CN103745201B - 一种节目识别方法及装置 - Google Patents
一种节目识别方法及装置 Download PDFInfo
- Publication number
- CN103745201B CN103745201B CN201410005887.3A CN201410005887A CN103745201B CN 103745201 B CN103745201 B CN 103745201B CN 201410005887 A CN201410005887 A CN 201410005887A CN 103745201 B CN103745201 B CN 103745201B
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic vector
- mrow
- sample image
- storehouse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于图像识别技术领域,提供了一种节目识别方法及装置,所述方法包括:提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库;从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。本发明,通过贝叶斯决策方法对目标图像的特征向量与样本图像的特征向量进行计算决策,实现对目标图像的准确识别。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种节目识别方法及装置。
背景技术
随着大量电视节目的出现和丰富,智能智能终端已经成为用户获取信息和娱乐的重要工具。然而,不同用户对电视节目的喜好是不同,如何获取用户感兴趣的节目内容也成为智能智能终端的一个重要研究课题。其中,最重要的是如何识别和定位用户感兴趣的节目。
目前,现有识别方法是采用神经网络方式识别图片,人工神经网络是一个非线性动力学***,其特色在于信息的分布式存储和并行协同处理。在网络模型与算法研究的基础上,利用人工神经网络组成实际的应用***,例如,完成某种信号处理或模式识别的功能、构作专家***、制成机器人等等。人工神经元是神经网络的基本元素,其原理如1所示,图中x1~xn是从其他神经元传来的输入信号,wij表示表示从神经元j到神经元i的连接权值,θ表示一个阈值threshold,或称为偏置bias。则神经元i的输出与输入的关系表示为:
yi=f(net)
图1中yi表示神经元i的输出,函数f称为激活函数或转移函数,net称为净激活。若将阈值看成是神经元i的一个输入x0的权重xi0,则上面的式子可以简化为:
yi=f(neti)
若用X表示输入向量,用W表示权重向量,即:
X=[x0,x1,x2,.......,xn]
则神经元的输出可以表示为向量相乘的形式:
neti=XW
yi=f(neti)=f(XW)
若神经元的净激活net为正,称该神经元处于激活状态或兴奋状态(fire),若净激活net为负,则称神经元处于抑制状态。然而由于人工神经网络模型识别本来对神经网络认识不足,通过这种方法获得的识别结果错误性较大,识别准确率较低。上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明实施例提供了一种节目识别方法及装置,旨在解决现有识别方法获得的识别结果错误性较大,准确率较低的问题。
一方面,提供一种节目识别方法,所述方法包括:
提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号;
从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;
根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
另一方面,提供一种节目识别装置,所述装置包括:
识别库建立单元,用于提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号;
特征提取单元,用于从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;
图像识别单元,用于根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
在本发明实施例,提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库;从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果,本发明,通过贝叶斯决策方法对目标图像的特征向量与样本图像的特征向量进行计算决策,实现对目标图像的准确识别。
附图说明
图1是背景技术提供人工神经元模型示意图;
图2是本发明实施例一提供的节目识别方法的实现流程图;
图3是本发明实施例一中学习图像库的示意图;
图4是本发明实施例一中目标图像的示意图;
图5是本发明实施例二提供的节目识别装置的具体结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明实施例中,提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库;从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
以下结合具体实施例对本发明的实现进行详细描述:
实施例一
图2示出了本发明实施例一提供的节目识别方法的实现流程,详述如下:
需要说明的是,本发明尤其适用于采用android与java web技术的智能终端,所述智能终端包括智能电视、智能手机和平板电脑。
在步骤S201中,提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号。
在本实施例中,所述图像学习库是通过学习的若干个样本图像并对样本图像进行分类获得的图像库。所述特征向量包括颜色、纹理和形状特征。
对于颜色提取,采取颜色直方图的方式来提取颜色信息,颜色直方图能够简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。但是无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。最常用的颜色空间包括RGB颜色空间、HSV颜色空间。其中,颜色直方图特征匹配方法采用直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。
对于纹理特征提取采用统计法,纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb和Kreyszig等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性。统计方法中另一种典型方法,则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数。
对形状特征,各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,本发明优选采用边界特征法提取,该方法通过对边界特征的描述来获取图像的形状参数,其中Hough变换检测平行直线方法和边界方向直方图方法是经典方法,Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法,其基本思想是点—线的对偶性;边界方向直方图法首先微分图像求得图像边缘,然后,做出关于边缘大小和方向的直方图,通常的方法是构造图像灰度梯度方向矩阵。
所述向量文件为保存图像信息的文本文件。所述图像信息包括样本图像的类别和类别编号,如包括安徽卫视台标的样本图像的类别编号为100,类别为安徽卫视,如图3所示,文件夹train1中包括大量省级电视台标识的样本图片,其中,样本图像100.bmp为安徽卫视标志,如图4所示。具体的,智能终端调用matlab提取图像学习库中样本图像的包括颜色、纹理和形状特征3个特征的n个特征向量,matlab是矩阵实验室,包括从最简单最基本的函数到诸如矩阵,特征向量、快速傅立叶变换的复杂函数。这些函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程的组的求解、符号运算、傅立叶变换和数据的统计分析、工程中的优化问题、稀疏矩阵运算、复数的各种运算、三角函数和其他初等数学运算、多维数组操作以及建模动态仿真等。调用matlab库提取特征向量的演示代码如下:
function XX1=featurextract(balance)
%A=imread(filename);//读取样本图像名称
X=double(balance);
t=wpdec2(X,2,'db4','shannon');
plot(t);
X0=wprcoef(t,[2,0]);//逐一学习样本图像特征向量的值
X1=wprcoef(t,[2,1]);
X2=wprcoef(t,[2,2]);
…………………..
VX14=norm(X14);
VX15=norm(X15);
disp('图像的输出向量')//输出样本图像的特征向量。
提取样本图像的特征向量之后,智能终端将每个样本图像的图像信息和所述n个特征向量保存于向量文件中,若干个向量文件形成了图像识别库。
作为一个优选方案,本步骤之前还包括通过学习节目图像选择样本图像并对所述样本图像分类建立所述图像学习库。
具体的,对所述样本图像进行分类,将同类样本图像保存于文件夹中,如图3所示train1中包括了大量代表各省电视台的图像,具体样本图像分类的演示代码如下:
void Bayes_classifier()
{
特征选择(假设选取2000个特征词);
foreach(c in C){//C为类别的集合
计算P(c);//|S(c)|/|S|
foreach(f in F){//F为选取的特征的集合
计算P(f|c);}
}
foreach(t in T){分词;
构造特征向量X;
foreach(c in C){
计算P(X|c)*P(c);
}
将t归类为P(X|c)*P(c)值最大的类别c;
}
}
在步骤S202中,从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量。
在本实施例中,所述节目流包括智能终端播放的电视、电影和其他节目流。具体的,智能终端从节目流中提取目标图像,调用matlab提取所述目标图像的包括颜色、纹理和形状特征3个特征的n个特征向量。
在步骤S203中,根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
在本实施例中,贝叶斯决策方法是统计模型决策中的一个基本方法,其基本思想是:已知类条件概率密度参数表达式和先验概率。利用贝叶斯公式转换成后验概率,根据后验概率大小进行决策分类。相似概率是通过贝叶斯公式计算的目标图像属于某一样本图像的概率,其值越大相似度越高,相识度越高的两张图像为同一图像的可能行也越大。智能终端根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果,即将与样本图像100.bmp的特征向量的相似概率最高的目标图像识别为安徽卫视。若需要继续进行识别只需要继续执行步骤S202即可。
具体的,本步骤具体包括:
步骤21,通过贝叶斯公式,获得所述目标图像的n个特征向量与所述图像识别库中各样本图像的n个特征向量的相似概率p(ωj|x):
其中,ωj表示样本图像的类别,x为向量值,先验概率p(ωj)为ωj类样本图像占所有样本图像的比值,概率密度函数p(x|ωj)为通过多次训练后计算机每类向量的数目的平均值概率,特征向量的概率p(x)是通过图片图分析后统计获得。
具体的,p(x)是特征向量X分布的先验概率,在没有更多专家知识的情况下,我们可以假设它为1。其实无论p(x)值为多少,都不会影响对最后结果的评判。因为p(x)是计算所有后验概率的共同分母,其值不影响后验概率大小的比较。本***基于最小风险进行决策,可以通过p(ωj)、p(x|ωj)以及p(x)可以求出后验概率p(ωj|x)。
步骤22,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
具体的,如果目标图像与样本图像100.bmp的相似概率最高,则该目标图像被识别为安徽卫视。
作为另一个优选方案,在本步骤之后还包括:
将所述识别结果以模型-视图-控制器模式进行展示。
在本实施例中,智能终端将所述识别结果以模型-视图-控制器模式(Model-View-Control,MVC)进行展示,尤其是在WebMVC请求相应模式下,web浏览器发起请求,如访问某一网址,接收到服务器的相应之后,对接收到的识别结果进行渲染以视图展示给客户。这种模式本身不引入新功能,只是帮助我们将开发的结构组织的更加合理,使展示与模型分离、流程控制逻辑、业务逻辑调用与展示逻辑分离。
本实施例,通过贝叶斯决策方法对目标图像的特征向量与样本图像的特征向量进行计算决策,实现对目标图像的准确识别,进而实现推荐用户喜爱的节目。
实施例二
图5示出了本发明实施例二提供的节目识别装置的具体结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。在本实施例中,该节目识别装置包括:识别库建立单元51、特征提取单元52、图像识别单元53、样本学习单元54和节目推荐单元55。
其中,识别库建立单元51,用于提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号;
特征提取单元52,用于从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;
图像识别单元53,用于根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
本实施例,通过贝叶斯决策方法对目标图像的特征向量与样本图像的特征向量进行计算决策,实现对目标图像的准确识别,进而实现推荐用户喜爱的节目。
进一步的,所述图像识别单元53具体用于通过贝叶斯公式,获得所述目标图像的n个特征向量与所述图像识别库中各样本图像的n个特征向量的相似概率p(ωj|x):
其中,ωj表示样本图像的类别,x为向量值,先验概率p(ωj)为ωj类样本图像占所有样本图像的比值,概率密度函数p(x|ωj)为通过多次训练后计算机每类向量的数目的平均值概率,特征向量的概率p(x)是通过图片图分析后统计获得;将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
进一步的,所述包括颜色、纹理和形状特征的n个特征向量通过调用matlab提取。
进一步的,所述装置还包括:
样本学习单元54,用于通过学习节目图像选择样本图像并对样本图像分类建立图像学习库。
进一步的,所述装置还包括:
结果展示单元55,用于将所述识别结果以模型-视图-控制器模式进行展示。
本发明实施例提供的节目识别装置可以应用在前述对应的方法实施例一中,详情参见上述实施例一的描述,在此不再赘述。
值得注意的是,上述***实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种节目识别方法,其特征在于,所述方法包括:
提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号;其中,所述颜色对应的特征向量根据颜色直方图进行提取;所述纹理对应的特征向量根据统计法进行提取,所述统计法包括灰度共生矩阵的纹理特征分析方法和根据图像的自相关函数提取纹理特征的方法;所述形状特征对应的特征向量根据边界特征法进行提取;
从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;
根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果;
其中,所述根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果具体为:
通过贝叶斯公式,获得所述目标图像的n个特征向量与所述图像识别库中各样本图像的n个特征向量的相似概率p(ωj|x):
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,ωj表示样本图像的类别,x为向量值,先验概率p(ωj)为ωj类样本图像占所有样本图像的比值,概率密度函数p(x|ωj)为通过多次训练后计算机每类向量的数目的平均值概率,特征向量的概率p(x)是通过图片图分析后统计获得;p(x)是特征向量X分布的先验概率;将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
2.如权利要求1所述的方法,其特征在于,所述包括颜色、纹理和形状特征的n个特征向量通过调用matlab提取。
3.如权利要求2所述的方法,其特征在于,所述提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量之前还包括:
通过学习节目图像选择样本图像并对样本图像分类建立图像学习库。
4.如权利要求2所述的方法,其特征在于,所述将所述相似概率最高的样本图像的类别作为所述节目的识别结果之后还包括:
将所述识别结果以模型-视图-控制器模式进行展示。
5.一种节目识别装置,其特征在于,所述装置包括:
识别库建立单元,用于提取图像学习库中样本图像的包括颜色、纹理和形状特征的n个特征向量,将所述样本图像的图像信息和所述n个特征向量保存于向量文件,形成图像识别库,所述图像信息包括样本图像的类别和类别编号;其中,所述颜色对应的特征向量根据颜色直方图进行提取;所述纹理对应的特征向量根据统计法进行提取,所述统计法包括灰度共生矩阵的纹理特征分析方法和根据图像的自相关函数提取纹理特征的方法;所述形状特征对应的特征向量根据边界特征法进行提取;
特征提取单元,用于从节目流中提取目标图像,提取所述目标图像的包括颜色、纹理和形状特征的n个特征向量;
图像识别单元,用于根据贝叶斯决策方法,获取所述图像识别库中各样本图像的n个特征向量与所述目标图像的n个特征向量的相似概率,将所述相似概率最高的样本图像的类别作为所述节目的识别结果;
其中,所述图像识别单元具体用于通过贝叶斯公式,获得所述目标图像的n个特征向量与所述图像识别库中各样本图像的n个特征向量的相似概率p(ωj|x):
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,ωj表示样本图像的类别,x为向量值,先验概率p(ωj)为ωj类样本图像占所有样本图像的比值,概率密度函数p(x|ωj)为通过多次训练后计算机每类向量的数目的平均值概率,特征向量的概率p(x)是通过图片图分析后统计获得;p(x)是特征向量X分布的先验概率;将所述相似概率最高的样本图像的类别作为所述节目的识别结果。
6.如权利要求5所述的装置,其特征在于,所述包括颜色、纹理和形状特征的n个特征向量通过调用matlab提取。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
样本学习单元,用于通过学习节目图像选择样本图像并对样本图像分类建立图像学习库。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
结果展示单元,用于将所述识别结果以模型-视图-控制器模式进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410005887.3A CN103745201B (zh) | 2014-01-06 | 2014-01-06 | 一种节目识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410005887.3A CN103745201B (zh) | 2014-01-06 | 2014-01-06 | 一种节目识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745201A CN103745201A (zh) | 2014-04-23 |
CN103745201B true CN103745201B (zh) | 2018-01-12 |
Family
ID=50502218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410005887.3A Active CN103745201B (zh) | 2014-01-06 | 2014-01-06 | 一种节目识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745201B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104506946B (zh) * | 2014-12-04 | 2017-12-05 | 南京阅视网络科技有限公司 | 一种基于图像识别的电视节目识别方法和*** |
CN104537252B (zh) * | 2015-01-05 | 2019-09-17 | 深圳市腾讯计算机***有限公司 | 用户状态单分类模型训练方法和装置 |
CN104751171B (zh) * | 2015-03-09 | 2016-04-20 | 中南大学 | 基于特征加权的朴素贝叶斯扫描证书图像分类方法 |
CN104735520A (zh) * | 2015-04-01 | 2015-06-24 | 百度在线网络技术(北京)有限公司 | 电视节目的播放控制方法、装置和电视机 |
CN106874928B (zh) * | 2016-12-28 | 2020-05-19 | 中国科学院长春光学精密机械与物理研究所 | 跟踪目标突发关键事件自动判决方法及*** |
CN106897454B (zh) * | 2017-02-15 | 2020-07-03 | 北京时间股份有限公司 | 一种文件分类方法及装置 |
CN109508582A (zh) * | 2017-09-15 | 2019-03-22 | 中国公路工程咨询集团有限公司 | 遥感影像的识别方法及装置 |
US10825071B2 (en) * | 2018-04-09 | 2020-11-03 | International Business Machines Corporation | Adaptive multi-perceptual similarity detection and resolution |
CN110992300B (zh) * | 2018-09-29 | 2023-04-07 | 北京国双科技有限公司 | 图像检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别*** |
CN202998337U (zh) * | 2012-11-07 | 2013-06-12 | 深圳新感易搜网络科技有限公司 | 视频节目识别*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070112130A (ko) * | 2005-01-07 | 2007-11-22 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 그래픽 객체를 검출하기 위한 방법 및 전자 디바이스 |
-
2014
- 2014-01-06 CN CN201410005887.3A patent/CN103745201B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别*** |
CN202998337U (zh) * | 2012-11-07 | 2013-06-12 | 深圳新感易搜网络科技有限公司 | 视频节目识别*** |
Non-Patent Citations (3)
Title |
---|
"模式识别中贝叶斯决策理论的研究";王飞 等;《科技情报开发与经济》;20071231;第17卷(第7期);第165-166页 * |
"综合颜色纹理形状特征的图像检索";孙文波 等;《计算机工程与设计》;20091231;第30卷(第21期);第4904-4906页 * |
"视听节目内容识别技术在三网融合中的应用";解伟 等;《广播与电视技术》;20111231(第2期);第94-97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103745201A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745201B (zh) | 一种节目识别方法及装置 | |
Shao et al. | Performance evaluation of deep feature learning for RGB-D image/video classification | |
Zhao et al. | ApLeaf: An efficient android-based plant leaf identification system | |
Sun et al. | Problems of encoder-decoder frameworks for high-resolution remote sensing image segmentation: Structural stereotype and insufficient learning | |
Wang et al. | Bag of contour fragments for robust shape classification | |
Fu et al. | Using convolutional neural network to identify irregular segmentation objects from very high-resolution remote sensing imagery | |
EP4002161A1 (en) | Image retrieval method and apparatus, storage medium, and device | |
CN110378224A (zh) | 一种地物变化的检测方法、检测***及终端 | |
CN106845527A (zh) | 一种菜品识别方法 | |
CN104408483B (zh) | 基于深度神经网络的sar纹理图像分类方法 | |
Zou et al. | Chronological classification of ancient paintings using appearance and shape features | |
Sun et al. | Monte Carlo convex hull model for classification of traditional Chinese paintings | |
Feng et al. | Bag of visual words model with deep spatial features for geographical scene classification | |
Ye et al. | Parallel multi-stage features fusion of deep convolutional neural networks for aerial scene classification | |
Uba | Land use and land cover classification using deep learning techniques | |
Cai et al. | Rgb-d scene classification via multi-modal feature learning | |
Wang et al. | Accurate playground localisation based on multi-feature extraction and cascade classifier in optical remote sensing images | |
Uma et al. | Copy-move forgery detection of digital images using football game optimization | |
Pintelas et al. | A multi-view-CNN framework for deep representation learning in image classification | |
Ouadiay et al. | Simultaneous object detection and localization using convolutional neural networks | |
Shaikh et al. | A contemporary approach for object recognition based on spatial layout and low level features’ integration | |
Gao et al. | Spatial-structure Siamese network for plant identification | |
Yang et al. | Learning discriminative visual elements using part-based convolutional neural network | |
Beaini et al. | Deep green function convolution for improving saliency in convolutional neural networks | |
Li et al. | A new algorithm of vehicle license plate location based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |