Распознавание логотипов в изображениях

Question

Кто-нибудь знает о недавней научной работе, которая была выполнена при распознавании логотипа в изображениях? Пожалуйста, ответьте только в том случае, если вы знакомы с этим конкретным предметом (я могу самостоятельно найти Google для «распознавания логотипа», большое спасибо). Любой, кто хорошо разбирается в компьютерном видении и проделал работу по распознаванию объектов, также может комментировать.

Update: Пожалуйста, обратитесь к алгоритмическим аспектам (какой подход вы думаете, уместно, документы в этой области, должен ли он работать (и был протестирован) для реальных данных, из соображений эффективности), а не технических сторон (используемый язык программирования или он был с OpenCV ...) Работа по индексированию изображений и поиску изображений на основе контента также может помочь.

Answer 1

Вы можете попробовать использовать местные особенности, как SIFT здесь: http://en.wikipedia.org/wiki/Scale-invariant_feature_transform

Он должен работать, так как логотип форма, как правило, постоянные, так извлекаемые особенности должны соответствовать хорошо.

рабочий процесс будет выглядеть следующим образом:

1. Detect углы (например Харриса детектор) - для Nike логотип они являются двумя острыми концами.

2. Compute дескрипторы (например, SIFT - 128D целочисленный вектор)

3. На этапе обучения их запомнить; на этапе согласования найдите ближайших соседей для каждой функции в базе данных, полученной во время обучения. Наконец, у вас есть набор совпадений (некоторые из них, вероятно, неверны).

4. Исправлены неправильные совпадения с использованием RANSAC. Таким образом, вы получите матрицу, которая описывает преобразование от идеального логотипа к тому, где вы найдете логотип. В зависимости от настроек вы можете допускать различные виды преобразований (просто перевод, перевод и вращение, аффинное преобразование).

В книге Szeliski есть глава (4.1) о местных особенностях. http://research.microsoft.com/en-us/um/people/szeliski/Book/

P.S.

1. Я предположил, что вы хотите найти логотипы на фотографиях, например, найти все рекламные щиты Pepsi, чтобы они могли быть искажены. Если вам нужно найти логотип телеканала на экране (чтобы он не поворачивался и не масштабировался), вы могли бы сделать это проще (сопоставление образцов или что-то еще).

2. Обычный SIFT не учитывает информацию о цвете.Поскольку логотипы обычно имеют постоянные цвета (хотя точный цвет зависит от молнии и камеры), вы можете каким-то образом рассмотреть информацию о цвете.

Answer 2

Я работал над проектом, где нам нужно было сделать что-то очень похожее. Сначала я попытался с помощью методов обучения Хаара с использованием этого программного обеспечения

OpenCV

Он работал, но не является оптимальным решением для наших нужд. Наши исходные изображения (где мы искали логотип) были фиксированного размера и содержали только логотип. Из-за этого мы смогли использовать cvMatchShapes с известным хорошим совпадением и сравнить возвращаемое значение, чтобы считать хорошее совпадение.

Answer 3

работал на этом: согласование товарных знаков и поиска в видео базах данных спортивных получить PDF бумаги: http://scholar.google.it/scholar?cluster=9926471658203167449&hl=en&as_sdt=2000

Мы использовали просеять в качестве товарных знаков и графических дескрипторов, и нормированный порог соответствия для вычисления расстояния между моделями и изображениями. В нашей последней работе мы смогли значительно сократить вычисления с использованием метамоделей, создав оценку релевантности точек SIFT, которые присутствуют в разных версиях одного и того же товарного знака.

Я бы сказал, что в целом работа с видеороликами сложнее, чем работа с фотографиями из-за очень плохого визуального качества используемых в настоящее время телевизионных стандартов.

Marco

Answer 4

Мы работали над логотипом обнаружения/распознавания в реальном мире образов. Мы также создали набор данных FlickrLogos-32 и сделали его общедоступным, в том числе данные, истинные истинные и оценочные сценарии.

В нашей работе мы рассматривали распознавание логотипов как проблему поиска, чтобы упростить распознавание нескольких классов и позволить таким системам легко масштабироваться для многих (например, тысяч) классов логотипов.

В последнее время мы разработали метод связывания Bundle min-Hashing, который объединяет пространственные конфигурации нескольких локальных функций в высоко отличительные узлы функций. Представление связки можно использовать как для поиска, так и для распознавания. Смотрите следующие примеры тепловые карт для логотипа обнаружений:

Вы найдете более подробную информацию о внутренних операциях, возможности применения подхода, эксперименты по ее эффективности и, конечно, также много ссылок на соответствующую работу в документы [1][2].