Распознавание логотипа в [закрытых] изображениях
3 ответа
Вы можете попробовать использовать локальные функции, такие как SIFT: http://en.wikipedia.org/wiki/scale-invariant_feature_transform
Он должен работать, потому что форма логотипа обычно постоянна, поэтому экстрагированные особенности должны хорошо соответствовать.
Рабочий процесс будет таким:
обнаруживать углы (например, Harris Угловой детектор) - для логотипа Nike они являются двумя острыми концами.
Вычислительные дескрипторы (например, SIFT - 128D целочисленный вектор)
на стадии обучения запомнить их; На сцене сопоставления найдите ближайшие соседи для каждой функции в базе данных, полученной во время обучения. Наконец, у вас есть набор матчей (некоторые из них, вероятно, неверны).
Семена неправильных совпадений с использованием RANSAC. Таким образом, вы получите матрицу, которая описывает преобразование от Ideal Logo Image на один, где вы найдете логотип. В зависимости от настроек, вы могли бы разрешить различные виды преобразований (только перевод; перевод и вращение; аффинное преобразование).
Книга Сзелиски имеет главу (4.1) по локальным функциям. http://research.microsoft.com/en-us/um/people/szeliski/book/
P.S.
Я предположил, что вы хотите найти логотипы на фотографиях, например, найдите все рекламные щиты Pepsi, чтобы они могли быть искажены. Если вам нужно найти логотип телеканала на экране (так, чтобы он не вращался и масштабированный), вы можете сделать это проще (сопоставление образец или что-то еще).
Обычные просеивания не рассматривают цветную информацию. Поскольку логотипы обычно имеют постоянные цвета (хотя точный цвет зависит от молнии и камеры), вы можете каким-то образом рассмотреть информацию о цветной информации.
В целом, современные компиляторы накладывают только минимальную стоимость на блоки try , если не создается исключение. Они по-прежнему не должны использоваться для программного управления потоком, поскольку они не столь очевидны, как стандартные конструкции потока. Исключение по существу эквивалентно оператору COME FROM .
Существует действительно полезный документ о поднастройке кадров данных R по адресу: http://www.ats.ucla.edu/stat/r/modules/subsetting.htm
Вот соответствующий фрагмент:
-121--1654898-Поднастройка строк с использованием нескольких условные операторы: Нет ограничить число логических операторов могут быть объединены для достижения поднастройка, которое требуется. Данные фрейм x.sub1 содержит только наблюдения, для которых значения переменная y больше 2 и для которого V1 переменной больше чем 0,6.
x.sub1 < - подмножество (x.df, y > 2 & V1 > 0,6)
Я работал над проектом, где нам пришлось сделать что-то очень похожее. Сначала я попробовал использовать методы Haar Training с помощью этого программного обеспечения
Это сработало, но не было оптимальным решением для наших потребностей. Наши исходные изображения (где мы искали логотип) были фиксированного размера и содержали только логотип. Из-за этого мы смогли использовать cvMatchShapes с известным хорошим соответствием и сравнить возвращенное значение, чтобы считать его хорошим.
Работал над этим: Сопоставление товарных знаков и поиск в базах данных спортивных видео получить документ в формате PDF: http://scholar.google.it/scholar?cluster=9926471658203167449&hl=en&as_sdt=2000
Мы использовали SIFT в качестве дескрипторов товарных знаков и изображений, а также нормализованное пороговое сопоставление для вычисления расстояния между моделями и изображениями. В нашей последней работе мы смогли значительно сократить количество вычислений с помощью метамоделей, созданных для оценки релевантности точек SIFT, которые присутствуют в разных версиях одного и того же товарного знака.
Я бы сказал, что в целом работать с видео сложнее, чем с фотографиями, из-за очень плохого визуального качества используемых в настоящее время телевизионных стандартов.
Марко