[发明专利]保持颜色信息的混合形变模型下的不良图像检测方法

摘要

本发明公开了一种保持颜色信息的形变敏感器官模型下的不良图像检测方法，包括采用混合高斯模型建立人体敏感器官的颜色模型；提取敏感器官训练样本的HoG特征及GMM特征；对每一种人体敏感器官的特定姿态，在其HoG特征和GMM特征相结合后的特征上，利用可形变部件模型以及隐含支撑向量机训练该敏感器官在特定姿态下的检测器，将多种姿态下的检测器集成为该敏感器官的混合形变模型；多种人体敏感器官分类器分别检测测试图像，融合检测结果并判定图像的性质。本发明利用不良图像中敏感器官的高层语义信息鉴别不良图像，有效地解决了正常图像的误判问题，可用于过滤图像中的色情信息。

主权项

保持颜色信息的混合形变模型下的不良图像检测方法，其特征在于，包括如下步骤：(1)搜集不良图像训练集，在训练集图像上标记多种人体敏感器官，作为敏感器官训练样本；(2)从敏感器官训练样本上随机采样获取像素点，并组成敏感器官的颜色样本集；在颜色样本集上训练GMM模型得到人体敏感器官的颜色模型；(3)提取敏感器官训练样本的HoG特征和GMM特征，并将HoG特征和GMM特征相结合作为敏感器官的特征；包括如下步骤：(3a)敏感器官训练样本图像划分成若干个细胞单元，将细胞单元中的每个像素从RGB颜色空间转换到YCbCr颜色空间，并提取其Cb、Cr色度分量的值；其中，Y表示亮度分量，Cb表示蓝色色度分量，Cr表示红色色度分量；(3b)将细胞单元分成U个互不重叠的小图像块，分别求出每个小图像块在Cb、Cr色度分量上的均值向量：将这些均值向量分别代入步骤(2)训练出的GMM敏感器官颜色模型，得到每个小图像块在GMM模型中每个高斯分量ωiGi上的值，作为该小图像块的颜色特征，其中i∈{1,2,…,K}，K为高斯分量的个数,ωi表示K个独立的高斯分量在高斯混合模型中的权重,将U个小图像块的颜色特征联合起来记作(3c)将敏感器官训练样本图像转换成灰度图像，对输入图像进行Gamma校正；(3d)计算灰度图像中每个像素点(x,y)的水平方向和垂直方向梯度值gx(x,y)和gy(x,y)；gx(x,y)＝I(x+1,y)‑I(x‑1,y)gy(x,y)＝I(x,y+1)‑I(x,y‑1)式中，I(x,y)表示像素点(x,y)处的灰度值，根据下式计算像素点(x,y)处的梯度幅值g(x,y)和方向α(x,y)；g(x,y)=gx(x,y)2+gy(x,y)2]]>α(x,y)=tan-1(gy(x,y)gx(x,y))]]>(3e)将敏感器官训练样本的灰度图像划分成与步骤(3a)一样的细胞单元，统计每个细胞单元上的梯度直方图，用于描述目标的形状信息；对每个细胞单元采用9个bin的直方图来统计细胞单元内像素点的梯度信息，将各个bin中像素点的梯度大小进行累加组成该细胞单元的梯度直方图，用9维特征向量来表示，记作h1＝[f1,f2,…,f9]，其中fi为第i个bin的梯度累加值；联合得到的梯度特征向量h1和得到颜色特征向量h2，组成细胞单元的特征向量[h1,h2]；将细胞单元组合成块，并在块内归一化；(4)对每一种人体敏感器官的特定姿态，在其HoG特征和GMM特征相结合后的特征上，训练该敏感器官在特定姿态下的可形变部件模型，将多种姿态下的可形变部件模型集成该敏感器官的混合形变模型；(5)用敏感器官的混合形变模型分别对测试图像进行检测，融合检测结果并判定图像的性质。