一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)，其中，所述方法包括步驟：通過(guò)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(guò)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(guò)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。
【專利說(shuō)明】—種臺(tái)標(biāo)識(shí)別方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及臺(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)。
【背景技術(shù)】
[0002]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(lái)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。
[0003]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(guò)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。
[0004]因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

【發(fā)明內(nèi)容】

[0005]鑒于上述現(xiàn)有技術(shù)的不足，本發(fā)明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(wèn)題。
[0006]本發(fā)明的技術(shù)方案如下:
[0007]—種臺(tái)標(biāo)識(shí)別方法，其中，包括步驟:
[0008]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；
[0009]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(guò)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；
[0010]C、通過(guò)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(guò)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；
[0011]D、通過(guò)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)。
[0012]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。
[0013]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(guò)程包括:
[0014]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，Ij^x方向的方向?qū)?shù)，Iy為y方向的方向?qū)?shù)；
[0015]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，
【權(quán)利要求】
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(guò)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(guò)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(guò)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(guò)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(guò)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，IxSx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，
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(guò)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)，
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:Cl、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SiU, y)=l,否則SiU, y) =O,以獲取所有正樣本、負(fù)樣本特征角點(diǎn)集S= {S0, S1, S2,......,S1......Sj ,其中 Si 為 wXh 的行列式,N=NumSampIes+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(guò)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
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ε i大于初始相似度閥值，則判定ε i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。
7.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D具體包括: D1、遍歷所有訓(xùn)練過(guò)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SI ； 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 =
8.一種臺(tái)標(biāo)識(shí)別系統(tǒng)，其特征在于，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(guò)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(guò)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(guò)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(guò)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)。
9.根據(jù)權(quán)利要求8所述的臺(tái)標(biāo)識(shí)別系統(tǒng)，其特征在于，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Iy，Ix為X方向的方向?qū)?shù)，Iy為y方向的方向?qū)?shù)； 局部自相關(guān)矩陣計(jì)算單元，用于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，
10.根據(jù)權(quán)利要求9所述的臺(tái)標(biāo)識(shí)別系統(tǒng)，其特征在于，所述特征角點(diǎn)概率分布矩陣獲取模塊還包括: 疊加統(tǒng)計(jì)單元，用于計(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； 特征角點(diǎn)概率分布矩陣獲取單元，用于對(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)，
11.根據(jù)權(quán)利要求8所述的臺(tái)標(biāo)識(shí)別系統(tǒng)，其特征在于，所述相似度閾值獲取模塊包括: 預(yù)先設(shè)置單元，用于預(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； 特征角點(diǎn)集合獲取單元，用于對(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(Xj)=I,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=Ktl, S1, S2,......,S1......SN}，其中Si為WXh的行列式，N=NumSampIes+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； 相似度獲取單元，用于通過(guò)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
【文檔編號(hào)】G06K9/46GK103530598SQ201310075179
【公開日】2014年1月22日 申請(qǐng)日期:2013年3月8日 優(yōu)先權(quán)日:2013年3月8日
【發(fā)明者】張登康, 邵詩(shī)強(qiáng), 付東 申請(qǐng)人:Tcl集團(tuán)股份有限公司