一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)公開一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)，其中，所述方法包括步驟：通過特征角點(diǎn)概率分布矩陣，計(jì)算每一個(gè)正樣本、負(fù)樣本的相似度，獲取包含所有正樣本、負(fù)樣本相似度的相似度集，通過所述相似度集計(jì)算出所需檢測(cè)臺(tái)標(biāo)的相似度閾值；通過所述特征角點(diǎn)概率分布矩陣計(jì)算出待檢測(cè)圖像包含所需檢測(cè)臺(tái)標(biāo)的待檢測(cè)相似度，根據(jù)待檢測(cè)相似度與相似度閾值的大小關(guān)系，判斷所述待檢測(cè)圖像中是否含有所需檢測(cè)臺(tái)標(biāo)。本發(fā)明專利技術(shù)提高了臺(tái)標(biāo)識(shí)別的準(zhǔn)確性，縮短了識(shí)別的時(shí)間，提高了識(shí)別效率，從而為多媒體技術(shù)的視頻自動(dòng)搜索、收錄、分析和檢索提供有效的技術(shù)支持。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)
本專利技術(shù)涉及臺(tái)標(biāo)識(shí)別領(lǐng)域，尤其涉及一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)。
技術(shù)介紹
電視臺(tái)的臺(tái)標(biāo)是區(qū)分電視臺(tái)的重要標(biāo)志，臺(tái)標(biāo)包含了電視臺(tái)的臺(tái)名、節(jié)目取向等重要消息，利用計(jì)算機(jī)圖像處理識(shí)別技術(shù)自動(dòng)識(shí)別臺(tái)標(biāo)成為近年來的研究熱點(diǎn)，其在電視機(jī)的日常應(yīng)用中能有效的進(jìn)行節(jié)目監(jiān)控、視頻內(nèi)容分析和檢索、用戶觀看習(xí)慣分析等。目前存在的臺(tái)標(biāo)識(shí)別方法主要有：1、利用多幀差法獲取臺(tái)標(biāo)，通過模板匹配進(jìn)行識(shí)別；2、基于顏色直方圖或者形狀進(jìn)行識(shí)別等。但這些方法大多都存在對(duì)相似顏色和透明臺(tái)標(biāo)不易識(shí)別的情況，同時(shí)由于背景和噪聲的干擾，識(shí)別率較低。因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。
技術(shù)實(shí)現(xiàn)思路
鑒于上述現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的在于提供一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)，旨在解決現(xiàn)有臺(tái)標(biāo)識(shí)別技術(shù)存在對(duì)相似顏色和透明臺(tái)標(biāo)不易識(shí)別、識(shí)別率較低的問題。本專利技術(shù)的技術(shù)方案如下：一種臺(tái)標(biāo)識(shí)別方法，其中，包括步驟：A、從多幅原始圖像中提取所需檢測(cè)臺(tái)標(biāo)的正樣本和負(fù)樣本，所述正樣本為含有所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像，所述負(fù)樣本為不含所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像；B、對(duì)提取出的正樣本進(jìn)行特征角點(diǎn)檢測(cè)，獲取正樣本的特征角點(diǎn)集合，并通過所述特征角點(diǎn)集合對(duì)正樣本中每一像素點(diǎn)出現(xiàn)特征角點(diǎn)的頻率進(jìn)行計(jì)算，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣；C、通過所述特征角點(diǎn)概率分布矩陣，計(jì)算每一個(gè)正樣本、負(fù)樣本的相似度，得到包含所有正樣本、負(fù)樣本相似度的相似度集，通過所述相似度集計(jì)算出所需檢測(cè)臺(tái)標(biāo)的相似度閾值；D、通過所述特征角點(diǎn)概率分布矩陣計(jì)算出待檢測(cè)圖像包含所需檢測(cè)臺(tái)標(biāo)的待檢測(cè)相似度，判斷待檢測(cè)相似度是否大于相似度閾值，當(dāng)是時(shí)判定待檢測(cè)圖像中含有所需檢測(cè)臺(tái)標(biāo)，當(dāng)否時(shí)判定待檢測(cè)圖像中不含有所需檢測(cè)臺(tái)標(biāo)。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟A中，對(duì)于相同臺(tái)標(biāo)，每一正樣本在對(duì)應(yīng)的原始圖像中的相對(duì)位置相同，正樣本與負(fù)樣本的數(shù)量比為1：1.5～1：3.5。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟B中，獲取正樣本的特征角點(diǎn)集合的過程包括：B1、計(jì)算正樣本的方向?qū)?shù)，分別保存為數(shù)組Ix和數(shù)組Iy，Ix為x方向的方向?qū)?shù)，Iy為y方向的方向?qū)?shù)；B2、利用高斯模板為正樣本中每一個(gè)像素點(diǎn)計(jì)算局部自相關(guān)矩陣M，其中，為高斯模板；B3、通過M計(jì)算每一個(gè)像素點(diǎn)的角點(diǎn)量矩陣I，其中，I=det(M)-k·tr2(M)，其中det為矩陣的行列式，tr為矩陣的跡，k為[0.04,0.06]范圍內(nèi)的常數(shù)；B4、判斷角點(diǎn)量矩陣I中的任意一點(diǎn)，是否同時(shí)滿足該點(diǎn)的元素值大于一閾值，并且是該點(diǎn)領(lǐng)域內(nèi)的局部極大值，當(dāng)同時(shí)滿足時(shí)，判定該點(diǎn)為正樣本的特征角點(diǎn)。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟B中，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣的過程具體包括：B5、計(jì)算所有正樣本中每一個(gè)像素點(diǎn)(x,y)位置出現(xiàn)特征角點(diǎn)的次數(shù)n(x,y)，當(dāng)n(x,y)與正樣本總量的比例小于預(yù)定值，則判定對(duì)應(yīng)的像素點(diǎn)(x,y)不是特征角點(diǎn)，并將該次數(shù)(x,y)的值歸零，否則判定為特征角點(diǎn)，并保留該次數(shù)n(x,y)的值；B6、對(duì)每一像素點(diǎn)(x,y)位置上出現(xiàn)特征角點(diǎn)的頻率P(x,y)進(jìn)行歸一化操作獲得所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣Mp(x,y)，每一像素點(diǎn)(x,y)位置上出現(xiàn)特征角點(diǎn)的頻率P(x,y)為當(dāng)前像素點(diǎn)(x,y)出現(xiàn)特征角點(diǎn)的次數(shù)n(x,y)與正樣本總量的比值。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟C具體包括：C1、預(yù)先設(shè)置一最小識(shí)別正確率、最大識(shí)別錯(cuò)誤率以及最大漏識(shí)別率；C2、對(duì)每一正樣本及負(fù)樣本進(jìn)行特征角點(diǎn)檢測(cè)，當(dāng)檢測(cè)到正樣本或負(fù)樣本中在任一像素點(diǎn)(x,y)存在特征角點(diǎn)時(shí)，則所述正樣本或負(fù)樣本在任一像素點(diǎn)(x,y)的特征角點(diǎn)信息表達(dá)式Si(x,y)=1，否則Si(x,y)=0，以獲取所有正樣本、負(fù)樣本特征角點(diǎn)集S={S0,S1,S2,......,Si......SN}，其中Si為w×h的行列式，N=NumSamples+NumNegative-1，w、h為正樣本及負(fù)樣本的寬和高，NumSamples為樣本總量，NumNegative為負(fù)樣本總量；C3、通過特征角點(diǎn)概率分布矩陣獲取每一正樣本及負(fù)樣本的相似度εi，從而獲取所有正樣本及負(fù)樣本特征集ε={ε0,ε1,ε2,......,εi......εN}，εi表示所有正樣本及負(fù)樣本中第i個(gè)樣本的相似度；C4、根據(jù)所述最小識(shí)別正確率、最大識(shí)別錯(cuò)誤率及最大漏識(shí)別率對(duì)所需檢測(cè)的臺(tái)標(biāo)進(jìn)行訓(xùn)練，得到所需檢測(cè)的臺(tái)標(biāo)的相似度閾值。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟C4具體包括：C41、預(yù)設(shè)一初始相似度閾值，對(duì)所有正樣本及負(fù)樣本進(jìn)行重新分類，若εi大于初始相似度閥值，則判定εi對(duì)應(yīng)的樣本為正樣本，否則判定為負(fù)樣本；C42、統(tǒng)計(jì)在對(duì)所有正樣本、負(fù)樣本重新分類情況下正確識(shí)別個(gè)數(shù)Nr、錯(cuò)誤識(shí)別個(gè)數(shù)Nw以及漏識(shí)別個(gè)數(shù)Nm，根據(jù)所述正確識(shí)別個(gè)數(shù)Nr、錯(cuò)誤識(shí)別個(gè)數(shù)Nw以及漏識(shí)別個(gè)數(shù)Nm計(jì)算出初始相似度閾值條件下的識(shí)別正確率、識(shí)別錯(cuò)誤率、漏識(shí)別率；C43、判斷在初始相似度閾值條件下，是否滿足條件：識(shí)別正確率大于最小識(shí)別正確率，識(shí)別錯(cuò)誤率小于最大識(shí)別錯(cuò)誤率，以及漏識(shí)別率小于最大漏識(shí)別率，當(dāng)滿足時(shí)，轉(zhuǎn)入步驟C45，否則轉(zhuǎn)入步驟C44；C44、以預(yù)定的步長(zhǎng)對(duì)初始相似度閾值進(jìn)行更新，并返回步驟C41重新分類；C45、輸出當(dāng)前所訓(xùn)練臺(tái)標(biāo)的相似度閾值。所述的臺(tái)標(biāo)識(shí)別方法，其中，所述步驟D具體包括：D1、遍歷所有訓(xùn)練過的臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣Mp和相似度閾值T，并按照當(dāng)前臺(tái)標(biāo)的正樣本位置信息及正樣本大小信息從待檢測(cè)圖像中提取出臺(tái)標(biāo)區(qū)域；D2、對(duì)臺(tái)標(biāo)區(qū)域進(jìn)行特征角點(diǎn)檢測(cè)，獲取臺(tái)標(biāo)區(qū)域的特征角點(diǎn)信息以及獲取臺(tái)標(biāo)區(qū)域的特征角點(diǎn)信息表達(dá)式S1；D3、計(jì)算臺(tái)標(biāo)區(qū)域包含當(dāng)前臺(tái)標(biāo)的相似度ε，MPi(x,y)為當(dāng)前臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣在像素點(diǎn)(x,y)處的值，S1(x,y)為臺(tái)標(biāo)區(qū)域的特征角點(diǎn)信息表達(dá)式S1在像素點(diǎn)(x,y)處的值；D4、根據(jù)所述相似度ε與當(dāng)前臺(tái)標(biāo)的相似度閾值Tk進(jìn)行比較，當(dāng)ε≥Tk時(shí)，判定該待檢測(cè)圖像中包含當(dāng)前臺(tái)標(biāo)，否則判定為不含當(dāng)前臺(tái)標(biāo)。一種臺(tái)標(biāo)識(shí)別系統(tǒng)，其中，包括：樣本提取模塊，用于從多幅原始圖像中提取所需檢測(cè)臺(tái)標(biāo)的正樣本和負(fù)樣本，所述正樣本為含有所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像，所述負(fù)樣本為不含所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像；特征角點(diǎn)概率分布矩陣獲取模塊，用于對(duì)提取出的正樣本進(jìn)行特征角點(diǎn)檢測(cè)，獲取正樣本的特征角點(diǎn)集合，并通過所述特征角點(diǎn)集合對(duì)正樣本中每一像素點(diǎn)出現(xiàn)特征角點(diǎn)的頻率進(jìn)行計(jì)算，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣；相似度閾值獲取模塊，用于通過所述特征角點(diǎn)概率分布矩陣，計(jì)算每一個(gè)正樣本、負(fù)樣本的相似度，得到包含所有正樣本、負(fù)樣本相似度的相似度集，通過所述相似度集計(jì)算出所需檢測(cè)臺(tái)標(biāo)的相似度閾值；臺(tái)標(biāo)檢測(cè)模塊，用于通過所述特征角點(diǎn)概率分布矩陣計(jì)算出待檢測(cè)圖像包含所需檢測(cè)臺(tái)標(biāo)的待檢測(cè)相似度，判斷待檢測(cè)相似度是否大于相似度閾值，當(dāng)是時(shí)判定待檢測(cè)圖像中含有所需檢測(cè)臺(tái)標(biāo)，當(dāng)否時(shí)判定待檢測(cè)圖像中不含有所需檢測(cè)臺(tái)標(biāo)。所述的臺(tái)標(biāo)識(shí)別系統(tǒng)，其中，所述特征角點(diǎn)概率分布矩陣獲取模塊包括：方向?qū)?shù)計(jì)算單元，用于計(jì)算正樣本的方向?qū)?shù)，分別保存為數(shù)組Ix和數(shù)組I本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種臺(tái)標(biāo)識(shí)別方法，其特征在于，包括步驟：A、從多幅原始圖像中提取所需檢測(cè)臺(tái)標(biāo)的正樣本和負(fù)樣本，所述正樣本為含有所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像，所述負(fù)樣本為不含所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像；B、對(duì)提取出的正樣本進(jìn)行特征角點(diǎn)檢測(cè)，獲取正樣本的特征角點(diǎn)集合，并通過所述特征角點(diǎn)集合對(duì)正樣本中每一像素點(diǎn)出現(xiàn)特征角點(diǎn)的頻率進(jìn)行計(jì)算，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣；C、通過所述特征角點(diǎn)概率分布矩陣，計(jì)算每一個(gè)正樣本、負(fù)樣本的相似度，得到包含所有正樣本、負(fù)樣本相似度的相似度集，通過所述相似度集計(jì)算出所需檢測(cè)臺(tái)標(biāo)的相似度閾值；D、通過所述特征角點(diǎn)概率分布矩陣計(jì)算出待檢測(cè)圖像包含所需檢測(cè)臺(tái)標(biāo)的待檢測(cè)相似度，判斷待檢測(cè)相似度是否大于相似度閾值，當(dāng)是時(shí)判定待檢測(cè)圖像中含有所需檢測(cè)臺(tái)標(biāo)，當(dāng)否時(shí)判定待檢測(cè)圖像中不含有所需檢測(cè)臺(tái)標(biāo)。

【技術(shù)特征摘要】
1.一種臺(tái)標(biāo)識(shí)別方法，其特征在于，包括步驟：A、從多幅原始圖像中提取所需檢測(cè)臺(tái)標(biāo)的正樣本和負(fù)樣本，所述正樣本為含有所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像，所述負(fù)樣本為不含所需檢測(cè)臺(tái)標(biāo)的區(qū)域圖像；B、對(duì)提取出的正樣本進(jìn)行特征角點(diǎn)檢測(cè)，獲取正樣本的特征角點(diǎn)集合，并通過所述特征角點(diǎn)集合對(duì)正樣本中每一像素點(diǎn)出現(xiàn)特征角點(diǎn)的頻率進(jìn)行計(jì)算，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣；C、通過所述特征角點(diǎn)概率分布矩陣，計(jì)算每一個(gè)正樣本、負(fù)樣本的相似度，得到包含所有正樣本、負(fù)樣本相似度的相似度集，通過所述相似度集計(jì)算出所需檢測(cè)臺(tái)標(biāo)的相似度閾值；D、通過所述特征角點(diǎn)概率分布矩陣計(jì)算出待檢測(cè)圖像包含所需檢測(cè)臺(tái)標(biāo)的待檢測(cè)相似度，判斷待檢測(cè)相似度是否大于相似度閾值，當(dāng)是時(shí)判定待檢測(cè)圖像中含有所需檢測(cè)臺(tái)標(biāo)，當(dāng)否時(shí)判定待檢測(cè)圖像中不含有所需檢測(cè)臺(tái)標(biāo)。2.根據(jù)權(quán)利要求1所述的臺(tái)標(biāo)識(shí)別方法，其特征在于，所述步驟A中，對(duì)于相同臺(tái)標(biāo)，每一正樣本在對(duì)應(yīng)的原始圖像中的相對(duì)位置相同，正樣本與負(fù)樣本的數(shù)量比為1：1.5～1：3.5。3.根據(jù)權(quán)利要求1所述的臺(tái)標(biāo)識(shí)別方法，其特征在于，所述步驟B中，獲取正樣本的特征角點(diǎn)集合的過程包括：B1、計(jì)算正樣本的方向?qū)?shù)，分別保存為數(shù)組Ix和數(shù)組Iy，Ix為x方向的方向?qū)?shù)，Iy為y方向的方向?qū)?shù)；B2、利用高斯模板為正樣本中每一個(gè)像素點(diǎn)計(jì)算局部自相關(guān)矩陣M，其中，為高斯模板；B3、通過M計(jì)算每一個(gè)像素點(diǎn)的角點(diǎn)量矩陣I，其中，I＝det(M)-k·tr2(M)，其中det為矩陣的行列式，tr為矩陣的跡，k為[0.04,0.06]范圍內(nèi)的常數(shù)；B4、判斷角點(diǎn)量矩陣I中的任意一點(diǎn)，是否同時(shí)滿足該點(diǎn)的元素值大于一閾值，并且是該點(diǎn)領(lǐng)域內(nèi)的局部極大值，當(dāng)同時(shí)滿足時(shí)，判定該點(diǎn)為正樣本的特征角點(diǎn)。4.根據(jù)權(quán)利要求1所述的臺(tái)標(biāo)識(shí)別方法，其特征在于，所述步驟B中，獲取所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣的過程具體包括：B5、計(jì)算所有正樣本中每一個(gè)像素點(diǎn)(x,y)位置出現(xiàn)特征角點(diǎn)的次數(shù)n(x,y)，當(dāng)n(x,y)與正樣本總量的比例小于預(yù)定值，則判定對(duì)應(yīng)的像素點(diǎn)(x,y)不是特征角點(diǎn)，并將該次數(shù)(x,y)的值歸零，否則判定為特征角點(diǎn)，并保留該次數(shù)n(x,y)的值；B6、對(duì)每一像素點(diǎn)(x,y)位置上出現(xiàn)特征角點(diǎn)的頻率P(x,y)進(jìn)行歸一化操作獲得所需檢測(cè)臺(tái)標(biāo)的特征角點(diǎn)概率分布矩陣Mp(x,y)，w、h為正樣本及負(fù)樣本的寬和高，每一像素點(diǎn)(x,y)位置上出現(xiàn)特征角點(diǎn)的頻率P(x,y)為當(dāng)前像素點(diǎn)(x,y)出現(xiàn)特征角點(diǎn)的次數(shù)n(x,y)與正樣本總量的比值。5.根據(jù)權(quán)利要求1所述的臺(tái)標(biāo)識(shí)別方法，其特征在于，所述步驟C具體包括：C1、預(yù)先設(shè)置一最小識(shí)別正確率、最大識(shí)別錯(cuò)誤率以及最大漏識(shí)別率；C2、對(duì)每一正樣本及負(fù)樣本進(jìn)行特征角點(diǎn)檢測(cè)，當(dāng)檢測(cè)到正樣本或負(fù)樣本中在任一像素點(diǎn)(x,y)存在特征角點(diǎn)時(shí)，則所述正樣本或負(fù)樣本在任一像素點(diǎn)(x,y)的特征角點(diǎn)信息表達(dá)式Si(x,y)＝1，否則Si(x,y)＝0，以獲取所有正樣本、負(fù)樣本特征角點(diǎn)集S＝{S0,S1,S2,......,Si......SN}，其中Si為w×h的行列式，N＝NumSamples+NumNegative-1，w、h為正樣本及負(fù)樣本的寬和高，NumSamples為樣本總量，NumNegative為負(fù)樣本總量；C3、通過特征角點(diǎn)概率分布矩陣獲取每一正樣本及負(fù)樣本的相似度εi，從而獲取所有正樣本及負(fù)樣本特征集ε＝{ε0,ε1,ε2,......,εi......εN}，εi表示所有正樣本及負(fù)樣本中第i個(gè)樣本的相似度；C4、根據(jù)所述最小識(shí)別正確率、最大識(shí)別錯(cuò)誤率及最大漏識(shí)別率對(duì)所需檢測(cè)的臺(tái)標(biāo)進(jìn)行訓(xùn)練，得到所需檢測(cè)的臺(tái)標(biāo)的相似度閾值。6.根據(jù)權(quán)利要求5所述的臺(tái)標(biāo)識(shí)別方法，其特征在于，所述步驟C4具體包括：C41、預(yù)設(shè)一初始相似度閾值，對(duì)所有正樣本及負(fù)樣本進(jìn)行重新分類，若εi大于初始相似度閥值，則判定εi對(duì)應(yīng)的樣本為正樣本，否則判定為負(fù)樣本；C42、統(tǒng)計(jì)在對(duì)所有正樣本、負(fù)樣本重新分類情況下正確識(shí)別個(gè)數(shù)Nr、錯(cuò)誤識(shí)別個(gè)數(shù)Nw以及漏識(shí)別個(gè)數(shù)Nm，根據(jù)所述正確識(shí)別個(gè)數(shù)Nr、錯(cuò)誤識(shí)別個(gè)數(shù)Nw以及漏識(shí)別個(gè)數(shù)Nm計(jì)算出初始相似度閾值條件下的識(shí)別正確率、識(shí)別錯(cuò)誤率、漏識(shí)別率；C43、判斷在初始相似度閾值條件下，是否滿足條件：識(shí)別正確率大于最小識(shí)別正確率，識(shí)別錯(cuò)誤率小于最大識(shí)別錯(cuò)誤率，以及漏識(shí)別率小于最大漏識(shí)別率，當(dāng)滿足時(shí)，轉(zhuǎn)入步驟C45，否則轉(zhuǎn)入步驟C44；C44、以預(yù)定的步長(zhǎng)對(duì)初始相似度閾值進(jìn)行更新，并返回步驟C41重新分類；C45、輸出...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張登康，邵詩強(qiáng)，付東，
申請(qǐng)(專利權(quán))人：TCL集團(tuán)股份有限公司，
類型：發(fā)明
國(guó)別省市：