商标识别方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，具体而言，涉及一种商标识别方法、装置、计算机设备和存储介质。


背景技术：

2.近年来，在经济的快速发展及国家的大力扶持背景下，我国国民商品的消费意识越来越强，商品消费的渠道也越来越广泛，商品形式种类也在快速扩增，这对商品的管控能力提出了严峻的挑战。与此同时，我国对自主知识产权的重视度越来越高，面对海量的商品类目，商品商标的合规性、合法性检测已经逐渐发展成为了一个不可回避的问题，不少平台和商家也在为商品的侵权行为产生的罚款和法律诉讼而不断买单。传统的商标识别方式，一般采用传统特征比对或者目标检测的形式进行。两者虽然能够在小数据规模上有些许优势表现，但其面临的局限性也是十分明显的。商品商标的场景非常复杂，光照强弱不同、清晰度不同、颜色各式各样、大小变化不一等情况均存在，都会影响传统特征的提取结果。采用特征比对的方式，依赖于传统特征的提取结果，在面对复杂的商品商标场景时，这种方法显得捉襟见肘。而采用目标检测的形式，可以自动提取商品商标的特征并进行分类，但是在海量类别的形势下，这种方法无法进行大规模的品类扩展，且一旦数据量到达一定程度，训练周期会大大延长，这严重制约了传统方式在商品商标品类识别的扩展性，导致商标识别效率较低。
3.综上，传统方式并不能满足大规模商标的快速识别的业务需求。因此，如何实现大规模商标的快速识别成为目标需要解决的一个技术问题。


技术实现要素：

4.本技术的主要目的在于提供一种能够实现大规模商标的快速识别的商标识别方法、装置、计算机设备和存储介质。
5.为了实现上述目的，根据本技术的一个方面，提供了一种商标识别方法。
6.根据本技术的商标识别方法包括：
7.获取待识别商标图像；
8.调用预先训练的通用商标检测模型，将所述待识别商标图像输入至所述通用商标检测模型，输出所述待识别商标图像中商标图形的位置信息；
9.基于所述商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征；
10.将所述商标图形特征与预先构建的特征向量索引库进行比对，查找所述商标图形特征对应的近邻向量；
11.将所述近邻向量对应的已注册商标样式确定为所述商标图形的目标商标样式。
12.进一步的，所述基于所述商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征包括：
13.基于所述商标图形的位置信息对所述待识别商标图像进行抠图处理，得到所述待识别商标图像对应的商标图形；
14.通过深度卷积模型对所述商标图形进行多维度特征提取，得到商标图形特征。
15.进一步的，训练所述通用商标检测模型包括：
16.获取闭集商标样本；
17.通过所述闭集商标样本对单类商标检测模型进行训练，直至满足预设条件，停止模型训练，得到所述预先训练的通用商标检测模型。
18.进一步的，所述单类商标检测模型为yolov5目标检测模型。
19.进一步的，构建所述特征向量索引库包括：
20.通过所述通用商标检测模型检测所述闭集商标样本中商标样式的位置信息；
21.基于所述商标样式的位置信息对所述闭集商标样本进行抠图处理，得到所述闭集商标样本对应的商标样式图像；
22.通过深度卷积模型对所述商标样式图像进行多维度特征提取，得到多维度的特征向量；
23.根据所述多维度的特征向量构建特征向量索引库。
24.进一步的，所述根据所述多维度的特征向量构建特征向量索引库包括包括：
25.对所述多维度的特征向量进行特征细化处理，生成具有更强辨识度的低维度的特征向量；
26.根据所述低维度的特征向量构建特征向量索引库。
27.进一步的，所述方法还包括：
28.若在所述特征向量索引库中未查找到与所述商标图形特征相匹配的近邻向量，则将所述商标图形特征加入所述特征向量索引库。
29.为了实现上述目的，根据本技术的另一方面，提供了一种商标识别装置。
30.根据本技术的商标识别装置包括：
31.通信模块，用于获取待识别商标图像；
32.商标检测模块，用于调用预先训练的通用商标检测模型，将所述待识别商标图像输入至所述通用商标检测模型，输出所述待识别商标图像中商标图形的位置信息；
33.特征提取模块，用于基于所述商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征；
34.特征比对模块，用于将所述商标图形特征与预先构建的特征向量索引库进行比对，查找所述商标图形特征对应的近邻向量；
35.商标样式确定模块，用于将所述近邻向量对应的已注册商标样式确定为所述商标图案的目标商标样式。
36.一种计算机设备，包括存储器和处理器，所述存储器存储有可在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上述各个方法实施例中的步骤。
37.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
38.上述商标识别方法、装置、计算机设备和存储介质，通过将待识别商标图像输入至预先训练的通用商标检测模型，输出待识别商标图像中商标图形的位置信息，从而基于商
标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征，将商标图形特征与预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量，进而将近邻向量对应的已注册商标样式确定为商标图形的目标商标样式。由于通用商标检测模型是通过闭集商标样本训练得到的，该模型对图形类商标敏感，对现实开集世界中已知的、未知的商标图形均能检测出其准确位置，同时借助于预先构建的特征向量索引库，实现对未知商标图形的快速支持。只需要利用通用商标检测模型检测否图像中是否包含商标图形以及对应的商标图形位置即可，这样成功避免了目标检测方案类别增加导致的一系列问题。同时，考虑到真实场景商品商标 logo也会存在一定程度的相似性，那么在足够丰富的数据上训练通用商标检测模型，对于相似的商品logo也是可以进行检测覆盖的，一定程度上也可以缓解模型在开集数据上的缺陷，实现了目标检测与图像检索两种技术1 1大于2的效果，既保留了目标检测的定位精准的优势，又克服了其应用到大规模商品商标数据场景的弊端，能够对真实开集世界中大规模商标进行快速识别，兼顾速度的同时又能保证识别精度。同时，本实施例的鲁棒性比较强，其中各个环节不必拘泥一种有效方法，既可融合传统方法同时可以吞纳现代技术，适合不同场景的速度和精度要求。另外，本实施例具备较强的通用性，可复用性较强，可同等条件下移植到其他识别场景，迭代周期短，满足现实识别业务场景品类的快速增长，即使开集数据空间下依然具备较强的目标识别能力。
附图说明
39.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图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：
40.图1是一个实施例中商标识别方法的应用环境图；
41.图2为一个实施例中商标识别方法的流程示意图；
42.图3为一个实施例中通过通用商标检测模型进行目标检测的流程示意图。
43.图4为一个实施例中训练通用商标检测模型步骤的流程示意图；
44.图5为一个实施例中构建特征向量索引库步骤的流程示意图；
45.图6为另一个实施例中商标识别方法的流程示意图；
46.图7为另一个实施例中商标识别装置的结构框图；
47.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
49.需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固
有的其它步骤或单元。
50.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
51.本技术提供的商标识别方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。终端102获取用户的商标识别请求，对商标识别请求进行解析，得到待识别商标图像。终端102调用预先训练的通用商标检测模型，将待识别商标图像输入至通用商标检测模型，输出待识别商标图像中商标图形的位置信息，从而基于商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征，将商标图形特征与服务器104中存储的预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量，进而将近邻向量对应的已注册商标样式确定为商标图案的目标商标样式。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
52.在一个实施例中，如图2所示，提供了一种商标识别方法，以该方法应用于图1中的终端为例进行说明，包括如下的步骤202至步骤210：
53.步骤202，获取待识别商标图像。
54.待识别商标图像是指需要进行商标识别，即需要识别商标合规性、合法性的商标图像。商标是商品的生产者、经营者在其生产、制造、加工、拣选或者经销的商品上或者服务的提供者在其提供的服务上采用的，用于区别商品或服务来源的，具有显著特征的标志。商标可以包括包括文字、图形、字母、数字等，以及上述要素的组合。现有的商标大多可以分为图像类商标或者文字类标识，具体的，可以将包含文字的商标地划分为文字类商标，例如，文字类商标可以包括文字、文字与字母的组合、文字与数字的组合，以及文字与字母、数字的组合，可以将包含图形的商标划分为图形类商标，例如，图形类商标可以包括图形、图形与字母、数字、颜色组合中至少一种的组合。文字类商标与图形类商标的区别在于：文字类商标是通过文字表述且钱强调的是文字或字母。数字的组合，图形类商标是通过图形来表述且注重于图片形状的表达。进一步的，文字类包括艺术字体和正常字体，艺术字体亦可划分为图形类商标。
55.本实施例中的待识别商标图像可以为图形类商标图像。对于正常字体的商标可以通过ocr(optical character recognition，光学字符识别)进行识别。
56.步骤204，调用预先训练的通用商标检测模型，将待识别商标图像输入至通用商标检测模型，输出待识别商标图像中商标图形的位置信息。
57.终端在进行商标识别之前，会预先训练一个通用商标检测模型。其中，通用商标检测模型可以是单类商标检测模型，具体是图形类商标检测模型。通用商标检测模型是通过大量的闭集商标样本训练得到的。闭集商标样本是指固定商标类别的商标图像样本，其补集为开集，例如，闭集商标样本为图形类商标样本。通用商标检测模型用于进行商标目标检测，即检测图像中包含的商标图形(商标logo)以及商标图形的位置信息。
58.具体的，在获取到待识别商标图像后，调用预先训练的通用商标检测模型。将待识别图像输入至通用商标检测模型，通过通用商标检测模型对待识别检测图像进行目标检测，检测出待识别商标图像中的所有商标图形，并检出商标图形对应的位置信息。可以将检出的商标图形的位置信息用矩形框标注在待识别商标图像中。如图3所示，为一个实施例中
通过通用商标检测模型进行目标检测的流程示意图。其中，logo检测器表示通用商标检测模型。矩形框中的图形表示检测出的待识别商标图像中商标图形的位置信息。
59.步骤206，基于商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征。
60.在检测出商标图形的位置信息后，基于该位置信息提取商标图形的多维度特征，以得到商标图形特征。
61.在其中一个实施例中，步骤206，基于商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征包括：基于商标图形的位置信息对待识别商标图像进行抠图处理，得到待识别商标图像对应的商标图形；通过深度卷积模型对商标图形进行多维度特征提取，得到商标图形特征。
62.在本实施例中，通过对待识别商标图像进行抠图处理，可以得到待识别商标图像对应的商标图形。商标图形为待识别商标图像中去除背景区域的商标logo图像。终端可以通过深度卷积模型对商标图形进行多维度特征提取，得到该商标图像对应的多维度特征向量。从而将多维度特征向量确定为商标图形特征。例如，深度卷积模型可以是resnext。商标图形特征可以包括颜色特征、纹理特征、形状特征、空间关系特征、深度特征等。
63.步骤208，将商标图形特征与预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量。
64.步骤210，将近邻向量对应的已注册商标样式确定为商标图形的目标商标样式。
65.在进行商标识别之前，终端还可以构建特征向量索引库。特征向量索引是通过对闭集商标样本中商标样式进行多维度特征提取，从而根据提取的多维度特征向量构建得到的。在商标识别过程中，在提取到商标图形特征后，将商标图形特征与预先构建的特征向量索引库进行比对，以查找商标图形特征对应的近邻向量。近邻向量是指与商标图形特征相匹配的近似特征向量。
66.具体的，将商标图形特征与预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量包括：将商标图形特征与预先构建的特征向量索引库中的特征向量进行比对，得到商标图形特征与特征向量之间的相似度；将相似度满足预设条件的特征向量确定为商标图形特征对应的近邻向量。
67.预先构建的特征向量索引库包括大量的商标图形对应的特征向量，通过将商标图形特征与预先构建的特征向量索引库中的特征向量进行比对，从而得到商标图形特征与特征向量之间的相似度。相似度的计算方式可以是欧氏距离、曼哈顿距离、闵可夫斯基距离、切比雪夫距离等中的任意一种方式，此处不做限定。选取相似度大于相似度阈值alpha且相似度最高的特征向量，确定为商标图形特征对应的近邻向量。例如，当商标图形特征包括多维度的特征向量时，将多维度的特征向量分别与预先构建的特征向量索引库中的特征向量进行比对，从而得到每个维度的特征向量与特征向量索引库中的特征向量之间的相似度，只有当多个维度的特征向量与特征向量索引库中同一品牌商标的特征向量之间的相似度，均大于相似度阈值时，可以将大于相似度阈值且相似度最高的品牌商标的特征向量作为该商标图形特征对应的近邻向量。
68.进一步的，若在特征向量索引库中未查找到与商标图形特征相匹配的近邻向量，则表明该商标图形特征不存在与特征向量索引库中，可以将商标图形特征加入特征向量索
引库，以便进行快速支持。
69.在其中一个实施例中，在特征向量索引库中特征向量不断增加的条件下，采用单一的穷举比对方式查找效率极低，本实施例中可以采用pq(product quantization，乘积量化)里提出ivfadc方法进行快速查找，以提高检索效率。
70.进而确定近邻向量对应的已注册商标样式，将该已注册商标样式确定为商标图形特征的目标商标样式。例如，将近邻向量对应的品牌商标样式作为该商标logo 目标的最终样式。
71.在本实施例中，通过调用预先训练的通用商标检测模型，将待识别商标图像输入至通用商标检测模型，输出待识别商标图像中商标图形的位置信息，从而基于商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征，将商标图形特征与预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量，进而将近邻向量对应的已注册商标样式确定为商标图形的目标商标样式。由于通用商标检测模型是通过闭集商标样本训练得到的，该模型对图形类商标敏感，对现实开集世界中已知的、未知的商标图形均能检测出其准确位置，同时借助于预先构建的特征向量索引库，实现对未知商标图形的快速支持。只需要利用通用商标检测模型检测否图像中是否包含商标图形以及对应的商标图形位置即可，这样成功避免了目标检测方案类别增加导致的一系列问题。同时，考虑到真实场景商品商标 logo也会存在一定程度的相似性，那么在足够丰富的数据上训练通用商标检测模型，对于相似的商品logo也是可以进行检测覆盖的，一定程度上也可以缓解模型在开集数据上的缺陷，实现了目标检测与图像检索两种技术1 1大于2的效果，既保留了目标检测的定位精准的优势，又克服了其应用到大规模商品商标数据场景的弊端，能够对真实开集世界中大规模商标进行快速识别，兼顾速度的同时又能保证识别精度。同时，本实施例的鲁棒性比较强，其中各个环节不必拘泥一种有效方法，既可融合传统方法同时可以吞纳现代技术，适合不同场景的速度和精度要求。另外，本实施例具备较强的通用性，可复用性较强，可同等条件下移植到其他识别场景，迭代周期短，满足现实识别业务场景品类的快速增长，即使开集数据空间下依然具备较强的目标识别能力。
72.在一个实施例中，如图4所示，训练通用商标检测模型的步骤，具体可以包括：
73.步骤402，获取闭集商标样本。
74.步骤404，通过闭集商标样本对单类商标检测模型进行训练，直至满足预设条件，停止模型训练，得到预先训练的通用商标检测模型。
75.闭集商标样本是指固定商标类别的大量商标图像所构成的商标图像样本，其补集为开集，例如，闭集商标样本为图形类商标样本。在商标识别过程中，获取的待识别商标图像的商标类别和闭集商标样本的商标类别是一致的。
76.终端获取单类商标检测模型，单类商标检测模型具体可以是图形类商标检测模型。通过闭集商标样本对单类商标检测模型进行训练，得到损失函数。从而根据损失函数对单类商标检测模型的模型参数进行调整，直至损失函数满足预设条件。其中，预设条件可以是损失函数不再下降，或者是小于阈值。将此时的模型参数进行保存，得到通用商标检测模型。该通用商标检测模型用于检测图像中包含的商标图形以及商标图形的位置信息。
77.传统方式中的目标检测方案无法应对类别众多的商标识别场景，自然很难大规模应用到真实的工业生产环境中，其主要瓶颈在于类别增加后引发的一系列效果不好，速度
变慢，训练周期长等弊端。其次，一般目标检测的方案大多是在闭合数据集上进行的，而现实场景大多数为开集数据空间，极易造成开集数据空间里相近或相似目标的误检，这也限制了目标检测方案在真实场景的效果。而在本实施例中，通过闭集商标样本训练一个对图形类目标敏感，对现实开集世界中已知的、未知的商标图形均能检测出其准确位置的通用商标检测模型，通用商标检测模型依赖一定程度的误检实现对真实开集世界中未知商标的检测。不仅能够将商品的所有商标 logo全部检测出来，还能够考虑商品商标的小目标性、场景多样性以及组成多变性。
78.进一步的，单类商标检测模型为yolov5目标检测模型，通过闭集商标样本对单类商标检测模型进行训练，包括：采用mixup训练和多尺度训练中的任意一种训练方式，通过商标样本图像对yolov5目标检测模型进行训练。通过采用目标检测效果较好的yolov5目标检测模型，采用mixup训练进行模型训练，能够改善网络模型的泛化能力、增加对抗样本的鲁棒性、稳定训练过程。采用多尺度训练进行模型训练，能够在一定程度上提高检测模型对商标图形大小的鲁棒性，有利于提高模型的商标检测效果。无论采用哪一种训练方式，都能够提升模型的商标检测效果。
79.在一个实施例中，如图5所示，构建特征向量索引库的步骤具体可以包括：
80.步骤502，通过通用商标检测模型检测闭集商标样本中商标样式的位置信息。
81.步骤504，基于商标样式的位置信息对闭集商标样本进行抠图处理，得到闭集商标样本对应的商标样式图像。
82.步骤506，通过深度卷积模型对商标样式图像进行多维度特征提取，得到多维度的特征向量。
83.步骤508，根据多维度的特征向量构建特征向量索引库。
84.闭集商标样本中包括大量的商标图像。在训练得到通用商标检测模型后，利用通用商标检测模型检测各商标图像中的商标样式，以及商标样式的位置信息。从而基于商标样式的位置信息对相应的商标图像进行抠图处理，得到商标图像对应的商标样式图像。进而通过深度卷积模型对商标样式图像进行多维度特征提取，得到多维度的特征向量。例如，深度卷积模型可以是resnext。多维度特征向量可以包括颜色特征、纹理特征、形状特征、空间关系特征、深度特征等。上述提取特征向量的方式与提取商标图形特征的方式是相同的。通过多维度特征的提取，以便根据提取的多维度的特征向量构建完整的商标特征向量索引库。特征向量索引库中包括多类品牌的商标特征向量，涵盖有各类拼配商标的所有样式。
85.在一个实施例中，步骤508，根据多维度的特征向量构建特征向量索引库包括：对多维度的特征向量进行特征细化处理，生成具有更强辨识度的低维度的特征向量；根据低维度的特征向量构建特征向量索引库。
86.对于类别复杂的大规模商标图像，为了保证商标识别的效率，维度不能够太高，因此对于提取出来的多维度的特征向量可以通过pca、pq乘积量化、特征embedding 等中的任意一种进行特征细化，生成具有更强辨识度的低维度特征向量。在得到上述低维度的特征向量后就可以构建向量索引，从而建立特征向量索引库。
87.在另一个实施例中，如图6所示，为商标识别方法的流程示意图，包括以下步骤：
88.步骤602，获取闭集商标样本。
89.步骤604，根据闭集商标样本进行模型训练，得到通用商标检测模型。
90.步骤606，对闭集商标样本对应的商标样式进行多维度特征提取。
91.步骤608，根据提取的多维度的特征向量构建特征向量索引库。
92.步骤610，基于通用商标检测模型和特征向量索引库对待识别商标图像进行商标识别。
93.步骤612，确定待识别商标图像中商标图形的目标商标样式。
94.在本实施例中，由于通用商标检测模型是通过闭集商标样本训练得到的，该模型对图形类商标敏感，对现实开集世界中已知的、未知的商标图形均能检测出其准确位置，同时借助于预先构建的特征向量索引库，实现对未知商标图形的快速支持。本实施例的整个方案实现了目标检测与图像检索两种技术1 1大于2的效果，能够对真实开集世界中大规模商标进行快速识别。
95.需要说明的是，在附图的流程图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。
96.在一个实施例中，如图7所示，提供了一种商标识别装置，包括：通信模块 702、商标检测模块704、特征提取模块706、特征比对模块708和商标样式确定模块710，其中：
97.通信模块702，用于获取待识别商标图像。
98.商标检测模块704，用于调用预先训练的通用商标检测模型，将待识别商标图像输入至通用商标检测模型，输出待识别商标图像中商标图形的位置信息。
99.特征提取模块706，用于基于商标图形的位置信息对相应的商标图形进行特征提取，得到商标图形特征。
100.特征比对模块708，用于将商标图形特征与预先构建的特征向量索引库进行比对，查找商标图形特征对应的近邻向量。
101.商标样式确定模块710，用于将近邻向量对应的已注册商标样式确定为商标图案的目标商标样式。
102.在一个实施例中，特征提取模块706还用于基于商标图形的位置信息对待识别商标图像进行抠图处理，得到待识别商标图像对应的商标图形；通过深度卷积模型对商标图形进行多维度特征提取，得到商标图形特征。
103.在一个实施例中，上述装置还包括：模型训练模块，用于获取闭集商标样本；通过闭集商标样本对单类商标检测模型进行训练，直至满足预设条件，停止模型训练，得到预先训练的通用商标检测模型。
104.在一个实施例中，单类商标检测模型为yolov5目标检测模型。
105.在一个实施例中，上述装置还包括：特征库构建模块，用于通过通用商标检测模型检测闭集商标样本中商标样式的位置信息；基于商标样式的位置信息对闭集商标样本进行抠图处理，得到闭集商标样本对应的商标样式图像；通过深度卷积模型对商标样式图像进行多维度特征提取，得到多维度的特征向量；根据多维度的特征向量构建特征向量索引库。
106.在一个实施例中，特征库构建模块还用于对多维度的特征向量进行特征细化处理，生成具有更强辨识度的低维度的特征向量；根据低维度的特征向量构建特征向量索引库。
107.在一个实施例中，上述装置还包括：特征添加模块，用于若在特征向量索引库中未
查找到与商标图形特征相匹配的近邻向量，则将商标图形特征加入特征向量索引库。
108.关于商标识别装置的具体限定可以参见上文中对于商标识别方法的限定，在此不再赘述。上述商标识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
109.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商标识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
110.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
111.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个实施例中的步骤。
112.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例中的步骤。
113.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器 (ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路 (synchlink)dram(sldram)、存储器总线(rambus)直接ram (rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram (rdram)等。
114.以上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。
115.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。