[发明专利]一种基于深度学习的框架广告图像匹配方法

说明书

本发明公开了一种基于深度学习的框架广告图像匹配方法，包括：S1、建立图片数据集；S2、用深度卷积神经网络为图片数据集中的每张图片算得低维空间的嵌入向量作为深度广告特征，深度广告特征中包含广告内容的区分信息；S3、随机挑选两张广告图片并算得深度广告特征，计算这两个深度广告特征的余弦相似度，根据预先定义的阈值，判断两个广告是否匹配；S4、另选两张新广告图片，重复上述步骤S3。本发明技术方案的有益效果是：提高图像匹配识别的准确率：从98.2％提高到99％；降低人工识别照片量：从198w张/年降低到110w/年。

技术领域

本发明属于将图像识别匹配技术应用于信息传播领域，具体涉及一种基于深度学习的框架广告图像匹配方法。

背景技术

由于广告传媒业务的发展，每周都有大量的广告方案在小区电梯内投放，而且投放周期不断缩短，如何正确识别和分类这些版位的广告方案面临巨大挑战。传统方法中广告方案识别全是由人工来操作，花费了大量的人力。而且因为照片更换周期短，就需要在很短的时间内完成大量的照片识别分类任务，往往准确率得不到保障。在此基础上，如果能研制出一种能准确的对工人拍摄的照片进行自动识别和匹配的系统，那将会是一件非常有意义的工作，并将极大地提高工作效率。

近些年,计算机视觉技术的日趋成熟，为传统的识别方法带来重大转变。先进的计算机视觉技术，不但可以将人力从繁琐的人工识别匹配中解放出来，而且能够大大提高精确度，广告识别系统就是在这样的背景下开发的。广告识别系统基于深度学习方法来自动进行图像匹配，不但降低了人工带来的误差，还能解放部分人力，更大发挥其价值。传统的自动匹配系统基于特征点(SIFT)匹配，用SIFT提取特征，根据特征点进行匹配，若匹配到特征点对数量满足特定阈值，则认为匹配成功；若不满足，认为匹配失败(参见附图1)。作为类似参考，CN 106066887B公开了一种广告序列图像快速检索和分析方法，该方法为：利用图像复杂度特征和决策分类树的方法，对广告图像数据库分为LOGO和场景图像；其次，对广告数据库中图像提取和存储HOG特征和SIFT特征；提取待匹配图像的HOG特征和SIFT特征，计算待匹配图像与广告数据库中所有与其相同类型图像的HOG特征向量的欧氏距离，并对其欧氏距离由小到大进行排序，筛选出其前S张候选图像；计算其与待匹配图像的SIFT特征匹配点对数并将对数最多的图像作为待匹配图像所对应的图像；针对广告序列的待匹配图像，计算每段广告的时长，获得广告播放信息。上述方法主要有两点不足：1、当不同广告方案内容大部分相同时匹配准确度低。例如附图2中的“我爱我家”广告，不同的方案只有业务员信息有差异，传统方法出现匹配到的特征点数量高于阈值，从而错误地判断为成功匹配的情况(实际是不同的方案)；2、无法准确检测倒置的广告内容。在上刊倒置的情况下，因为是同一张图，传统方法仍然可以匹配到大量特征点对，导致匹配特征点对的数量超过阈值，返回错误的匹配结果(参见附图3)。

发明内容

有鉴于此，本发明的目的是提供一种基于深度学习的框架广告图像匹配方法，把拍摄的照片与其对应的广告方案进行匹配，从而确保广告被精准地投放到指定位置，以解决现有技术中的不足。

为了达到上述目的，本发明的目的是通过下述技术方案实现的：

提供一种基于深度学习的框架广告图像匹配方法，其中，包括：

S1、建立图片数据集；

S2、用深度卷积神经网络为图片数据集中的每张图片算得低维空间的嵌入向量作为深度广告特征，深度广告特征中包含广告内容的区分信息；

S3、随机挑选两张广告图片并算得深度广告特征，计算这两个深度广告特征的余弦相似度，根据预先定义的阈值，判断两个广告是否匹配；

S4、另选两张新广告图片，重复上述步骤S3。

上述基于深度学习的框架广告图像匹配方法，其中，采用Softmax作为损失函数训练深度卷积神经网络，得到图片的特征向量，同时采用Large-Margin Softmax Loss方法减小权值向量和特征向量之间的夹角。