[发明专利]一种敏感图像识别方法及系统

摘要

公开了一种敏感图像识别方法及系统，属于图像识别技术领域，其特征在于，包括：步骤1.融合肤色检测的网格划分提取特征，并采用词袋模型得到图像的原始词袋表示向量；步骤2.图像特征优化，利用随机森林得到降维的优化图像向量表示；步骤3.识别模型训练，利用一类支撑向量机，在优化向量空间中训练一类分类器；步骤4.图像识别，图像在步骤1所述的预处理阶段中如果完全不含肤色像素，则直接被判别为正常图像，否则经过处理得到优化特征表示并进入训练得到的一类分类模型，最终得到图像的识别结果。本发明首次利用一类分类算法解决敏感图像识别问题，在处理过程中融合了多种技术，并实施特征优化处理，提高了敏感图像识别的准确率和效率。

主权项

1.一种敏感图像识别方法，其特征在于，是在计算机中依次按以下步骤实现的： 步骤(1).向所述计算机输入如下图像： 包含m₁幅敏感图像的第一敏感图像子集PornSet1，所述敏感图像是指能令人们感兴趣的图像，下同， 包含m₂幅敏感图像的第二敏感图像子集PornSet2， 包含m₃幅正常图像的正常图像子集NormalSet， 上述m₁,m₂,m₃均为有限正整数； 步骤(2).把所述第一敏感图像子集PornSet1的每幅敏感图像划分为M×N个网格，其中M,N均为有限正整数，每个网格大小为16×16像素；在每个网格中按以下步骤进行肤色检测操作： 步骤(2.1).若所述第一敏感图像子集PornSet1中的图像中的像素在RGB颜色空间中的像素值r,g,b满足以下条件，则认为所述网格中的该像素为肤色像素；下述的r,g,b值的取值区间为[0,255]， r＞90&g＞38&b＞18&|r-g|＞12， {max{r,g,b}-min{r,g,b}}＞12&r＞g&r＞b， 步骤(2.2).若在所述各网格中所述肤色像素占全部像素的比例大于或等于阈值s_g＝0.3，则确定该网格为疑似敏感子区域； 步骤(3).对所述第一敏感图像子集PornSet1中的每幅图像中的每个判定为所述疑似敏感子区域，在中心点周围16×16像素的网格中采用尺度不变特征转换SIFT特征描述子生成128维的特征向量，第一敏感图像子集PornSet1的每幅图像的所有疑似敏感子区域经过所述特征提取操作之后，得到包含R个特征向量的集合F＝{F₁,F₂,F_r,…,F_R}；第一敏感图像子集PornSet1中的全部图像所有疑似敏感子区域的特征向量集合PornFeatureSet1，以下简称PornFeatureSet1； 步骤(4).按以下步骤计算所述第一敏感图像子集PornSet1的每幅图像的原始词袋特征向量表示， 步骤(4.1).对所述第一敏感图像子集PornSet1的特征向量集合PornFeatureSet1，按以下步骤执行K均值聚类算法，得到能反映第一敏感图像子集PornSet1中共同特征的一类视觉词典： 步骤(4.1.1).设定： n，所述第一敏感图像子集PornSet1的特征向量集合PornFeatureSet1中的特征向量总数， C，聚类数目，为设定量，C值为200， c，聚类类别的序号，c＝1,2,…,c,…,C， 为序号为c的聚类S_c中的第v_c个特征向量，聚类S_c中包含V_c个特征向量，μ_c，为序号为c的聚类S_c的聚类中心，即S_c中的所有向量的平均值， 聚类准则函数为：步骤(4.1.2).改变每次的聚类类别，重新计算μ_c，一直到等于或小于设定的收敛阈值T为止，0＜T＜1，设定T＝1×10^-4，完毕之后，共得到C个聚类中心，所有聚类中心组成一类视觉词典；一类视觉词典的特征向量集合表示为D＝{D₁,D₂,…,D_c,…,D_C}，共包含C个聚类中心的特征向量；步骤(4.2).图像词袋模型最终形成的图像的特征表示向量用B表示，反映了D中的向量在F中出现的频率，称为原始词袋特征向量表示，即分布直方图，表示为B＝{B₁,B₂,…,B_c,…,B_C}，则按如下方式确定B中各分量B_c的值： 步骤(4.3).F中每个特征向量F_r与所述一类视觉词典D中的每个特征向量的欧氏距离d(F_r,D_c)，用x表示F_r，用y表示D_c， 其中P即特征向量的维数，为128维，计算前，B中的各分量的初始值为0；计算后，若D中与F_r欧氏距离最近的特征向量为D_c，则原始词袋特征向量表示B中的变量B_c的值增加为B'_c,B'_c＝B_c+1，即分量B'_c表示词典D中的视觉单词D_c在F中出现的频次； 上述过程称为最小距离映射，如此循环处理完F中所有R个特征之后，即得到每幅图像的C维的原始词袋向量表示中的各分量的值，即计算出了每幅图像的原始词袋向量表示B；第一敏感图像子集PornSet1中每幅图像通过步骤（4.2）处理，得到所有图像的原始词袋特征向量表示集合PornBowFeatureSet1； 步骤(5).按步骤（2）-步骤（3）所述方法，对正常图像子集NormalSet提取局部特征，得到其特征向量集合，用NormalFeatureSet表示，并按步骤（4.2）所述方法，利用步骤4.4中所述方法对所述NormalSet中的每幅图像的特征集合与步骤（4.1.2）中得到的一类视觉词典D进行最小距离映射，得到正常图像子集的所有图像的词袋特征向量表示集合NormalBowFeatureSet， 步骤(6).利用随机森林算法对步骤（5）中得到的PornBowFeatureSet1和NormalBowFeatureSet进行分类测试，以确定一类视觉词典D中的视觉单词D_c对应的原始词袋特征向量B中的各分量B_c对分类效果的贡献大小，步骤如下： 步骤(6.1).利用下述方法生成随机森林的训练集： 步骤(6.1.1).从PornBowFeatureSet1和NormalBowFeatureSet分别有放回地随机抽取50%的样本共同形成一个训练集TrainSet，TrainSet中的特征向量用B_T表示，B_T即TrainSet中的图像的原始词袋特征向量表示，以此生成一棵分类树，任意选取一个向量作为每棵分类树的根节点，分类树是一个二叉分类树；分类树的叶子节点即B_T中的某个分量B_t称为叶子结点的属性值， 步骤(6.1.2).重复上述随机抽取过程ntree次，ntree是一个有限正整数，其值设为500；在每次抽取中，未抽中的样本称为袋外数据，用表示，在每次随机抽取中，均生成一颗分类树，用τ表示，τ＝(1,2,…,τ,…,ntree)，所有的分类树组成了随机森林，步骤(6.2).利用下述方法进行变量重要性评估： 步骤(6.2.1).按步骤（6.1.2）所述，每次随机生成trainset后，对分类树的叶子结点按下述方式进行分裂： 对C维的原始词袋特征向量表示B_T，指定一个正整数mtry＜C，mtry是一个有限正整数，其值设为64；在每个叶子结点上，从C个属性值中随机抽取mtry个作为候选特征，在叶子节点的每次分裂中，计算如下基尼不纯度指数： 其中，f_l是TrainSet中的所有向量B_t在ntree次抽取中被分类为l的概率，分类树的分类结果可能取值为{1,2}，1和2分别用以表示敏感图像和正常图像， 在分类树分裂过程中，选择具有最小基尼不纯度指数G(f)的属性为叶子节点在分裂以后的属性值； 按上述方法得到随机森林中每棵分类树的最终分类结果， 步骤(6.2.2)随机森林的分类结果采用多数投票法确定： 随机森林中的每棵分类树均得出一个分类结果，其值为{1,2}中的任一个，ntree个分类结果值中计数最多的值即为随机森林的分类结果； 步骤(6.3).按下述步骤计算图像原始词袋特征向量B中各分量的重要性： 步骤(6.3.1).设定： 袋外数据中样本u的实际类别标签，即u对应的图像的真实类别，分类树τ预测的该样本的类别结果，步骤(6.3.2).随机抽取第τ次袋外数据的与B_t相对应的属性值并按下述方式进行置换，对置换后的样本B'进行分类树分类，得到新的类别标签为所述属性置换方式如下： 在袋外数据中随机抽取得到向量X＝(X₁,X₂,…,X_c,…,X_C)，将B_T中的同一维的属性B_t的值置换为X_c，得到置换后的样本B'；步骤(6.3.3).按下式计算样本B'中C维原始词袋特征向量B_t中的第c维的变量在决策树τ中的重要性VI^(τ)(B_t)： 在上式中，表示置换前分类树预测结果相等的情况，表示置换后分类树预测结果相等的情况；步骤(6.3.4).变量B_t的重要性定义为VI^(τ)(B_t)在随机森林中的所有分类树上的平均值，计算公式如下： 按上述公式计算得到的VI(B_t)的值即图像原始词袋向量表示B中的第t维的变量的重要性值； 步骤(7).按步骤（6）所述方法，利用随机森林对图像原始词袋特征表示向量B进行变量重要性评估，得到所有C个分量的重要性值，对变量重要性值排序并记录下前K个最重要的变量，即一类视觉词典中对分类贡献最大的K个视觉单词，K是一个有限正整数，K＜C，K取值为80；重要变量索引的集合记为P＝{p₁,p₂,…p_k…,p_K}； 步骤(8).得到优化的图像向量表示，操作方式如下： 第二敏感图像子集中一幅图像通过步骤(4)得到原始词袋特征向量表示后，则仅保留该向量中下标在索引集合P中出现的变量，并保持其原有的顺序关系，这样就得到一个新的K维的优化图像表示向量O，步骤(9).将敏感图像识别视为一种一类分类应用场景：将第二敏感图像子集PornSet2用于训练一类分类器； 步骤(9.1).在一类分类方法的选择上，采用一类支撑向量机，设定一类支撑向量机的决策函数如下： 其中，α_i为拉格朗日系数，ρ决定了分类面相对原点的距离，为得到决策函数，输入数据为所述的第二敏感图像子集PornSet2的优化图像表示向量，参数α_i,ρ均是利用开源工具包libsvm在训练过程中计算所得，在分类模型确定后，参数值不再改变；Θ为核函数，Θ(O_i,O_j)为内积运算；两个向量O_i和O_j之间的核函数计算公式如下： 其中，γ的取值为8； 在计算出决策函数f(O)的各项参数后，即得到完整的可用决策函数，该决策函数是一系列向量和参数的数据集合体，直接用于后续计算， 步骤(10).对于一幅待识别图像I，按如下步骤得到该图像的类别： 步骤(10.1).按步骤（2）所述方法，对图像I执行特征检测操作，如果在步骤（2）中发现该图像完全不含疑似肤色区域，则直接判别该图像为正常图像，不再进入后续处理步骤；否则，执行以下处理步骤： 步骤(10.2).提取图像I的的局部特征后，得到图像I的特征集合FeatureSet_I，FeatureSet_I 中的所有向量逐一与步骤（4.1.2）中得到的一类词典进行最小距离映射，得到原始的图像词袋表示向量B； 步骤(10.3).得到原始的图像词袋表示向量之B后，按步骤（8）所述方法进行优化处理，并得到优化图像表示向量O； 步骤(10.4).利用f(O)判别待识别图像I的测试数据x的类别，x为待识别图像的优化特征向量，将其代入f(O)中，计算出f(O)的值，若f(O)≥0，则判别测试数据x对应的待识别图像为敏感图像；若f(O)＜0，则判别测试数据x对应的待识别图像为正常图像。