随着广播电视事业的发展和人们生活品质的提升,传统的连续片段式硬广告因为投放成本高、效果差、影响观众体验等缺点,已经逐渐被植入式广告所取代。植入广告隐蔽性强、投放灵活、能在潜移默化中影响受众,越来越受广告投放商的欢迎。然而,植入广告出现的时间、画面位置具有随机性,传统的使用人工选择语音或图像特征进行检测的方式无法实现视频中植入广告的精准识别。因此,本文将基于卷积神经网络的目标检测算法引入到植入广告的检测中,设计并实现了面向视频的植入广告识别系统,为广告监播、投放效果分析提供了有力的工具。本文工作主要包含以下几个方面:1.结合课题背景和国内外研究现状,明确系统的研究目标和内容,即以支持多种目标检测算法接入为基础、多种视频流协议为检测对象设计并实现植入广告识别系统。2.在完成对卷积神经网络、Tensorflow、前端框架Vue、Django框架和数据库等相关理论和技术的学习后,对系统进行功能性和非功能性需求分析,在此基础上进行系统概要设计和数据存储方案详细设计,完成系统功能模块划分和前端界面设计。3.使用网络爬虫和电视节目视频抽帧方式,获得10类品牌的植入广告原始图片3770张,对这些图片进行人工标注和数据增广,最终获得21 191张高质量图像作为植入广告数据集。4.对植入广告识别后台管理系统的前后端功能进行详细设计与实现,以Kafka为消息队列将检测算法与待检测视频源解耦,设计规范实现对多算法、多检测源的接入支持,并在此规范下完成YOLOv3算法的接入使用、UDP组播TS流和HLS协议视频流的接入。5.对系统各模块进行详细的功能测试,并对核心功能进行性能压力测试。搭建了 Cascade RCNN和Libra RCNN两个双阶段目标检测网络,与YOLOv3进行检测准确率和速度的对比,提出针对不同应用场景的识别性能优化方案。