论文部分内容阅读
随着互联网技术和移动设备的迅速发展,智能手机Web应用由于其天然的跨平台性质和无需下载、方便用户使用的特点,能有效帮助品牌进行产品推广,因此受到欢迎与广泛重视。其中对于品牌logo识别技术作为许多智能手机Web应用中的一项基础性技术和重要步骤,也得到了开发人员的重视和诸多发展。目前为止,传统的logo识别技术基本都是通过人为选择特征进行特征匹配或轮廓提取等方法达到识别目的,但这些传统方法由于自身局限性应用在智能手机Web应用场景中时都存在诸多不足。近些年随深度学习的迅猛发展,卷积神经网络在图像识别领域取得了较大的成功,这为面向智能手机Web应用的logo识别问题的解决提供了新思路。卷积神经网络一般在解决海量数据的多分类问题上表现较好,直接应用于解决单一品牌的logo识别问题时,由于logo结构简单、样本规模一般较小等因素限制导致网络表现不佳。为有效利用卷积神经网络优良特性有效的解决单一品牌的logo识别问题,本文提出了陪练机制和阈值判定法。本文首先研究了几种经典卷积神经网络在logo识别上的应用,探究了分类类别数的变化对于卷积神经网性能的影响,提出了陪练数据集的概念,并分析了为卷积神经网络引入陪练机制的动机。然后,设计了一系列实验证明了陪练机制通过数据增强原理提高卷积神经网络logo识别能力的有效性,提出并通过实验验证了借助形状上下文算法和转移学习的思想快速准确寻找最优陪练集的策略。接着,为进一步优化用于单一品牌logo识别的卷积神经网络结构,本文提出了新颖的阈值判定法,通过将本文所提出的模型与传统logo识别方法在召回率、精确率、识别用时等性能方面的对比,证实了本文所提的卷积神经网络模型相比于传统方法的确能更有效的解决智能手机Web应用中的logo识别问题。本文最后以增强现实小游戏为例对智能手机Web应用进行了实现并在实际场景中进行了系统测试,证明了本应用具有较强的实用性。