随着电子商务的高速发展,Logo检测在商品图像检索、体育赛事赞助、营销活动评估以及知识产权保护等领域表现出了巨大的商业价值。而现实场景中Logo的种类、样式和位置的多样性,对Logo检测技术提出了较大的挑战。深度学习为Logo检测的研究提供了新思路,在Logo图像数据量足够大的前提下,深度学习技术使得研究人员只需设计合适的算法模型,即可快速检测出Logo的位置和种类。本文提出了一种基于深度学习的现实场景Logo检测方法。首先,筛选和提取图像中与Logo实例相关性最强的区域作为Logo上下文,训练Logo上下文判别网络,然后生成图像中适合Logo出现的位置,结合Logo特征优化方案,合成现实场景Logo图片,作为训练数据训练多尺度区域建议Logo检测模型,用于检测现实场景中的Logo。本文设计的Logo检测方法包括:Logo上下文区域选择、现实场景Logo图片合成、多尺度区域建议Logo检测算法设计、Logo检测模型训练以及结果分析五个步骤。其中,研究的重点是现实场景Logo图片合成方法和Logo检测算法的设计。本文提出了基于Logo上下文选择的数据扩充方法,该方法通过训练Logo上下文判别网络,能够自动判别图片适合Logo出现的位置,结合Logo特征优化方案,能够快速合成图片,解决了公开Logo数据集数据不足以及现有图像合成方法会误导模型的问题。在模型设计上,本文提出了多尺度区域建议Logo检测算法,在Faster RCNN的基础上使用ResNet卷积结构优化图像特征,同时利用特征金字塔多尺度区域建议机制和双线性插值算法提高模型对小尺度Logo实例的检测准确率。改进后的算法在仅使用公开数据集图片和使用合成图片扩充训练集两种情况下,分别得到了 85.8%和90.3%的[email protected]值。最后,本文将改进模型应用在Logo检测系统中,证明了本文设计的现实场景Logo检测方法具有较强的应用性。