一种台标识别方法及系统的制作方法
【专利摘要】本发明公开一种台标识别方法及系统，其中，所述方法包括步骤：通过特征角点概率分布矩阵，计算每一个正样本、负样本的相似度，获取包含所有正样本、负样本相似度的相似度集，通过所述相似度集计算出所需检测台标的相似度阈值；通过所述特征角点概率分布矩阵计算出待检测图像包含所需检测台标的待检测相似度，根据待检测相似度与相似度阈值的大小关系，判断所述待检测图像中是否含有所需检测台标。本发明提高了台标识别的准确性，缩短了识别的时间，提高了识别效率，从而为多媒体技术的视频自动搜索、收录、分析和检索提供有效的技术支持。
【专利说明】—种台标识别方法及系统
【技术领域】
[0001]本发明涉及台标识别领域，尤其涉及一种台标识别方法及系统。
【背景技术】
[0002]电视台的台标是区分电视台的重要标志，台标包含了电视台的台名、节目取向等重要消息，利用计算机图像处理识别技术自动识别台标成为近年来的研究热点，其在电视机的日常应用中能有效的进行节目监控、视频内容分析和检索、用户观看习惯分析等。
[0003]目前存在的台标识别方法主要有:1、利用多帧差法获取台标，通过模板匹配进行识别；2、基于颜色直方图或者形状进行识别等。但这些方法大多都存在对相似颜色和透明台标不易识别的情况，同时由于背景和噪声的干扰，识别率较低。
[0004]因此，现有技术还有待于改进和发展。
【发明内容】
[0005]鉴于上述现有技术的不足，本发明的目的在于提供一种台标识别方法及系统，旨在解决现有台标识别技术存在对相似颜色和透明台标不易识别、识别率较低的问题。
[0006]本发明的技术方案如下:
[0007]—种台标识别方法，其中，包括步骤:
[0008]A、从多幅原始图像中提取所需检测台标的正样本和负样本，所述正样本为含有所需检测台标的区域图像，所述负样本为不含所需检测台标的区域图像；
[0009]B、对提取出的正样本进行特征角点检测，获取正样本的特征角点集合，并通过所述特征角点集合对正样本中每一像素点出现特征角点的频率进行计算，获取所需检测台标的特征角点概率分布矩阵；
[0010]C、通过所述特征角点概率分布矩阵，计算每一个正样本、负样本的相似度，得到包含所有正样本、负样本相似度的相似度集，通过所述相似度集计算出所需检测台标的相似度阈值；
[0011]D、通过所述特征角点概率分布矩阵计算出待检测图像包含所需检测台标的待检测相似度，判断待检测相似度是否大于相似度阈值，当是时判定待检测图像中含有所需检测台标，当否时判定待检测图像中不含有所需检测台标。
[0012]所述的台标识别方法，其中，所述步骤A中，对于相同台标，每一正样本在对应的原始图像中的相对位置相同，正样本与负样本的数量比为1:1.5~1:3.5。
[0013]所述的台标识别方法，其中，所述步骤B中，获取正样本的特征角点集合的过程包括:
[0014]B1、计算正样本的方向导数，分别保存为数组Ix和数组Iy，Ij^x方向的方向导数，Iy为y方向的方向导数；
[0015]B2、利用高斯模板为正样本中每一个像素点计算局部自相关矩阵M，其中，
【权利要求】
1.一种台标识别方法，其特征在于，包括步骤: A、从多幅原始图像中提取所需检测台标的正样本和负样本，所述正样本为含有所需检测台标的区域图像，所述负样本为不含所需检测台标的区域图像； B、对提取出的正样本进行特征角点检测，获取正样本的特征角点集合，并通过所述特征角点集合对正样本中每一像素点出现特征角点的频率进行计算，获取所需检测台标的特征角点概率分布矩阵 ； C、通过所述特征角点概率分布矩阵，计算每一个正样本、负样本的相似度，得到包含所有正样本、负样本相似度的相似度集,通过所述相似度集计算出所需检测台标的相似度阈值； D、通过所述特征角点概率分布矩阵计算出待检测图像包含所需检测台标的待检测相似度，判断待检测相似度是否大于相似度阈值，当是时判定待检测图像中含有所需检测台标，当否时判定待检测图像中不含有所需检测台标。
2.根据权利要求1所述的台标识别方法，其特征在于，所述步骤A中，对于相同台标，每一正样本在对应的原始图像中的相对位置相同，正样本:与负样本的数量比为1:1.5~1:3.5.
3.根据权利要求1所述的台标识别方法，其特征在于，所述步骤B中，获取正样本的特征角点集合的过程包括: B1、计算正样本的方向导数，分别保存为数组Ix和数组Iy，IxSx方向的方向导数，Iy为y方向的方向导数； B2、利用高斯模板为正样本中每一个像素点计算局部自相关矩阵M，其中，
4.根据权利要求1所述的台标识别方法，其特征在于，所述步骤B中，获取所需检测台标的特征角点概率分布矩阵的过程具体包括: B5、计算所有正样本中每一个像素点(x，y)位置出现特征角点的次数n(x，y)，当n(x, y)与正样本总量的比例小于预定值，则判定对应的像素点(x，y)不是特征角点，并将该次数(x，y)的值归零，否则判定为特征角点，并保留该次数n(x，y)的值； B6、对每一像素点(X，y)位置上出现特征角点的频率P(x，y)进行归一化操作获得所需
检测台标的特征角点概率分布矩阵Mp(X，y)，
5.根据权利要求1所述的台标识别方法，其特征在于，所述步骤C具体包括:Cl、预先设置一最小识别正确率、最大识别错误率以及最大漏识别率； C2、对每一正样本及负样本进行特征角点检测，当检测到正样本或负样本中在任一像素点(x，y)存在特征角点时，则所述正样本或负样本在任一像素点(x，y)的特征角点信息表达式SiU, y)=l,否则SiU, y) =O,以获取所有正样本、负样本特征角点集S= {S0, S1, S2,......,S1......Sj ,其中 Si 为 wXh 的行列式,N=NumSampIes+NumNegative-1,w、h为正样本及负样本的宽和高，NumSamples为样本总量，NumNegative为负样本总量； C3、通过特征角点概率分布矩阵获取每一正样本及负样本的相似度
6.根据权利要求5所述的台标识别方法，其特征在于，所述步骤C4具体包括: C41、预设一初始相似度阈值，对所有正样本及负样本进行重新分类，若ε i大于初始相似度阀值，则判定ε i对应的样本为正样本，否则判定为负样本； C42、统计在对所有正样本、负样本重新分类情况下正确识别个数Nr、错误识别个数Nw以及漏识别个数Nm，根据所述正确识别个数Nr、错误识别个数Nw以及漏识别个数Nm计算出初始相似度阈值条件下的识别正确率、识别错误率、漏识别率； C43、判断在初始相似度阈值条件下，是否满足条件:识别正确率大于最小识别正确率，识别错误率小于最大识别错误率，以及漏识别率小于最大漏识别率，当满足时，转入步骤C45，否则转入步骤C44 ； C44、以预定的步长对初始相似度阈值进行更新，并返回步骤C41重新分类； C45、输出当前所训练台标的相似度阈值。
7.根据权利要求1所述的台标识别方法，其特征在于，所述步骤D具体包括: D1、遍历所有训练过的台标的特征角点概率分布矩阵Mp和相似度阈值T，并按照当前台标的正样本位置信息及正样本大小信息从待检测图像中提取出台标区域； D2、对台标区域进行特征角点检测，获取台标区域的特征角点信息以及获取台标区域的特征角点信息表达式SI ； D3、计算台标区域包含当前台标的相似度ε =
8.一种台标识别系统，其特征在于，包括: 样本提取模块，用于从多幅原始图像中提取所需检测台标的正样本和负样本，所述正样本为含有所需检测台标的区域图像，所述负样本为不含所需检测台标的区域图像； 特征角点概率分布矩阵获取模块，用于对提取出的正样本进行特征角点检测，获取正样本的特征角点集合，并通过所述特征角点集合对正样本中每一像素点出现特征角点的频率进行计算，获取所需检测台标的特征角点概率分布矩阵； 相似度阈值获取模块，用于通过所述特征角点概率分布矩阵，计算每一个正样本、负样本的相似度，得到包含所有正样本、负样本相似度的相似度集，通过所述相似度集计算出所需检测台标的相似度阈值； 台标检测模块，用于通过所述特征角点概率分布矩阵计算出待检测图像包含所需检测台标的待检测相似度，判断待检测相似度是否大于相似度阈值，当是时判定待检测图像中含有所需检测台标，当否时判定待检测图像中不含有所需检测台标。
9.根据权利要求8所述的台标识别系统，其特征在于，所述特征角点概率分布矩阵获取模块包括: 方向导数计算单元，用于计算正样本的方向导数，分别保存为数组Ix和数组Iy，Ix为X方向的方向导数，Iy为y方向的方向导数； 局部自相关矩阵计算单元，用于利用高斯模板为正样本中每一个像素点计算局部自相
关矩阵m，其中，
10.根据权利要求9所述的台标识别系统，其特征在于，所述特征角点概率分布矩阵获取模块还包括: 叠加统计单元，用于计算所有正样本中每一个像素点(x，y)位置出现特征角点的次数n(x, y)，当n(x, y)与正样本总量的比例小于预定值,则判定对应的像素点(x, y)不是特征角点，并将该次数(x，y)的值归零，否则判定为特征角点，并保留该次数n(x，y)的值； 特征角点概率分布矩阵获取单元，用于对每一像素点(x，y)位置上出现特征角点的频率P(x，y)进行归一化操作获得所需检测台标的特征角点概率分布矩阵Mp(x，y)，
11.根据权利要求8所述的台标识别系统，其特征在于，所述相似度阈值获取模块包括: 预先设置单元，用于预先设置一最小识别正确率、最大识别错误率以及最大漏识别率； 特征角点集合获取单元，用于对每一正样本及负样本进行特征角点检测，当检测到正样本或负样本中在任一像素点(x，y)存在特征角点时，则所述正样本或负样本在任一像素点(X，y)的特征角点信息表达式Si(Xj)=I,否则Si(x, y)=0,以获取所有正样本、负样本特征角点集S=Ktl, S1, S2,......,S1......SN}，其中Si为WXh的行列式，N=NumSampIes+NumNegative-1, w、h为正样本及负样本的宽和高，NumSamples为样本总量，NumNegative为负样本总量； 相似度获取单元，用于通过特征角点概率分布矩阵获取每一正样本及负样本的相似度
【文档编号】G06K9/46GK103530598SQ201310075179
【公开日】2014年1月22日 申请日期:2013年3月8日 优先权日:2013年3月8日
【发明者】张登康, 邵诗强, 付东 申请人:Tcl集团股份有限公司