[发明专利]基于跨层特征提取的像素级台标识别网络的台标分割方法

说明书

一种基于跨层特征提取的像素级台标识别网络的台标分割方法：将现有分类网络的全连接层修改为卷积层，并引入跨层架构，结合低层和高层输出的输入图像的特征，提取融合了图像局部特征和全局特征的跨层特征，分别构建不同跨层架构的三种像素级台标识别网络；采用现有的台标数据集作为训练和测试数据，包括台标图像集和与台标图像集对应的二值标签图像集，分别采用三种像素级台标识别网络提取台标图像集的三种跨层特征；进行像素级台标识别网络的训练；采用在不同类型的台标数据集上训练得到的三种像素级台标识别网络分别对台标图像集进行测试，最终产生与输入图像相同尺寸的像素级分割结果。本发明具有更强的描述能力和区分能力。

技术领域

本发明涉及一种台标分割方法。特别是涉及一种基于跨层特征提取的像素级台标识别网络的台标分割方法。

背景技术

台标图像的特征提取是决定台标识别准确性的关键因素，寻找一个更具区分度的特征一直是研究人员所追求的目标。目前台标识别主要采用先提取特征再计算特征相似度的方法，所使用的特征包括基于传统特征和深度特征。

传统的台标识别方法所使用的特征可分为全局特征和局部特征。其中，全局特征通常包括颜色、形状、网格、主要成分分析、边缘和纹理等特征。虽然颜色信息具有大小和视角不变性的特征，且具有较强的可分离性，但是由于网络视频质量参差不齐或受到背景影响，对于镂空和半透明台标，其颜色往往会发生变化，具有一定的不稳定性，从而给基于颜色特征的台标识别带来困难。基于形状的方法需要先将台标从视频中完整分割出来，然后利用形状不变矩和傅里叶描述子等形状描述方法对其进行描述，但是对于镂空或半透明台标，台标域一般都包含比较多的背景噪音，现有的图像分割技术还不能准确地将台标与背景噪音完全分割开来。网格、主成分分析等特征将区域内所有内容等同对待，没有充分考虑台标可能存在的镂空等特性，因此识别受背景影响较大。其余全局特征均基于完整区块，因此也不能应对镂空和半透明台标的背景变化。

局部特征只对画面中部分区域提取特征，通常具有几何变换、光照变换、视角变化等的不变性，在目标识别、图像及视频检索等领域得到了广泛应用。但是现有的局部不变特征研究方法缺乏语义层次的解释，提取的局部特征点既可能位于台标上，也可能位于复杂背景结构上，或位于台标与背景的边界处。因此，利用局部不变特征进行台标识别还面临很大的挑战。

综上，由于手工特征的描述能力有限，识别效果不佳。已有的基于支持向量机或人工神经网络等机器学习的台标识别方法受限于特征提取算法的性能，网络更关注语义特征，不能提取台标精细的局部特征。同时，这些算法性能的提升也受限于训练样本的数量。

最近，随着深度学习在计算机视觉领域的显著成功，基于深度特征的台标识别方法也受到了越来越多的关注。研究表明，深度特征比手工特征拥有更强大的描述能力。深度特征的加入，为图像识别的发展带来了新的机遇，使得其研究进入了一个新的阶段。

发明内容

本发明所要解决的技术问题是，提供一种能够提高输出精度基于跨层特征提取的像素级台标识别网络的台标分割方法。

本发明所采用的技术方案是：一种基于跨层特征提取的像素级台标识别网络的台标分割方法，包括如下步骤：

1)以现有分类网络为基础架构，将全连接层修改为卷积层，并引入跨层架构，通过连接分类网络的低层和高层，结合所述低层和高层输出的输入图像的特征，提取融合了图像局部特征和全局特征的跨层特征，分别构建不同跨层架构的三种像素级台标识别网络；

2)采用现有的台标数据集作为训练和测试数据，包括台标图像集和与台标图像集对应的二值标签图像集，其中标签图像集作为像素级台标识别网络训练中的监督信息，分别采用三种像素级台标识别网络提取台标图像集的三种跨层特征；