CN111444915A - 一种基于边缘检测的电视台台标检测方法 - Google Patents
一种基于边缘检测的电视台台标检测方法 Download PDFInfo
- Publication number
- CN111444915A CN111444915A CN202010223590.XA CN202010223590A CN111444915A CN 111444915 A CN111444915 A CN 111444915A CN 202010223590 A CN202010223590 A CN 202010223590A CN 111444915 A CN111444915 A CN 111444915A
- Authority
- CN
- China
- Prior art keywords
- detection
- station
- model
- picture
- logo
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000003708 edge detection Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 8
- YSIITVVESCNIPR-UHFFFAOYSA-N Troxipide Chemical compound COC1=C(OC)C(OC)=CC(C(=O)NC2CNCCC2)=C1 YSIITVVESCNIPR-UHFFFAOYSA-N 0.000 claims description 8
- 229960001341 troxipide Drugs 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- -1 detection Chemical compound 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于边缘检测的电视台台标检测方法。本发明包括数据训练模块、图像获取模块、图像预处理模块、台标识别模块，其方法包括：获取各电视台台标图片；对数据集中台标图片进行灰度处理及边缘检测处理；构建卷积神经网络，获取台标检测模型；将台标检测模型下发至台标检测前端，将视频实时帧画面输入模型，返回该实时帧画面中是否包含台标及台标类别。本发明通过对数据集图片进行灰度处理及边缘检测处理，在保留台标图片特征的前提下减小图像原始数据量，将图片像素点转化为一维向量，有效减少了数据训练过程和识别过程中的计算量。本发明可以有效提高台标实时检测过程的效率。
Description
技术领域
本发明涉及数字广播电视技术领域，尤其涉及视频图像中一种基于边缘检测的电视台台标检测方法和装置。
背景技术
随着电视技术的磅礴发展，我国的电视系统已经成为一个庞大和复杂的系统，电视信号在前端处理、网络传输的过程中可能发生传输错误、被人为更改以及受到恶意攻击等状况，为了保证数字电视节目的正常播出，对电视信号的监管变得尤为重要，其中对台标检测是对电视信号监管的一种重要方式。
传统地通过人工方式对电视信号实时监看等方式对台标检测方法工作强大太大，且检测效率低下，也存在漏报等检测出错的问题。目前，台标自动化检测通常利用深度学习训练台标检测模型，检测时，直接将帧画面输入模型进行识别，因图片质量较大，该方式往往实时检测效率比较低。本文提出一种基于边缘检测的电视台台标检测方法、装置，通过对检测的图片进行预处理，在保留检测图片特征的前提下降低图片质量，可以有效提高台标自动化检测的效率。
发明内容
为解决上述台标检测效率低，出错率高的问题，本发明提供了一种识别速度快，准确率高的台标检测方法。
本发明公开了一种基于边缘检测的电视台台标检测方法，该方法包括以下步骤：
1）检测中心节点的图像获取模块截取电视台播放视频帧画面获取包含台标图片，构建台标数据集；
2）图像预处理模块对台标数据集中台标图片进行灰度化及边缘检测处理，对预处理好的图片采集像素点，转化为一维向量；
3）数据训练模块构建卷积神经网络，通过对台标数据集离线进行多分类模型训练，获取最佳台标检测模型；
4）检测中心节点将训练好的台标检测模型下发至检测前端；
5）检测前端的图像预处理模块接入检测视频截取待测台标，对待测台标进行灰度处理及边缘检测处理；
6）检测前端的台标识别模块利用离线训练后的台标检测模型对目标台标进行检测；
7）检测前端将识别结果及检测画面回传至检测中心节点。
优选的，构建卷积神经网络包括以下步骤：
a)将图片向量输入卷积神经网络离线多分类模型，并进行数据归一化；
b)将台标模型进行一维卷积池化处理、多维卷积池化处理和全连接层处理，判断该模型是否收敛；
c)若收敛则保存为最佳模型，若不收敛则返回步骤a）继续进行迭代处理，直至模型收敛。
优选的，对台标图片进行边缘检测的方法为Laplace边缘检测。Laplace算子利用二阶导数信息具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变；使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘，对一个连续函数f (x, y)它在图像中的位置(x, y), Laplace算子定义为：
二阶微分在亮的一边是负的，在暗的一边是正的，常数部分为零，确定边的准确位置，以及像素在亮的一侧还是暗的一侧。
优选的，存在一个及以上的检测前端。
优选的，台标识别模块将经过预处理的帧画面输入台标检测模型后返回是否包含台标及台标类别。
有益效果
本发明通过对数据集图片进行灰度处理及边缘检测处理，在保留台标图片特征的前提下减小图像原始数据量，将图片像素点转化为一维向量，有效减少了数据训练过程和识别过程中的计算量，有效提高台标实时检测过程的效率和准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明装置架构示意图；
图2是卷积神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于边缘检测的电视台台标检测方法，其特征在于，包括：检测中心节点包含进行台标检测模型的训练，获取最佳模型的数据训练模块，获取视频流中的帧画面的图像获取模块，对获取的原始台标进行灰度化和Laplace边缘检测处理的图像预处理模块；检测前端包含将获取的最佳台标模型，与实时检测到的台标图像进行比较的台标识别模块，获取视频流中的帧画面的图像获取模块，对获取的原始台标进行灰度化和Laplace边缘检测处理的图像预处理模块。
下面结合附图对本方法的实施步骤进行具体描述。
1）检测中心节点的图像获取模块截取电视台播放视频帧画面获取包含台标图片，构建台标数据集；
2）图像预处理模块对台标数据集中台标图片进行灰度化及边缘检测处理，对预处理好的图片采集像素点，转化为一维向量；
3）数据训练模块构建卷积神经网络，构建卷积神经网络包括以下步骤：将图片向量输入卷积神经网络离线多分类模型，并进行数据归一化；将台标模型进行一维卷积池化处理、多维卷积池化处理和全连接层处理，判断该模型是否收敛；若收敛则保存为最佳模型，若不收敛则继续进行迭代处理，直至模型收敛。通过对台标数据集离线进行多分类模型训练，获取最佳台标检测模型；
4）检测中心节点将训练好的台标检测模型下发至检测前端；
5）检测前端的图像预处理模块接入检测视频截取待测台标，对待测台标进行灰度处理及边缘检测处理；
6）检测前端的台标识别模块利用离线训练后的台标检测模型对目标台标进行检测；
7）检测前端将识别结果及检测画面回传至检测中心节点。
对台标图片进行边缘检测的方法为Laplace边缘检测。Laplace算子利用二阶导数信息具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变；使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘，对一个连续函数f (x, y)它在图像中的位置(x, y), Laplace算子定义为：
二阶微分在亮的一边是负的，在暗的一边是正的，常数部分为零，确定边的准确位置，以及像素在亮的一侧还是暗的一侧。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于边缘检测的电视台台标检测方法，其特征在于，该方法包括以下步骤：
1）检测中心节点的图像获取模块截取电视台播放视频帧画面获取包含台标图片，构建台标数据集；
2）图像预处理模块对台标数据集中台标图片进行灰度化及边缘检测处理，对预处理好的图片采集像素点，转化为一维向量；
3）数据训练模块构建卷积神经网络，通过对台标数据集离线进行多分类模型训练，获取最佳台标检测模型；
4）检测中心节点将训练好的台标检测模型下发至检测前端；
5）检测前端的图像处理模块接入检测视频截取待测台标，对待测台标进行灰度处理及边缘检测处理；
6）检测前端的台标识别模块利用离线训练后的台标检测模型对目标台标进行检测；
7）检测前端将识别结果及检测画面回传至检测中心节点。
2.根据权利要求1 所述的基于边缘检测的电视台台标检测方法，其特征在于，构建卷积神经网络包括：
a）将图片向量输入卷积神经网络离线多分类模型，并进行数据归一化；
b）将台标模型进行一维卷积池化处理、多维卷积池化处理和全连接层处理，判断该模型是否收敛；
c）若收敛则保存为最佳模型，若不收敛则返回步骤a）继续进行迭代处理，直至模型收敛。
3.根据权利要求1所述的基于边缘检测的电视台台标检测方法，其特征在于，对台标图片进行边缘检测的方法为Laplace边缘检测；Laplace算子利用二阶导数信息具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变；使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘，对一个连续函数f (x, y)它在图像中的位置(x, y), Laplace算子定义为：
二阶微分在亮的一边是负的，在暗的一边是正的，常数部分为零，确定边的准确位置，以及像素在亮的一侧还是暗的一侧。
4.根据权利要求1所述的基于边缘检测的电视台台标检测方法，其特征在于，存在一个及以上的检测前端。
5.根据权利要求1所述的基于边缘检测的电视台台标检测方法，其特征在于，台标识别模块将经过预处理的帧画面输入台标检测模型后返回是否包含台标及台标类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010223590.XA CN111444915A (zh) | 2020-03-26 | 2020-03-26 | 一种基于边缘检测的电视台台标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010223590.XA CN111444915A (zh) | 2020-03-26 | 2020-03-26 | 一种基于边缘检测的电视台台标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111444915A true CN111444915A (zh) | 2020-07-24 |
Family
ID=71647983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010223590.XA Pending CN111444915A (zh) | 2020-03-26 | 2020-03-26 | 一种基于边缘检测的电视台台标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444915A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607603A (zh) * | 2013-11-28 | 2014-02-26 | Tcl集团股份有限公司 | 一种识别台标的方法及装置 |
| 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 |
| WO2017088479A1 (zh) * | 2015-11-24 | 2017-06-01 | 乐视控股（北京）有限公司 | 台标识别方法及装置 |
| CN108509953A (zh) * | 2018-04-12 | 2018-09-07 | 南京烽火天地通信科技有限公司 | 一种电视台标检测识别方法 |
| CN109977859A (zh) * | 2019-03-25 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 一种图标识别的方法以及相关装置 |
| CN110287888A (zh) * | 2019-06-26 | 2019-09-27 | 中科软科技股份有限公司 | 一种台标识别方法及系统 |
-
2020
- 2020-03-26 CN CN202010223590.XA patent/CN111444915A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607603A (zh) * | 2013-11-28 | 2014-02-26 | Tcl集团股份有限公司 | 一种识别台标的方法及装置 |
| 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 |
| WO2017088479A1 (zh) * | 2015-11-24 | 2017-06-01 | 乐视控股（北京）有限公司 | 台标识别方法及装置 |
| CN108509953A (zh) * | 2018-04-12 | 2018-09-07 | 南京烽火天地通信科技有限公司 | 一种电视台标检测识别方法 |
| CN109977859A (zh) * | 2019-03-25 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 一种图标识别的方法以及相关装置 |
| CN110287888A (zh) * | 2019-06-26 | 2019-09-27 | 中科软科技股份有限公司 | 一种台标识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686833B (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
| CN112150493A (zh) | 一种基于语义指导的自然场景下屏幕区域检测方法 | |
| CN110570454A (zh) | 一种检测异物入侵的方法及装置 | |
| CN109087261A (zh) | 基于非受限采集场景的人脸矫正方法 | |
| CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
| CN111126205A (zh) | 一种基于旋转定位网络的光学遥感图像飞机目标检测方法 | |
| CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
| CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| CN113901928A (zh) | 一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及系统 | |
| CN103353941A (zh) | 基于视角分类的自然标志物注册方法 | |
| CN116152824A (zh) | 一种发票信息提取方法及系统 | |
| CN114463619B (zh) | 基于集成融合特征的红外弱小目标检测方法 | |
| CN113095373B (zh) | 基于自适应位置预测的任意旋转角度船舶检测方法及系统 | |
| CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
| CN111444915A (zh) | 一种基于边缘检测的电视台台标检测方法 | |
| CN113256563A (zh) | 基于空间注意力机制的精品罐表面缺陷检测方法和系统 | |
| CN115035168B (zh) | 基于多约束的光伏面板多源图像配准方法、装置及系统 | |
| CN112906533A (zh) | 一种基于自适应检测区域的安全帽佩戴检测方法 | |
| CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
| CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
| CN114581911B (zh) | 一种钢卷标号识别方法及系统 | |
| CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
| CN117870705A (zh) | 一种人工智能ar导航定位路线纠偏方法 | |
| CN117745709A (zh) | 一种铁路异物侵限检测方法、系统、设备及介质 | |
| CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 |
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: 20200724 |
|
| RJ01 | Rejection of invention patent application after publication |