节目广告素材识别方法、系统、计算机设备和存储介质与流程

1.本技术涉及互联网技术领域，特别是涉及节目广告素材识别方法、系统、计算机设备和计算机可读存储介质。


背景技术：

2.在许多综艺活动节目中，该主题活动的现场会有相关赞助商的海报、道具、相关产品，并且录制的节目中，片头、转场广告、角标以及口播提示条也会插入相关节目赞助商的信息。广告商可以通过对节目中上述相关赞助商的产品、道具等产品面积和位置的检测来进行评估，比如从中心到边缘，将节目画面划分为黄金区域、中间区域和边缘区域，如图1所示，产品和道具在节目的黄金区域得到了不错的曝光，有利于吸引消费者的注意。由于消费者的目光主要聚焦在正在谈话的嘉宾，因此可建议加强嘉宾与道具、产品的互动等。因此对这些植入产品、道具等的检测和评估，有利于在后续展示中以新颖的形式和创意让消费者留下更深的印象。
3.图像识别技术在近几年得到了快速的发展，深度学习技术的出现使得图像识别技术在传统方法的基础上迈出了大的一步。通过获得的综艺节目的视频或图片，利用目标检测技术可以对节目中的道具、口播提示条和产品等进行定位。利用尺度不变特征变换，即sift算法可以将定位到的物体与预先截取的模板进行匹配对齐获得相应物体的位置和类别，并进行相应的评估。
4.相关技术中利用广告商提供的素材进行标注，如图2所示，随后进行模型训练。这种情况下，进行素材标注的成本较高，若出现新的素材，需要重新标注，工作效率低下。而且，新素材需要设置专职人员进行检测，有效性差，无法及时处理海量素材。


技术实现要素：

5.本技术实施例提供了一种节目广告素材识别方法、系统、计算机设备和计算机可读存储介质，以减少素材标注人工成本，提高数据处理效率。
6.第一方面，本技术实施例提供了一种节目广告素材识别方法，包括：
7.素材筛选步骤，获取视频数据，提取所述视频数据中包含广告素材的节目画面关键帧并基于所述广告素材筛选所述节目画面关键帧；具体的，所述广告素材可以是产品实物、道具、口播提示条等。
8.数据集获取步骤，抠取所述节目画面关键帧中的广告素材作为素材模板图，并对所述素材模板图进行随机图像变换，得到数据集；
9.目标识别步骤，基于所述数据集训练至少一目标检测模型，并基于所述目标检测模型检测所述视频数据中广告素材在节目画面的所属区域及其区域面积。
10.通过上述步骤，本技术实施例实现数据样本较少的前提下利用有限样本快速构造出丰富的数据集进行模型训练，从而实现快速检测到节目中植入的赞助商产品、道具、口播提示条等广告素材所属区域及其区域面积，大大减少人工标注成本，有效解决了人工标注
检测出现的错漏，提高数据处理效率及准确率。
11.在其中一些实施例中，所述数据集获取步骤进一步包括：
12.素材模板图获取步骤，获取所述节目画面关键帧并抠取所述节目画面关键帧中广告素材，得到素材模板图；
13.素材品类统计步骤，统计所述素材模板图中的素材品类，若所述素材品类大于一设定阈值，则基于所述素材品类对所述素材模板图进行划分，得到多个子类素材模板图；
14.数据集构造步骤，对所述素材模板图和/或对多个所述子类素材模板图进行随机图像变换，得到素材数据集和/或多个子类素材数据集。具体的，所述随机图像变换包括：素材大小、位置、旋转角度的随机图像变换。
15.通过上述步骤，本技术实施例基于素材的图像变换构建丰富的数据集，同时为了提高目标检测模型的品类识别精确度，对素材品类进行划分后构建多个子类素材数据集，为训练更精准的目标检测模型提供数据基础。
16.在其中一些实施例中，所述目标识别步骤进一步包括：
17.目标检测模型训练步骤，基于所述素材数据集训练所述目标检测模型，和/或基于多个所述子类素材数据集分别训练多个所述目标检测模型；
18.广告素材检测步骤，基于所述目标检测模型检测所述视频数据中广告素材并获取所述广告素材的所属区域及其区域面积。
19.在其中一些实施例中，该方法还包括：
20.检测结果获取步骤，基于广告素材的所述所属区域及区域面积预先配置一评分标准，基于所述评分标准计算所述视频数据中广告素材的综合得分，基于所述综合得分生成检测结果文件，实现评估节目中广告素材的植入。具体的，本技术实施例的评分标准根据广告素材所属区域及区域面积配置得分，所述所属区域包括黄金区域、中间区域、边缘区域，所属区域对应得分配置为黄金区域得分>中间区域得分>边缘区域得分，所述区域面积对应得分配置为与所述区域面积在所属区域中面积占比成正比，通过区域面积计算得到广告素材在所属区域的面积占比。
21.通过上述步骤，本技术实施例通过统计分析检测数据计算广告素材的综合得分，从而为节目赞助商判断节目中广告素材的植入是否正常，为后续素材展出的调整提供数据支持。
22.第二方面，本技术实施例提供了一种节目广告素材识别系统，包括：
23.素材筛选模块，获取视频数据，提取所述视频数据中包含广告素材的节目画面关键帧并基于所述广告素材筛选所述节目画面关键帧；具体的，所述广告素材可以是产品实物、道具、口播提示条等。
24.数据集获取模块，抠取所述节目画面关键帧中的广告素材作为素材模板图，并对所述素材模板图进行随机图像变换，得到数据集；
25.目标识别模块，基于所述数据集训练至少一目标检测模型，并基于所述目标检测模型检测所述视频数据中广告素材在节目画面的所属区域及其区域面积。
26.通过上述模块，本技术实施例实现数据样本较少的前提下利用有限样本快速构造出丰富的数据集进行模型训练，从而实现快速检测到节目中植入的赞助商产品、道具、口播提示条等广告素材所属区域及其区域面积，大大减少人工标注成本，有效解决了人工标注
检测出现的错漏，提高数据处理效率及准确率。
27.在其中一些实施例中，所述数据集获取模块进一步包括：
28.素材模板图获取模块，获取所述节目画面关键帧并抠取所述节目画面关键帧中广告素材，得到素材模板图；
29.素材品类统计模块，统计所述素材模板图中的素材品类，若所述素材品类大于一设定阈值，则基于所述素材品类对所述素材模板图进行划分，得到多个子类素材模板图；
30.数据集构造模块，对所述素材模板图和/或对多个所述子类素材模板图进行随机图像变换，得到素材数据集和/或多个子类素材数据集。具体的，所述随机图像变换包括：素材大小、位置、旋转角度的随机图像变换。
31.通过上述模块，本技术实施例基于素材的图像变换构建丰富的数据集，同时为了提高目标检测模型的品类识别精确度，对素材品类进行划分后构建多个子类素材数据集，为训练更精准的目标检测模型提供数据基础。
32.在其中一些实施例中，所述目标识别模块进一步包括：
33.目标检测模型训练模块，基于所述素材数据集训练所述目标检测模型，和/或基于多个所述子类素材数据集分别训练多个所述目标检测模型；
34.广告素材检测模块，基于所述目标检测模型检测所述视频数据中广告素材并获取所述广告素材的所属区域及其区域面积。
35.在其中一些实施例中，该系统还包括：
36.检测结果获取模块，基于广告素材的所述所属区域及区域面积预先配置一评分标准，基于所述评分标准计算所述视频数据中广告素材的综合得分，基于所述综合得分生成检测结果文件，实现评估节目中广告素材的植入。具体的，本技术实施例的评分标准根据广告素材所属区域及区域面积配置得分，所述所属区域包括黄金区域、中间区域、边缘区域，所属区域对应得分配置为黄金区域得分>中间区域得分>边缘区域得分，所述区域面积对应得分配置为与所述区域面积在所属区域中面积占比成正比，通过区域面积计算得到广告素材在所属区域的面积占比。
37.通过上述模块，本技术实施例通过统计分析检测数据计算广告素材的综合得分，从而为节目赞助商判断节目中广告素材的植入是否正常，为后续素材展出的调整提供数据支持。
38.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的节目广告素材识别方法。
39.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的节目广告素材识别方法。
40.相比于相关技术，本技术实施例提供的节目广告素材识别方法、系统、计算机设备和计算机可读存储介质，尤其涉及一种深度学习技术，具体通过素材模板图提取及变换操作构建数据集，利用数据集训练目标检测模型，实现快速检测节目中植入的广告素材，有效解决了人工标注检测出现的错漏，提高数据处理效率及准确率。
41.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
42.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
43.图1是根据相关技术的节目画面区域划分示意图；
44.图2是根据相关技术的素材标注效果示意图；
45.图3是根据本技术实施例的节目广告素材识别方法的流程图；
46.图4是根据本技术实施例的节目广告素材识别方法的分步骤流程图；
47.图5是根据本技术实施例的节目广告素材识别方法的分步骤流程图；
48.图6是根据本技术优选实施例的节目广告素材识别方法的流程图；
49.图7是根据本技术优选实施例的节目画面关键帧示意图；
50.图8是根据本技术优选实施例的素材模板图示意图；
51.图9(a
‑
d)是根据本技术优选实施例的素材模板图的图像变换效果示意图；
52.图10是根据本技术实施例的节目广告素材识别系统的结构框图。
53.其中：
54.1、素材筛选模块；2、数据集获取模块；3、目标识别模块；
55.4、检测结果获取模块；201、素材模板图获取模块；
56.202、素材品类统计模块；203、数据集构造模块；
57.301、目标检测模型训练模块；302、广告素材检测模块。
具体实施方式
58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
59.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
60.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
61.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单
元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
62.为了解决前述节目广告素材人工标注成本较高、易发误判错漏的情况，本实施例提供了一种节目广告素材识别方法。图3
‑
5是根据本技术实施例的节目广告素材识别方法的流程图，如图3
‑
5所示，该流程包括如下步骤：
63.素材筛选步骤s1，获取视频数据，提取视频数据中包含广告素材的节目画面关键帧并基于广告素材筛选节目画面关键帧；具体的，广告素材可以是产品实物、道具、口播提示条等。
64.数据集获取步骤s2，抠取节目画面关键帧中的广告素材作为素材模板图，并对素材模板图进行随机图像变换，得到数据集；
65.目标识别步骤s3，基于数据集训练至少一目标检测模型，并基于目标检测模型检测视频数据中广告素材在节目画面的所属区域及其区域面积。
66.通过上述步骤，本技术实施例实现数据样本较少的前提下利用有限样本快速构造出丰富的数据集进行模型训练，从而实现快速检测到节目中植入的赞助商产品、道具、口播提示条等广告素材所属区域及其区域面积，大大减少人工标注成本，有效解决了人工标注检测出现的错漏，提高数据处理效率及准确率。
67.其中，参考图4所示，数据集获取步骤s2进一步包括：
68.素材模板图获取步骤s201，获取节目画面关键帧并抠取节目画面关键帧中广告素材，得到素材模板图；可选的，本实施例抠取广告素材可以是基于广告素材的轮廓进行，也可以是基于矩形框进行。
69.素材品类统计步骤s202，统计素材模板图中的素材品类，若素材品类大于一设定阈值，则基于素材品类对素材模板图进行划分，得到多个子类素材模板图；
70.数据集构造步骤s203，对素材模板图和/或对多个子类素材模板图进行随机图像变换，得到素材数据集和/或多个子类素材数据集。具体的，随机图像变换包括：素材大小、位置、旋转角度的随机图像变换，参考图9所示。
71.通过上述步骤，本技术实施例基于素材的图像变换构建丰富的数据集，同时为了提高目标检测模型的品类识别精确度，对素材品类进行划分后构建多个子类素材数据集，为训练更精准的目标检测模型提供数据基础。
72.其中，参考图5所示，目标识别步骤s3进一步包括：
73.目标检测模型训练步骤s301，基于素材数据集训练目标检测模型，和/或基于多个子类素材数据集分别训练多个目标检测模型；可选的，目标检测模型可以是基于fastercnn目标检测算法实现的，也可以是基于其他目标检测网络实现的，在此不作赘述。
74.广告素材检测步骤s302，基于目标检测模型检测视频数据中广告素材并获取广告
素材的所属区域及其区域面积。本技术实施例利用该目标检测模型获取广告素材的类别并基于检测框的坐标信息及大小计算得到广告素材所属区域及区域面积。
75.另外，本实施例考虑到在实际应用中，节目赞助商会根据素材的位置及面积判断节目中广告素材是否正常植入，为了便于节目赞助商量化广告素材植入，本技术实施例的节目广告素材识别方法还包括：
76.检测结果获取步骤s4，基于广告素材的所属区域及区域面积预先配置一评分标准，基于评分标准计算视频数据中广告素材的综合得分，基于综合得分生成检测结果文件，实现评估节目中广告素材的植入。具体的，本技术实施例的评分标准根据广告素材所属区域及区域面积配置得分，结合图1所示，所属区域包括黄金区域、中间区域、边缘区域，所属区域对应得分配置为黄金区域得分>中间区域得分>边缘区域得分，考虑到在节目播放过程中，广告素材存在处于黄金区域但面积占比较小的情况，因此，上述评分标准中添加基于区域面积的以面积占比为参考量的评分标准。区域面积对应得分配置为与区域面积在所属区域中面积占比成正比，通过区域面积计算得到广告素材在所属区域的面积占比。
77.值得注意的是，本实施例的上述评分标准及检测结果的分类并不作为对本实施例评分标准的限定，基于本技术的技术方案对评分标准作出的变形和改进，这些都属于本技术的保护范围。
78.通过上述步骤，本技术实施例通过统计分析检测数据计算广告素材的综合得分，从而为节目赞助商判断节目中广告素材的植入是否正常，为后续素材展出的调整提供数据支持。
79.下面通过优选实施例对本技术实施例进行描述和说明。
80.图6是根据本技术优选实施例的节目广告素材识别方法的流程图，如图6所示，该节目广告素材识别方法包括如下步骤：
81.步骤s601，根据采集到的视频数据，将视频中包含产品广告素材的节目画面关键帧提取出来，并基于广告素材中所需的产品、道具、口播提示条等这些筛选出来；
82.步骤s602，根据筛选出来的广告素材将图中的产品、道具、提示条精确的抠出来，举例如图7
‑
8所示，图7所示为原图，图8所示为抠出来的素材模板图；可选的，本实施例抠取素材的方式可能有多种方法：(1)按素材的轮廓进行抠取(2)矩形框方式抠取。
83.步骤s603，对素材模板图的品种种类进行统计，若素材模板图的品种种类数大于8，对素材模板图进行划分，否则不进行任何处理，进入下一步。
84.步骤s604，利用抠取的素材模板图构造数据集，通过随机变换每张图片中的产品的大小、位置、旋转的角度构造丰富的数据集，如下图9(a
‑
d)所示。
85.步骤s605，利用构造好的数据集进行目标检测模型的训练。值得注意的是，若素材品种类数大于一定数目需要划分的情况，对划分后的数据进行构造数据集及模型的单独训练，本步骤的检测模型只进行前景和背景的检测。模型算法为常用的目标检测算法，例如fastercnn目标检测算法。目标检测算法的任务不仅要获得物体的类别，还要获取物体的位置在哪里。
86.步骤s606，检测模型训练完成以后，利用各模型联合实现广告素材的检测和匹配，检测到广告素材的所属区域、区域面积进行计算。
87.步骤s607，根据步骤606计算得到结果生成结果文件，生成报告，并提醒相关人员
进行查看。结果文件中，基于所属区域及区域面积对广告素材配置得分，所属区域对应得分配置为：
88.若广告素材属于节目画面黄金区域，则配置得分为10分；
89.若广告素材属于节目画面中间区域，则配置得分为8分；
90.若广告素材属于节目画面边缘区域，则配置得分为4分；
91.通过区域面积计算得到广告素材在所属区域的面积占比，面积占比对应得分配置为：
92.若广告素材在所属区域中面积占比p为p≥80％，则配置为10分；
93.若广告素材在所属区域中面积占比p为80％＞p≥50％，则配置为8分；
94.若广告素材在所属区域中面积占比p为p＜50％，则配置为4分；
95.基于上述评分标准，对综合得分score设置优秀、良好、合格及不合格四类检测结果，具体的：
96.若综合得分score＝20，则广告素材的植入评估为优秀；
97.若综合得分20＞score≥16，则广告素材的植入评估为良好；
98.若综合得分16＞score≥14，则广告素材的植入评估为合格；
99.若综合得分score＜14，则广告素材的植入评估为不合格。
100.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
101.本实施例还提供了一种节目广告素材识别系统，该系统包括素材筛选模块1、数据集获取模块2、目标识别模块3、检测结果获取模块4等模块，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
102.图10是根据本技术实施例的节目广告素材识别系统的结构框图，如图10所示，该系统包括：
103.素材筛选模块1，用于获取视频数据、提取视频数据中包含广告素材的节目画面关键帧并基于广告素材筛选节目画面关键帧；具体的，广告素材可以是产品实物、道具、口播提示条等。
104.数据集获取模块2，抠取节目画面关键帧中的广告素材作为素材模板图，并对素材模板图进行随机图像变换，得到数据集；具体的，数据集获取模块2进一步包括：素材模板图获取模块201，获取节目画面关键帧并抠取节目画面关键帧中广告素材，得到素材模板图；可选的，本实施例抠取广告素材可以是基于广告素材的轮廓进行，也可以是基于矩形框进行。素材品类统计模块202，统计素材模板图中的素材品类，若素材品类大于一设定阈值，则基于素材品类对素材模板图进行划分，得到多个子类素材模板图；数据集构造模块203，对素材模板图和/或对多个子类素材模板图进行随机图像变换，得到素材数据集和/或多个子类素材数据集。具体的，随机图像变换包括：素材大小、位置、旋转角度的随机图像变换，参考图9所示。通过上述模块，本技术实施例基于素材的图像变换构建丰富的数据集，同时为了提高目标检测模型的品类识别精确度，对素材品类进行划分后构建多个子类素材数据
集，为训练更精准的目标检测模型提供数据基础。
105.目标识别模块3，基于数据集训练至少一目标检测模型，并基于目标检测模型检测视频数据中广告素材在节目画面的所属区域及其区域面积。具体的，目标识别模块3进一步包括：目标检测模型训练模块301，基于素材数据集训练目标检测模型，和/或基于多个子类素材数据集分别训练多个目标检测模型；可选的，目标检测模型可以是基于fastercnn目标检测算法实现的，也可以是基于其他目标检测网络实现的，在此不作赘述。广告素材检测模块302，基于目标检测模型检测视频数据中广告素材并获取广告素材的所属区域及其区域面积。本技术实施例利用该目标检测模型获取广告素材的类别并基于检测框的坐标信息及大小计算得到广告素材所属区域及区域面积。
106.通过上述模块，本技术实施例实现数据样本较少的前提下利用有限样本快速构造出丰富的数据集进行模型训练，从而实现快速检测到节目中植入的赞助商产品、道具、口播提示条等广告素材所属区域及其区域面积，大大减少人工标注成本，有效解决了人工标注检测出现的错漏，提高数据处理效率及准确率。
107.考虑到在实际应用中，节目赞助商会根据素材的位置及面积判断节目中广告素材是否正常植入，为了便于节目赞助商量化广告素材植入，本技术实施例的节目广告素材识别系统还包括：
108.检测结果获取模块4，基于广告素材的所属区域及区域面积预先配置一评分标准，基于评分标准计算视频数据中广告素材的综合得分，基于综合得分生成检测结果文件，实现评估节目中广告素材的植入。具体的，本技术实施例的评分标准根据广告素材所属区域及区域面积配置得分，结合图1所示，所属区域包括黄金区域、中间区域、边缘区域，所属区域对应得分配置为黄金区域得分>中间区域得分>边缘区域得分，考虑到在节目播放过程中，广告素材存在处于黄金区域但面积占比较小的情况，因此，进一步在评分标准中添加基于面积占比的评分标准。区域面积对应得分配置为与区域面积在所属区域中面积占比成正比，通过区域面积计算得到广告素材在所属区域的面积占比。
109.值得注意的是，本实施例的上述评分标准及检测结果的分类并不作为对本实施例评分标准的限定，基于本技术的技术方案对评分标准作出的变形和改进，这些都属于本技术的保护范围。
110.通过上述模块，本技术实施例通过统计分析检测数据计算广告素材的综合得分，从而为节目赞助商判断节目中广告素材的植入是否正常，为后续素材展出的调整提供数据支持。
111.需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
112.另外，结合图3
‑
5描述的本技术实施例节目广告素材识别方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。具体地，上述处理器可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，简称为asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
113.其中，存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储
器可包括硬盘驱动器(hard disk drive，简称为hdd)、软盘驱动器、固态驱动器(solid state drive，简称为ssd)、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，简称为usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性(non
‑
volatile)存储器。在特定实施例中，存储器包括只读存储器(read
‑
only memory，简称为rom)和随机存取存储器(random access memory，简称为ram)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmable read
‑
only memory，简称为prom)、可擦除prom(erasable programmable read
‑
only memory，简称为eprom)、电可擦除prom(electrically erasable programmable read
‑
only memory，简称为eeprom)、电可改写rom(electrically alterable read
‑
only memory，简称为earom)或闪存(flash)或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器(static random
‑
access memory，简称为sram)或动态随机存取存储器(dynamic random access memory，简称为dram)，其中，dram可以是快速页模式动态随机存取存储器(fast page mode dynamic random access memory，简称为fpmdram)、扩展数据输出动态随机存取存储器(extended date out dynamic random access memory，简称为edodram)、同步动态随机存取内存(synchronous dynamic random
‑
access memory，简称sdram)等。
114.存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。
115.处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种节目广告素材识别方法。
116.另外，结合上述实施例中的节目广告素材识别方法，本技术实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种节目广告素材识别方法。
117.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
118.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。