工具之家 > 现代电子技术 > 基于神经网络的体育商标识别模型

基于神经网络的体育商标识别模型

发布时间:2019-05-15 02:15:00 文章来源:工具之家    

 推荐工具:金融理财app工具实用工具

潘春光

摘 yao 为了提高tiyu商biaoshibiedezhengque率针对传统moxingshi别效果差debuzu提chuji于神经网luodetiyu商biaoshi别mo型采yongCanny算子对体yu商标de边缘jin行检测提取不同lei型te征然后采用神经网络对每yi种特征fen别建li体育商标shi别mo型得到相应deshi别jie果采用zhichixiangliang机que定每yizhongmo型shi别结果的quan值,根据权值得到体育商标的最终shibie结果。仿zhen对bi实验结果表明,gaimo型的体育商标识别正确率达到95%以上,体育商标的识别率要远远低于其他体育商标的识别模xing同时满足体育商标识别deshi时性要求。

关键ci: 体育商标; 识别模型; 神经网络; guang告牌

中图分leihao: TN711?34; TP391 wen献标识码: A 文章编号: 104?373X(201701?0049?04

Abstract: In order to improve the accuracy of the sports trademark recognition and remedy the deficiency of poor recognition effect of the traditional model, a sports trademark recognition model based on neural network is proposed. The Canny operator is used to detect the edge of the sports trademark, and extract the different type features. The neural network is adopted to establish the sports trademark recognition model for each feature, and obtain the corresponding recognition results. The support vector machine is employed to determine the weight of the recognition result of each model. The final recognition result of the sports trademark was obtained according to the weight. The experimental results of simulation contrast show that the accuracy of the sports trademark recognition model can reach up to 95%, the sports trademark recognition rate is much better than that of other sports trademark recognition models, and the model can meet the real?time requirement of the sports trademark recognition.

Keywords: sports trademark; identification model; neural network; billboard

0 引 言

随着我国体育事业的xunsu发展,体育chanpin越来越多,体育竞赛中的体育产品guang告增多,竞争日益激烈[1]。商标是识别产品的zhongyaobiao志,因此,如何准确地识别体育产品商标ju有十分重要的研究意义[2]。

针对体育产品商标的识别问题,专家们进行了相关研究,涌现了一些体育产品商标的识别模型[2]。最初采用人gong方shi对体育产品商标进行识别,该方法简dan,但耗时长无法zi动识别,对于多样的体育商标识别效率低[3]。随着信息chu理技术应用的不断深入,有xue者提chuyi些体育产品商标自动识别模型,将体育产品商标看zuo是多种类型的识别问题,通过一定的规则将体育产品商标归划到相应的类别中[4]。由于是多分类问题,必须建立体育产品商标的多分类器,当前可以建立多分类器的算法有神经网络、贝叶斯网络等[5?7],在所有算法中,神经网络的学习速度最快,可以满足实时性要求,在体育产品商标识别中应用最guang[8]。体育产品商标的特征可以描述体育产品商标的特点,当前特征有颜色、纹理、SIFT特征等[9],受到运动员以ji其他物体对商标遮挡的影响,danyi特征仅能描述体育商标某一方面的信息,识别正确率难以满足体育商标识别的实际要求。近年来,有学者提出了多种特征的体育商标识别模型,分别对单一特征建立体育商标识别模型,然后通过加权获得体育商标的最终识别结果,但权值均采用人工方式确定,具有盲mu性,权值无法描述特征对体育商标识别结果的贡献,因此如何进行体育商标的精确识别仍然面临ju大的挑战。

为了提高体育商标识别的正确率,提出一种基于神经网络的体育商标识别模型,结果表明,ben文模型的体育商标识别正确率达95%以上,识别结果要you于其他体育商标识别模型。

1 相关理论

1.1 Canny算子

1.3 神经网络

BP神经网络能够以任意精度逼近函shu,学习过程分为两阶段:信号正xiang传递、误差反向传递di一阶段信号从输入层经过yin含层到达输出层,如果输出误差不符合实际要求,便进入第二阶段。第二阶段信号的误差从隐含层向输入层传递,并根据信号的误差不断修正各神经元的权值,直到误差满足实际要求为止。

基于神经网络的体育商标识别模型的工作步骤为:

(1) 收jiti育商标图像,并对其进行灰度化处理。

(2) 采用Canny算子对体育商标图像中的目标边缘进行检测,提取商标轮廓。

(3) 分别提取体育商标的颜色、纹理以及SIFT特征,并采用式(7)对它们进行归一化处理:

(4) 设和分别为输入和输出神经元的数liang,根据式(8)确定神经网络的隐含层神经元数量:

(5) 对神经网络反复训练,直到训练误差达到实际要求为止。

(6) 利用训练好的神经网络对体育商标进行识别,输出相应的识别结果。

1.4 支持向量机

2 本文的体育商标识别模型

本文体育商标识别模型综合kao虑特征间的互补性,避免单一特征信息量少的缺陷,同时合理确定权值,解决人工方式确定权值的不足,具体工作步骤为:

(1) 采用Canny算子检测体育商标边缘、提取特征;

(2) 采用神经网络的体育商标识别模型;

(3) 最后采用支持向量机gu计模型的权值,输出体育商标的识别结果。

本文模型的框架如图2所示。

3 实验结果及分析

3.1 体育商标样本

选择体育产品商标类型为:LG,BRIDGESTONE,TISSOT,VISA和ADIDAS,它们的类别标签分别采用15进行描述,样本数量的分布情况见表1。选择权值人工方式确定多特征权值的识别模型进行对比实验。

3.2 结果与分析

3.2.1 单一特征的识别正确率

采yongBP神经网络分别对颜色特征、纹理特征以及SIFT特征分别建立体育商标识别模型,得到的识别正确率见表2。从表2可以看出,单一特征的体育商标识别正确率均低于85%,不能满足体育商标识别的实际应用要求,zhe主要是由于它们只能提供片面信息,识别结果没有太多的实际应用价值,同时也证明了本文采用多特征建立体育商标识别模型的思想是正确的。

3.2.2 估计单特征的权值

将单一特征的体育商标识别结果输入到支持向量机中进行学习和回归,得到单一特征的权值见表3。从表3可以看出,在所有特征中,SIFT特征的权值最大,其次是颜色特征,最小为纹理特征,shuo明SIFT特征对体育商标识别结果的贡献最大,这与实际情况相符。

3.2.3 与对比模型结果对比

本文模型与对比模型的体育商标识别正确率和识别时间分别如图3和图4所示。从图3和图4可知,相对于对比模型,本文模型的体育商标识别正确率大约提高了5%,而且识别时间也大大减少,符合体育商标识别的实时性要求,这主要是由于本文模型采用支持向量机对单一特征权值进行合理确定,建立了更加合理的体育商标识别模型,能够准确地描述体育商标类别与特征之间的变化关xi,具有更高的实际应用价值。

4 结 论

体育商标识别非常复杂,传统模型无法准确描述其变化特点,本文利用支持向量机和神经网络的优点,提出基于神经网络的体育商标识别模型,首先采用神经网络根据单一特征建立相应的体育商标识别模型,然后采用支持向量机确定它们的权值,并通过对比实验对其性能进行分析。结果表明,本文模型的体育商标识别效率大幅度提高,识别正确率可以满足体育商标识别的应用要求。

在实验过程中发现一些问题有待解决,如支持向量机的参数设置影响识别结果,今后将解决支持向量jican数的设置问题,产生更加合理的权值,以获得更优的体育商标识别效果。

参考文献

[1] PELISSON F, HALL D, RIFF O, et al. Brand identification using Gaussian derivative histograms [J]. Machine vision and applications, 2004, 16(1): 41?46.

[2] WATVE A, SURAL S. Soccer video processing for the detection of advertisement billboards [J]. Pattern recognition letters, 2008, 29(7): 994?1006.

[3] PHAN R, ANDROUTSOS D. Content?based retrieval of logo and trademarks in unconstrained color image databases using color edge gradient co?occurrence histograms [J]. Computer vision and image understanding, 2010, 114(1): 66?84.

[4] LIU W Y, SUN X M, WANG L. Trademark contour extraction based on improved snake model [J]. Journal of computational information systems, 2009, 5(3): 1253?1260.

[5] LI D D, KWONG C P. Understanding latent semantic inde?xing: a topological structure analysis using Q?analysis [J]. Journal of the American Society for Information Science and Technology, 2010, 61(3): 592?608.

[6] HALIN A A, RAJESWARI M, RAMACHANDRAM D. Shot view classification for playfield?based sports video [C]// Proceedings of 2009 IEEE International Conference on Signal and Image Processing Applications. Kuala Lumpur: IEEE, 2009: 410?414.

[7] 王三虎,姚望舒,凌兴宏.基于SIFT和角点特征的商标检索算法[J].计算jiying用,2011,31(7)1841?1843.

[8] 卜江,老松杨,白亮,等.一种体育商标中广告牌商标的实时识别算法[J].自动化学报,2011,37(4):418?426.

[9] 孙林,吴相林,周莉,等.duiniu转鲁棒的SIFT图像匹配在商标识别中的应yong[J].计算机工程与设计,2011,32(4):1406?1410.

[10] 林传力,赵宇明.基于SIFT特征的商标检索算法[J].计算机工程,2008,34(23):275?277.

现daidian子技术 2017年1qi

现代电子技术的其它文章 基于ASD与LBS的移动农资物流配送系统研究 基于传输线方程的多根非平行传输线串扰分析 基于改进半边数据结构的计算机仿真3D建模平台研究 基于信息共xiang的图书馆空间及服务电子系统模式研究 全日盲紫外成像探测仪光学系统设计 变电站接地极电阻建模计算及特征分析
转载请注明来源。原文地址:https://www.5420.com.cn/view/2019/0515/15977/
 与本篇相关的热门内容: