[發(fā)明專利]一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910562188.1
• 申請(qǐng)日: 2019-06-26
• 公開（公告）號(hào): CN110287888A
• 公開（公告）日: 2019-09-27
• 發(fā)明（設(shè)計(jì)）人: 許威;高巖;陳宏江;趙全軍;楊浩;孫萍
• 申請(qǐng)（專利權(quán)）人: 中科軟科技股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京天盾知識(shí)產(chǎn)權(quán)代理有限公司 11421
• 代理人: 張彩珍

本發(fā)明實(shí)施例涉及一種臺(tái)標(biāo)識(shí)別方法，該方法包括：采集帶有臺(tái)標(biāo)的初始圖像并檢測(cè)臺(tái)標(biāo)的位置，根據(jù)臺(tái)標(biāo)的位置獲得待訓(xùn)練的臺(tái)標(biāo)圖像；采用深度學(xué)習(xí)框架darknet對(duì)所述待訓(xùn)練的臺(tái)標(biāo)圖像進(jìn)行訓(xùn)練以獲得臺(tái)標(biāo)識(shí)別模型；利用所述臺(tái)標(biāo)識(shí)別模型識(shí)別待識(shí)別的圖像以獲得臺(tái)標(biāo)的類別；對(duì)所述各臺(tái)標(biāo)類別所對(duì)應(yīng)的概率進(jìn)行排序，將概率最高的類別作為待識(shí)別圖像的類別。本發(fā)明還公開了一種臺(tái)標(biāo)識(shí)別系統(tǒng)。本發(fā)明的臺(tái)標(biāo)識(shí)別方法和系統(tǒng)可以快速、準(zhǔn)確地識(shí)別出視頻或圖片文件中的臺(tái)標(biāo)信息。

技術(shù)領(lǐng)域

本發(fā)明屬于圖文軟件的技術(shù)領(lǐng)域，尤其涉及一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)。

背景技術(shù)

對(duì)于網(wǎng)絡(luò)中海量的圖片或視頻文件，經(jīng)常需要識(shí)別圖片或視頻文件中的臺(tái)標(biāo)信息(即電視臺(tái)和節(jié)目的標(biāo)識(shí)，通常會(huì)顯示在圖片或視頻文件的特定位置處)。如能正確識(shí)別臺(tái)標(biāo)，對(duì)節(jié)目以及電視臺(tái)意義都非常重大。

現(xiàn)有技術(shù)中的臺(tái)標(biāo)識(shí)別的方法是：首先，人為地設(shè)定臺(tái)標(biāo)圖片的特征；再將臺(tái)標(biāo)圖片轉(zhuǎn)化為一個(gè)向量；然后，再利用分類器識(shí)別出臺(tái)標(biāo)，由于人為地設(shè)定圖片的特征沒有統(tǒng)一的方法，因此輸入的臺(tái)標(biāo)圖片只能被轉(zhuǎn)化為相應(yīng)的特征向量，而再無其他用處，并且這種臺(tái)標(biāo)識(shí)別方法也存在識(shí)別臺(tái)標(biāo)的速度慢、正確率低的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)，從而可以準(zhǔn)確、較為高效地識(shí)別出視頻或圖片文件中的臺(tái)標(biāo)信息。

第一方面，本發(fā)明實(shí)施例提供了一種臺(tái)標(biāo)識(shí)別方法，該方法包括：

采集帶有臺(tái)標(biāo)的初始圖像并檢測(cè)臺(tái)標(biāo)的位置，根據(jù)臺(tái)標(biāo)的位置獲得待訓(xùn)練的臺(tái)標(biāo)圖像；

采用深度學(xué)習(xí)框架darknet對(duì)所述待訓(xùn)練的臺(tái)標(biāo)圖像進(jìn)行訓(xùn)練以獲得臺(tái)標(biāo)識(shí)別模型；

利用所述臺(tái)標(biāo)識(shí)別模型識(shí)別待識(shí)別的圖像以獲得臺(tái)標(biāo)的類別；

對(duì)所述各臺(tái)標(biāo)類別所對(duì)應(yīng)的概率進(jìn)行排序，將概率最高的類別作為待識(shí)別圖像的類別；

其中，所述檢測(cè)臺(tái)標(biāo)的位置包括以下子步驟：

對(duì)所述帶有臺(tái)標(biāo)的初始圖像進(jìn)行分塊、拼接以獲得待處理的圖片序列；

去除所述待處理的圖片序列的噪音得到去噪后的圖片；

對(duì)去噪后的圖片進(jìn)行二值化處理；

使用矩形核對(duì)二值化處理后的圖片進(jìn)行膨脹操作；

根據(jù)膨脹操作后獲得的圖片得到目標(biāo)的輪廓以及輪廓內(nèi)的面積信息，并通過預(yù)設(shè)的閾值確定臺(tái)標(biāo)的位置。

第二方面，本發(fā)明實(shí)施例提供了一種臺(tái)標(biāo)識(shí)別系統(tǒng)，該系統(tǒng)包括采集模塊、檢測(cè)模塊、臺(tái)標(biāo)識(shí)別模型獲取模塊、識(shí)別模塊和排序模塊：

所述采集模塊用于采集帶有臺(tái)標(biāo)的初始圖像，所述檢測(cè)模塊基于所述帶有臺(tái)標(biāo)的初始圖像檢測(cè)臺(tái)標(biāo)的位置并根據(jù)臺(tái)標(biāo)的位置獲得待訓(xùn)練的臺(tái)標(biāo)圖像；

所述臺(tái)標(biāo)識(shí)別模型獲取模塊采用深度學(xué)習(xí)框架darknet對(duì)所述待訓(xùn)練的臺(tái)標(biāo)圖像進(jìn)行訓(xùn)練以獲得臺(tái)標(biāo)識(shí)別模型；

所述臺(tái)標(biāo)識(shí)別模型獲取模塊利用所述臺(tái)標(biāo)識(shí)別模型識(shí)別待識(shí)別的圖像以獲得臺(tái)標(biāo)的類別；

所述排序模塊對(duì)所述各臺(tái)標(biāo)類別所對(duì)應(yīng)的概率進(jìn)行排序并將概率最高的類別作為待識(shí)別圖像的類別；

其中，所述檢測(cè)模塊執(zhí)行以下操作：

對(duì)所述帶有臺(tái)標(biāo)的初始圖像進(jìn)行分塊、拼接以獲得待處理的圖片序列；

去除所述待處理的圖片序列的噪音得到去噪后的圖片；

對(duì)去噪后的圖片進(jìn)行二值化處理；

使用矩形核對(duì)二值化處理后的圖片進(jìn)行膨脹操作；