一种识别台标的方法及装置制造方法【专利摘要】本发明适用于电视【
技术领域：
】，提供了一种识别台标的方法，包括：存储台标图像和台标图像对应的标识；将台标图像分割为N个第一图像块；以N个第一图像块为神经网络的输入，以台标图像对应的标识为神经网络的输出，训练得到神经网络的权值；接收电视发送的第一播放信息，第一播放信息包括第一待识别台标图像；以所述权值构造神经网络，识别第一待识别台标图像，以得到第一待识别台标图像对应的标识。本发明中，获取已知的台标图像和对应的标识，将台标图像分割为N个图像块，根据N个图像块和标识训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标识，提高了神经网络对台标图像局部特征的识别能力。【专利说明】—种识别台标的方法及装置【
技术领域：
】[0001]本发明属于电视【
技术领域：
】，尤其涉及一种识别台标的方法及装置。【
背景技术：
】[0002]在云电视时代，云服务器通过识别电视正在播放的电视台的台标图像，可以为每个电视建立信息库用于数据统计。对于台标图像的识别，现有的基于颜色和形状的方法、基于模板匹配的方法、基于尺度不变特征转换(Scale-1nvariantFeatureTransform,SIFT)特征点匹配的方法和基于小波特征的识别方法，在实际的工程应用中对台标图像局部特征的识别效果并不理想，而且也不能适应台标图像的背景变化、台标图像本身的半透明特性和台标图像位置随着时间变化等情况引起的识别准确度低的问题。【
发明内容】[0003]本发明的目的在于提供一种识别台标的方法，旨在提高对台标图像局部特征的识别准确度和解决由于台标图像的背景变化和位置变化等因素引起的识别准确度低的问题。[0004]本发明是这样实现的，一种识别台标的方法，包括:[0005]存储台标图像和所述台标图像对应的标识，所述标识用于表征所述台标图像所属的电视台；[0006]将所述台标图像分割为N个第一图像块，N为大于I的正整数；[0007]以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值；[0008]接收电视发送的第一播放信息，所述第一播放信息包括第一待识别台标图像；[0009]以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识。[0010]本发明的另一目的在于提供一种识别台标的装置，包括:[0011]存储单元，用于存储台标图像和所述台标图像对应的标识，所述标识用于表征所述台标图像所属的电视台；[0012]分割单元，用于将所述台标图像分割为N个第一图像块，N为大于I的正整数；[0013]训练单元，用于以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值；[0014]第一接收单元，用于接收电视发送的第一播放信息，所述第一播放信息包括第一待识别台标图像；[0015]第一识别单元，用于以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识。[0016]在本发明中，获取已知的台标图像和其对应的标识，将台标图像分割为N个图像块，根据N个图像块和标识训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标识，提高了神经网络对台标图像局部特征的识别能力，提高识别的准确度。【专利附图】【附图说明】[0017]图1是本发明实施例一提供的识别台标的方法的实现流程图；[0018]图2是本发明实施例一提供的识别台标的方法中分割台标图像和训练神经网络的不意图；[0019]图3是本发明实施例一提供的识别台标的方法S103的具体实现流程图；[0020]图4是本发明实施例一提供的识别台标的方法S104的具体实现流程图；[0021]图5是本发明实施例二提供的识别台标的装置的结构框图；[0022]图6是本发明实施例三提供的包括识别台标的装置的系统；[0023]图7是本发明实施例三提供的包括识别台标的装置的系统中不同电视用户台号和台标信息对应列表的示意图；[0024]图8是本发明实施例三提供的包括识别台标的装置的系统中判断是否需要重新训练神经网络的流程示意图；[0025]图9是本发明实施例三提供的包括识别台标的装置的系统中判断是否需要重新训练神经网络的具体实现流程图。【具体实施方式】[0026]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0027]在本发明实施例中，获取已知的台标图像和其对应的标识，将台标图像分割为N个图像块，根据N个图像块和标识训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标识，提高了神经网络对台标图像局部特征的识别能力，提闻识别的准确度。[0028]图1示出了本发明实施例一提供的识别台标的方法的实现流程，详述如下:[0029]在步骤SlOl中，存储台标图像和所述台标图像对应的标识，所述标识用于表征所述台标图像所属的电视台。[0030]在本发明实施例一中，台标图像为一幅二维的图像，用Xj表示，其中i表示台标名称，也是该台标对应的标识号，i=l、2、…、k,如I表示宁夏卫视、2表示云南卫视、k表示CCTV2等，j为该台标总的训练数量，如，从Xi到X^ck)表示宁夏卫视的2000张台标图像，训练过程可以采用同一个电视台的多张台标图像对神经网络进行训练，总的训练数量要权衡训练复杂度、神经网络的识别准确度等因素。台标图像对应的标识用Yi表示，i的意义如上。台标图像和其标识的对应关系是公共的，在电视和服务器中都遵循相同的对应关系。在后续步骤训练神经网络之前，获取并存储已知的台标图像和其对应的标识。[0031]在步骤S102中，将所述台标图像分割为N个第一图像块，N为大于I的正整数。[0032]在本发明实施例一中，将获取到的台标图像平均分割为N个图像块，N为大于I的正整数，具体的数量可以通过实验统计出兼顾计算复杂度和识别准确度的最优值。如图2所示，将台标图像分割为B1、B2、…、BN，具体的分割方法不做限定。[0033]对台标图像分割后，再进行训练和识别，提高了神经网络对台标图像局部特征的识别能力，提高识别的准确度。[0034]在步骤S103中，以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值。[0035]神经网络是一种分布式并行信息处理的数学模型，通过调整内部节点之间的相互连接关系和每个连接上的权值，以达到处理信息的目的。对于相同的输入和节点间已确定的连接关系，调整每个连接上的权值，可以得到不同的输出。[0036]采用的神经网络的结构为:所述神经网络包括第一神经网络组和第二神经网络组，所述第一神经网络组的输出为所述第二神经网络组的输入。如图2所示，第一神经网络组和第二神经网络组为串联结构，分割后的N个第一图像块作为第一神经网络组的输入，第一神经网络组的输出作为第二神经网络组的输入，台标图像对应的标识为第二神经网络组的输出。第一神经网络组中包含N个子神经网络，第二神经网络组中包含一个神经网络，子神经网络均采用传统的三层神经网络结构。对于上述结构的神经网络，只需确定其中的权值即可最终确定具体的用于识别台标图像的神经网络。[0037]分割台标图像和训练神经网络的过程如图2所示，作为本发明的一个实施例，训练神经网络的权值，如图3所示，S103具体为:[0038]在S301中，计算所述N个第一图像块的梯度，形成第一特征向量矩阵。[0039]将图像中像素点的灰度值以二维函数G(x，y)来表示，像素点的梯度为对该二维函数求导，然后计算幅值和方向角后得到的向量。在本发明实施例中，对于分割后的N个第一图像块，计算每个第一图像块中像素点的梯度作为第一神经网络组的输入。如计算BI的梯度得到GlJfGl中的多个梯`度按像素点的顺序从左到右、从上到下排列，形成一维特征向量矩阵，以该一维特征向量矩阵作为第一神经网络组中子神经网络NN_1的输入。对B2、…、BN的处理与上述步骤类似，即共形成N个一维特征向量矩阵。[0040]在S302中，对所述N个第一图像块进行降采样后，计算所述N个第一图像块的梯度，形成第二特征向量矩阵。[0041]在本发明实施例中，对于分割后的N个第一图像块，首先进行降采样，然后计算每个第一图像块中每个像素点的梯度作为第一神经网络组的输出，降采样的倍数根据实际情况而定，在此不做限定。如对BI进行3倍降采样得到SI，然后计算SI的梯度得到S_G1，将S_G1中的多个梯度按像素点的顺序从左到右、从上到下排列，形成一维特征向量矩阵SG_tablel,以该一维特征向量矩阵作为第一神经网络组中子神经网络NN_1的输出。对B2、...、BN的处理与上述步骤类似，即共形成N个一维特征向量矩阵。[0042]在S303中，以所述第一特征向量矩阵为所述第一神经网络组的输入，以所述第二特征向量矩阵为所述第一神经网络组的输出，训练得到所述第一神经网络组的权值。[0043]由上述步骤可得到第一神经网络组的子神经网络NN_1、NN_2、…、NN_N的输入和输出，通过神经网络理论中的(BackPropagation,BP)算法即可得到第一神经网络组中每个子神经网络的权值。[0044]在S304中，以所述第二特征向量矩阵为所述第二神经网络组的输入，以所述台标图像对应的标识为所述第二神经网络组的输出，训练得到所述第二神经网络组的权值。[0045]与训练得到第一神经网络组的权值的方法类似，第二神经网络组的权值的计算过程为:将第一神经网络组的输出SG_tablel、SG_table2...、SG_tableN组合成一维特征向量矩阵，作为第二神经网络组的输入，以台标图像的标识Yi为输出，同样通过神经网络理论中的BP算法得到第二神经网络组NN的权值。[0046]第一神经网络组和第二神经网络组的权值都确定后，整个神经网络的权值均已确定，即整个神经网络已完成训练。[0047]在步骤S104中，接收电视发送的第一播放信息，所述第一播放信息包括第一待识别台标图像。[0048]在步骤S105中，以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识。[0049]作为本发明的一个实施例，采用训练后的神经网络识别待识别台标图像，如图4所示，S105具体为:[0050]在S401中，以所述第一神经网络组的权值和所述第二神经网络组的权值构造所述神经网络。[0051]在本发明实施例中，以上述步骤计算得到的权值构造出训练好的神经网络。[0052]在S402中，将所述第一待识别台标图像分割为N个第二图像块，N为大于I的正整数。[0053]确定训练好的神经网络后，可进行台标图像的识别。识别过程与训练过程相似。在本发明实施例中，将待识别台标图像分割为N个图像块，分割的方法和图像块的数量与训练过程中的相同。[0054]在S403中，以所述N个第二图像块为构造后的所述神经网络的输入，通过所述神经网络识别出所述第一待识别台标图像对应的标识。[0055]对分割后的图像块进行如训练过程中的处理方法，对每个图像块计算梯度，形成一维特征向量矩阵，然后将N个一维特征向量矩阵作为训练后的神经网络的输入，最终得到该待识别台标图像对应的标识。[0056]台标图像的标识为一维特征向量矩阵，每个电视台对应矩阵中的一个元素。选出该特征向量矩阵中值最大的元素，表示该台标图像与这一元素的电视台对应。[0057]在本发明实施例中，获取已知的台标图像和其对应的标识，将台标图像分割为N个图像块，根据N个图像块和标识训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标识，提高了神经网络对台标图像局部特征的识别能力，提闻识别的准确度。[0058]图5示出了本发明实施例二提供的识别台标的装置的结构框图，该装置可以位于电视、服务器和监控设备等需要识别台标图像的设备中，用于执行本发明图1至图4实施例所述的识别台标的方法。为了便于说明，仅示出了与本实施例相关的部分。[0059]参照图5，该装置包括:[0060]存储单元51，存储台标图像和台标图像对应的标识，标识用于表征所述台标图像所属的电视台。[0061]分割单元52，将台标图像分割为N个第一图像块，N为大于I的正整数。[0062]训练单元53，以N个第一图像块为神经网络的输入，以台标图像对应的标识为神经网络的输出，训练得到神经网络的权值。[0063]第一接收单元54，接收电视发送的第一播放信息，第一播放信息包括第一待识别台标图像。[0064]第一识别单元55，以所述权值构造神经网络，识别第一待识别台标图像，以得到第一待识别台标图像对应的标识。[0065]可选地，神经网络包括第一神经网络组和第二神经网络组，第一神经网络组的输出为第二神经网络组的输入。[0066]可选地，所述训练单元53包括:[0067]第一计算子单元，计算N个第一图像块的梯度，形成第一特征向量矩阵。[0068]第二计算子单元，对N个第一图像块进行降采样后，计算N个第一图像块的梯度，形成第二特征向量矩阵。[0069]第一训练子单元，以第一特征向量矩阵为第一神经网络组的输入，以第二特征向量矩阵为第一神经网络组的输出，训练得到第一神经网络组的权值。[0070]第二训练子单元，以第二特征向量矩阵为第二神经网络组的输入，以台标图像对应的标识为第二神经网络组的输出，训练得到第二神经网络组的权值。[0071]可选地，所述第一识别单元55包括:[0072]构造子单元，以第一神经网络组的权值和第二神经网络组的权值构造神经网络。[0073]分割子单元，将第一待识别台标图像分割为N个第二图像块，N为大于I的正整数。[0074]识别子单元，以N个第二图像块为构造后的神经网络的输入，通过所述神经网络识别出第一待识别台标图像对应的标识。[0075]可选地，第一播放信息还包括台号，在电视中台号和第一待识别台标图像对应，所述装置还包括:[0076]对应关系建立单元，建立台号和第一待识别台标图像的标识的对应关系，以使再次接收到所述台号时，能够根据对应关系查找得到台号对应的标识。[0077]可选地，所述装置还包括:[0078]第二接收单元，建立所述对应关系后，接收电视发送的第二播放信息，第二播放信息包括台号和第二待识别台标图像。[0079]查找单元，根据所述对应关系查找得到台号对应的标识。[0080]第二识别单元，通过训练后的神经网络识别得到第二待识别台标图像对应的标识。[0081]判断单元，当查找得到的标识和识别得到的标识不一致的次数达到预设值时，重新训练所述神经网络。[0082]在本发明实施例中，获取已知的台标图像和其对应的标签，将台标图像分割为N个图像块，根据该N个图像块和该标签训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标签，提高了神经网络对台标图像局部特征的识别能力，提高识别的准确度。[0083]图6示出了本发明实施例三提供的包括上述识别台标的装置的系统，所述系统包括:服务器、电视和遥控器，所述服务器包括上述识别台标的装置。[0084]遥控器用于发送换台信号，用户在观看电视时使用遥控器对电视进行控制，切换频道。[0085]电视用于接收换台信号，将换台信号对应的台号和台标图像上传至服务器。电视中包括遥控接收器，遥控接收器对遥控器发送的换台信号进行接收和检测，根据检测到换台信号中的台号来切换频道，并把检测到的台号和切换频道后的台标图像通过电视的网络传输到服务器。[0086]服务器可以是云服务器，用于接收台号和台标图像，通过所述识别台标的装置识别出所述台标图像对应的标识。云服务器获取上传台号和台标图像的电视的标识，即用户ID，该标识与电视是唯一对应的关系，用于区分不同的电视，如网卡物理地址和电视出厂的序列号等，为该电视建立信息库，包括台号与电视台名称的对应关系、在一段时间内观看某个电视台的次数和时间等。[0087]需要说明的是，电视上传的台号和台标图像的对应关系只适用于该电视自身，对于其他的电视，可能有不同的台号和台标图像的对应关系。而训练神经网络前获取的台标图像和对应的标识是公共的，适用于任何电视和服务器。[0088]为电视建立信息库时，云服务器通过自身包含的识别台标的装置识别出电视上传的台标图像的标识，并建立台号和所述待识别台标图像的标识的对应关系，以使再次接收到所述台号时，能够根据所述对应关系查找得到所述台号对应的标识。在该对应关系中还可以包括对应的台标信息，台标信息可以为山东卫视等文本信息，如图7所示，对于用户ID为OO-FF-BA-F1-79-E3的电视，台号28对应的台标信息为山东卫视；对应用户ID为00-FA-CB-F2-F2-C6的电视，台号28对应的台标信息为河南卫视。[0089]经过一段时间后，云服务器即可获取某个电视的所有台号对应的标识和台标信息，进而云服务器可以仅根据电视上传的台号和该对应关系得知该电视用户正在观看的电视台，而不需要通过识别台标图像来得到，在处理速度上更快。并且云服务器可以记录特定时间段内该电视用户停留在各个电视台的次数和时间，用于统计收视率等。[0090]在一个时间段内，由于台标图像在电视屏幕的位置变化、台标背景变化等因素影响，云服务器中的识别台标的装置可能需要重新训练。[0091]如图8所示，云服务器接收电视上传的台号和台标图像，周期性地根据该电视信息库中的对应列表查找标识，同时将台标图像输入识别台标的装置得到对应的标识，周期可以定为半个月或一个月等。[0092]作为本发明的一个实施例，如图9所示，具体流程如下:[0093]在S901中，建立所述对应关系后，接收所述电视发送的第二播放信息，所述第二播放信息包括所述台号和所述第二待识别台标图像。[0094]在S902中，根据所述对应关系查找得到所述台号对应的标识。[0095]在S903中，通过训练后的所述神经网络识别得到所述第二待识别台标图像对应的标识。[0096]在S904中，当所述查找到的标识和所述识别得到的标识不一致的次数达到预设值时，重新训练所述神经网络。[0097]在本发明实施例中，对比两个得到的标识是否一致，例如，采用图7中用户ID为OO-FF-BA-F1-79-E3的对应列表，当电视上传的台号为12时，电视台名称为CCTV1，并行地，识别出台标图像对应的电视台名称。如果识别得到的电视台名称为CCTV9，则两个结果不一致，对该用户进行标记。当这种标记次数累计达到预设值时，说明识别台标的装置中的神经网络已不能有效识别台标图像，对该神经网络重新进行训练，训练步骤如上述实施例中所述。[0098]在本发明实施例中，获取已知的台标图像和其对应的标签，将台标图像分割为N个图像块，根据该N个图像块和该标签训练得到神经网络的权值，以上述权值构造的神经网络识别待识别台标图像，得到待识别图像对应的标签，提高了神经网络对台标图像局部特征的识别能力，提高识别的准确度。[0099]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。【权利要求】1.一种识别台标的方法，其特征在于，所述方法包括:存储台标图像和所述台标图像对应的标识，所述标识用于表征所述台标图像所属的电视台；将所述台标图像分割为N个第一图像块，N为大于I的正整数；以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值；接收电视发送的第一播放信息，所述第一播放信息包括第一待识别台标图像；以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识。2.如权利要求1所述的方法，其特征在于，所述神经网络包括第一神经网络组和第二神经网络组，所述第一神经网络组的输出为所述第二神经网络组的输入。3.如权利要求2所述的方法，其特征在于，所述以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值包括:计算所述N个第一图像块的梯度，形成第一特征向量矩阵；对所述N个第一图像块进行降采样后，计算所述N个第一图像块的梯度，形成第二特征向量矩阵；以所述第一特征向量矩阵为所述第一神经网络组的输入，以所述第二特征向量矩阵为所述第一神经网络组的输出，训练得到所述第一神经网络组的权值；以所述第二特征向量矩阵为所述第二神经网络组的输入，以所述台标图像对应的标识为所述第二神经网络组的输出，训练得到所述第二神经网络组的权值。4.如权利要求3所述的方法，其特征在于，所述以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识包括:以所述第一神经网络组的权值和所述第二神经网络组的权值构造神经网络；将所述第一待识别台标图像分割为N个第二图像块，N为大于I的正整数；以所述N个第二图像块为构造后的所述神经网络的输入，通过所述神经网络识别出所述第一待识别台标图像对应的标识。5.如权利要求1~4任一项所述的方法，其特征在于，所述第一播放信息还包括台号，在所述电视中所述台号和所述第一待识别台标图像对应；所述方法还包括:建立所述台号和所述第一待识别台标图像的标识的对应关系，以使再次接收到所述台号时，能够根据所述对应关系查找得到所述台号对应的标识。6.如权利要求5所述的方法，其特征在于，所述方法还包括:建立所述对应关系后，接收所述电视发送的第二播放信息，所述第二播放信息包括所述台号和第二待识别台标图像；根据所述对应关系查找得到所述台号对应的标识；通过训练后的所述神经网络识别得到所述第二待识别台标图像对应的标识；当所述查找得到的标识和所述识别得到的标识不一致的次数达到预设值时，重新训练所述神经网络。7.一种识别台标的装置，其特征在于，所述方法包括:存储单元，用于存储台标图像和所述台标图像对应的标识，所述标识用于表征所述台标图像所属的电视台；分割单元，用于将所述台标图像分割为N个第一图像块，N为大于I的正整数；训练单元，用于以所述N个第一图像块为神经网络的输入，以所述台标图像对应的标识为神经网络的输出，训练得到所述神经网络的权值；第一接收单元，用于接收电视发送的第一播放信息，所述第一播放信息包括第一待识别台标图像；第一识别单元，用于以所述权值构造神经网络，识别所述第一待识别台标图像，以得到所述第一待识别台标图像对应的标识。8.如权利要求7所述的装置，其特征在于，所述神经网络包括第一神经网络组和第二神经网络组，所述第一神经网络组的输出为所述第二神经网络组的输入。9.如权利要求8所述的装置，其特征在于，所述训练单元包括:第一计算子单元，用于计算所述N个第一图像块的梯度，形成第一特征向量矩阵；第二计算子单元，用于对所述N个第一图像块进行降采样后，计算所述N个第一图像块的梯度，形成第二特征向量矩阵；第一训练子单元，用于以所述第一特征向量矩阵为所述第一神经网络组的输入，以所述第二特征向量矩阵为所述第一神经网络组的输出，训练得到所述第一神经网络组的权值；第二训练子单元，用于`以所述第二特征向量矩阵为所述第二神经网络组的输入，以所述台标图像对应的标识为所述第二神经网络组的输出，训练得到所述第二神经网络组的权值。10.如权利要求9所述的装置，其特征在于，所述第一识别单元包括:构造子单元，用于以所述第一神经网络组的权值和所述第二神经网络组的权值构造神经网络；分割子单元，用于将所述第一待识别台标图像分割为N个第二图像块，N为大于I的正整数；识别子单元，用于以所述N个第二图像块为构造后的所述神经网络的输入，通过所述神经网络识别出所述第一待识别台标图像对应的标识。11.如权利要求7~10任一项所述的装置，其特征在于，所述第一播放信息还包括台号，在所述电视中所述台号和所述第一待识别台标图像对应；所述装置还包括:对应关系建立单元，用于建立所述台号和所述第一待识别台标图像的标识的对应关系，以使再次接收到所述台号时，能够根据所述对应关系查找得到所述台号对应的标识。12.如权利要求11所述的装置，其特征在于，所述装置还包括:第二接收单元，用于建立所述对应关系后，接收所述电视发送的第二播放信息，所述第二播放信息包括所述台号和第二待识别台标图像；查找单元，用于根据所述对应关系查找得到所述台号对应的标识；第二识别单元，用于通过训练后的所述神经网络识别得到所述第二待识别台标图像对应的标识；判断单元，用于当所述查找得到的标识和所述识别得到的标识不一致的次数达到预设值时，重新训练所述神经网络。【文档编号】G06K9/66GK103607603SQ201310618478【公开日】2014年2月26日申请日期:2013年11月28日优先权日:2013年11月28日【发明者】周龙沙,邵诗强申请人:Tcl集团股份有限公司