【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;
[00 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。