[发明专利]一种基于faster RCNN台标检测与识别的方法及系统

权利要求书

1.一种基于faster RCNN台标检测与识别的方法，其特征在于：包括，

将待识别分类的视频信号输入检测模块(100)内；

利用数据模块(200)对输入的所述视频信号随机选取个别帧作为测试数据并进行预处理；

筛选模块(300)将预处理后的所述测试数据输入训练成功的网络模型内进行特征提取，通知控制模块(400)将得到的特征图送入RPN网络内生成候选区域；

分类模块(500)对所述候选区域内的所述特征图进行识别分类，利用输出层激活函数获得对应类别输出值以设定阈值r，当所述输出值大于所述阈值r时则标注出识别结果。

2.如权利要求1所述的基于faster RCNN台标检测与识别的方法，其特征在于：所述输出值与所述阈值r的大小关系有两种情况，包括，

若所述输出值小于所述阈值r，则所述测试数据为问题数据，不予分类；

若所述输出值大于所述阈值r，则输出预测结果，完成标注识别。

3.如权利要求1或2所述的基于faster RCNN台标检测与识别的方法，其特征在于：所述特征图利用训练成功的所述网络模型进行提取，需提前对所述网络模型进行样本训练，包括，

建立台标数据库，储存43个类别、两万张样本，并利用labeling进行人工标记，获得训练样本；

搭建神经网络，输入所述训练样本；

初始化所述神经网络，训练所述网络模型，直至训练次数m大于100时输出训练结果，获得训练成功的所述网络模型。

4.如权利要求3所述的基于faster RCNN台标检测与识别的方法，其特征在于：获得所述训练样本包括，

对所述43个类别卫视的视频取帧，获取样本图片1～20000；

利用labeling对所述样本图片标记标签，框出所述台标所在区域并标明所述台标类别。

5.如权利要求3所述的基于faster RCNN台标检测与识别的方法，其特征在于：搭建所述神经网络包括，

Faster RCNN目标检测算法为主网络，VGG为所述候选区域生成网络的特征提取器；

VGG利用卷积池化对所述训练样本进行特征提取，并将提取的所述特征图送入所述RPN网络内；

所述RPN网络在提取的所述特征图上每个特征点配备9种初始检测框；

利用Softmax多任务分类器判断anchors里哪些是存在检测目标的positive anchors，初选出所述positive anchors作为候选区域。

6.如权利要求3或5所述的基于faster RCNN台标检测与识别的方法，其特征在于：搭建所述神经网络还包括，

利用多任务损失函数L进行边界框回归修正初选的所述候选区域，获得精确预测窗口，所述损失函数L公式如下，

其中，pi是第i个anchor是否是一个目标的可能性，anchor：正，标签P*：1目标，anchor：反，P*：0背景，Ti：向量，表示对预测窗口进行校准的四个参数化坐标，Lcls：分类损失，Lreg：回归损失，两者结合形成损失函数L；

Rol池化层收集、综合并提取输入的feature maps和proposals，送入分类回归网络全连接层内进行目标类别判定；

所述全连接层利用proposal feature maps计算所述proposals的类别，同时再次进行边界框回归获得所述检测框最终位置。

7.如权利要求3所述的基于faster RCNN台标检测与识别的方法，其特征在于：训练所述网络模型包括，

搭建训练平台环境，利用python3.7作为编程语言、操作系统Ubuntu16.04、GPU、驱动cuda10.0、软件pytorch1.0+pycharm；

定位学习率0.001、训练次数m100；

将所述台标数据库的训练集数据归一化处理成1280*720像素，并输入到所述神经网络内的输入层；

运行代码，直至所述训练次数m大于100时停止训练，输出所述训练结果。