分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
计算各所述特征向量矩阵对应的熵值矩阵；
计算全部所述熵值矩阵的平均值，得到差值矩阵；
将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
优选的，所述分别从各所述屏幕图像中提取含有频道标识的标识图像的步骤包括：
将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
优选的，所述在预设的识别周期内采集多个屏幕图像的步骤之前，还包括：
加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。
优选的，所述分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道的步骤之后，还包括：
对预设时间内各个识别周期用户锁定的频道进行统计；
将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
此外，为实现上述目的，本发明还提供一种频道识别装置，所述频道识别装置包括：
采集模块，用于在预设的识别周期内采集多个屏幕图像；
标识提取模块，用于分别从各所述屏幕图像中提取含有频道标识的标识图像；
特征提取模块，用于根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
确定模块，用于分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。
优选的，所述特征提取模块包括计算单元和二值化单元；
所述计算单元，用于根据各所述标识图像对应的矩阵计算均值矩阵；
所述计算单元，还用于分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
所述计算单元，还用于将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
所述计算单元，还用于计算各所述特征向量矩阵对应的熵值矩阵；
所述计算单元，还用于计算全部所述熵值矩阵的平均值，得到差值矩阵；
所述二值化单元，用于将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
优选的，所述标识提取模块包括切割单元和抽取单元；
所述切割单元，用于将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
所述抽取单元，用于抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
优选的，所述频道识别装置还包括初始化模块；
所述初始化模块，用于加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。
优选的，所述频道识别装置还包括统计模块；
所述统计模块，用于对预设时间内各个识别周期用户锁定的频道进行统计；
所述确定模块，还用于将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
本发明通过定时采集屏幕图像，并基于采集的屏幕图像提取含有频道标识的标识图像，基于较小的标识图像进行特征图像的提取，大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。并且，通过采集屏幕图像和预先存储的库图像进行处理，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。
附图说明
图1为本发明频道识别方法的第一实施例的流程示意图；
图2为本发明频道识别方法的第二实施例的流程示意图；
图3为本发明频道识别方法的第三实施例的流程示意图；
图4为本发明频道识别方法的第四实施例的流程示意图；
图5为本发明频道识别装置的第一实施例的功能模块示意图；
图6为本发明频道识别装置的第二实施例的功能模块示意图；
图7为本发明频道识别装置的第三实施例的功能模块示意图；
图8为本发明频道识别装置的第四实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是：在预设的识别周期内采集多个屏幕图像；分别从各所述屏幕图像中提取含有频道标识的标识图像；根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。
现有的频道识别过程中需时时刻刻与服务器交互、且运算速度慢以及识别准确度低的问题。
基于上述问题，本发明提供一种频道识别方法。
参照图1，图1为本发明频道识别方法的第一实施例的流程示意图。
在本实施例中，所述频道识别方法包括：
步骤S10，在预设的识别周期内采集多个屏幕图像；
智能电视在预设的识别周期内采集多个屏幕图像，以分析确定该识别周期内用户锁定的频道。具体的，所述智能电视可以以预设的采样周期采集屏幕图像；所述智能电视按照所述识别周期汇总采集到的屏幕图像进行分析。优选的，所述采样周期可以设置为5分钟，所述识别周期可以设置为1小时，例如，所述智能电视每5分钟采集一次屏幕图像，在1小时的识别周期内采集到60/5＝12个屏幕图像，将该12个屏幕图像作为样本进行分析确定该1小时内用户锁定的频道。
所述智能电视采集屏幕图像的过程可以通过截屏实现。具体的，所述智能电视可以通过截屏获取屏幕图像；所述智能电视判断所截取的图像分辨率是否符合预设的基准样本规格；若符合所述基准样本规格，则将所截取的图像作为样本图像保存；若不符合所述基准样本规格，则将所截取的图像进行插值处理以得到符合所述基准样本规格的图像，将插值处理得到的图像作为样本图像保存。
所述基准样本规格，使得本发明频道识别方法能够适用不同的机型，优选的，可以选取1920*1080的分辨率和宽高比作为基准样本规格，选取该数据不仅能照顾到4K分辨率的高端机型，对低端的机型也能很好的照顾到。例如：对分辨率为1920*1080的机型，截屏规格为1920*1080，则直接截屏作为样本图像；对于非1920*1080的机型，则需要对截屏图像进行图像插值来转换成1920*1080规格的图像。
进一步的，为了提高处理效率，所述智能电视可以在采集屏幕图像之前，读取屏幕的分辨率，判断所读取的屏幕分辨率是否符合预设的基准样本规格，若所述屏幕分辨率符合所述基准样本规格，则直接截取屏幕图像作为样本图像保存；若所述屏幕分辨率不符合所述基准样本规格，则在每次截取到屏幕图像时都进行插值处理，得到符合所述基准样本规格的图像进行保存。无需在每次截取到屏幕图像时均进行一次是否符合基准样本规格的判断，提高处理效率。
步骤S20，分别从各所述屏幕图像中提取含有频道标识的标识图像；
所述智能电视分别对各所述屏幕图像进行标识图像的提取，得到对应的多个标识图像。优选的，所述屏幕图像为符合基准样本规格的图像。所述智能电视可以通过确定所述屏幕图像中含有频道标识的区域，从所确定的区域内提取出标识图像。
步骤S30，根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
所述智能电视根据所述识别周期内的所有标识图像进行特征提取，从多个所述标识图像中提取出含有特征点的特征图像，所述特征点为该识别周期内标识图像处固定不变的点。优选的，所述智能电视根据多个所述标识图像提取的特征图像为一个，即一个识别周期内确定的用户锁定的频道为一个。
步骤S40，分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。
所述智能电视分别计算预设的各库图像与所述特征图像的相似度；所述智能电视将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。具体的，所述智能电视读取预设的库图像，分别计算各库图像与所述特征图像的相似度，确定相似度最高的库图像，读取所确定的库图像对应的频道信息，根据所述频道信息确定用户在所述识别周期内锁定的频道。
进一步的，所述智能电视还可以在所述步骤S10之前，加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。或者，在本发明的另一实施例中，所述智能电视也可以在频道识别过程中从服务器获取库图像及对应的频道信息。
应当理解的是，如果一个识别周期内用户没有切换频道，那么采集到的屏幕图像全部为一个频道，此时计算精度最高；如果用户在一个识别周期内少量切换频道，且被采集到屏幕。如果其中一个频道A被采样到的样本达到预设比例以上，该算法具有该容错机制，仍能将频道A计算出来；如果用户在一个识别周期内频繁换台，且没有一个频道的采样次数超过预设次数，则本次计算失去意义，该情况与现实相符，用户频繁快速换台，本身就不具备可统计的特性，此类情况不予考虑。
本实施例通过定时采集屏幕图像，并基于采集的屏幕图像提取含有频道标识的标识图像，基于较小的标识图像进行特征图像的提取，大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。并且，通过采集屏幕图像和预先存储的库图像进行处理，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。
参照图2，图2为本发明频道识别方法的第二实施例的流程示意图。基于上述频道识别方法的第一实施例，所述步骤S30包括：
步骤S31，根据各所述标识图像对应的矩阵计算均值矩阵；
所述智能电视可以根据各所述标识图像生成对应的矩阵Ci(第i个标识图像对应的矩阵)，并基于生成的各个矩阵Ci计算所述均值矩阵Cmean。例如：标识图像的分辨率为480*270，则对应的矩阵Ci规模就为480*270。
或者，所述智能电视也可以在标识图像提取过程中，根据各所述屏幕图像生成对应的矩阵Si(第i个屏幕图像对应的矩阵)，分别对各个矩阵Si进行分割处理得到对应的矩阵Ci。例如：屏幕图像的分辨率为1920*1080，则得到的矩阵Si的规格为1920*1080，根据矩阵Si进行十六宫格切割得到的矩阵Ci规格为480*270。
具体的，以一个识别周期的12个标识图像为例，所述智能电视根据各个矩阵Ci计算均值矩阵Cmean的过程，其中：
步骤S32，分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
所述智能电视分别计算各所述标识图像对应的矩阵Ci与所述均值矩阵Cmean的距离矩阵Di(矩阵Ci对应的距离矩阵)。
具体的，以12个标识图像为例，所述智能电视分别计算各个矩阵Ci与均值矩阵Cmean的距离矩阵Di得到距离矩阵集D，其中：
D＝[C1-Cmean，C2-Cmean,...Ci-Cmean，...，C12-Cmean]，i∈(1,12)
步骤S33，将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
所述智能电视将各所述距离矩阵Di分别进行特征分解，得到对应的特征向量矩阵Vi(距离矩阵Di对应的特征向量矩阵)。
具体的，以12个标识图像为例，所述智能电视将各距离矩阵Di分别进行特征分解，得到对应的特征向量矩阵Vi，并得到的特征特征向量矩阵集V，其中：
V＝[V1,V2,...,Vi,...,V12],i∈(1,12)
步骤S34，计算各所述特征向量矩阵对应的熵值矩阵；
所述智能电视计算各所述特征向量矩阵Vi对应的熵值矩阵Ei(特征向量矩阵Vi对应的熵值矩阵)，其中：
步骤S35，计算全部所述熵值矩阵的平均值，得到差值矩阵；
所述智能电视计算全部所述熵值矩阵Ei的平均值，得到差值矩阵Emean。具体的，以12个熵值矩阵Ei为例，计算差值矩阵Emean，其中：
步骤S36，将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
所述智能电视将所述差值矩阵Emean中的点进行二值化处理，将得到的二值化图像作为所述特征图像。具体的，所述智能电视可以将差值矩阵Emean中的点进行大小排序，排在最后的一万个点标为白色，其余点标为黑色，得到对应的二值化图像。通过二值化处理能够有效的将频道标识与背景区分开。
本实施例通过从含有频道标识的标识图像中提取出识别周期内标识区域内固定不变的特征点，得到含有特征点的特征图像。使得提取的特征图像含有更多的频道标识相关的信息，提高了计算精度。并且，通过比较特征图像和库图像确定用户锁定的频道，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。
参照图3，图3为本发明频道识别方法的第三实施例的流程示意图。基于上述频道识别方法的第一实施例，所述步骤S20包括：
步骤S21，将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
步骤S22，抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
所述智能电视将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像，得到各屏幕图像对应的一个标识图像，以根据得到的标识图像进行特征图像的提取。
优选的，所述智能电视还可以根据各所述屏幕图像分别生成对应的矩阵Si，所述智能电视分别对各个矩阵Si进行十六宫格切割得到对应的子矩阵；所述智能电视抽取第一行第一列的子矩阵作为矩阵Si对应的标识图像的矩阵Ci。例如：屏幕图像的分辨率为1920*1080，则得到的矩阵Si的规格为1920*1080，根据矩阵Si进行十六宫格切割得到的矩阵Ci规格为480*270。
本实施例通过定时采集屏幕图像，并基于采集的屏幕图像提取含有频道标识的标识图像，基于较小的标识图像进行特征图像的提取，大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。
参照图4，图4为本发明频道识别方法的第四实施例的流程示意图。基于上述频道识别方法的第一实施例，所述步骤S40之后，还包括：
步骤S51，对预设时间内各个识别周期用户锁定的频道进行统计；
步骤S52，将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
所述智能电视对预设时间内各个识别周期用户锁定的频道进行统计；将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。所述预设位数可以根据实际具体设置，例如：可以设置为排名前三位或者排名前十位。进一步的，所述智能电视还可以将所述统计结果中排名前三的频道上传至服务器。以便于通过服务器了解用户对智能电视的使用习惯和用户偏好电视节目，从而有针对性的提供用户偏好的电视内容。所述预设时间可以为24小时、48小时等。
本实施例通过汇总统计用户在预设时间内锁定的频道，将排名前三的频道作为用户在所述预设时间内的偏好频道，便于服务商了解用户对智能电视的使用习惯和用户偏好电视节目，从而有针对性的提供用户偏好的电视内容。
上述第一至第四实施例的频道识别方法的执行主体均可以为智能电视或用于播放电视节目的智能终端。更进一步地，该频道识别方法可以由安装在智能电视或用于播放电视节目的智能终端上的客户端程序实现，其中，该智能终端可以包括但不限于移动电话、智能电话、笔记本电脑、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、台式计算机等等的终端。
本发明进一步提供一种频道识别装置。
参照图5，图5为本发明频道识别装置的第一实施例的功能模块示意图。
在本实施例中，所述频道识别装置包括：采集模块10、标识提取模块20、特征提取模块30及确定模块40。
所述采集模块10，用于在预设的识别周期内采集多个屏幕图像；
智能电视在预设的识别周期内采集多个屏幕图像，以分析确定该识别周期内用户锁定的频道。具体的，所述智能电视可以以预设的采样周期采集屏幕图像；所述智能电视按照所述识别周期汇总采集到的屏幕图像进行分析。优选的，所述采样周期可以设置为5分钟，所述识别周期可以设置为1小时，例如，所述智能电视每5分钟采集一次屏幕图像，在1小时的识别周期内采集到60/5＝12个屏幕图像，将该12个屏幕图像作为样本进行分析确定该1小时内用户锁定的频道。
所述智能电视采集屏幕图像的过程可以通过截屏实现。具体的，所述智能电视可以通过截屏获取屏幕图像；所述智能电视判断所截取的图像分辨率是否符合预设的基准样本规格；若符合所述基准样本规格，则将所截取的图像作为样本图像保存；若不符合所述基准样本规格，则将所截取的图像进行插值处理以得到符合所述基准样本规格的图像，将插值处理得到的图像作为样本图像保存。
所述基准样本规格，使得本发明频道识别方法能够适用不同的机型，优选的，可以选取1920*1080的分辨率和宽高比作为基准样本规格，选取该数据不仅能照顾到4K分辨率的高端机型，对低端的机型也能很好的照顾到。例如：对分辨率为1920*1080的机型，截屏规格为1920*1080，则直接截屏作为样本图像；对于非1920*1080的机型，则需要对截屏图像进行图像插值来转换成1920*1080规格的图像。
进一步的，为了提高处理效率，所述智能电视可以在采集屏幕图像之前，读取屏幕的分辨率，判断所读取的屏幕分辨率是否符合预设的基准样本规格，若所述屏幕分辨率符合所述基准样本规格，则直接截取屏幕图像作为样本图像保存；若所述屏幕分辨率不符合所述基准样本规格，则在每次截取到屏幕图像时都进行插值处理，得到符合所述基准样本规格的图像进行保存。无需在每次截取到屏幕图像时均进行一次是否符合基准样本规格的判断，提高处理效率。
所述标识提取模块20，用于分别从各所述屏幕图像中提取含有频道标识的标识图像；
所述智能电视分别对各所述屏幕图像进行标识图像的提取，得到对应的多个标识图像。优选的，所述屏幕图像为符合基准样本规格的图像。所述智能电视可以通过确定所述屏幕图像中含有频道标识的区域，从所确定的区域内提取出标识图像。
所述特征提取模块30，用于根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
所述智能电视根据所述识别周期内的所有标识图像进行特征提取，从多个所述标识图像中提取出含有特征点的特征图像，所述特征点为该识别周期内标识图像处固定不变的点。优选的，所述智能电视根据多个所述标识图像提取的特征图像为一个，即一个识别周期内确定的用户锁定的频道为一个。
所述确定模块40，用于分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。
所述智能电视分别计算预设的各库图像与所述特征图像的相似度；所述智能电视将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道。具体的，所述智能电视读取预设的库图像，分别计算各库图像与所述特征图像的相似度，确定相似度最高的库图像，读取所确定的库图像对应的频道信息，根据所述频道信息确定用户在所述识别周期内锁定的频道。
进一步的，所述频道识别装置还可以包括初始化模块；所述初始化模块，用于加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。
所述智能电视可以通过所述初始化模块加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。或者，在本发明的另一实施例中，所述智能电视也可以在频道识别过程中从服务器获取库图像及对应的频道信息。
应当理解的是，如果一个识别周期内用户没有切换频道，那么采集到的屏幕图像全部为一个频道，此时计算精度最高；如果用户在一个识别周期内少量切换频道，且被采集到屏幕。如果其中一个频道A被采样到的样本达到预设比例以上，该算法具有该容错机制，仍能将频道A计算出来；如果用户在一个识别周期内频繁换台，且没有一个频道的采样次数超过预设次数，则本次计算失去意义，该情况与现实相符，用户频繁快速换台，本身就不具备可统计的特性，此类情况不予考虑。
本实施例通过定时采集屏幕图像，并基于采集的屏幕图像提取含有频道标识的标识图像，基于较小的标识图像进行特征图像的提取，大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。并且，通过采集屏幕图像和预先存储的库图像进行处理，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。
参照图6，图6为本发明装置的第二实施例的功能模块示意图。基于上述频道识别装置的第一实施例，所述特征提取模块30包括计算单元31和二值化单元32。
所述计算单元31，用于根据各所述标识图像对应的矩阵计算均值矩阵；
所述智能电视可以根据各所述标识图像生成对应的矩阵Ci(第i个标识图像对应的矩阵)，并基于生成的各个矩阵Ci计算所述均值矩阵Cmean。例如：标识图像的分辨率为480*270，则对应的矩阵Ci规模就为480*270。
或者，所述智能电视也可以在标识图像提取过程中，根据各所述屏幕图像生成对应的矩阵Si(第i个屏幕图像对应的矩阵)，分别对各个矩阵Si进行分割处理得到对应的矩阵Ci。例如：屏幕图像的分辨率为1920*1080，则得到的矩阵Si的规格为1920*1080，根据矩阵Si进行十六宫格切割得到的矩阵Ci规格为480*270。
具体的，以一个识别周期的12个标识图像为例，所述智能电视根据各个矩阵Ci计算均值矩阵Cmean的过程，其中：
所述计算单元31，还用于分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
所述智能电视分别计算各所述标识图像对应的矩阵Ci与所述均值矩阵Cmean的距离矩阵Di(矩阵Ci对应的距离矩阵)。
具体的，以12个标识图像为例，所述智能电视分别计算各个矩阵Ci与均值矩阵Cmean的距离矩阵Di得到距离矩阵集D，其中：
D＝[C1-Cmean，C2-Cmean,...Ci-Cmean，...，C12-Cmean]，i∈(1,12)
所述计算单元31，还用于将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
所述智能电视将各所述距离矩阵Di分别进行特征分解，得到对应的特征向量矩阵Vi(距离矩阵Di对应的特征向量矩阵)。
具体的，以12个标识图像为例，所述智能电视将各距离矩阵Di分别进行特征分解，得到对应的特征向量矩阵Vi，并得到的特征特征向量矩阵集V，其中：
V＝[V1,V2,...,Vi,...,V12],i∈(1,12)
所述计算单元31，还用于计算各所述特征向量矩阵对应的熵值矩阵；
所述智能电视计算各所述特征向量矩阵Vi对应的熵值矩阵Ei(特征向量矩阵Vi对应的熵值矩阵)，其中：
所述计算单元31，还用于计算全部所述熵值矩阵的平均值，得到差值矩阵；
所述智能电视计算全部所述熵值矩阵Ei的平均值，得到差值矩阵Emean。具体的，以12个熵值矩阵Ei为例，计算差值矩阵Emean，其中：
所述二值化单元32，用于将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
所述智能电视将所述差值矩阵Emean中的点进行二值化处理，将得到的二值化图像作为所述特征图像。具体的，所述智能电视可以将差值矩阵Emean中的点进行大小排序，排在最后的一万个点标为白色，其余点标为黑色，得到对应的二值化图像。通过二值化处理能够有效的将频道标识与背景区分开。
本实施例通过从含有频道标识的标识图像中提取出识别周期内标识区域内固定不变的特征点，得到含有特征点的特征图像。使得提取的特征图像含有更多的频道标识相关的信息，提高了计算精度。并且，通过比较特征图像和库图像确定用户锁定的频道，无需时刻与服务器进行交互，进一步的提高了运行效率，节省了成本。
参照图7，图7为本发明装置的第三实施例的功能模块示意图。基于上述频道识别装置的第一实施例，所述标识提取模块20包括切割单元21和抽取单元22；
所述切割单元21，用于将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
所述抽取单元22，用于抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
所述智能电视将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像，得到各屏幕图像对应的一个标识图像，以根据得到的标识图像进行特征图像的提取。
优选的，所述智能电视还可以根据各所述屏幕图像分别生成对应的矩阵Si，所述智能电视分别对各个矩阵Si进行十六宫格切割得到对应的子矩阵；所述智能电视抽取第一行第一列的子矩阵作为矩阵Si对应的标识图像的矩阵Ci。例如：屏幕图像的分辨率为1920*1080，则得到的矩阵Si的规格为1920*1080，根据矩阵Si进行十六宫格切割得到的矩阵Ci规格为480*270。
本实施例通过定时采集屏幕图像，并基于采集的屏幕图像提取含有频道标识的标识图像，基于较小的标识图像进行特征图像的提取，大大减小了提取特征图像的计算量，提高了运算效率，同时仅对较小的标识图像进行处理，减小了图像的复杂度，提高了识别的准确性。
参照图8，图8为本发明装置的第四实施例的功能模块示意图。基于上述频道识别装置的第一实施例，所述频道识别装置还包括统计模块50；
所述统计模块50，用于对预设时间内各个识别周期用户锁定的频道进行统计；
所述确定模块40，还用于将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
所述智能电视对预设时间内各个识别周期用户锁定的频道进行统计；将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。所述预设位数可以根据实际具体设置，例如：可以设置为排名前三位或者排名前十位。进一步的，所述智能电视还可以将所述统计结果中排名前三的频道上传至服务器。以便于通过服务器了解用户对智能电视的使用习惯和用户偏好电视节目，从而有针对性的提供用户偏好的电视内容。所述预设时间可以为24小时、48小时等。
本实施例通过汇总统计用户在预设时间内锁定的频道，将排名前三的频道作为用户在所述预设时间内的偏好频道，便于服务商了解用户对智能电视的使用习惯和用户偏好电视节目，从而有针对性的提供用户偏好的电视内容。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种频道识别方法，其特征在于，所述频道识别方法包括以下步骤：
在预设的识别周期内采集多个屏幕图像；
分别从各所述屏幕图像中提取含有频道标识的标识图像；
根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道；其中：
所述根据所述识别周期内的所有标识图像进行特征提取，得到特征图像的步骤包括：
根据各所述标识图像对应的矩阵计算均值矩阵；
分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
计算各所述特征向量矩阵对应的熵值矩阵；
计算全部所述熵值矩阵的平均值，得到差值矩阵；
将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
2.如权利要求1所述的频道识别方法，其特征在于，所述分别从各所述屏幕图像中提取含有频道标识的标识图像的步骤包括：
将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
3.如权利要求1所述的频道识别方法，其特征在于，所述在预设的识别周期内采集多个屏幕图像的步骤之前，还包括：
加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。
4.如权利要求1至3任一项所述的频道识别方法，其特征在于，所述分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道的步骤之后，还包括：
对预设时间内各个识别周期用户锁定的频道进行统计；
将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
5.一种频道识别装置，其特征在于，所述频道识别装置包括：
采集模块，用于在预设的识别周期内采集多个屏幕图像；
标识提取模块，用于分别从各所述屏幕图像中提取含有频道标识的标识图像；
特征提取模块，用于根据所述识别周期内的所有标识图像进行特征提取，得到特征图像；
确定模块，用于分别计算预设的各库图像与所述特征图像的相似度，并将相似度最高的库图像所对应的频道作为用户在所述识别周期内锁定的频道；其中，所述特征提取模块包括计算单元和二值化单元；
所述计算单元，用于根据各所述标识图像对应的矩阵计算均值矩阵；
所述计算单元，还用于分别计算各所述标识图像对应的矩阵与所述均值矩阵的距离矩阵；
所述计算单元，还用于将各所述距离矩阵分别进行特征分解，得到对应的特征向量矩阵；
所述计算单元，还用于计算各所述特征向量矩阵对应的熵值矩阵；
所述计算单元，还用于计算全部所述熵值矩阵的平均值，得到差值矩阵；
所述二值化单元，用于将所述差值矩阵中的点进行二值化处理，将得到的二值化图像作为所述特征图像。
6.如权利要求5所述的频道识别装置，其特征在于，所述标识提取模块包括切割单元和抽取单元；
所述切割单元，用于将各所述屏幕图像分别进行十六宫格切割得到对应的区域图像组；
所述抽取单元，用于抽取各所述区域图像组的第一行第一列的区域图像作为对应的标识图像。
7.如权利要求5所述的频道识别装置，其特征在于，所述频道识别装置还包括初始化模块；
所述初始化模块，用于加载预设的库图像及对应的频道信息，以根据所述库图像及对应的频道信息进行频道识别。
8.如权利要求5至7任一项所述的频道识别装置，其特征在于，所述频道识别装置还包括统计模块；
所述统计模块，用于对预设时间内各个识别周期用户锁定的频道进行统计；
所述确定模块，还用于将统计结果中锁定次数排名前预设位数的频道作为用户在所述预设时间内的偏好频道。
CN201510999595.0A 2015-12-28 2015-12-28 频道识别方法及装置 Active CN105635750B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201510999595.0A CN105635750B (zh) 2015-12-28 2015-12-28 频道识别方法及装置
PCT/CN2016/084684 WO2017113605A1 (zh) 2015-12-28 2016-06-03 频道识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510999595.0A CN105635750B (zh) 2015-12-28 2015-12-28 频道识别方法及装置

Publications (2)

Publication Number Publication Date
CN105635750A CN105635750A (zh) 2016-06-01
CN105635750B true CN105635750B (zh) 2018-07-03

Family

ID=56050178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510999595.0A Active CN105635750B (zh) 2015-12-28 2015-12-28 频道识别方法及装置

Country Status (2)

Country Link
CN (1) CN105635750B (zh)
WO (1) WO2017113605A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635750B (zh) * 2015-12-28 2018-07-03 深圳Tcl数字技术有限公司 频道识别方法及装置
KR102393092B1 (ko) 2019-11-05 2022-05-03 (주)일리드 실내 인테리어 디자인 생성 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324923A (zh) * 2008-08-05 2008-12-17 北京中星微电子有限公司 用于人脸识别的特征提取方法和装置
WO2009073895A1 (en) * 2007-12-07 2009-06-11 Verimatrix, Inc. Systems and methods for performing semantic analysis of media objects
CN103634652A (zh) * 2013-11-06 2014-03-12 小米科技有限责任公司 台标识别方法、装置、电视机和系统
CN104023249A (zh) * 2014-06-12 2014-09-03 腾讯科技（深圳）有限公司 电视频道识别方法和装置
CN104598910A (zh) * 2015-01-16 2015-05-06 科大讯飞股份有限公司 基于梯度方向匹配算法的智能电视台标识别方法及系统
CN104639952A (zh) * 2015-01-23 2015-05-20 小米科技有限责任公司 台标识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635750B (zh) * 2015-12-28 2018-07-03 深圳Tcl数字技术有限公司 频道识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009073895A1 (en) * 2007-12-07 2009-06-11 Verimatrix, Inc. Systems and methods for performing semantic analysis of media objects
CN101324923A (zh) * 2008-08-05 2008-12-17 北京中星微电子有限公司 用于人脸识别的特征提取方法和装置
CN103634652A (zh) * 2013-11-06 2014-03-12 小米科技有限责任公司 台标识别方法、装置、电视机和系统
CN104023249A (zh) * 2014-06-12 2014-09-03 腾讯科技（深圳）有限公司 电视频道识别方法和装置
CN104598910A (zh) * 2015-01-16 2015-05-06 科大讯飞股份有限公司 基于梯度方向匹配算法的智能电视台标识别方法及系统
CN104639952A (zh) * 2015-01-23 2015-05-20 小米科技有限责任公司 台标识别方法及装置

Also Published As

Publication number Publication date
WO2017113605A1 (zh) 2017-07-06
CN105635750A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
US10368123B2 (en) Information pushing method, terminal and server
US9578394B2 (en) Video signature creation and matching
CN1898720B (zh) 音响信号检测系统、音响信号检测服务器、影像信号搜索装置、影像信号搜索方法、影像信号搜索程序与记录介质、信号搜索装置、信号搜索方法、及信号搜索程序与记录介质
CN106326391B (zh) 多媒体资源推荐方法及装置
CN105160008B (zh) 一种定位推荐用户的方法及装置
Lacerna et al. The nature of assembly bias–I. Clues from a ΛCDM cosmology
CN110460838B (zh) 一种镜头切换的检测方法、装置及计算机设备
US8718378B2 (en) Image topological coding for visual search
CN105975939A (zh) 视频检测方法和装置
CN101989355A (zh) 一种针对jpeg图像二次压缩的检测方法
CN105163142A (zh) 一种用户偏好确定方法、视频推荐方法和系统
CN105635750B (zh) 频道识别方法及装置
CN110717806A (zh) 产品信息推送方法、装置、设备及存储介质
US20160286266A1 (en) Labeling video content
US8755605B2 (en) System and method for compact descriptor for visual search
CN101127872A (zh) 提高电视视频输出设备交互选台速度的方法和装置
CN109359203B (zh) 运动轨迹视频的处理方法及装置
CN112711963A (zh) 用户终端故障检测方法、装置、计算机装置及存储介质
CN112465565B (zh) 一种基于机器学习的用户画像预测的方法及装置
CN113365145B (zh) 视频处理、视频播放方法、装置、计算机设备及存储介质
CN117014649A (zh) 视频处理方法、装置及电子设备
KR20150027334A (ko) 증강현실제공방법 및 증강현실제공시스템
CN106454398A (zh) 一种视频处理的方法及终端
CN108519962B (zh) 一种应用于安卓系统的字体显示方法、装置和终端设备
CN107431831B (zh) 使用视频帧来标识视频序列的装置和方法

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