一种基于深度学习的台标识别方法技术

本发明专利技术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。本发明专利技术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。

A Method of Identifying Platform Signs Based on Deep Learning

The embodiment of the present invention discloses a desktop identification method based on depth learning, which includes collecting sample desktop image and labeling; calculating Soble diagram and local histogram of the image and extracting eigenvalues, then labeling; using multi-layer convolution neural network to train samples and model; collecting and labeling the desktop image to be recognized in a specified area; and loading the desktop labeling image to be recognized into training. In the latter model, the calculation is carried out and the target output corresponding to the maximum probability value is selected. Compared with the traditional recognition method, the method has better recognition performance, and the recognition rate reaches more than 98%. The real-time recognition is better to process 25 frames per second, which meets the practical application requirements.

【技术实现步骤摘要】
一种基于深度学习的台标识别方法
本专利技术涉及电视
，特别涉及一种基于深度学习的台标识别方法。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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。本专利技术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。本专利技术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为本专利技术实施例基于深度学习的台标识别方法流程图。图2为本专利技术实施例卷积神经网络结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1和图2所示，本专利技术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。本专利技术通过使用图像的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。本专利技术通过卷积神经网络(ConvolutionalNeuralNetwork)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。在本专利技术一实施例中，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。在本专利技术一实施例中，采用海思芯片实时采集台标图像。在本专利技术一实施例中，采用海思芯片硬件引擎计算图像的Soble图和局部直方图。在本专利技术一实施例中，采用7层卷积神经网络训练样本并建模。本专利技术实施例对平移、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。以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：吴立新，黄勇，
申请(专利权)人：上海科江电子信息技术有限公司，
类型：发明
国别省市：上海,31