商标识别方法技术

本申请适用于目标检测领域，提供了一种商标识别的方法

【技术实现步骤摘要】
商标识别方法、计算机可读存储介质及计算机设备


[0001]本申请属于目标检测领域，尤其涉及一种商标识别的方法
、
计算机可读存储介质及计算机设备
。

技术介绍

[0002]现有的机器视觉人工智能识别商标的方法，大多基于
YOLO3
和
YOLOv4
等算法的智能解决方案，该方法作为
Anchor Based
方法，基于
Anchor
做位置回归，那么检测精度会受限于
Anchor
的宽高设计，如果
Anchor
设计过小，与
gt
计算
IoU
时会因为重叠率小于阈值而被作为负样本
。
造成正样本个数减少，负样本噪声增加，并且由于商标大小灵活多变，现有算法的底层阶段感受野较小，难以正确根据小目标特征判断商标类别
。

技术实现思路

[0003]本申请的目的在于提供一种商标识别的方法
、
计算机可读存储介质及计算机设备，旨在解决现有算法的底层阶段感受野较小，难以正确根据小目标特征判断商标类别的问题
。
[0004]第一方面，本申请提供了一种商标识别的方法，包括：
[0005]将获取的商标印刷文件的底层文件的文件格式进行归一化处理，转换为位图图像文件；
[0006]将位图图像文件输入商标检测模型，输出特征参数，根据特征参数预测商标位置；所述商标检测模型是卷积神经网络模型；
[0007]将已知商标位置的商标印刷文件输入商标识别模型，得到商标检测结果，输出驰名商标
、
注册商标或普通商标；所述商标识别模型是利用定时更新的商标数据库，创建向量特征矩阵地图，对局部特征进行聚类和量化变换，利用互信息对向量进行筛选，过滤次要相关节点信息，提取已知商标位置的商标印刷文件的向量特征，利用向量特征矩阵地图对向量特征进行过滤筛选，匹配聚类信息，当匹配到的关键信息差小于预定阈值时，确认得到商标检测结果为驰名商标
、
注册商标或普通商标；所述互信息是多个变量之间相关性的度量
。
[0008]进一步地，所述商标检测模型是将位图图像文件作为训练样本，以
darknet
‑
53
为主干网络，在卷积层对
png
图片文件进行特征提取，池化层将提取的特征进行筛选，并剔除全连接层选取前
52
层重新训练，对骨干网络的全连接层利用残差的跳层连接，去除采样层使用步长为2的卷积步幅进行降采样，在
32
倍降采样，
16
倍降采样，8倍降采样阶段进行深层特征的检测，得到特征参数；
[0009]根据
k
‑
means
聚类对特征参数进行多维度多标签分类，结合无锚检测
Anchor
‑
Free
的任务对齐分配算法
Task Aligned
和非极大值抑制算法
NMS
训练锚点框
Anchor
的位置分配，得到任务对齐的分类得分，将任务对齐程度高于阈值的分为高分类得分；将任务对齐程度低于阈值的分为低分类得分，并在非极大值抑制
NMS
阶段被抑制
。
[0010]进一步地，所述将位图图像文件输入商标检测模型，输出特征参数，根据特征参数
预测商标位置之后，还包括：
[0011]根据任务对齐的分类得分与预设的目标检测测量标准
IoU
值判断预测商标位置的准确度，即：
[0012]t
＝
s
α
×
u
β
；
[0013]其中，
s
为分类得分，
u
为预设的目标检测测量标准
IoU
值，
α
，
β
为权重超参，
t
为锚定
Anchor alignment
的准确度，也代表了预测商标位置的准确度
。
[0014]进一步地，所述在
32
倍降采样，
16
倍降采样，8倍降采样阶段进行深层特征的检测具体为：
[0015]在
32
倍降采样进行上采样，得到
16
倍降采样数据与原
16
倍降采样数据进行对比，再将
16
倍降采样数据与原
16
倍降采样数据分别进行上采样后与原8倍降采样进行对比，进行深层次的检测
。
[0016]进一步地，所述任务对齐
Task Aligned
是根据预设的锚定定位尺寸
Anchor alignment metric
在锚定水平
Anchor level
判断任务对齐的效果，并将校准度量标准
Alignment metric
集成在样本分配和损失函数中
。
[0017]进一步地，所述将已知商标位置的商标印刷文件输入商标识别模型，得到商标检测结果，输出驰名商标
、
注册商标或普通商标之后，还包括：
[0018]将得到商标检测结果的商标印刷文件输入辅助识别模型，输出特征参数，并根据特征参数预测检测目标的商标种类和滑动窗口
bounding box
；所述辅助识别模型是卷积神经网络模型，将商标印刷文件的位图图像文件作为训练样本，以
CSPDarknet53
作为主干网络，利用
PANet
路径聚合作为
neck
提取特征，在
Back Bone
和最后的输出层之间插入空间金字塔池化
SPP
将提取的特征转换成尺寸相同的特征，
head
使用
yoloV3
的
head
作为检测头，预测检测目标的商标种类和滑动窗口
bounding box
，输出商标种类为驰名商标
、
注册商标或普通商标
。
[0019]进一步地，所述检测头采用
Decoupled
‑
Head
解耦头结构；所述辅助识别模型还采用了
Mosaic
图像增强技术，并行多梯度流分支
。
[0020]第二方面，本申请提供了一种计算机设备，包括：一个或多个处理器
、
存储器以及一个或多个计算机程序，所述处理器和所述存储器通过总线连接，其中所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现所述的商标识别的方法的步骤
。
[0021]第三方面，本申请提供了一种商标识别的方法，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种商标识别的方法，其特征在于，包括：将获取的商标印刷文件的底层文件的文件格式进行归一化处理，转换为位图图像文件；将位图图像文件输入商标检测模型，输出特征参数，根据特征参数预测商标位置；所述商标检测模型是卷积神经网络模型；将已知商标位置的商标印刷文件输入商标识别模型，得到商标检测结果，输出驰名商标
、
注册商标或普通商标；所述商标识别模型是利用定时更新的商标数据库，创建向量特征矩阵地图，对局部特征进行聚类和量化变换，利用互信息对向量进行筛选，过滤次要相关节点信息，提取已知商标位置的商标印刷文件的向量特征，利用向量特征矩阵地图对向量特征进行过滤筛选，匹配聚类信息，当匹配到的关键信息差小于预定阈值时，确认得到商标检测结果为驰名商标
、
注册商标或普通商标；所述互信息是多个变量之间相关性的度量
。2.
如权利要求1所述的方法，其特征在于，所述商标检测模型是将位图图像文件作为训练样本，以
darknet
‑
53
为主干网络，在卷积层对
png
图片文件进行特征提取，池化层将提取的特征进行筛选，并剔除全连接层选取前
52
层重新训练，对骨干网络的全连接层利用残差的跳层连接，去除采样层使用步长为2的卷积步幅进行降采样，在
32
倍降采样，
16
倍降采样，8倍降采样阶段进行深层特征的检测，得到特征参数；根据
k
‑
means
聚类对特征参数进行多维度多标签分类，结合无锚检测
Anchor
‑
Free
的任务对齐分配算法
Task Aligned
和非极大值抑制算法
NMS
训练锚点框
Anchor
的位置分配，得到任务对齐的分类得分，将任务对齐程度高于阈值的分为高分类得分；将任务对齐程度低于阈值的分为低分类得分，并在非极大值抑制
NMS
阶段被抑制
。3.
如权利要求2所述的方法，其特征在于，所述将位图图像文件输入商标检测模型，输出特征参数，根据特征参数预测商标位置之后，还包括：根据任务对齐的分类得分与预设的目标检测测量标准
IoU
值判断预测商标位置的准确度，即：
t
＝
s
α
×
u
β
；其中，
s
为分类得分，
u
为预设的目标检测测量标准
IoU
值，
α
，
β
为权重超参，
t
为锚定
Anchor alignment
的准确度，也代表了预测商标位置的准确度
。4.
如权利要求2所述的方法，其特征在于，所述在
32
倍降采样，
16
倍降采样，8倍降采样阶段进行深层特征的检测具体为：在
32
倍降采样进行上采样，得到
16
倍降采样数据与原
16
倍降采样数据进行对比，再将
16
倍降采样数据与原
16
倍降采样数据分别进行上采样后与原8倍降采样进行对比，进行深层次的检测
。5.
如权利要求2所述的方法，其特征在于，所述任务对齐
Task Aligned

【专利技术属性】
技术研发人员：刘乃豪，
申请(专利权)人：深圳市七彩祥云信息技术有限公司，
类型：发明
国别省市：