CN109117768A - 一种基于深度学习的台标识别方法 - Google Patents

一种基于深度学习的台标识别方法 Download PDF

Info

Publication number
CN109117768A
CN109117768A CN201810854233.6A CN201810854233A CN109117768A CN 109117768 A CN109117768 A CN 109117768A CN 201810854233 A CN201810854233 A CN 201810854233A CN 109117768 A CN109117768 A CN 109117768A
Authority
CN
China
Prior art keywords
image
station symbol
deep learning
method based
symbol recognition
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.)
Pending
Application number
CN201810854233.6A
Other languages
English (en)
Inventor
吴立新
黄勇
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.)
Shanghai Callsc Electronic Information Technology Co ltd
Original Assignee
Shanghai Callsc Electronic Information 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 Shanghai Callsc Electronic Information Technology Co ltd filed Critical Shanghai Callsc Electronic Information Technology Co ltd
Priority to CN201810854233.6A priority Critical patent/CN109117768A/zh
Publication of CN109117768A publication Critical patent/CN109117768A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开的一种基于深度学习的台标识别方法，其包括采集样本台标图像并标注；计算图像的Soble图和局部直方图并提取特征值，然后进行标注；采用多层卷积神经网络训练样本并建模；在指定区域采集待识别台标图像并标注；将待识别台标图像载入训练后的模型中进行计算；选取最大概率值对应的目标输出。本发明相比传统的识别方法，台标识别性能更优，识别率达到了98％以上；识别实时性更好达到每秒处理25帧，满足实际应用要求。

Description

一种基于深度学习的台标识别方法
技术领域
本发明涉及电视技术领域，特别涉及一种基于深度学习的台标识别方法。
背景技术
随着广播媒体的发展，电视已经渗透到日常生活和工作的各个方面。电视台台标在区分电视台方面具有重要，电视台台标是电视台之间进行区分的鲜明标志，可用于保护商业利益；其次，电视台台标检测可用于有线付费频道的快速检索，同时也有助于图像处理工具对于台标的移除，提高视频的质量。现有的台标识别技术对平移、比例缩放、旋转等变形台标图像敏感，识别效果容易变性，识别率不高。
发明内容
有鉴于此，本发明实施例提供了一种基于深度学习的台标识别方法，台标识别性能优，太别识别率高。
本发明实施例公开的一种基于深度学习的台标识别方法，其包括：
采集样本台标图像并标注；
计算样本台标图像的Soble图和局部直方图并提取特征值，然后进行标注；
采用多层卷积神经网络训练样本并建模，对于卷积层的每一个结点
为第i组输入特征矢量，Wb,k为权值参数，ak为偏值，K代表第K层，θ为Sigmoid函数，Sigmoid函数为：f(x)＝x/(1+e^(-x))；
在指定区域采集待识别台标图像并标注；
将待识别台标图像载入训练后的模型中进行计算；
选取最大概率值对应的目标输出。
进一步的，台标图像的像素为128*128，采集的图像包括透明图像和非透明图像。
进一步的，采用海思芯片实时采集台标图像。
进一步的，采用海思芯片硬件引擎计算图像的Soble图和局部直方图。
进一步的，采用7层卷积神经网络训练样本并建模。
进一步的，所述最大概率值对应的目标为该台标图像为正确的台标图像或错误的台标图像。
本发明相比传统的识别方法，台标识别性能更优，识别率达到了98％以上；识别实时性更好达到每秒处理25帧，满足实际应用要求。
附图说明
图1为本发明实施例基于深度学习的台标识别方法流程图。
图2为本发明实施例卷积神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图2所示，本发明实施例公开的一种基于深度学习的台标识别方法，其包括：
采集样本台标图像并标注；
计算样本台标图像的Soble图和局部直方图并提取特征值，然后进行标注；
采用多层卷积神经网络训练样本并建模，对于卷积层的每一个结点
为第i组输入特征矢量，Wb,k为权值参数，ak为偏值，K代表第K层，θ为Sigmoid函数，Sigmoid函数为：f(x)＝x/(1+e^(-x))；
在指定区域采集待识别台标图像并标注；
将待识别台标图像载入训练后的模型中进行计算；
选取最大概率值对应的目标输出。图2中的概率值为P1和P2，选取其中最大概率值输出。
在局部直方图中，横坐标选取RGB值中的0-255之间的范围值，两个局部直方图的横坐标之间局部重叠或不重叠。
本发明通过使用图像的Soble图和局部直方图作为特征值，相比于现有技术中台标识别方案，能够大大提高识别率。
所述最大概率值对应的目标为该台标图像为正确的台标图像。
本发明通过卷积神经网络(Convolutional Neural Network)训练样本，通过对卷积层的结点特殊设置，实现对台标的高识别率。
在本发明一实施例中，台标图像的像素为128*128，采集的图像包括透明图像和非透明图像。因此，可以实现对各种台标的识别。
在本发明一实施例中，采用海思芯片实时采集台标图像。
在本发明一实施例中，采用海思芯片硬件引擎计算图像的Soble图和局部直方图。
在本发明一实施例中，采用7层卷积神经网络训练样本并建模。
本发明实施例对平移、比例缩放、旋转等变形台标图像具有不敏感性。即：识别效果不变性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习的台标识别方法，其特征在于，其包括：
采集样本台标图像并标注；
计算样本台标图像的Soble图和局部直方图并提取特征值，然后进行标注；
采用多层卷积神经网络训练样本并建模，对于卷积层的每一个结点
为第i组输入特征矢量，Wb,k为权值参数，ak为偏值，K代表第K层，θ为Sigmoid函数，Sigmoid函数为：f(x)＝x/(1+e^(-x))；
在指定区域采集待识别台标图像并标注；
将待识别台标图像载入训练后的模型中进行计算；
选取最大概率值对应的目标输出。
2.如权利要求1所述的一种基于深度学习的台标识别方法，其特征在于，台标图像的像素为128*128，采集的图像包括透明图像和非透明图像。
3.如权利要求1所述的一种基于深度学习的台标识别方法，其特征在于，采用海思芯片实时采集台标图像。
4.如权利要求1所述的一种基于深度学习的台标识别方法，其特征在于，采用海思芯片硬件引擎计算图像的Soble图和局部直方图。
5.如权利要求1所述的一种基于深度学习的台标识别方法，其特征在于，采用7层卷积神经网络训练样本并建模。
6.如权利要求1所述的一种基于深度学习的台标识别方法，其特征在于，所述最大概率值对应的目标为该台标图像为正确的台标图像或错误的台标图像。
CN201810854233.6A 2018-07-30 2018-07-30 一种基于深度学习的台标识别方法 Pending CN109117768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810854233.6A CN109117768A (zh) 2018-07-30 2018-07-30 一种基于深度学习的台标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810854233.6A CN109117768A (zh) 2018-07-30 2018-07-30 一种基于深度学习的台标识别方法

Publications (1)

Publication Number Publication Date
CN109117768A true CN109117768A (zh) 2019-01-01

Family

ID=64863809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810854233.6A Pending CN109117768A (zh) 2018-07-30 2018-07-30 一种基于深度学习的台标识别方法

Country Status (1)

Country Link
CN (1) CN109117768A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240866A (zh) * 2020-01-14 2020-06-05 华瑞新智科技（北京）有限公司 一种业务数据处理方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902987A (zh) * 2014-04-17 2014-07-02 福州大学 一种基于卷积网络的台标识别方法
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法
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
CN106488313A (zh) * 2016-10-31 2017-03-08 Tcl集团股份有限公司 一种台标识别方法及系统
CN106507188A (zh) * 2016-11-25 2017-03-15 南京中密信息科技有限公司 一种基于卷积神经网络的视频台标识别装置及工作方法
CN106599892A (zh) * 2016-12-14 2017-04-26 四川长虹电器股份有限公司 基于深度学习的电视台标识别系统
CN106845442A (zh) * 2017-02-15 2017-06-13 杭州当虹科技有限公司 一种基于深度学习的台标检测方法
CN107135402A (zh) * 2016-02-29 2017-09-05 无锡天脉聚源传媒科技有限公司 一种识别电视台图标的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902987A (zh) * 2014-04-17 2014-07-02 福州大学 一种基于卷积网络的台标识别方法
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
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法
CN107135402A (zh) * 2016-02-29 2017-09-05 无锡天脉聚源传媒科技有限公司 一种识别电视台图标的方法及装置
CN106488313A (zh) * 2016-10-31 2017-03-08 Tcl集团股份有限公司 一种台标识别方法及系统
CN106507188A (zh) * 2016-11-25 2017-03-15 南京中密信息科技有限公司 一种基于卷积神经网络的视频台标识别装置及工作方法
CN106599892A (zh) * 2016-12-14 2017-04-26 四川长虹电器股份有限公司 基于深度学习的电视台标识别系统
CN106845442A (zh) * 2017-02-15 2017-06-13 杭州当虹科技有限公司 一种基于深度学习的台标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SIMONE BIANCO 等: "Logo Recognition Using CNN Features", 《ICIAP 2015》 *
侯胜伟 等: "台标的自动检测与识别", 《四川大学学报(自然科学版)》 *
高志恒: "台标监测系统在电视安全播出监管中的应用", 《广播与电视技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240866A (zh) * 2020-01-14 2020-06-05 华瑞新智科技（北京）有限公司 一种业务数据处理方法及装置

Similar Documents

Publication Publication Date Title
CN111401384B (zh) 一种变电设备缺陷图像匹配方法
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN110363140B (zh) 一种基于红外图像的人体动作实时识别方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN105631880B (zh) 车道线分割方法和装置
CN111563452B (zh) 一种基于实例分割的多人体姿态检测及状态判别方法
CN107194418B (zh) 一种基于对抗特征学习的水稻蚜虫检测方法
CN105760842A (zh) 一种基于边缘和纹理特征结合的台标识别方法
CN113449727A (zh) 一种基于深度神经网络的伪装目标检测识别方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN106658169A (zh) 一种基于深度学习多层次分割新闻视频的通用方法
CN109635814B (zh) 基于深度神经网络的森林火灾自动检测方法和装置
CN110675421B (zh) 基于少量标注框的深度图像协同分割方法
CN106682628A (zh) 一种基于多层深度特征信息的人脸属性分类方法
CN108090428A (zh) 一种人脸识别方法及其系统
CN112215780B (zh) 基于类特征修复融合的图像取证对抗性攻击防御方法
CN109800756A (zh) 一种用于中文历史文献密集文本的文字检测识别方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN103279753B (zh) 一种基于树结构指导的英文场景文本块识别方法
CN114387641A (zh) 基于多尺度卷积网络和ViT的虚假视频检测方法及系统
CN111291818B (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN111046782B (zh) 一种用于苹果采摘机器人的果实快速识别方法
CN112529901A (zh) 一种复杂环境下的裂缝识别方法
CN109117768A (zh) 一种基于深度学习的台标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101

RJ01 Rejection of invention patent application after publication