一种基于边缘检测的电视台台标检测方法与流程

本发明涉及数字广播电视技术领域，尤其涉及视频图像中一种基于边缘检测的电视台台标检测方法和装置。

背景技术：

随着电视技术的磅礴发展，我国的电视系统已经成为一个庞大和复杂的系统，电视信号在前端处理、网络传输的过程中可能发生传输错误、被人为更改以及受到恶意攻击等状况，为了保证数字电视节目的正常播出，对电视信号的监管变得尤为重要，其中对台标检测是对电视信号监管的一种重要方式。

传统地通过人工方式对电视信号实时监看等方式对台标检测方法工作强大太大，且检测效率低下，也存在漏报等检测出错的问题。目前，台标自动化检测通常利用深度学习训练台标检测模型，检测时，直接将帧画面输入模型进行识别，因图片质量较大，该方式往往实时检测效率比较低。本文提出一种基于边缘检测的电视台台标检测方法、装置，通过对检测的图片进行预处理，在保留检测图片特征的前提下降低图片质量，可以有效提高台标自动化检测的效率。

技术实现要素：

为解决上述台标检测效率低，出错率高的问题，本发明提供了一种识别速度快，准确率高的台标检测方法。

本发明公开了一种基于边缘检测的电视台台标检测方法，该方法包括以下步骤：

1）检测中心节点的图像获取模块截取电视台播放视频帧画面获取包含台标图片，构建台标数据集；

2）图像预处理模块对台标数据集中台标图片进行灰度化及边缘检测处理，对预处理好的图片采集像素点，转化为一维向量；

3）数据训练模块构建卷积神经网络，通过对台标数据集离线进行多分类模型训练，获取最佳台标检测模型；

4）检测中心节点将训练好的台标检测模型下发至检测前端；

5）检测前端的图像预处理模块接入检测视频截取待测台标，对待测台标进行灰度处理及边缘检测处理；

6）检测前端的台标识别模块利用离线训练后的台标检测模型对目标台标进行检测；

7）检测前端将识别结果及检测画面回传至检测中心节点。

优选的，构建卷积神经网络包括以下步骤：

a)将图片向量输入卷积神经网络离线多分类模型，并进行数据归一化；

b)将台标模型进行一维卷积池化处理、多维卷积池化处理和全连接层处理，判断该模型是否收敛；

c)若收敛则保存为最佳模型，若不收敛则返回步骤a）继续进行迭代处理，直至模型收敛。

优选的，对台标图片进行边缘检测的方法为laplace边缘检测。laplace算子利用二阶导数信息具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变；使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘，对一个连续函数f(x,y)它在图像中的位置(x,y),laplace算子定义为：

二阶微分在亮的一边是负的，在暗的一边是正的，常数部分为零，确定边的准确位置，以及像素在亮的一侧还是暗的一侧。

优选的，存在一个及以上的检测前端。

优选的，台标识别模块将经过预处理的帧画面输入台标检测模型后返回是否包含台标及台标类别。

有益效果

本发明通过对数据集图片进行灰度处理及边缘检测处理，在保留台标图片特征的前提下减小图像原始数据量，将图片像素点转化为一维向量，有效减少了数据训练过程和识别过程中的计算量，有效提高台标实时检测过程的效率和准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本发明装置架构示意图；

图2是卷积神经网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于边缘检测的电视台台标检测方法，其特征在于，包括：检测中心节点包含进行台标检测模型的训练，获取最佳模型的数据训练模块，获取视频流中的帧画面的图像获取模块，对获取的原始台标进行灰度化和laplace边缘检测处理的图像预处理模块；检测前端包含将获取的最佳台标模型，与实时检测到的台标图像进行比较的台标识别模块，获取视频流中的帧画面的图像获取模块，对获取的原始台标进行灰度化和laplace边缘检测处理的图像预处理模块。

下面结合附图对本方法的实施步骤进行具体描述。

1）检测中心节点的图像获取模块截取电视台播放视频帧画面获取包含台标图片，构建台标数据集；

2）图像预处理模块对台标数据集中台标图片进行灰度化及边缘检测处理，对预处理好的图片采集像素点，转化为一维向量；

3）数据训练模块构建卷积神经网络，构建卷积神经网络包括以下步骤：将图片向量输入卷积神经网络离线多分类模型，并进行数据归一化；将台标模型进行一维卷积池化处理、多维卷积池化处理和全连接层处理，判断该模型是否收敛；若收敛则保存为最佳模型，若不收敛则继续进行迭代处理，直至模型收敛。通过对台标数据集离线进行多分类模型训练，获取最佳台标检测模型；

4）检测中心节点将训练好的台标检测模型下发至检测前端；

5）检测前端的图像预处理模块接入检测视频截取待测台标，对待测台标进行灰度处理及边缘检测处理；

6）检测前端的台标识别模块利用离线训练后的台标检测模型对目标台标进行检测；

7）检测前端将识别结果及检测画面回传至检测中心节点。

对台标图片进行边缘检测的方法为laplace边缘检测。laplace算子利用二阶导数信息具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变；使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘，对一个连续函数f(x,y)它在图像中的位置(x,y),laplace算子定义为：

二阶微分在亮的一边是负的，在暗的一边是正的，常数部分为零，确定边的准确位置，以及像素在亮的一侧还是暗的一侧。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。