论文部分内容阅读
随着计算机视觉技术的发展,越来越多的图像识别技术应用在实际的生活中。而Logo则代表了企业信息的重要标志,图像和视频中的Logo识别成为了一个重要的课题,其应用前景已变得十分广泛,例如盗版侵权检测,广告上下文设计,智能交通控制系统,社交媒体中品牌相关信息自动统计,AR等。然而传统算法在性能和效率上远不能满足这些应用。随着人工智能的发展,深度学习成为了近年来人工智能领域取得的重大突破之一,传统的目标检测课题大都可移步于深度学习的研究。深度学习算法相较于传统算法表现出了较大的优越性。目前来说,深度学习中的卷积神经网络(CNN)方法已经在图像分类、人脸识别、行人检测等方面取得了显著的成效,并获得了广泛的应用。本文主要介绍了深度学习在Logo识别上的探索研究。首先介绍了传统算法在Logo识别上的研究现状和深度学习卷积神经网络近年来发展的研究现状。在这基础之上,研究和完成深度学习课题实验,并设计开发一套基于实验结果的web展示系统。本文主要工作有:1、详细分析了传统算法中的常用特征模型和常用分类器,结合课题作出可行性分析,并引出神经网络,阐述了 CNN在图像分类上的优势所在。2、着重介绍了近年来CNN算法的发展,并选择性能更加均衡的faster-rcnn算法进行论文实验。针对收集的数据集,利用深度学习平台caffe框架进行网络训练,优化调参,提高识别准确率,得到较好的训练模型。3、根据系统需求分析和实验结果,使用nodejs开发web展示页面。该页面系统实现了通过本地上传图片,快速定位并识别Logo种类的功能。实验结果表明,基于linux搭建的实验平台,Logo识别测试准确率达到了 96%,实验mAP值也达到了 0.8217。本文设计和实现web展示系统在功能和页面性能上也都符合实际应用的需求。