一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于卷積網(wǎng)絡(luò)技術(shù)的臺(tái)標(biāo)識(shí)別方法，針對(duì)處理相似臺(tái)標(biāo)在卷積神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確度不高的問題，提出了一種級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)來分類識(shí)別臺(tái)標(biāo)。其步驟是：第一步采集所需要識(shí)別的臺(tái)標(biāo)樣本；第二步建立級(jí)聯(lián)型卷積網(wǎng)絡(luò)陣列，把采集的樣本進(jìn)行訓(xùn)練；第三步測(cè)試的圖像經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)陣列運(yùn)算，第四步統(tǒng)計(jì)陣列計(jì)算的結(jié)果判定所屬臺(tái)標(biāo)。本發(fā)明已經(jīng)在PC機(jī)進(jìn)行了實(shí)驗(yàn)，進(jìn)行40個(gè)電視臺(tái)標(biāo)的識(shí)別，包括10個(gè)CCTV電視臺(tái)標(biāo)和29個(gè)非CCTV臺(tái)標(biāo)、1個(gè)非臺(tái)標(biāo)。識(shí)別結(jié)果：40個(gè)臺(tái)平均識(shí)別率為96.98%，平均錯(cuò)誤率為0.62%。
【專利說明】一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及臺(tái)標(biāo)識(shí)別【技術(shù)領(lǐng)域】，特別是一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法。
【背景技術(shù)】
[0002]臺(tái)標(biāo)識(shí)別技術(shù)是近幾年技術(shù)進(jìn)步與市場(chǎng)需求雙重催生下發(fā)展起來的，它是現(xiàn)代電視技術(shù)、網(wǎng)絡(luò)信息技術(shù)、圖像處理與人工智能等技術(shù)發(fā)展下的產(chǎn)物，是目前基于內(nèi)容的視頻檢索、分析、理解等領(lǐng)域的熱門技術(shù)。
[0003]原有的臺(tái)標(biāo)識(shí)別方法種類繁多，常用的方法包括Hu不變矩法、模板匹配法、基于邊緣檢測(cè)以及基于區(qū)域的方法。隨著機(jī)器智能技術(shù)的發(fā)展，相關(guān)研究人員提出基于神經(jīng)網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法，利用臺(tái)標(biāo)位置、形狀等的時(shí)空不變特性，利用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)候選臺(tái)標(biāo)區(qū)域進(jìn)行檢測(cè)識(shí)別，最后根據(jù)決策結(jié)果判斷，但是準(zhǔn)確率不高，識(shí)別數(shù)量上也無法滿足需求。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是克服現(xiàn)有神經(jīng)網(wǎng)絡(luò)算法的不足，提出了一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法。
[0005]本發(fā)明采用以下方案實(shí)現(xiàn):一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別算法，其特征在于包括以下步驟:
步驟SOl:臺(tái)標(biāo)樣本采集階段只獲取格式為YUYV視頻流中Y分量存儲(chǔ)成圖像文件，采集所需要識(shí)別的臺(tái)標(biāo)樣本；
步驟S02:卷積參數(shù)庫建立的階段通過生成一個(gè)訓(xùn)練對(duì)應(yīng)矩陣，N個(gè)臺(tái)標(biāo)按照對(duì)應(yīng)矩陣關(guān)系兩兩訓(xùn)練達(dá)到區(qū)分效果，然后把網(wǎng)絡(luò)參數(shù)存儲(chǔ)成卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫，共N*(N-1)/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫；
步驟S03:統(tǒng)計(jì)識(shí)別階段中把測(cè)試臺(tái)標(biāo)輸入這N* (N-D/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫進(jìn)行卷積計(jì)算，輸出數(shù)據(jù)按照正負(fù)對(duì)臺(tái)標(biāo)擬屬電視臺(tái)進(jìn)行累加，統(tǒng)計(jì)累加值最高的判斷為對(duì)應(yīng)電視臺(tái)臺(tái)標(biāo)，其中N為整數(shù)。
[0006]在本發(fā)明一實(shí)施例中，所述步驟SOl中的臺(tái)標(biāo)樣本采集包括:
步驟S21:按一定時(shí)間間隔從視頻流中獲取YUYY中Y分量存儲(chǔ)成像；
步驟S22:在圖像中按固定句型框來抽取臺(tái)標(biāo)圖縮放到一定大小、采樣到M張，M為整
數(shù)；
步驟S23:完成對(duì)所有電視臺(tái)臺(tái)標(biāo)的采樣。
[0007]在本發(fā)明一實(shí)施例中，所述步驟S03中的卷積計(jì)算包括以下步驟:
步驟S31:采用隨機(jī)數(shù)初始化網(wǎng)絡(luò)參數(shù)，把采集好的臺(tái)標(biāo)樣本隨機(jī)排序后輸入；
步驟S32:圖像進(jìn)行預(yù)處理，包括濾波和直方圖均值化，進(jìn)行正向傳播進(jìn)入Cl層；
步驟S33:進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入SI層；
步驟S34:進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入C2層； 步驟S35:圖像矩陣調(diào)整成序列，進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入S2子層；
步驟S36:進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入NI子層；
步驟S37:采用特定函數(shù)y=s (x)處理統(tǒng)計(jì)后的輸出；
步驟S38:反向中采用x=f (y),進(jìn)行反向傳播；
步驟S39:數(shù)據(jù)經(jīng)S2、C2、S1、C1子層，并通過對(duì)比正向傳播數(shù)據(jù)修改網(wǎng)絡(luò)參數(shù)；
步驟S40:重復(fù)步驟S31到S39直到達(dá)到區(qū)分兩組臺(tái)標(biāo)效果。
[0008]本發(fā)明的方法的主要特點(diǎn)如下:
針對(duì)臺(tái)標(biāo)識(shí)別需要較高的識(shí)別率，而原有神經(jīng)網(wǎng)絡(luò)對(duì)多個(gè)對(duì)象識(shí)別時(shí)需要增加網(wǎng)絡(luò)層數(shù)和訓(xùn)練復(fù)雜度之后，還無法取得較高的識(shí)別率的弊端，本發(fā)明在不增加網(wǎng)絡(luò)層數(shù)和訓(xùn)練復(fù)雜度的情況下，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別方法，來提高臺(tái)標(biāo)識(shí)別的效率和準(zhǔn)確率。
【專利附圖】

【附圖說明】
[0009]圖1為臺(tái)標(biāo)識(shí)別算法流程圖。
[0010]圖2為測(cè)試圖像例圖。
[0011]圖3為樣本采集流程圖。
[0012]圖4為卷積網(wǎng)絡(luò)參數(shù)庫對(duì)應(yīng)關(guān)系。
[0013]圖5為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
[0014]圖6為SI層進(jìn)入C2層的對(duì)應(yīng)關(guān)系I。
[0015]圖7為SI層進(jìn)入C2層的對(duì)應(yīng)關(guān)系2。
[0016]圖8為SI層進(jìn)入C2層的對(duì)應(yīng)關(guān)系3。
[0017]圖9為判決標(biāo)準(zhǔn)樣例。
[0018]圖10為臺(tái)標(biāo)判決流程圖。
【具體實(shí)施方式】
[0019]下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明。
[0020]請(qǐng)參見圖1，本實(shí)施例中，該基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別算法包括:步驟SOl:臺(tái)標(biāo)樣本采集階段只獲取格式為YUYV視頻流中Y分量存儲(chǔ)成圖像文件，采集所需要識(shí)別的臺(tái)標(biāo)樣本；步驟S02:卷積參數(shù)庫建立的階段通過生成一個(gè)訓(xùn)練對(duì)應(yīng)矩陣，N個(gè)臺(tái)標(biāo)按照對(duì)應(yīng)矩陣關(guān)系兩兩訓(xùn)練達(dá)到區(qū)分效果，然后把網(wǎng)絡(luò)參數(shù)存儲(chǔ)成卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫，共N*(N-l)/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫；步驟S03:統(tǒng)計(jì)識(shí)別階段中把測(cè)試臺(tái)標(biāo)輸入這N*(N-1)/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫進(jìn)行卷積計(jì)算，輸出數(shù)據(jù)按照正負(fù)對(duì)臺(tái)標(biāo)擬屬電視臺(tái)進(jìn)行累加，統(tǒng)計(jì)累加值最高的判斷為對(duì)應(yīng)電視臺(tái)臺(tái)標(biāo)，其中N為整數(shù)。
[0021]較佳的，本實(shí)施例中，獲取機(jī)頂盒視頻流(YUYV格式)中Y分量提取獲得所需H*W(H為高度,W為寬度)的圖像，按臺(tái)標(biāo)相應(yīng)位置(一般為顯示圖像的左上角)由固定位置大小的矩形框抽取樣本圖像H1*W1，按比例縮放到一定大小(實(shí)驗(yàn)下采用54*131)進(jìn)行訓(xùn)練。樣本圖像如下圖2所示，樣本采集流程圖如圖3所示，包括:a、按一定時(shí)間間隔從視頻流中獲取YUYY中Y分量存儲(chǔ)成像；b、在圖像中按固定句型框來抽取臺(tái)標(biāo)圖縮放到一定大小、采樣到M張；c、完成對(duì)所有電視臺(tái)臺(tái)標(biāo)的采樣。[0022]卷積參數(shù)庫建立:一共有N組臺(tái)標(biāo)，按照?qǐng)D4表格對(duì)應(yīng)關(guān)系(圓圈代表對(duì)應(yīng)其行與列的臺(tái)標(biāo))進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練。共獲得N* (N-l)/2個(gè)卷積網(wǎng)絡(luò)矩陣參數(shù)庫，設(shè)定行項(xiàng)為正樣本，列項(xiàng)為負(fù)樣本(如第一個(gè)圈代表第N組與第N-1組臺(tái)標(biāo)訓(xùn)練，第N組為正樣本，第N-1組為負(fù)樣本)。
[0023]卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖5。
[0024](I)采用隨機(jī)數(shù)初始化網(wǎng)絡(luò)參數(shù)，把采集好的臺(tái)標(biāo)樣本隨機(jī)排序后輸入。
[0025](2)圖像進(jìn)行預(yù)處理，包括濾波和直方圖均值化，進(jìn)行正向傳播進(jìn)入Cl層。
[0026](3)進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入SI層。
[0027](4)進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入C2層，如圖6的對(duì)應(yīng)關(guān)系。還能采用圖7，圖8的對(duì)應(yīng)關(guān)系。
[0028](5)圖像矩陣調(diào)整成序列，進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入S2子層。
[0029](6)進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入NI子層。
[0030](7)采用特定函數(shù)y=s (X)處理統(tǒng)計(jì)后的輸出。
[0031](8)反向中采用x=f (y) (f為s的反函數(shù))，進(jìn)行反向傳播。
[0032](9)數(shù)據(jù)經(jīng)S2、C2、S1、Cl子層，并通過對(duì)比正向傳播數(shù)據(jù)修改網(wǎng)絡(luò)參數(shù)。
[0033](10)重復(fù)(I)到(9)直到達(dá)到區(qū)分兩組臺(tái)標(biāo)效果。
[0034]在數(shù)據(jù)由SI層向C2層傳輸過程中，可以修改對(duì)應(yīng)關(guān)系結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡(luò)，通過實(shí)驗(yàn)驗(yàn)證圖6的對(duì)應(yīng)關(guān)系數(shù)據(jù)收斂效果較好。
[0035]統(tǒng)計(jì)識(shí)別階段:測(cè)試樣本輸入卷積判斷，輸出大于零的標(biāo)定為正樣本(表示該臺(tái)標(biāo)通過第一個(gè)卷積運(yùn)算后，判斷為更趨近與正樣本)。如圖9樣例，測(cè)試樣本為臺(tái)標(biāo)3，3個(gè)卷積輸出判斷為正樣本，正樣本，負(fù)樣本，得出臺(tái)標(biāo)3累加值為2，則判斷該測(cè)試臺(tái)標(biāo)為臺(tái)標(biāo)3。判決流程圖如圖10所不。
[0036]以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。
【權(quán)利要求】
1.一種基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別算法，其特征在于包括以下步驟: 步驟SOl:臺(tái)標(biāo)樣本采集階段只獲取格式為YUYV視頻流中Y分量存儲(chǔ)成圖像文件，采集所需要識(shí)別的臺(tái)標(biāo)樣本； 步驟S02:卷積參數(shù)庫建立的階段通過生成一個(gè)訓(xùn)練對(duì)應(yīng)矩陣，N個(gè)臺(tái)標(biāo)按照對(duì)應(yīng)矩陣關(guān)系兩兩訓(xùn)練達(dá)到區(qū)分效果，然后把網(wǎng)絡(luò)參數(shù)存儲(chǔ)成卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫，共N*(N-1)/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫； 步驟S03:統(tǒng)計(jì)識(shí)別階段中把測(cè)試臺(tái)標(biāo)輸入這N* (N-D/2個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)矩陣參數(shù)庫進(jìn)行卷積計(jì)算，輸出數(shù)據(jù)按照正負(fù)對(duì)臺(tái)標(biāo)擬屬電視臺(tái)進(jìn)行累加，統(tǒng)計(jì)累加值最高的判斷為對(duì)應(yīng)電視臺(tái)臺(tái)標(biāo)，其中N為整數(shù)。
2.根據(jù)權(quán)利要求1所述的基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別算法，其特征在于:所述步驟SOl中的臺(tái)標(biāo)樣本采集包括: 步驟S21:按一定時(shí)間間隔從視頻流中獲取YUYY中Y分量存儲(chǔ)成像； 步驟S22:在圖像中按固定句型框來抽取臺(tái)標(biāo)圖縮放到一定大小、采樣到M張，M為整數(shù)； 步驟S23:完成對(duì)所有電視臺(tái)臺(tái)標(biāo)的采樣。
3.根據(jù)權(quán)利要求1所述的基于卷積網(wǎng)絡(luò)的臺(tái)標(biāo)識(shí)別算法，其特征在于:所述步驟S03中的卷積計(jì)算包括以下步驟: 步驟S31:采用隨機(jī)數(shù)初始化網(wǎng)絡(luò)參數(shù)，把采集好的臺(tái)標(biāo)樣本隨機(jī)排序后輸入； 步驟S32:圖像進(jìn)行預(yù)處理，包括濾波和直方圖均值化，進(jìn)行正向傳播進(jìn)入Cl層； 步驟S33:進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入SI層； 步驟S34:進(jìn)行隨機(jī)卷積處理，進(jìn)行子采樣處理，按對(duì)應(yīng)關(guān)系存入C2層； 步驟S35:圖像矩陣調(diào)整成序列，進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入S2子層； 步驟S36:進(jìn)行固定卷積處理，按對(duì)應(yīng)關(guān)系存入NI子層； 步驟S37:采用特定函數(shù)y=s (x)處理統(tǒng)計(jì)后的輸出； 步驟S38:反向中采用x=f (y),進(jìn)行反向傳播； 步驟S39:數(shù)據(jù)經(jīng)S2、C2、S1、Cl子層，并通過對(duì)比正向傳播數(shù)據(jù)修改網(wǎng)絡(luò)參數(shù)； 步驟S40:重復(fù)步驟S31到S39直到達(dá)到區(qū)分兩組臺(tái)標(biāo)效果。
【文檔編號(hào)】G06K9/00GK103902987SQ201410156448
【公開日】2014年7月2日 申請(qǐng)日期:2014年4月17日 優(yōu)先權(quán)日:2014年4月17日
【發(fā)明者】郭太良, 葉蕓, 林志賢, 林金堂, 姚劍敏, 徐勝 申請(qǐng)人:福州大學(xué)