商标识别方法和装置制造方法及图纸

本发明专利技术实施例公开了一种商标识别方法和装置。所述方法包括：获取输入图像；利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像是否为商标图像；如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别。本发明专利技术实施例公开的商标识别方法和装置提高了商标图像识别的鲁棒性。

【技术实现步骤摘要】

本专利技术实施例涉及人工智能
，尤其涉及一种商标识别方法和装置。
技术介绍
随着互联网推广的普及，商标侵权事件越来越多。比如，一个电子产品代理的销售推广中，销售商只取得了一两个品牌的销售授权，但其官方网站上却有各种知名品牌的商标。这种商标侵权一方面带给网民消费上的误导，另一方面也给审核带来挑战。要解决这种商标侵权，关键在于解决商标的识别。现有的商标识别的技术方案一般都采用对商标图像的特征提取。这种识别方式的主要缺陷在于:鲁棒性较差。具体表现为，对输入图像的尺寸和图像质量的要求较高。对于同一个图像，如果改变了尺寸，则识别结果可能会完全不同。
技术实现思路
针对上述技术问题，本专利技术实施例提供了一种商标识别方法和装置，以提高商标图像识别的鲁棒性。第一方面，本专利技术实施例提供了一种商标识别方法，所述方法包括:获取输入图像；利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像是否为商标图像；如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别。第二方面，本专利技术实施例还提供了一种商标识别装置，所述装置包括:获取模块，用于获取输入图像；二分模块，用于利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像是否为商标图像；多分模块，用于如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别。本专利技术实施例提供的商标识别方法和装置通过获取输入图像，利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像是否为商标图像，若经过识别后，认为所述输入图像是商标图像之时，利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别，从而有效的提高了对商标图像进行识别的鲁棒性。【附图说明】图1是本专利技术第一实施例提供的商标识别方法的流程图；图2是本专利技术第二实施例提供的商标识别方法的流程图；图3是本专利技术第三实施例提供的商标识别方法的流程图；图4是本专利技术第四实施例提供的商标识别装置的结构图。【具体实施方式】下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。第一实施例本实施例提供了商标识别方法的一种技术方案。本技术方案可以由商标识别装置来执行，所述商标识别设备可以继承在移动电话、个人电脑、POS机等个人终端中，也可以被集成在网络侧的各种网元设备中。 参见图1，所述商标识别方法包括:SI I，获取输入图像。所述输入图像是一幅需要进行商标识别的图像。具体的，它可以是一幅商标图像，也可以不是商标图像。进一步的，不仅图案清晰、位置规整的原始商标图像可以作为输入图像，而且对原始商标图像进行旋转、缩放等变换操作后得到的商标图像被作为商标图像也可以是输入图像。S12，利用预先训练的基于卷积神经网络(Convolut1nal neural network，CNN)的二分类模型识别输入图像是否为商标图像。CNN受视觉神经机制的启发而设计，是为识别二维或三维信号而设计的一个多层感知器。CNN的基本结构包括两种特殊的神经元层，其一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征；其二是池化层，用来求局部敏感性与二次特征提取的计算层。这种两次特征提取结构减小了特征分辨率，减少了需要优化的参数数目。由于CNN所具有的特殊的网络结构，这种网络对平移、缩放、倾斜等变形具有高度不变性。由于CNN的这种特征，它经常被用来识别位移、缩放及其他形式扭曲不变性的二维或三维图像。在本实施例中，预先训练了一个基于CNN的商标图像二分类模型。在将一幅图像输入至所述二分类模型之后，所述二分类模型能够区分该输入图像是否是商标图像。由于这种分类模型对输入的图像仅做是否商标图像的二值判断，所以将这种分类模型称为二分类模型。在获取到输入图像之后，将获取到的输入图像输入至所述二分类模型，即可根据所述二分类模型的输出结果判断所述输入图像是否是商标图像。由于根据CNN构建的二分类模型不仅能够对原始、规整的商标图像给出准确的识别结果，还能对经过拉伸、倾斜等变换的商标图像进行准确的识别，因此所述二分类模型相较于其他图像识别工具具有更好的鲁棒性。S13，如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别。另外，在本实施例中还以CNN为基础训练了一个商标图像多分类模型。所述多分类模型在输入图像之后，能够识别输入的商标图像是哪一个品牌的商标图像，也就是说，能够识别输入图像的品牌类别。如果经过所述二分类模型的检测，所述输入图像是商标图像，则进一步的将所述输入图像输入至所述多分类模型，以根据所述多分类模型的输入判断所述输入图像属于哪个商业品牌的商标图像。由于基于CNN构建的多分类模型不仅能够对原始、规整的商标图像给出正确的品牌识别结果，对于经过旋转、拉伸等基本变换操作的商标图像也能够准确的识别其品牌属性，所以所述多分类模型相对于其他的商标识别工具具有更好的鲁棒性。本实施例通过获取输入图像，利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像识别是否为商标图像，以及如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别，有效的提高了商标识别过程的鲁棒性。第二实施例本实施例以本专利技术的上述实施例为基础，进一步的提供了商标识别方法的一种技术方案。在该技术方案中，在获取输入图像之前，所述商标识别方法还包括:获取标注有是否商标图像的属性的二分训练图像；对所述二分训练图像进行图形变换，将变换的二分训练图像作为新的二分训练图像；利用所述二分训练图像训练所述基于CNN的二分类模型。参见图2，所述商标识别方法包括:S21，获取标注有是否商标图像的属性的二分训练图像。在本实施例中，在对输入图像进行识别之前，还包括对基于CNN的二分类模型的训练操作。在对所述二分类模型进行训练之前，首先需要获取用来对所述二分类模型进行训练的二分训练图像。由于在本实施例中所述二分训练图像是专门用来训练所述二分类模型的，所以所述二分训练图像被标注有是否商标图像的属性。通过对所述二分训练图像的是否商标图像的属性的学习，可以完成对所述二分类模型的训练。S22，对所述二分训练图像进行图形变换，将变换的二分训练图像作为新的二分训练图像。一般来讲，获取的原始二分训练图像都是没有经过旋转、拉伸、缩放等变换操作的二分训练图像。但是为了提高所述二分训练图像的鲁棒性，在利用所述二分训练图像对所述二分类模型进行训练之前，应当再对所述二分训练图像执行相应的图形变换，并将经过图形变换后的图像也作为二分训练图像。这样，有助于提高所述二分类模型的鲁棒性。其中，所述图形变换包括:平移当前第1页1 2 本文档来自技高网...

【技术保护点】
一种商标识别方法，其特征在于，包括：获取输入图像；利用预先训练的基于卷积神经网络CNN的二分类模型识别输入图像是否为商标图像；如果识别确认所述输入图像是商标图像，则利用预先训练的基于CNN的多分类模型识别输入图像的品牌类别。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘辉，邓玥琳，罗祥凤，程涛远，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11