[发明专利]基于深度学习的电视台标识别系统

权利要求书

1.基于深度学习的电视台标识别系统，其特征在于，包括：

样本采集模块，用于采集台标样本；

样本筛选模块，用于筛选样本，剔除不合适的样本；

台标分割模块，用于分割台标和背景；

样本合成模块，用于人工合成差异性的样本；

模型训练模块，基于采集的样本和人工合成的样本，训练台标的识别模型；

台标识别模块，基于识别模型识别台标。

2.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，采集模块进行样本采集时，具备一定的时间间隔。

3.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，不合适的样本为：由于网络卡顿采集到的相同画面和台标严重形变的台样本以及由于换台造成的无台标的样本。

4.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，分割台标和背景的步骤包括：

首先选择一张黑色背景的台标图像，按照宽为原图的三分之一和高位原图的五分之一截取左上角的子图像，将获取的子图像采用二值滤波，消除噪声，获得台标前景图像，最后在水平方向和垂直方向分别投影，分割出台标本身。

5.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，人工合成样本的方法包括

固定台标位置合成方法：首先截取一张固定大小没有台标的背景图像；其次选择台标前景图像；最后将两种图像叠加在一起即可；

任意台标位置合成方法：首先截取一张固定大小没有台标的背景图像；其次选择台标本身图像，并确定台标的尺寸；最后在背景图像上面随机选择一个和台标尺寸一样的区域，并将这个区域和台标叠加在一起即可。

6.根据权利要求5所述的基于深度学习的电视台标识别系统，其特征在于，叠加的方式为:首先记录台标前景图像中像素不为0的位置；其次将背景图像中这些位置的像素值设置为台标前景图像这些位置的像素值。

7.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，对人工合成的样本采用高斯平滑处理边缘信息。

8.根据权利要求1所述的基于深度学习的电视台标识别系统，其特征在于，台标识别模块采用CNN算法作为台标识别算法；其中，CNN模型结构包括四层卷积层和两层全链接，且卷积层之后都有激活函数和max-pooling层。

9.根据权利要求8所述的基于深度学习的电视台标识别系统，其特征在于，激活函数为Max-Feature-Map，格式如下：

$f=C_{ij}^{k^{\′}}=\underset{1\≤k\≤n}{max}(C_{ij}^k,C_{ij}^{k+n})$

其中，C∈R^h×w×2n，C的数量是2n，2n代表代表特征图谱的数量；k的取值范围为1-n；R代表的实数集合；h代表卷积特征图谱的高度；w代表卷积特征图谱的宽度；i代表卷积特征图谱中的y轴方向的位置，取值范围为1-h；j代表卷积特征图谱中的x轴方向的位置，取值范围为1-w。

10.根据权利要求8所述的基于深度学习的电视台标识别系统，其特征在于，四层卷积层的卷积核和stride分别为：9X9X96/1、5X5X192/1、5X5X256/1、4X4X384/1；所有的max-pooling核和stride都为2x2/2；第一个全连层的神经元的个数为256；第二个全连接层的神经元的个数根据台标数量而定。