[发明专利]一种基于faster RCNN台标检测与识别的方法及系统

说明书

本发明公开了一种基于faster RCNN台标检测与识别的方法，将待识别分类的视频信号输入检测模块内；利用数据模块对输入的视频信号随机选取个别帧作为测试数据并进行预处理；筛选模块将预处理后的测试数据输入训练成功的网络模型内进行特征提取，通知控制模块将得到的特征图送入RPN网络内生成候选区域；分类模块对候选区域内的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，当输出值大于阈值r时则标注出识别结果。本发明通过训练VGG网络学习样本图像特征，能正确识别检测台标的位移、倾斜、颜色的改变，利用RPN网络对样本图片检测确定台标的位置，解决了台标位置单一固定识别区域于左上角的难题。

技术领域

本发明涉及台标检测识别技术领域，尤其涉及一种基于faster RCNN台标检测与识别的方法及系统。

背景技术

在视频台标检测识别任务中，现在的台标具有背景杂乱、位置多变、透明动态、对比度低、视频强暗不匀、清晰度不一等各种问题。如果使用传统检测方法会出现提取的特征不够全面，细节不够丰富，抽象能力不够等缺点。最局限的是只能于样本左上角固定区域识别。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于faster RCNN台标检测与识别的方法及系统，解决了传统台标检测无法对台标的位移、倾斜、颜色的改变做出正确识别的难题。

为解决上述技术问题，本发明提供如下技术方案：将待识别分类的视频信号输入检测模块内；利用数据模块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，通知控制模块将得到的特征图送入RPN网络内生成候选区域；分类模块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。

作为本发明所述的一种基于faster RCNN台标检测与识别的方法的一种优选方案，其中：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。

作为本发明所述的一种基于faster RCNN台标检测与识别的方法的一种优选方案，其中：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。

作为本发明所述的一种基于faster RCNN台标检测与识别的方法的一种优选方案，其中：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。

作为本发明所述的一种基于faster RCNN台标检测与识别的方法的一种优选方案，其中：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positiveanchors，初选出所述positive anchors作为候选区域。