一种基于机器学习的logo图像识别方法与系统

技术领域

本发明涉及机器学习的logo图像识别技术领域，具体为一种基于机器学习的logo图像识别方法及系统。

背景技术

现有技术中针对logo的检索时，由于数量巨大以及图形众多，通过人工检测的方式无法实现。

本发明提供了一种基于机器学习的logo图像识别方法与系统。本发明的目的是未来解决现在针对logo的检索时，由于数量巨大以及图形众多，通过人工检测的方式无法实现的问题。

发明内容

本发明的目的在于提供一种基于机器学习的logo图像识别方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于机器学习的logo图像识别方法，包括如下步骤：

S1：对logo图像内容进行识别，得到识别后的图像内容；

S2：构建图像分类数据库，对图像分类数据库中图像采用自助采样法进行处理，得到处理后图像；

S3：通过卷积神经网络优化学习处理后图像的像素；

S4：优化处理后图像的像素拟合合适的卷积神经网络；

S5：集成拟合后的LOGO图像模型并利用机器学习算法识别logo图像。

一种基于机器学习的logo图像识别系统，包括中央处理器、管理中心、图像识别模块、数据库模块、卷积神经网络以及模型集成，所述中央处理器与管理中心、图像识别模块、数据库模块、卷积神经网络以及模型集成线性连接。

作为本发明优选的方案，其对应功能如下：

中央处理器：用于控制整个基于机器学习的logo图像识别系统，完成其系统内的数据处理与转换；

管理中心：为该基于机器学习的logo图像识别系统的后台管理中心，用于对该系统的人工干预以及管理和控制；

图像识别模块：用于识别logo图像的内容，得到其logo图像的内容；

数据库模块：用于对图像识别模块所识别的logo图像进项保存、分类以及处理；

卷积神经网络：将其数据库内优化后的logo图像进行筛选最合适的logo图像进行使用；

模型集成：将合适的logo图像集成相应的模型，并通过机器学习算法识别logo图像。

作为本发明优选的方案，所述图像识别模块采用高清扫描摄像头对其进行扫描识别。

作为本发明优选的方案，在数据库模块内包括构成数据库、图像分类以及图像处理，在数据库内将所有识别的logo图像进行分类，分类完成后，然后将其通过图像处理至最优化供学习挑选。

作为本发明优选的方案，所述卷积神经网络内包括优化的logo图像，在优化的logo图像内有适合的logo图像，即用于机器学习的logo图像识别。

作为本发明优选的方案，所述模型集成其模型供机器学习算法识别logo图像。

作为本发明优选的方案，所述管理中心设有操作模块以及显示模块。

与现有技术相比，本发明的有益效果为：本发明通过利用机器学习算法识别logo图像解决现在针对logo的检索时，由于数量巨大以及图形众多，通过人工检测的方式无法实现的问题。

附图说明

图1为本发明一种基于机器学习的logo图像识别方法及系统的系统框图。

附图标记无。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1本发明提供一种技术方案：

一种基于机器学习的logo图像识别方法，包括如下步骤：

S1：对logo图像内容进行识别，得到识别后的图像内容；

S2：构建图像分类数据库，对图像分类数据库中图像采用自助采样法进行处理，得到处理后图像；

S3：通过卷积神经网络优化学习处理像素的图像；

S4：优化处理后图像的像素拟合合适的卷积神经网络；

S5：集成拟合后的LOGO图像模型并利用机器学习算法识别logo图像。

实施例，请参照图1，一种基于机器学习的logo图像识别系统，包括中央处理器、管理中心、图像识别模块、数据库模块、卷积神经网络以及模型集成，所述中央处理器与管理中心、图像识别模块、数据库模块、卷积神经网络以及模型集成线性连接。

实施例，请参照图1，其对应功能如下：

中央处理器：用于控制整个基于机器学习的logo图像识别系统，完成其系统内的数据处理与转换；

管理中心：为该基于机器学习的logo图像识别系统的后台管理中心，用于对该系统的人工干预以及管理和控制；

图像识别模块：用于识别logo图像的内容，得到其logo图像的内容；

数据库模块：用于对图像识别模块所识别的logo图像进项保存、分类以及处理；

卷积神经网络：将其数据库内优化后的logo图像进行筛选最合适的logo图像进行使用；

模型集成：将合适的logo图像集成相应的模型，并通过机器学习算法识别logo图像。

实施例，请参照图1，所述图像识别模块采用搞清扫描摄像头对其进行扫描识别。

实施例，请参照图1，在数据库模块内包括构成数据库、图像分类以及图像处理，在数据库内将所有识别的logo图像进行分类，分类完成后，然后将其通过图像处理至最优化供学习挑选。

实施例，请参照图1，所述卷积神经网络内包括优化的logo图像，在优化的logo图像内有适合的logo图像，即用于机器学习的logo图像识别。

实施例，请参照图1，所述模型集成其模型供机器学习算法识别logo图像。

实施例，请参照图1，所述管理中心设有操作模块以及显示模块。

本发明的使用过程如下：使用图像识别模块中的高清扫描摄像头对logo图像进行扫描识别，扫描后的logo图像的数据通过中央处理器传输至数据库模块，根据数据库模块中已经建立的图像分类方式进行匹配分类，在确定logo图像分类后，利用卷积神经网络的优化能力对logo图像的像素优化整理、筛选，得到优化处理像素的图像，将优化处理后图像的像素拟合合适卷积神经网络，模型处理模块将合适卷积神经网络内的图像的像素构建性图像模型，并利用机器深度学习图像算法。在初期logo图像识别过程中通过管理中心模块引入人工的干预，保证图像分类的正确率。整个logo图像识别过程中新增加的识别图像通过数据库模块分类后存放在数据库中，且经过卷积神经网络处理的logo图像保存在卷积神经网络内。

综上所述：本发明通过利用机器学习算法识别logo图像解决现在针对logo的检索时，由于数量巨大以及图形众多，通过人工检测的方式无法实现的问题。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。