CN110287888A - 一种台标识别方法及系统 - Google Patents
一种台标识别方法及系统 Download PDFInfo
- Publication number
- CN110287888A CN110287888A CN201910562188.1A CN201910562188A CN110287888A CN 110287888 A CN110287888 A CN 110287888A CN 201910562188 A CN201910562188 A CN 201910562188A CN 110287888 A CN110287888 A CN 110287888A
- Authority
- CN
- China
- Prior art keywords
- logo
- picture
- symbol recognition
- station symbol
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种台标识别方法，该方法包括：采集带有台标的初始图像并检测台标的位置，根据台标的位置获得待训练的台标图像；采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；利用所述台标识别模型识别待识别的图像以获得台标的类别；对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别。本发明还公开了一种台标识别系统。本发明的台标识别方法和系统可以快速、准确地识别出视频或图片文件中的台标信息。
Description
技术领域
本发明属于图文软件的技术领域，尤其涉及一种台标识别方法及系统。
背景技术
对于网络中海量的图片或视频文件，经常需要识别图片或视频文件中的台标信息(即电视台和节目的标识，通常会显示在图片或视频文件的特定位置处)。如能正确识别台标，对节目以及电视台意义都非常重大。
现有技术中的台标识别的方法是：首先，人为地设定台标图片的特征；再将台标图片转化为一个向量；然后，再利用分类器识别出台标，由于人为地设定图片的特征没有统一的方法，因此输入的台标图片只能被转化为相应的特征向量，而再无其他用处，并且这种台标识别方法也存在识别台标的速度慢、正确率低的问题。
发明内容
有鉴于此，本发明实施例提供一种台标识别方法及系统，从而可以准确、较为高效地识别出视频或图片文件中的台标信息。
第一方面，本发明实施例提供了一种台标识别方法，该方法包括：
采集带有台标的初始图像并检测台标的位置，根据台标的位置获得待训练的台标图像；
采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
利用所述台标识别模型识别待识别的图像以获得台标的类别；
对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别；
其中，所述检测台标的位置包括以下子步骤：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置。
第二方面，本发明实施例提供了一种台标识别系统，该系统包括采集模块、检测模块、台标识别模型获取模块、识别模块和排序模块：
所述采集模块用于采集带有台标的初始图像，所述检测模块基于所述带有台标的初始图像检测台标的位置并根据台标的位置获得待训练的台标图像；
所述台标识别模型获取模块采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
所述台标识别模型获取模块利用所述台标识别模型识别待识别的图像以获得台标的类别；
所述排序模块对所述各台标类别所对应的概率进行排序并将概率最高的类别作为待识别图像的类别；
其中，所述检测模块执行以下操作：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置。
本发明的台标识别方法采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型，利用该台标识别模型识别待识别的图像以获得台标的类别，对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别，从而得到待识别图像中台标的类别和位置，从而可以快速、准确地识别出视频或图片文件中的台标信息。
附图说明
图1为本发明实施例提供的一种台标识别的方法的流程示意图；
图2为本发明实施例提供的一种台标识别的系统的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
实施例一
一、一种台标识别的方法
参见图1，本实施例中的台标识别方法包括以下步骤：
S100：采集带有台标的初始图像并检测台标的位置，根据台标的位置获得待训练的台标图像；
S200：采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
S300：利用所述台标识别模型识别待识别的图像以获得台标的类别；
S400：对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别；
其中，所述检测台标的位置包括以下子步骤：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设
的阈值确定台标的位置。
二、一种台标识别的方法的具体工作过程
下面将具体说明本实施例中的一种台标识别的方法的具体工作过程。
S100：采集带有台标的初始图像并检测台标的位置，根据台标的位置获得待训练的台标图像；
本实施例中，可以通过截取或从网络下载等方式采集带有台标的初始图像，若该初始图像的类型为视频，则首先对该视频进行解析以获取视频关键帧的图片，再检测解析后的视频关键帧的图片中台标的位置；若该初始图像的类型为图片，则直接检测该图片中台标的位置。
具体的，所述检测台标的位置包括以下子步骤S110-S150；
S110：对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
本实施例利用台标一般出现在视频的四个角落的先验知识，为了减小检测台标的数据量；采用最优区域规划的方法对带有台标的初始图像进行分块、拼接；
其中，所述最优区域规划对带有台标的初始图像进行分块、拼接包括以下子步骤：
首先，将带有台标的初始图像按照预设的水平和垂直方向的比例进行划分(例如，水平方向的比例可以是3∶5∶3的比例，垂直方向的比例也是3∶5∶3的比例)；
然后，再将该带有台标的初始图像的四个角落拼接在一起，以获得待处理的图片序列。
S120：去除所述待处理的图片序列的噪音得到去噪后的图片；
其中，所述去除所述待处理的图片序列的噪音包括以下子步骤：
本实施例中，根据台标一般固定不变的先验知识，可以首先对待处理的图片序列进行预处理获得预处理图片；
其次，提取预处理后图片的边缘值；优选的，可以利用边缘检测算法提取预处理图片的边缘值；
然后，对预处理图片的边缘值进行加权平均得到加权后的图片；
最后，将加权后的图片的灰度值进行恢复以得到去噪后的图片；具体的，可以将加权后的图片的灰度值恢复到0-255之间，这样可以最大限度的去除噪音对台标检测的干扰。
S130：对去噪后的图片进行二值化处理；
S140：使用矩形核(例如，可以是7*7的矩形核)对二值化处理后的图片进行膨胀操作；
S150：根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置，从而实现了台标的检测。
S200：采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
本实施例，利用深度学习框架darknet训练出的台标识别模型可以准确地识别出待识别图像的台标类别，获得所述台标识别模型包括子步骤S210和S220，其中：
S210：将待训练的样本图像按照VOC标准数据集格式构建训练数据集，具体方法如下：
首先，使用图片标注工具(例如：LabelImg工具)对待训练的台标图像进行标注，并生成xml文件；
然后，将所述xml文件转换成txt文件，基于所述txt文件构建台标训练数据集。
S220：对所述台标训练数据集中的样本进行训练获得台标识别模型；具体方法如下：
首先，修改包含台标图像的训练样本的类别文件以及YOLO整图训练模型的配置文件；
其次，利用YOLO整图训练模型对台标训练数据集中的样本进行训练，获得台标识别模型；
优选的，本实施例中，采用YOLO V2网络对台标训练数据集中的样本进行训练，可以进一步提高台标识别模型的检测的精度和速度，其中，所述的YOLO V2网络的基础模型结构就是Darknet-19，包含19个卷积层、5个最大值池化层(max pooling layers)。
其中，YOLO神经网络基于一个单独的end-to-end(端到端)神经网络，完成从样本图像的输入到物体位置和类别的输出，其网络结构包括24个卷积层和2个全连接层。其中，卷积层用来提取图像特征，全连接层用来预测目标位置和类别概率值。本实施例使用的神经网络借鉴了GoogLeNet分类网络结构。不同的是，未使用inception module(GoogLeNet中的其中一层)，而是使用1×1卷积层+3×3卷积层简单替代，其中，此处1×1卷积层的存在是为了跨通道信息整合。同时，使用均方误差(各数据偏离真实值的距离平方和的平均数)作为loss函数(损失函数)来优化模型参数，即神经网络输出的S×S×(B×5+C)维向量与真实图像的对应S×S×(B×5+C)维向量的均方和误差。
对于配置神经网络模型.cfg文件，具体地，由于本实施例中有20分类，因此将class的值改为20；在region区域层，根据只有20个class，对filters值进行修改，由于filters＝(classes+coords+1)×NUM，其中，classes表示类别数量，本实施例中即为20，coords表示BoundingBox(边界框)的4个坐标tx、ty、tw、th，本实施例中coords＝4，NUM表示每个grid cell(网格单元)预测的BoundingBox个数，本实施例中NUM＝5；因此，本实施例中，filters＝(20+4+1)×5＝125，即修改后的filters的值为125。进一步地，将names改为所有台标的列表，然后保存神经网络模型配置文件为voc_logo.cfg。
训练脚本根据配置好的voc_logo.cfg文件生成网络对象，然后读取ImageSet/Main文件夹下trainval.txt和test.txt，根据文本文档中保存的样本图像的名称获取所有样本图像对应的xml文件，根据xml文件中保存的信息读取JPEGImages文件夹下的样本图像，同时从xml文件中读取样本图像的标注区域；将样本图像划分为多个区域，然后对样本图像中所有区域中的像素值进行训练学习。待训练结束后，脚本将迭代过程优化的参数保存至权重模型voc_logo_8000.weight。
另外，YOLO(You Only Look Once)，它可以一次性预测多个预选框(Box)位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快，通常来说，对目标检测的本质就是回归，一个实现回归功能的神经网络并不需要复杂的设计过程，因而，YOLO没有选择滑动窗口(Silding Window)的方式训练网络，而是直接选用整图训练模型。
S300：利用所述台标识别模型识别待识别的图像以获得台标的类别；
具体的，例如训练的台标图像的类别是CCTV1、CCTV2台标，则台标识别模型识别待识别的图像是否为CCTV1以及CCTV2台标。
S400：对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别；
具体的，若步骤S300识别出待识别的图像为CCTV1、CCTV2台标，计算CCTV1、CCTV2并得到CCTV1及CCTV2台标的概率，对CCTV1及CCTV2台标的概率进行排序，将概率最高的类别作为待识别图像的类别，并将识别结果保存至数据库中。
通过本实施例的台标识别方法可以快速、准确地识别出视频或图片文件中的台标信息。
实施例二
下面介绍本发明实施例提供的一种台标识别系统的具体实施方式，参见图2，该系统包括采集模块、检测模块、台标识别模型获取模块、识别模块和排序模块：
所述采集模块用于采集带有台标的初始图像，所述检测模块基于所述带有台标的初始图像检测台标的位置并根据台标的位置获得待训练的台标图像；
所述台标识别模型获取模块采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
所述台标识别模型获取模块利用所述台标识别模型识别待识别的图像以获得台标的类别；
所述排序模块对所述各台标类别所对应的概率进行排序并将概率最高的类别作为待识别图像的类别；
其中，所述检测模块执行以下操作：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置。
进一步的，采用最优区域规划的方法对带有台标的初始图像进行分块、拼接。
进一步的，所述检测模块去除所述待处理的图片序列的噪音得到去噪后的图片执行以下操作：
对待处理的图片序列进行预处理获得预处理图片；
提取预处理后图片的边缘值；
对预处理图片的边缘值进行加权平均得到加权后的图片；
将加权后的图片的灰度值进行恢复以得到去噪后的图片。
进一步的，所述台标识别模型获取模块包括构建模块和训练模块：
所述构建模块用于将待训练的样本图像按照VOC标准数据集格式构建训练数据集，
所述训练模块用于对所述台标训练数据集中的样本进行训练获得台标识别模型。
进一步的，所述构建模块执行以下操作：
使用图片标注工具对待训练的台标图像进行标注，并生成xml文件；
将所述xml文件转换成txt文件，基于所述txt文件构建台标训练数据集。
进一步的，所述训练模块执行以下操作：
修改包含台标图像的训练样本的类别文件以及YOLO整图训练模型的配置文件；
利用YOLO整图训练模型对台标训练数据集中的样本进行训练，获得台标识别模型。
进一步的，所述YOLO整图训练模型为YOLO V2网络。
本实施例中台标识别系统的具体工作过程与上一实施例的工作过程基本一致，在此不再具体赘述。
本发明的有益效果：
本发明的台标识别方法采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型，利用该台标识别模型识别待识别的图像以获得台标的类别，对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别，从而得到待识别图像中台标的类别和位置，从而可以快速、准确地识别出视频或图片文件中的台标信息。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种台标识别方法，其特征在于，该方法包括：
采集带有台标的初始图像并检测台标的位置，根据台标的位置获得待训练的台标图像；
采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
利用所述台标识别模型识别待识别的图像以获得台标的类别；
对所述各台标类别所对应的概率进行排序，将概率最高的类别作为待识别图像的类别；
其中，所述检测台标的位置包括以下子步骤：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置。
2.根据权利要求1所述的方法，其特征在于，采用最优区域规划的方法对带有台标的初始图像进行分块、拼接。
3.根据权利要求1所述的方法，其特征在于，所述去除所述待处理的图片序列的噪音得到去噪后的图片包括以下子步骤：
对待处理的图片序列进行预处理获得预处理图片；
提取预处理后图片的边缘值；
对预处理图片的边缘值进行加权平均得到加权后的图片；
将加权后的图片的灰度值进行恢复以得到去噪后的图片。
4.根据权利要求1所述的方法，其特征在于，所述获得台标识别模型包括以下子步骤：
将待训练的样本图像按照VOC标准数据集格式构建训练数据集，
对所述台标训练数据集中的样本进行训练获得台标识别模型。
5.根据权利要求4所述的方法，其特征在于，所述构建训练数据集包括以下子步骤：
使用图片标注工具对待训练的台标图像进行标注，并生成xml文件；
将所述xml文件转换成txt文件，基于所述txt文件构建台标训练数据集。
6.根据权利要求4所述的方法，其特征在于，所述对所述台标训练数据集中的样本进行训练获得台标识别模型包括以下子步骤：
修改包含台标图像的训练样本的类别文件以及YOLO整图训练模型的配置文件；
利用YOLO整图训练模型对台标训练数据集中的样本进行训练，获得台标识别模型。
7.根据权利要求6所述的方法，其特征在于，所述YOLO整图训练模型为YOLO V2网络。
8.一种台标识别系统，其特征在于，该系统包括采集模块、检测模块、台标识别模型获取模块、识别模块和排序模块：
所述采集模块用于采集带有台标的初始图像，所述检测模块基于所述带有台标的初始图像检测台标的位置并根据台标的位置获得待训练的台标图像；
所述台标识别模型获取模块采用深度学习框架darknet对所述待训练的台标图像进行训练以获得台标识别模型；
所述台标识别模型获取模块利用所述台标识别模型识别待识别的图像以获得台标的类别；
所述排序模块对所述各台标类别所对应的概率进行排序并将概率最高的类别作为待识别图像的类别；
其中，所述检测模块执行以下操作：
对所述带有台标的初始图像进行分块、拼接以获得待处理的图片序列；
去除所述待处理的图片序列的噪音得到去噪后的图片；
对去噪后的图片进行二值化处理；
使用矩形核对二值化处理后的图片进行膨胀操作；
根据膨胀操作后获得的图片得到目标的轮廓以及轮廓内的面积信息，并通过预设的阈值确定台标的位置。
9.根据权利要求8所述的系统，其特征在于，所述台标识别模型获取模块包括构建模块和训练模块：
所述构建模块用于将待训练的样本图像按照VOC标准数据集格式构建训练数据集，
所述训练模块用于对所述台标训练数据集中的样本进行训练获得台标识别模型。
10.根据权利要求9所述的系统，其特征在于，所述训练模块执行以下操作：
修改包含台标图像的训练样本的类别文件以及YOLO整图训练模型的配置文件；
利用YOLO整图训练模型对台标训练数据集中的样本进行训练，获得台标识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910562188.1A CN110287888A (zh) | 2019-06-26 | 2019-06-26 | 一种台标识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910562188.1A CN110287888A (zh) | 2019-06-26 | 2019-06-26 | 一种台标识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110287888A true CN110287888A (zh) | 2019-09-27 |
Family
ID=68006210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910562188.1A Pending CN110287888A (zh) | 2019-06-26 | 2019-06-26 | 一种台标识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287888A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444915A (zh) * | 2020-03-26 | 2020-07-24 | 山东云缦智能科技有限公司 | 一种基于边缘检测的电视台台标检测方法 |
| CN111860472A (zh) * | 2020-09-24 | 2020-10-30 | 成都索贝数码科技股份有限公司 | 电视台标检测方法、系统、计算机设备及存储介质 |
| CN111950424A (zh) * | 2020-08-06 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种视频数据处理方法、装置、计算机及可读存储介质 |
| CN113055708A (zh) * | 2021-01-21 | 2021-06-29 | 北京市博汇科技股份有限公司 | 一种基于台标识别的节目版权保护方法及装置 |
| CN113435443A (zh) * | 2021-06-28 | 2021-09-24 | 中国兵器装备集团自动化研究所有限公司 | 一种从视频中自动识别地标的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306377A (zh) * | 2011-09-21 | 2012-01-04 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像去噪的方法和装置 |
| CN103020650A (zh) * | 2012-11-23 | 2013-04-03 | Tcl集团股份有限公司 | 一种台标识别方法及装置 |
| CN103902987A (zh) * | 2014-04-17 | 2014-07-02 | 福州大学 | 一种基于卷积网络的台标识别方法 |
| CN104639952A (zh) * | 2015-01-23 | 2015-05-20 | 小米科技有限责任公司 | 台标识别方法及装置 |
| CN104869433A (zh) * | 2015-05-20 | 2015-08-26 | 小米科技有限责任公司 | 电视频道的确定方法、装置及服务器 |
| CN105868680A (zh) * | 2015-11-24 | 2016-08-17 | 乐视致新电子科技（天津）有限公司 | 台标分类方法及装置 |
| CN106488313A (zh) * | 2016-10-31 | 2017-03-08 | Tcl集团股份有限公司 | 一种台标识别方法及系统 |
| CN106507188A (zh) * | 2016-11-25 | 2017-03-15 | 南京中密信息科技有限公司 | 一种基于卷积神经网络的视频台标识别装置及工作方法 |
| CN106845442A (zh) * | 2017-02-15 | 2017-06-13 | 杭州当虹科技有限公司 | 一种基于深度学习的台标检测方法 |
| CN107330027A (zh) * | 2017-06-23 | 2017-11-07 | 中国科学院信息工程研究所 | 一种弱监督的深度台标检测方法 |
| CN109003390A (zh) * | 2018-06-29 | 2018-12-14 | 深圳和而泰数据资源与云技术有限公司 | 一种商品识别方法、无人售货机及计算机可读存储介质 |
-
2019
- 2019-06-26 CN CN201910562188.1A patent/CN110287888A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306377A (zh) * | 2011-09-21 | 2012-01-04 | 深圳市理邦精密仪器股份有限公司 | 一种超声图像去噪的方法和装置 |
| CN103020650A (zh) * | 2012-11-23 | 2013-04-03 | Tcl集团股份有限公司 | 一种台标识别方法及装置 |
| CN103902987A (zh) * | 2014-04-17 | 2014-07-02 | 福州大学 | 一种基于卷积网络的台标识别方法 |
| CN104639952A (zh) * | 2015-01-23 | 2015-05-20 | 小米科技有限责任公司 | 台标识别方法及装置 |
| CN104869433A (zh) * | 2015-05-20 | 2015-08-26 | 小米科技有限责任公司 | 电视频道的确定方法、装置及服务器 |
| CN105868680A (zh) * | 2015-11-24 | 2016-08-17 | 乐视致新电子科技（天津）有限公司 | 台标分类方法及装置 |
| CN106488313A (zh) * | 2016-10-31 | 2017-03-08 | Tcl集团股份有限公司 | 一种台标识别方法及系统 |
| CN106507188A (zh) * | 2016-11-25 | 2017-03-15 | 南京中密信息科技有限公司 | 一种基于卷积神经网络的视频台标识别装置及工作方法 |
| CN106845442A (zh) * | 2017-02-15 | 2017-06-13 | 杭州当虹科技有限公司 | 一种基于深度学习的台标检测方法 |
| CN107330027A (zh) * | 2017-06-23 | 2017-11-07 | 中国科学院信息工程研究所 | 一种弱监督的深度台标检测方法 |
| CN109003390A (zh) * | 2018-06-29 | 2018-12-14 | 深圳和而泰数据资源与云技术有限公司 | 一种商品识别方法、无人售货机及计算机可读存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444915A (zh) * | 2020-03-26 | 2020-07-24 | 山东云缦智能科技有限公司 | 一种基于边缘检测的电视台台标检测方法 |
| CN111950424A (zh) * | 2020-08-06 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种视频数据处理方法、装置、计算机及可读存储介质 |
| CN111950424B (zh) * | 2020-08-06 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 一种视频数据处理方法、装置、计算机及可读存储介质 |
| CN111860472A (zh) * | 2020-09-24 | 2020-10-30 | 成都索贝数码科技股份有限公司 | 电视台标检测方法、系统、计算机设备及存储介质 |
| CN113055708A (zh) * | 2021-01-21 | 2021-06-29 | 北京市博汇科技股份有限公司 | 一种基于台标识别的节目版权保护方法及装置 |
| CN113055708B (zh) * | 2021-01-21 | 2023-04-11 | 北京市博汇科技股份有限公司 | 一种基于台标识别的节目版权保护方法及装置 |
| CN113435443A (zh) * | 2021-06-28 | 2021-09-24 | 中国兵器装备集团自动化研究所有限公司 | 一种从视频中自动识别地标的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287888A (zh) | 一种台标识别方法及系统 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| WO2020139743A1 (en) | Computer-executed method and apparatus for assessing vehicle damage | |
| CN111813997B (zh) | 入侵分析方法、装置、设备及存储介质 | |
| CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
| CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
| CN107871101A (zh) | 一种人脸检测方法及装置 | |
| CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
| CN113901911B (zh) | 图像识别、模型训练方法、装置、电子设备及存储介质 | |
| CN103295009B (zh) | 基于笔画分解的车牌字符识别方法 | |
| CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
| CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
| CN112149533A (zh) | 一种基于改进ssd模型的目标检测方法 | |
| CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN110349167A (zh) | 一种图像实例分割方法及装置 | |
| CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
| CN116246287B (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
| CN109740554A (zh) | 一种道路边缘线识别方法及系统 | |
| CN111275694A (zh) | 一种注意力机制引导的递进式划分人体解析模型及方法 | |
| CN114067339A (zh) | 图像识别方法及其装置、电子设备、计算机可读存储介质 | |
| CN113591735A (zh) | 一种基于深度学习的行人检测方法及系统 | |
| CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
| RJ01 | Rejection of invention patent application after publication |