CN109726709A - 基于卷积神经网络的图标识别方法和装置 - Google Patents

Abstract

本公开涉及基于卷积神经网络的图标识别方法和装置。该方法包括：截取直播画面中位于第一区域的图像；将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。应用本公开，能有效提高图标识别的准确率。

Description

基于卷积神经网络的图标识别方法和装置

技术领域

本公开涉及图标识别领域，尤其涉及基于卷积神经网络的图标识别方法和装置。

背景技术

了解用户当前正在观看什么样的视频节目，有重要意义。例如，对于视频提供平台等而言，如果了解用户在观看什么样的节目，则可以为用户推荐更个性化的视频内容，增强针对特定视频内容的用户引流，并有利于增强用户粘性，还可了解不同视频内容的受欢迎程度。

通过识别终端正在播放的画面上的特定图标来识别用户在观看什么节目，是了解用户观看行为的重要途径。但现有图标识别方案的识别准确率难以令人满意。

发明内容

有鉴于此，本公开提出了一种具有较高识别准确率的图标识别方法，本公开还提出了相应的装置。

根据本公开的一方面，提供了一种基于卷积神经网络的图标识别方法，所述方法包括：截取直播画面中位于第一区域的图像；将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

根据本公开的另一方面，提供了一种基于卷积神经网络的图标识别装置，所述装置包括：截取单元，用于截取直播画面中位于第一区域的图像；预测概率获取单元，用于将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；识别单元，用于基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

根据本公开的另一方面，提供了一种基于卷积神经网络的图标识别装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

根据本公开的各方面，基于专门用于图标识别的深层卷积网络来识别所截取的图像是各个候选图标的预测概率，并基于该预测概率识别所截取的图像对应的图标，有利于提高图标的识别准确率。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的一个实施例的基于卷积神经网络的图标识别方法。

图2(a)～(d)示出根据本公开的一个具体应用实例的示意图。

图3示出根据本公开的一个实施例的基于卷积神经网络的图标识别装置的结构框图。

图4示出根据本公开的一个实施例的基于卷积神经网络的图标识别装置的结构框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开的一个实施例的基于卷积神经网络的图标识别方法。该方法可以应用于诸如智能电视、智能手机、投影仪、计算机等终端。如图1所示，该方法包括下列步骤102、步骤104和步骤106。

步骤102，截取直播画面中位于第一区域的图像。

该第一区域可以是根据实际情况设置的。例如，如果期望识别的图标是台标，则可将通常显示台标的区域作为第一区域，例如，画面的右上角或者左上角等等。例如，根据本方法，在用户观看直播的过程中，终端可自动截屏以获取直播画面，并截取直播画面中位于第一区域的局部图像。

在一种可能的实现方式中，还可对所截取的图像进行处理，例如尺寸调整和像素值归一化等，以使得处理后的图像与下文中第一卷积神经网络对输入的要求相匹配，以进一步提高识别准确率。

步骤104，将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率。

卷积神经网络(Convolutional Neural Network，简称CNN)是一种前馈神经网络，其包括卷积层和池化层等。发明人经深入研究发现，深层卷积神经网络，即包括多个卷积层和多个池化层的卷积神经网络，其可分层次学习图标的特征，其中，低层次卷积层学习图标图像的低级特征(例如曲线等)，中间层次卷积层学习低级特征的组合，高层次卷积层学习图标的更为抽象的特征。并且，发明人通过大量仿真和测试发现，针对图标识别而言，相比于诸如浅层神经网络等，该深层神经网络有助于显著提高识别准确率，尤其针对较为相似的图标(例如CCTV系列台标等)，具有较高的识别准确率。

在一种可能的实现方式中，所述第一卷积神经网络包括至少10个卷积层。

在一种可能的实现方式中，所述第一卷积神经网络包括至少4个池化层。

后文给出了一个根据本公开的应用示例。在该应用示例中，第一卷积神经网络包括11个卷积层和6个池化层。经验证，使用该卷积神经网络，可得到较高的图标识别率。详见可参见后文关于具体应用示例的详细描述。

根据本公开的第一卷积神经网络的输出是与各个候选图标一一对应的多个预测概率值，每个预测概率值指示该第一卷积神经网络的当前输入为对应候选图标的预测概率。例如，设共有3个候选图标，第一卷积神经网络的输出[0.98,0.20,0.10]，依次对应于图标1、图标2和图标3，则表示当前输入为图标1的预测概率是0.98，当前输入为图标2的预测概率是0.20，当前输入为图标3的预测概率是0.10。

在一种可能的实现方式中，在所述第一卷积神经网络中，对卷积层的卷积操作(对每个卷积层的每个卷积操作)进行因式分解，将卷积操作分解为两个卷积操作。例如，设第一卷积神经网络中的某个卷积层的卷积核的高为Kw，宽为Kh，深度为M，特征图(FeatureMap)的数量为N，则该卷积层的每个卷积操作可被分解为1*1*N的卷积操作和Kw*Kh*M的卷积操作。设该卷积层的输入的宽和高分别为W和H，则如果进行分解，其卷积操作的计算量为W*H*Kw*Kh*M*N，卷积核参数量为Kw*Kh*M*N；在根据本实现方式进行因式分解后，卷积操作的计算量为W*H*Kw*Kh*M+W*H*M*N，卷积核参数量为Kw*Kh*M+1*1*M*N，卷积操作的计算量和卷积核参数量都显著减小。

在一种可能的实现方式中，在所述第一卷积神经网络中，卷积核参数被设置为定点(fixed)数。即用定点数(例如8比特的定点数)来替代浮点(float)数。例如，设某一层卷积核参数的取值范围为(3.0,6.0)，则可考虑将其量化到(0,255)的8比特(bit)取值范围，如本领域技术人员所了解的，此时0可代表3.0，128可代表1.5，255可代表6.0。相比于浮点(float)数，采用定点数能大大减少参数的内存占用和计算量。

终端设备的内存和CPU资源通常更为受限，上述卷积分解和参数定点化，均有利于大大减少评估过程所消耗的计算量和内存，从而使得本方法更便于在终端实施，避免因占用资源过多而无法正常执行，或对终端的其他功能产生影响。

步骤106，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

在一种可能的实现方式中，可以识别最大的预测概率对应的候选图标是所截取的图像对应的图标。以上述示例为例，[0.98,0.20,0.10]依次对应于图标1、图标2和图标3，则可识别所截取的图像对应的图标为图标1。

在一种可能的实现方式中，在最大的预测概率小于第一概率阈值的情况下，可以识别所截取的图像未对应于所述各个候选图标中的任意一者。例如，设共有3个候选图标，即图标1、图标2和图标3，并设第一概率阈值为0.50。如果某次识别中，根据第一卷积神经网络的输出，当前输入的图像是这三个候选图标的概率依次是[0.45,0.20,0.10]，则可认为该图像不是这三个候选图标中的任意一者，从而进一步防止误识别。

在一种可能的实现方式中，如果连续多次识别出所截取的图像对应于同一候选图标，则确定该候选图标是所截取的图像对应的图标。例如，可每隔2秒截取一次直播画面中位于第一区域的图像并基于第一卷积神经网络进行图标识别，如果连续3次识别结果相同，则将该结果作为一次有效识别，从而有利于进一步去除毛刺、提高识别结果的可靠性。

上述实施例中，基于专门用于图标识别的深层卷积网络来识别所截取的位于第一区域的图像是各个候选图标的预测概率，并基于该预测概率识别所截取的图像对应的图标，有利于提高图标的识别准确率。

在一种可能的实现方式中，上述方法还可以包括：从服务器接收图标特征库，所述图标特征库用于表征所述第一卷积神经网络；基于所述图标特征库建立所述第一卷积神经网络。服务器可基于候选图标的众多样本甚至样本的变形进行训练以得到所述第一卷积神经网络，并将其发送至上述终端。

在一示例中，服务器可采集不同情况下的图标图像，采集来自不同信源(诸如HDMI信源、CVBS信源等)的图标图像，并确定每个图标图像对应哪个图标，以得到训练样本。此外，还可对已采集的图标图像进行尺寸比例调整、灰度调整变化等，进行数据增强，使得训练样本更为丰富多样。

在一个训练卷积神经网络的示例中，可先设置初始化模型，然后可分批将训练样本向前传导进入初始化的待训练模型，并得到相应的输出；可通过均方误差计算该输出和实际目标间的差距；可通过向后传导以测定是初始化模型中的哪部分权重导致了最大损失，可采用BP算法对模型进行调整；将训练样本导入更新后的模型，继续上述过程，直至得到符合要求的卷积神经网络模型。在此过程中，很可能还需要根据结果不断调整模型结构，以得到能够实现高准确率识别的卷积神经网络。

根据本实现方式，服务器将训练好的卷积神经网络发送至终端，使得终端能够基于该卷积神经网络进行离线图标识别，给应用添加了极大的便利性。

在一种可能的实现方式中，上述终端可将所截取的图像对应的图标实时发送至服务器；以及从服务器接收第一数据，所述第一数据与所截取的图像对应的图标的关联视频相关。

本实现方式是基于这样的考虑：服务器可根据识别出的图标了解用户正在观看的视频，即关联视频，例如，如果该图标可以是台标，服务器可以根据终端当前发送的台标知道用户正在观看哪个直播平台，服务器端又可以知道各个直播平台的节目单，从而，服务器可了解到用户正在观看什么视频；然后可结合大数据分析等，为用户提供个性化的第一数据。该第一数据可以是与该视频相关的新闻、与该视频相关的其他视频的信息、与该视频相关的产品介绍信息、与该视频相关的操作提示信息等，例如提示用户是否跳转到/打开特定的应用软件或网页等，即，其可以是本领域技术人员根据需要认为与该关联视频相关的任何内容，本公开对此不作限定。

图2(a)示出根据本公开的示例性实施例的图标识别场景示意图。

参照图2(b)，在服务器侧，可经由多个信源采集多种情况下针对各个候选图标的样本(步骤202)，并针对已采集的图标样本进行数据增强(步骤204)，然后将各个样本缩放至相同大小(例如192*192*3)(步骤206)，以及进行像素值归一化(步骤208)，以得到训练样本库。然后，可基于训练样本库进行模型设计和模型训练(步骤210)，得到专门用于识别图标的上述第一卷积神经网络，并生成相应的图标特征库(步骤212)，所述图标特征库用于表征所述第一卷积神经网络，其可包括该卷积神经网络的卷积核、层级结构等信息。所述图标特征库可被发送至终端。

参照图2(c)，在终端侧，可自动截屏获取直播画面(步骤222)，并截取直播画面中位于第一区域的图像(步骤224)，将其缩放至和训练样本相同的尺寸(例如192*192*3)(步骤226)，以及进行像素值归一化(步骤228)，以与第一卷积神经网络对输入的要求相匹配。可加载图标特征库以建立第一神经网络模型(步骤230)，将归一化后的图像(此处可理解为该图像对应的数据信息)作为上述第一卷积神经网络的输入进行图标识别(步骤232)，得到该图像是各个候选图标中每一者的预测概率(步骤234)。取最大预测概率对应的候选图标作为本次识别结果(步骤236)。可每隔2秒进行一次识别，如果连续3次识别结果相同，则认为该识别结果是一次有效的识别结果，即确定该候选图标是所截取的图像对应的图标(步骤238)。该有效识别结果可被发送至服务器，以便于服务器后续可根据该识别结果向用户推荐视频。

需要注意地是，以上仅是示例性流程，不用于限定步骤间的前后关系，例如，步骤210不一定要在步骤228之后执行，步骤230可在步骤232之前的任意时间执行。

图2(d)给出了该应用场景中的第一卷积神经网络的示例性示意图，其中：

该模型中共有11层卷积层；

每个卷积层后面都紧跟一个BN(批量归一化)操作，以防止训练过程中梯度消失，还可加快训练速度；

ReLU表示激活层或修正线性层，以去除无关的噪音，并加快关键因子的提取速度；紧跟在ReLU后的数字用于标识这是跟在第几层卷积层后的激活层；

池化层可对卷积操作后的特征降维，以增强特征的鲁棒性，防止过拟合，也可以进一步减少整个网络的参数量；该模型中共有6层池化层；该模型中的池化层均采用最大池化层(Max-Pooling Layer)，在其他示例中也可采用平均池化层(Average-pooling Layer)；

全连接层(Fully connected Layer)输出各个候选图标对应的预测概率。

下表示出了一个具体示例中图2(d)所示卷积神经网络中各层的尺寸以及卷积层和池化层的滤波器尺寸。

在本具体应用示例中，发明人采用卷积分解和参数定点化来节省资源。此处以第5层卷积操作为例来分析卷积分解操作所节省的资源。该层卷积核的高(Kw)和宽(Kh)均为3，卷积核的深度(M)为192，Feature Map的数量(N)为192，且该卷积层的输入的高(W)和宽(H)均为24。则按照优化前的卷积操作，其计算量为：

W*H*Kw*Kh*M*N＝24*24*3*3*192*192＝191102976，

卷积核参数量为：

Kw*Kh*M*N＝3*3*192*192＝331776；

优化后，卷积操作计算量为：

W*H*Kw*Kh*M+W*H*M*N＝24*24*3*3*192+24*24*192*192＝22228992，是优化前的1/8；

优化后，卷积核参数量为：

Kw*Kh*M+1*1*M*N＝3*3*192+1*1*192*192＝38592，是优化前的1/8。

发明人基于该应用示例测试了100个频道对应的图标的识别情况，整体识别准确率大于95％，且能较好地区分相似图标。且测试过程中，内存占用峰值在80M一下，CPU占用率峰值在21％左右，满足在终端中实施的条件。

图3示出根据本公开的一个实施例的基于卷积神经网络的图标识别装置的结构框图。如图所示，该装置一种基于卷积神经网络的图标识别装置，其特征在于，所述装置包括：截取单元302，用于截取直播画面中位于第一区域的图像；预测概率获取单元304，用于将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；识别单元306，用于基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

在一种可能的实现方式中，所述装置还包括：确定单元，用于如果连续多次识别出所截取的图像对应于同一候选图标，则确定该候选图标是所截取的图像对应的图标。

在一种可能的实现方式中，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：识别最大的预测概率对应的候选图标是所截取的图像对应的图标。

在一种可能的实现方式中，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：在最大的预测概率小于第一概率阈值的情况下，识别所截取的图像未对应于所述各个候选图标中的任意一者。

在一种可能的实现方式中，所述装置还包括：图标发送单元，用于实时发送所截取的图像对应的图标至服务器；数据接收单元，用于从所述服务器接收第一数据，所述第一数据与所截取的图像对应的图标的关联视频相关。

在一种可能的实现方式中，在所述第一卷积神经网络中，对卷积层的卷积操作进行因式分解，将卷积操作分解为两个卷积操作。

在一种可能的实现方式中，在所述第一卷积神经网络中，卷积核参数被设置为定点数。

在一种可能的实现方式中，所述装置还包括：图标特征库接收单元，用于从服务器接收图标特征库，所述图标特征库用于表征所述第一卷积神经网络；卷积神经网络建立单元，用于基于所述图标特征库建立所述第一卷积神经网络。

在一种可能的实现方式中，所述第一卷积神经网络包括至少10个卷积层。

在一种可能的实现方式中，所述第一卷积神经网络包括至少4个池化层。

上述装置的其他细节可参见上文对方法的描述，在此不再一一赘述。

图4是根据一示例性实施例示出的一种基于卷积神经网络的图标识别装置800的框图。例如，装置800可以是智能电视、智能移动终端等智能终端。

参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (22)

1.一种基于卷积神经网络的图标识别方法，其特征在于，所述方法包括：

截取直播画面中位于第一区域的图像；

将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；

基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

如果连续多次识别出所截取的图像对应于同一候选图标，则确定该候选图标是所截取的图像对应的图标。

3.根据权利要求1所述的方法，其特征在于，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：

识别最大的预测概率对应的候选图标是所截取的图像对应的图标。

4.根据权利要求1所述的方法，其特征在于，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：

在最大的预测概率小于第一概率阈值的情况下，识别所截取的图像未对应于所述各个候选图标中的任意一者。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

实时发送所截取的图像对应的图标至服务器；

从所述服务器接收第一数据，所述第一数据与所截取的图像对应的图标的关联视频相关。

6.根据权利要求1所述的方法，其特征在于：

在所述第一卷积神经网络中，对卷积层的卷积操作进行因式分解，将卷积操作分解为两个卷积操作。

7.根据权利要求1所述的方法，其特征在于，

在所述第一卷积神经网络中，卷积核参数被设置为定点数。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从服务器接收图标特征库，所述图标特征库用于表征所述第一卷积神经网络；

基于所述图标特征库建立所述第一卷积神经网络。

9.根据权利要求1所述的方法，其特征在于：

所述第一卷积神经网络包括至少10个卷积层。

10.根据权利要求1所述的方法，其特征在于

所述第一卷积神经网络包括至少4个池化层。

11.一种基于卷积神经网络的图标识别装置，其特征在于，所述装置包括：

截取单元，用于截取直播画面中位于第一区域的图像；

预测概率获取单元，用于将所截取的图像作为第一卷积神经网络的输入，所述第一卷积神经网络是已训练的用于图标识别的深层卷积神经网路，所述第一卷积神经网络的输出指示所述输入是各个候选图标中每一者的预测概率；

识别单元，用于基于所述第一卷积神经网络的输出识别所截取的图像对应的图标。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

确定单元，用于如果连续多次识别出所截取的图像对应于同一候选图标，则确定该候选图标是所截取的图像对应的图标。

13.根据权利要求11所述的装置，其特征在于，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：

识别最大的预测概率对应的候选图标是所截取的图像对应的图标。

14.根据权利要求11所述的装置，其特征在于，基于所述第一卷积神经网络的输出识别所截取的图像对应的图标，包括：

在最大的预测概率小于第一概率阈值的情况下，识别所截取的图像未对应于所述各个候选图标中的任意一者。

15.根据权利要求11所述的装置，其特征在于，所述装置还包括：

图标发送单元，用于实时发送所截取的图像对应的图标至服务器；

数据接收单元，用于从所述服务器接收第一数据，所述第一数据与所截取的图像对应的图标的关联视频相关。

16.根据权利要求11所述的装置，其特征在于：

在所述第一卷积神经网络中，对卷积层的卷积操作进行因式分解，将卷积操作分解为两个卷积操作。

17.根据权利要求11所述的装置，其特征在于：

在所述第一卷积神经网络中，卷积核参数被设置为定点数。

18.根据权利要求11所述的装置，其特征在于，所述装置还包括：

图标特征库接收单元，用于从服务器接收图标特征库，所述图标特征库用于表征所述第一卷积神经网络；

卷积神经网络建立单元，用于基于所述图标特征库建立所述第一卷积神经网络。

19.根据权利要求11所述的装置，其特征在于：

所述第一卷积神经网络包括至少10个卷积层。

20.根据权利要求11所述的装置，其特征在于：

所述第一卷积神经网络包括至少4个池化层。

21.一种基于卷积神经网络的图标识别装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至10中任意一者所述的方法。

22.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。