您可以在此处尝试使用SIFT等本地功能： http : //en.wikipedia.org/wiki/Scale-invariant_feature_transform

它应该起作用，因为徽标形状通常是恒定的，因此提取的特征应匹配得很好。

工作流程将如下所示：

1. 检测拐角（例如，Harris拐角检测器）-对于耐克徽标，它们有两个尖锐的末端。

2. 计算描述符（如SIFT-128D整数向量）

3. 在训练阶段记住他们；在匹配阶段，为训练过程中获得的数据库中的每个特征找到最近的邻居。最后，您有一组匹配项（其中一些可能是错误的）。

4. 使用RANSAC找出错误的匹配项。这样，您将获得描述从理想徽标图像到找到徽标的转换的矩阵。根据设置，您可以允许不同类型的变换（仅平移，平移和旋转，仿射变换）。

Szeliski的书有一章（4.1）关于局部特征。 http://research.microsoft.com/en-us/um/people/szeliski/Book/

聚苯乙烯

1. 我以为您想在照片中找到徽标，例如找到所有百事可乐的广告牌，以免它们变形。如果您需要在屏幕上找到电视频道徽标（这样就不会旋转和缩放比例），则可以更轻松地完成操作（模式匹配等）。

2. 常规SIFT不考虑颜色信息。由于徽标通常具有恒定的颜色（尽管确切的颜色取决于闪电和照相机），所以您可能希望以某种方式考虑颜色信息。

对此进行了研究：体育视频数据库中的商标匹配和检索获得了该文件的PDF： http ://scholar.google.it/scholar?cluster=9926471658203167449&hl=zh-CN&as_sdt =2000

我们使用SIFT作为商标和图像描述符，并使用归一化阈值匹配来计算模型与图像之间的距离。在我们的最新工作中，我们已经能够使用元模型极大地减少计算量，从而创建了评估同一商标的不同版本中存在的SIFT点的相关性的方法。

我想说，由于当前使用的电视标准的视觉质量非常差，因此与视频相比，处理视频要比处理照片更难。

马可

我们致力于真实世界图像中的徽标检测/识别。我们还创建了一个数据集FlickrLogos-32 ，并使其公开可用，包括数据，基本情况和评估脚本。

在我们的工作中，我们将徽标识别视为检索问题，以简化多类别识别并允许此类系统轻松扩展到许多（例如数千个）徽标类别。

最近，我们开发了一种称为Bundle min-Hashing的捆绑技术，该技术将多个局部特征的空间配置聚合为高度独特的特征束。捆绑包表示可用于检索和识别。有关徽标检测，请参见以下示例热图：

您将在论文[1] [2]中找到有关该方法的内部操作，该方法的潜在应用，其性能的实验的更多详细信息，当然还有许多相关工作的参考。

我参与了一个项目，我们必须做一些非常相似的事情。最初，我尝试通过此软件使用Haar Training技术

OpenCV的

它有效，但不是满足我们需求的最佳解决方案。我们的原始图片（我们在其中寻找徽标的图片）是固定大小的，仅包含徽标。因此，我们能够使用已知匹配良好的cvMatchShapes并比较返回的值以认为匹配良好。