一种基于机器视觉的非法广告检测方法及系统与流程

1.本发明涉及计算机视觉技术领域，特别涉及一种基于机器视觉的非法广告检测方法及系统。


背景技术：

2.在现代城市管理中，在张贴公告的地方喷涂诸如宣传品、商业性广告之类的非正常通告类内容给城市管理者带来了巨大困扰，目前，针对街道内一些商家，经常搭建非法广告牌，城市管理员难以监管的问题，传统监管方法主要通过城市管理员在街道内不间断的巡查，发现非法广告牌后，对其采取执法行动。而利用现有街道内的高空安防摄像头对非法广告牌进行检测时，识别算法的精度也不够高，对非法广告的识别准确率较低，不能识别出全部的非法广告，其次通常也不会对针对图片广告和文字广告进行分类，不能确定非法广告的类型，从而，不能实现对非法广告的有效监控和管理。


技术实现要素：

3.本发明提供一种基于机器视觉的非法广告检测方法及系统，能有效地检测出非法广告的类型和区域，实现对非法广告的有效监控和管理。
4.一种基于机器视觉的非法广告检测方法，包括：
5.步骤1：采集目标区域的街景图片，利用目标检测算法，识别所述街景图片中的疑似图片广告区域和疑似文字广告区域；
6.步骤2：分别对所述疑似图片广告区域和疑似文字广告区域进行广告检测，确定图片广告和文字广告；
7.步骤3：当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警。
8.在一种可能实现的方式中，
9.步骤1中，采集目标区域的街景图片包括：
10.根据所述目标区域的图文密集度确定对所述目标区域的采集次数和采集角度；
11.根据所述采集次数和采集角度，对所述目标区域进行图像采集，得到图像数据；
12.基于所述目标区域的建筑物特征、道路特征，确定所述目标区域的坐标数据；
13.将所述图像数据和坐标数据进行识别匹配，得到街景图片。
14.在一种可能实现的方式中，
15.步骤1中，利用目标检测算法，识别所述街景图片中的疑似图片广告区域和疑似文字广告区域包括：
16.对预先获取的图片数据集进行标注，作为训练集，训练得到目标检测模型；
17.目标检测模型检测出目标后，比如a，会给它一个label，但是分类是另外一大类算法
18.将所述街景图片输入至所述目标检测模型中，输出所述街景图片中的位置信息，
并对所述位置信息添加类别标签；
19.基于所述位置信息和类别标签，确定所述街景图片中的疑似图片广告区域和疑似文字广告区域。
20.在一种可能实现的方式中，
21.步骤2中，对所述疑似图片广告区域进行广告检测，确定图片广告包括：
22.对预先获取的广告图片和非广告图片进行标注，根据标注结果，训练得到二分类模型；
23.将所述疑似图片广告区域输入所述二分类模型中，确定所述疑似图片广告区域是否为图片广告。
24.在一种可能实现的方式中，
25.步骤2中，对所述疑似文字广告区域进行广告检测，确定文字广告包括：
26.对预设文字广告进行特征提取，获取文本集中文本区域包含像素值之间的关系特征；
27.对所述疑似文字广告区域进行二值化处理，得到二值化图片，并对所述二值化图片进行遍历，截取满足所述关系特征的矩形框；
28.基于所述矩形框在所述二值化图片的面积占比，设定文字广告的文本面积占比阈值；
29.对所述矩形框中的文本信息进行识别，得到文本内容，对所述文本内容进行分词处理得到若干词向量，将所述若干词向量输入语义识别分类器中，将所述若干词向量分为不同的语义类型，并对在同一语义类型下的词向量进行特征提取，获得特征词向量序列；
30.基于所述疑似文字广告区域中语义类型的出现次数，对所述语义类型设置重要程度，基于所述重要程度，确定所述特征词向量序列的重要程度值；
31.基于所述文本面积占比阈值、所述特征词向量序列及其对应的重要程度值，确定所述疑似文字广告区域的第一整体特征；
32.获取所述疑似文字广告区域与预设文字广告中语义类型相同的相似特征词向量序列，基于所述特征词向量序列及其对应的重要程度值，确定所述疑似文字广告区域第一部分特征，获取所述疑似文字广告区域与预设文字广告中语义类型不相同的无关特征词向量序列，基于所述无关特征词向量序列，确定所述疑似文字广告区域的第二部分特征；
33.基于所述第一部分特征、第二部分特征得到所述疑似文字广告区域的第二整体特征；
34.将所述第一整体特征输入文本广告格式识别模型中，确定所述疑似文字广告区域是否满足文字广告格式；
35.对所述第二整体特征进行语义分析，并根据语义分析结果，确定所述第二整体特征是否满足文字广告语义规则；
36.当所述第一整体特征满足文字广告格式，且所述第二整体特征满足文字广告语义规则时，确定所述疑似文字广告区域为文字广告。
37.在一种可能实现的方式中，
38.基于所述第一部分特征、第二部分特征得到所述疑似文字广告区域的第二整体特征包括：
39.基于所述第一部分特征确定所述疑似文字广告区域与预设文字图片的相似特征，基于所述第二部分特征确定所述疑似文字广告区域与预设文字图片的差异特征，并确定所述相似特征与差异特征之间的占比特征；
40.根据所述相似特征、差异特征、占比特征，得到所述疑似文字广告区域的第二整体特征。
41.在一种可能实现的方式中，
42.对预先获取的广告图片和非广告图片进行标注，根据标注结果，训练得到二分类模型包括：
43.对预设模型建立参数配置，建立预训练模型；
44.将对预先获取的广告图片进行第一标注，对非广告图片进行第二标注；
45.将所述广告图片和非广告图片作为训练集，对所述预训练模型进行训练，直到经过第一标注的图片从第一分类口输出的数量大于预设阈值，且经过第二标注的图片从第二分类口输出的数量大于预设阈值，得到所述二分类模型。
46.在一种可能实现的方式中，
47.步骤3中，当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警包括：
48.获取所述图片广告和文字广告在所述街景图片的第一区域，对所述第一区域进行特征点提取，并确定所述特征点的单个属性和所述特征点之间的关联属性；
49.获取所述第一区域的地址信息，从街景图片集中获取存在所述地址信息的相关街景图片，并从所述相关街景图片中获取所述地址信息所在的第二区域，其中，所述第二区域为多个，表示不同视角下的第一区域；
50.基于所述第二区域建立场景分布中的决策树，并利用所述单个属性和关联属性对所述决策树进行遍历，其中所述决策树包括多个节点，每个节点对应所述特征点的相关测试，确定所述特征点的检测值；
51.基于所述特征点的检测值确定所述第一区域的置信度，并判断所述置信度是否大于预设置信阈值；
52.若是，将所述第一区域作为目标区域；
53.否则，基于所述特征点的检测值、第二区域，对所述第一区域的特征点进行校正，得到目标区域；
54.获取所述目标区域的模拟场景，将所述模拟场景输入预先训练好的场景分类模型中，确定所述目标区域包括的多个场景类型；
55.确定所述多个场景类型中不能投放广告的目标场景类型，确定所述目标场景类型对应的第三区域；
56.基于城市管理法则，设计非法区域标定算法，基于所述非法区域标定算法，对所述第三区域进行非法区域标定，确定第四区域；
57.判断所述图片广告和文字广告的具体位置与所述第四区域是否发生重叠；
58.若是，获取重叠区域，并确定所述重叠区域在所述第四区域的占比；
59.若所述占比不超过预设占比，确定所述图片广告和文字广告的位置合法，所述所述图片广告和文字广告为合法广告，并对所述重叠区域进行标定并进行第一预警提醒；
60.若所述占比不超过预设占比，确定所述图片广告和文字广告的位置不合法，所述所述图片广告和文字广告为非法广告，并对所述重叠区域进行标定并进行第二预警提醒；
61.否则，确定所述图片广告和文字广告的位置合法，所述所述图片广告和文字广告为合法广告，不进行报警提醒。
62.在一种可能实现的方式中，
63.对所述第二整体特征进行语义分析，并根据语义分析结果，确定所述第二整体特征是否满足文字广告语义规则，包括：
64.将所述第二整体特征与预设标准广告的第三整体特征进行比较，确定所述第二整体特征和第三整体特征的相似度；
65.判断所述相似度是否大于预设集合相似度阈值；
66.若是，基于所述第二整体特征，结合所述相似度，计算所述第二整体特征为满足广告语义规则的概率p；
67.若所述概率大于预设概率，确定所述疑似文字广告区域满足文字广告语义规则；否则，确定所述疑似文字广告区域不满足文字广告语义规则。
68.一种基于机器视觉的非法广告检测系统，包括：
69.采集识别模块：用于采集目标区域的街景图片，利用目标检测算法，识别所述街景图片中的疑似图片广告区域和疑似文字广告区域；
70.分类检测模块，用于分别对所述疑似图片广告区域和疑似文字广告区域进行广告检测，确定图片广告和文字广告；
71.报警模块，用于当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警。
72.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
73.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
74.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
75.图1为本发明实施例中一种基于机器视觉的非法广告检测方法的流程图；
76.图2为本发明实施例的另一流程图；
77.图3为本发明实施例中一种基于机器视觉的非法广告检测系统的结构图。
具体实施方式
78.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
79.实施例1
80.本发明实施例提供一种基于机器视觉的非法广告检测方法，如图1所示，包括：
81.步骤1：采集目标区域的街景图片，利用目标检测算法，识别所述街景图片中的疑
似图片广告区域和疑似文字广告区域；
82.步骤2：分别对所述疑似图片广告区域和疑似文字广告区域进行广告检测，确定图片广告和文字广告；
83.步骤3：当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警。
84.在该实施例中，在该实施例中，所述目标检测算法例如可以是yolov5算法，是一种基于深度学习的目标检测算法。
85.在该实施例中，对疑似图片广告区域的分类可以利用inceptionv4分类模型来分析，对疑似文字广告区域的检测可通过文本提取和文本分类模型来分析。
86.上述设计方案的有益效果是：通过目标检测算法对街景图片进行疑似文字广告和疑似图片广告的识别，分别对文字和图片区域进行分析，确定图片广告和文字广告，实现对广告的分类，然后对图片广告和文字广告进行位置检测，确定非法广告，实现有效地检测出非法广告的类型和区域，实现对非法广告的有效监控和管理。
87.实施例2
88.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，如图2所示，步骤1中，采集目标区域的街景图片包括：
89.步骤11：根据所述目标区域的图文密集度确定对所述目标区域的采集次数和采集角度；
90.步骤12：根据所述采集次数和采集角度，对所述目标区域进行图像采集，得到图像数据；
91.步骤13：基于所述目标区域的建筑物特征、道路特征，确定所述目标区域的坐标数据；
92.步骤14：将所述图像数据和坐标数据进行识别匹配，得到街景图片。
93.在该实施例中，所述图文密集度越大，对应的采集次数就越多，保证采集到所述目标区域的全部特征。
94.上述设计方案的有益效果是：通过图像数据和坐标数据进行识别匹配，获取得到的街景照片不仅包括图像信息还包括位置信息，方便了工作人员对非法广告的定位，实现对非法广告的有效管理。
95.实施例3
96.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，步骤1中，利用目标检测算法，识别所述街景图片中的疑似图片广告区域和疑似文字广告区域包括：
97.对预先获取的图片数据集进行标注，作为训练集，训练得到目标检测模型；
98.将所述街景图片输入至所述目标检测模型中，输出所述街景图片中的位置信息，并对所述位置信息添加类别标签；
99.基于所述位置信息和类别标签，确定所述街景图片中的疑似图片广告区域和疑似文字广告区域。
100.在该实施例中，对预先获取的图片数据集进行标注为对所述图片数据集中的图片用同一标签进行标注。
101.在该实施例中，所述识别分类模型的核心为yolov5目标检测算法。
102.在该实施例中，所述街景图片中的位置信息选定区域的矩形框的四个角的位置坐标。
103.在该实施例中，所属类别标签包括图片广告标签和文字广告标签。
104.上述设计方案的有益效果是：通过识别分类模型对街景图片中的文字广告和图片广告进行区分，确保了分类的精度，为区分文字广告和图片广告提供基础。
105.你给我的是图片，我检测的也是图片，即使是文字广告，它也是图片形式呈现，后续会对文字广告进行文字提取，才能拿到文字信息，在对文字信息进行分类，才找到是不是文字广告，文字广告并不就是一个个的文字
106.实施例4
107.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，步骤2中，对所述疑似图片广告区域进行广告检测，确定图片广告包括：
108.对预先获取的广告图片和非广告图片进行标注，根据标注结果，训练得到二分类模型；
109.将所述疑似图片广告区域输入所述二分类模型中，确定所述疑似图片广告区域是否为图片广告。
110.在该实施例中，所述二分类模型核心为inceptionv4分类网络。
111.上述设计方案的有益效果是：通过二分类模型对也是图片广告区域进行分类，有效判断出图片广告，为确定非法广告提供基础。
112.实施例5
113.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，步骤2中，对所述疑似文字广告区域进行广告检测，确定文字广告包括：
114.对所述疑似文字广告区域进行文字提取，得到文本信息；
115.对所述文本信息进行分词处理，得到所述文本信息的词向量，对所述词向量进行语义分析，根据语义分析结果，确定所述文字区域是否为文字广告。
116.上述设计方案的有益效果是：根据对文字区域的文字的语义进行分析，确定是否为文字广告，为确定非法广告提供基础。
117.实施例5
118.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，步骤2中，对所述疑似文字广告区域进行广告检测，确定文字广告包括：
119.对预设文字广告进行特征提取，获取文本集中文本区域包含像素值之间的关系特征；
120.对所述疑似文字广告区域进行二值化处理，得到二值化图片，并对所述二值化图片进行遍历，截取满足所述关系特征的矩形框；
121.基于所述矩形框在所述二值化图片的面积占比，设定文字广告的文本面积占比阈值；
122.对所述矩形框中的文本信息进行识别，得到文本内容，对所述文本内容进行分词处理得到若干词向量，将所述若干词向量输入语义识别分类器中，将所述若干词向量分为不同的语义类型，并对在同一语义类型下的词向量进行特征提取，获得特征词向量序列；
123.基于所述疑似文字广告区域中语义类型的出现次数，对所述语义类型设置重要程度，基于所述重要程度，确定所述特征词向量序列的重要程度值；
124.基于所述文本面积占比阈值、所述特征词向量序列及其对应的重要程度值，确定所述疑似文字广告区域的第一整体特征；
125.获取所述疑似文字广告区域与预设文字广告中语义类型相同的相似特征词向量序列，基于所述特征词向量序列及其对应的重要程度值，确定所述疑似文字广告区域第一部分特征，获取所述疑似文字广告区域与预设文字广告中语义类型不相同的无关特征词向量序列，基于所述无关特征词向量序列，确定所述疑似文字广告区域的第二部分特征；
126.基于所述第一部分特征、第二部分特征得到所述疑似文字广告区域的第二整体特征；
127.将所述第一整体特征输入文本广告格式识别模型中，确定所述疑似文字广告区域是否满足文字广告格式；
128.对所述第二整体特征进行语义分析，并根据语义分析结果，确定所述第二整体特征是否满足文字广告语义规则；
129.当所述第一整体特征满足文字广告格式，且所述第二整体特征满足文字广告语义规则时，确定所述疑似文字广告区域为文字广告。
130.在该实施例中，根据文字广告中文本的占比来设定文字广告的文本面积占比阈值，对文字广告的文本面积进行了限定。
131.在该实施例中，所述第一整体特征用来表征疑似文字广告区域中文本面积占比。
132.在该实施例中，所述第二整体特征用来表征疑似文字广告区域中文本语义作为广告的特征。
133.上述设计方案的有益效果是：通过根据对疑似文字广告区域的格式特征和语义特征进行分析，从广告格式和广告内容两个方面确定疑似文字广告区域是否为文字广告，从格式、语义两方面保证了对文字广告识别的准确性。
134.实施例6
135.基于实施例5的基础上，本发明实施例中提供一种基于机器视觉的非法广告检测方法，基于所述第一部分特征、第二部分特征得到所述非广告图片的第二整体特征包括：
136.基于所述第一部分特征确定所述非广告图片与广告图片的相似特征，基于所述第二部分特征确定所述非广告图片与广告图片的差异特征，并确定所述相似特征与差异特征之间的占比特征；
137.根据所述相似特征、差异特征、占比特征，得到所述非广告图片的第二整体特征。
138.在该实施例中，所述相似特征由所述非广告图片包含图片广告中必要特征，及必要特征的重要程度值决定。
139.在该实施例中，所述占比特征为相似特征与差异特征之间的占比数值。
140.上述设计方案的有益效果是：通过根据与预设文字广告的对比，来针对性的获取疑似文字广告区域的特征，使其与预设文字广告的特征形成对比，有利于对疑似文字广告区域的语义识别。
141.实施例7
142.基于实施例4的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方
法，对预先获取的广告图片和非广告图片进行标注，根据标注结果，训练得到二分类模型包括：
143.对预设模型建立参数配置，建立预训练模型；
144.将对预先获取的广告图片进行第一标注，对非广告图片进行第二标注；
145.将所述广告图片和非广告图片作为训练集，对所述预训练模型进行训练，直到经过第一标注的图片从第一分类口输出的数量大于预设阈值，且经过第二标注的图片从第二分类口输出的数量大于预设阈值，得到所述二分类模型。
146.在该实施例中，所述参数配置包括核函数、惩罚因子、分类函数的选择等。
147.上述设计方案的有益效果是：通过根据广告图片和非广告图片的特征对模型进行训练，以标注结果为参考，确定最优的二分类模型，从对广告图片、非广告图片的识别率方面，保证了训练得到的二分类模型识别精度。
148.实施例8
149.基于实施例1的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，步骤3中，当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警包括：
150.获取所述图片广告和文字广告在所述街景图片的第一区域，对所述第一区域进行特征点提取，并确定所述特征点的单个属性和所述特征点之间的关联属性；
151.获取所述第一区域的地址信息，从街景图片集中获取存在所述地址信息的相关街景图片，并从所述相关街景图片中获取所述地址信息所在的第二区域，其中，所述第二区域为多个，表示不同视角下的第一区域；
152.基于所述第二区域建立场景分布中的决策树，并利用所述单个属性和关联属性对所述决策树进行遍历，其中所述决策树包括多个节点，每个节点对应所述特征点的相关测试，确定所述特征点的检测值；
153.基于所述特征点的检测值确定所述第一区域的置信度，并判断所述置信度是否大于预设置信阈值；
154.若是，将所述第一区域作为目标区域；
155.否则，基于所述特征点的检测值、第二区域，对所述第一区域的特征点进行校正，得到目标区域；
156.获取所述目标区域的模拟场景，将所述模拟场景输入预先训练好的场景分类模型中，确定所述目标区域包括的多个场景类型；
157.确定所述多个场景类型中不能投放广告的目标场景类型，确定所述目标场景类型对应的第三区域；
158.基于城市管理法则，设计非法区域标定算法，基于所述非法区域标定算法，对所述第三区域进行非法区域标定，确定第四区域；
159.判断所述图片广告和文字广告的具体位置与所述第四区域是否发生重叠；
160.若是，获取重叠区域，并确定所述重叠区域在所述第四区域的占比；
161.若所述占比不超过预设占比，确定所述图片广告和文字广告的位置合法，所述所述图片广告和文字广告为合法广告，并对所述重叠区域进行标定并进行第一预警提醒；
162.若所述占比不超过预设占比，确定所述图片广告和文字广告的位置不合法，所述
所述图片广告和文字广告为非法广告，并对所述重叠区域进行标定并进行第二预警提醒；
163.否则，确定所述图片广告和文字广告的位置合法，所述所述图片广告和文字广告为合法广告，不进行报警提醒。
164.在该实施例中，所述特征点为所述第一区域中标志性的位置，例如路口路牌、红绿灯、大型商场标志等，所述关联属性为所述特征点之间的关系，例如路口路牌与红绿灯之间的距离、方位关系等。
165.在该实施例中，所述相关街景图片为包含所属第一区域，但不同于所述第一区域拍摄视角的街景图片。
166.在该实施例中，所述基于所述第二区域建立场景分布中的决策树具体为根据所述第二区域中各个特征点之间的单个属性和关联属性，得到所述第二区域的场景分布中各种特征点之间的关系，建立的对第一区域进行分布决策的决策树。
167.在该实施例中，所述每个节点对应所述特征点的相关测试为所述决策树确定了对每个特征点的评估测试，当所述第一区域的单个属性和关联属性对所述决策树进行遍历，将对第一区域的特征点进行评估测试，检测值越高，表明所述第一区域的还原度越高，越精确。
168.在该实施例中，每个特征点的检测值越高，所述第一区域的置信度越高，表明所述第一区域的还原度越高，越精确。
169.在该实施例中，对所述第一区域的特征点进行校正，得到目标区域，可以避免获取街景图片时，由于拍摄角度、拍摄精度等的干扰，造成对所述第一区域对应的场景还原度的破坏，从而，导致对非法广告的识别不够准确。
170.在该实施例中，所述场景分类模型包括街道路口、商场外面、人行道、车道等场景，不能投放广告的目标场景类型例如可以是街道路口、车道，由于这些位置投放广告会造成对视线的阻挡，不利于出行安全。
171.在该实施例中，进行第一预警提醒时表示为合法广告，但位置摆放不规范，进行第二预警报警表示存在非法广告。
172.在该实施例中，对所述重叠区域进行标定便于工作人员直观查看非法广告的问题。
173.上述设计方案的有益效果是：首先对广告所处的场景进行检测，并根据从多视角下的场景，对街景图片下的区域进行校正，提高对目标区域的还原度，从而更加准确的确定广告的区域和非法区域的位置及两者之间的位置关系，提高对非法广告的识别精度，并对非法广告中的不合理区域进行标定并报警，便于对非法广告的有效监控和管理。
174.实施例9
175.基于实施例5的基础上，本发明实施例提供一种基于机器视觉的非法广告检测方法，对所述第二整体特征进行语义分析，并根据语义分析结果，确定所述第二整体特征是否满足文字广告语义规则，包括：
176.将所述第二整体特征与预设标准广告的第三整体特征进行比较，确定所述第二整体特征和第三整体特征的相似度；
177.所述相似度sim(a，b)的计算公式如下：
[0178][0179]
ka＝max(k
a1
，k
a2
，...，k
ab
)
[0180]
kb＝max(k
b1
，k
b2
，...，k
ba
)
[0181]
其中，a表示所述第二整体特征中的特征个数，b表示所述第三整体特征中的特征个数，σa表示第a个第二整体特征的特征值，取值为(0，0.1)，σb表示第b个第三整体特征的特征值，取值为(0，0.1)，ka表示第a个第二整体特征值与第三整体特征中第三特征整体值相似度最大的相似度取值，取值为(0，1)，kb表示第b个第三特征值与第二他整体特征中第二整体特征值相似度最大的相似度取值，取值为(0，1)，k
ab
表示第a个第二整体特征值与第b个第三特征整体值的相似度取值，k
ba
表示第b个第三特征整体值与第a个第二整体特征值的相似度取值；
[0182]
判断所述相似度是否大于预设集合相似度阈值；
[0183]
若是，基于所述第二整体特征，结合所述相似度，计算所述第二整体特征为满足广告语义规则的概率p；
[0184][0185]
其中，τa表示所述第a个第二整体特征值的语义重要度，取值为(0，1)；
[0186]
若所述概率大于预设概率，确定所述疑似文字广告区域满足文字广告语义规则；否则，确定所述疑似文字广告区域不满足文字广告语义规则。
[0187]
在该实施例中，预设标准广告的第三整体特征与广告语义规则相联系。
[0188]
在该实施例中，第二整体特征的语义重要度与第二整体特征作为广告的可能性相关，例如“特惠”经常出现在广告中，所以其的重要度比较高，而“献唱”出现在广告中的可能性相对较少，所以其重要度比较低。
[0189]
在该实施例中，对于公式在该实施例中，对于公式例如可以是，a＝3，b＝4，例如可以是，a＝3，b＝4，则sim(a，b)＝1.70。
[0190]
在该实施例中，对于公式例如可以是，sim(a，b)＝1.70，则p＝1.09。
[0191]
上述设计方案的有益效果是：通过疑似文字广告区域的第二整体特征与预设标准广告的整体特征进行计算比较，并结合第二整体特征的语义重要程度，确定疑似文字广告区域是否满足广告语义规则，保证了对第二整体特征分析的准确性，提高了对文字广告识别的准确性。
[0192]
实施例10
[0193]
一种基于机器视觉的非法广告检测系统，如图3所示，包括：
[0194]
采集识别模块：用于采集目标区域的街景图片，利用目标检测算法，识别所述街景图片中的疑似图片广告区域和疑似文字广告区域；
[0195]
分类检测模块，用于分别对所述疑似图片广告区域和疑似文字广告区域进行广告检测，确定图片广告和文字广告；
[0196]
报警模块，用于当检测到所述图片广告和文字广告不处于合法位置，确定为非法广告，对所述非法广告的位置进行标定并报警。
[0197]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。