CN103440494A - 一种基于视觉显著性分析的恐怖图像识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于视觉显著性分析的恐怖图像识别方法及系统。该方法包括：建立包括恐怖图像样本和非恐怖图像样本的训练集；利用图像视觉显著性分析算法对每一幅训练样本图像进行视觉显著性分析，以得到每幅训练样本图像的视觉显著图；将每幅训练样本图像划分成W×W小图像块，并对每个图像块提取视觉和情感特征，并利用基于视觉显著性的词包表示模型得到每幅训练样本图像的视觉单词直方图表示；利用得到的每幅训练样本图像的视觉单词直方图及其对应的标签训练支持向量机以得到恐怖图像的分类模型，并利用该分量模型对新的测试图像进行识别，判断其是否为恐怖图像。本发明可应用到Web恐怖图像过滤以及图像情感语义识别等领域，具有广阔的应用前景。

Description

一种基于视觉显著性分析的恐怖图像识别方法及系统

技术领域

本发明涉及模式识别、计算机网络内容安全，以及图像情感理解技术领域，尤其涉及一种基于视觉显著性分析的恐怖图像识别方法及系统。 

背景技术

在过去的数十年间，互联网上信息和资源的爆增使我们可以非常方便地、跨地域地分享文字，图像和视频等多媒体信息。然而，互联网信息监管的缺失使得越来越多的有害和非法内容，例如色情、暴力、恐怖、恐怖主义等，泛滥于整个互联网。因此，一个有效的不良网页过滤系统对于防止不良信息的非法传播、保护青少年身心健康都具有重要的意义。 

近来，互联网中广泛传播的恐怖文本、图像以及视频等内容正在侵入青少年的日常生活。大量的心理学和生理学的研究表明，过多的恐怖图像或文字会严重影响孩子的身心健康。恐怖内容的严重泛滥使得研发一种网络恐怖信息过滤系统具有重要的必要性。现有的各种Web过滤算法主要关注色情网页过滤或暴力的内容过滤。与色情图像过滤相比，目前也还没有太多的研究关注互联网中恐怖图像的过滤。 

发明内容

有鉴于此，本发明的主要目的是提供一种基于视觉显著性分析的恐怖图像识别方法与系统。 

为达到上述目的，本发明提供了一种基于视觉显著性分析的恐怖图像识别方法，该方法包括： 

一种基于视觉显著性分析的恐怖图像识别方法，其特征在于，该方法包括： 

步骤1：建立包括恐怖图像样本和非恐怖图像样本的训练集； 

步骤2：利用图像视觉显著性分析算法对每一幅训练样本图像进行视觉显著性分析，以得到每幅训练样本图像的视觉显著图； 

步骤3：将每幅训练样本图像划分成W×W小图像块，并对每个图像块提取视觉和情感特征，并利用基于视觉显著性的词包表示模型得到每幅训练样本图像的视觉单词直方图表示，其中W为自然数； 

步骤4：利用得到的每幅训练样本图像的视觉单词直方图及其对应的标签训练支持向量机以得到恐怖图像的分类模型，并利用该分量模型对新的测试图像进行识别，判断其是否为恐怖图像。 

一种基于视觉显著性分析的恐怖图像识别系统，其特征在于，该系统包括： 

训练集建立模块：其用于建立包括恐怖图像样本和非恐怖图像样本的训练集； 

视觉显著性分析模块，其用于利用图像视觉显著性分析算法对每一幅样本图像进行视觉显著性分析，以得到每幅样本图像的视觉显著图； 

图像特征提取模块，其用于将每幅样本图像划分成W×W小图像块，并对每个图像块提视觉与情感特征，并利用基于视觉显著性的词包表示模型得到每个训练样本图像的视觉单词直方图特征，其中W为自然数； 

恐怖图像识别模块，其利用得到的每幅样本图像的词包表示模型及其对应的标签训练支持向量机以得到恐怖图像的分类模型，并利用该分量模型对新的测试图像进行识别，判断其是否为恐怖图像。 

从上述技术方案可以看出，本发明具有以下优点： 

1、本发明提供的这种恐怖图像识别方法，将视觉注意机制、颜色情感认知等视觉认知理论引入到恐怖图像识别当中。充分利用人的视觉认知和情感认知的过程来指导恐怖图像的识别。 

2、本发明提供的这种恐怖图像识别方法充分利用了图像视觉显著区域和非显著区域之间的上下文关系来表达图像的情感特征。而恐怖图像往往就是通过这种上下文关系来表达恐怖情感的。 

3、本系统的所有模块都是完全自动的，不需要人工干预，因此能够非常容易地嵌入到各类Web信息过滤系统中去。此外，本系统还可以作为 恐怖情感识别的一个子系统扩展到通用情感识别系统当中。具有广泛的应用前景。 

附图说明

图1是本发明提供的恐怖图像识别方法流程图。 

图2为本发明提供的基于显著性分析的词包模型。 

图3为本发明提供的恐怖图像识别系统的训练流程图。 

图4为本发明提供的恐怖图像识别系统的测试流程图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。 

图1示出了本发明公开的一种基于视觉显著性分析的恐怖图像识别方法流程图。如图1所示，该方法包括以下步骤： 

步骤1：首先搜集尽可能多的恐怖和非恐怖图像样本形成训练集；并使7个用户对每一幅恐怖图像进行“恐怖、有点恐怖、不恐怖”投票。如果一幅恐怖图像获得少于4票“恐怖”，将其剔出训练集以获得典型的训练集。恐怖图像的搜集可以从大量的图像共享网站上获取。而非恐怖图像需要尽可能的多样性，可包含：人物、动物、风景、卡通等。 

步骤2：利用图像视觉显著性分析算法对所述典型训练集中的每一幅训练图像进行视觉显著性分析，以得到每幅图像的视觉显著图。 

本发明提供了一种基于高斯差分融合的图像显著性分析方法。假设输入图像中像素点X处的RGB颜色值为：I(X)＝[R(X)，G(X)，B(X)]^T，那么第k个高斯差分值S_k(X)定义如下： 

$S_k\left(X\right)=\left|\right|I\left(X\right)\⊗\mathrm{DoG}({\mathrm{\σ}}_0,{\mathrm{\σ}}_1^k)\left|\right|,$ 其中σ₀＝3， ${\mathrm{\σ}}_1^k=2^{k-1},$ k＝1，2，...，N， 

$\mathrm{DoG}({\mathrm{\σ}}_0,{\mathrm{\σ}}_1^k)=G^{{\mathrm{\σ}}_0}-G^{{\mathrm{\σ}}_1^k}=\frac{1}{\sqrt{2\mathrm{\π}}}[\frac{1}{{\mathrm{\σ}}_0}\exp \left(\frac{x^2+y^2}{2{\mathrm{\σ}}_0^2}\right)-\frac{1}{{\mathrm{\σ}}_1^k}\exp \left(\frac{x^2+y^2}{2{\left({\mathrm{\σ}}_1^k\right)}^2}\right)],$

其中，分别表示以

为标准差以X为中心点的两个高斯分布函数；(x，y)为高斯分布函数

中的二维变量，是以像素点X为原点，其附近各像素点的相对坐标，q，N为可调参数，本系统中设置最选的 参数为q＝15，N＝8。将不同尺度上的高斯差分值利用闵可夫斯基范数融合起来就可以得到像素点X的最终视觉显著值ES(X)为： 

$\mathrm{ES}\left(X\right)={\left(\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left[S_k\left(X\right)\right]}^q}{N}\right)}^{1/q}$

其中，q，N为可调参数，可利用交叉验证方法进行参数选择。根据大量实验，本系统中设置最选的参数为q＝15，N＝8。所述视觉显著图的每个像素值为所述像素点对应的最终视觉显著值。 

步骤3：将每幅训练图像划分成W×W的小图像块I_k，其中W为自然数，优选为16×16，并对每个图像块提取颜色、纹理以及颜色情感特征；并利用基于视觉显著性的词包模型对每个样本图像进行特征表示。 

其中，颜色特征计算如下。研究表明，HSV颜色空间比RGB颜色空间能够更准确地描述人类对颜色的感知。于是，每个图像块I_k的平均HSV颜色[H_k，S_k，V_k]将作为第一个颜色特征

其中

表示图像块I_k第i个特征值。此外，当前图像块的颜色与整幅图像的颜色差将作为第二种颜色特征 $[f_4^k,f_5^k,f_6^k]=[H_k-\stackrel{\‾}{H},S_k-\stackrel{\‾}{S},V_k-\stackrel{\‾}{V}],$ 其中，

表示整幅图像的平均HSV颜色。 

其中，纹理特征计算如下。纹理是另一种与图像情感具有密切关系的视觉特征。场景的空间纹理的统计特征符合威布尔分布wb(x)： 

$\mathrm{wb}\left(x\right)=\frac{\mathrm{\γ}}{\mathrm{\β}}{\left(\frac{x}{\mathrm{\β}}\right)}^{\mathrm{\γ}-1}{e}^{-{\left(\frac{x}{\mathrm{\β}}\right)}^{\mathrm{\γ}}},$

其中，x为随机变量，(γ，β)为Weibull分布的参数。Weibull分布的参数能够很好地描述纹理的空间结构。分布的宽度参数β可以描述纹理的对比度；峰值参数γ可以描述纹理的颗粒度。于是，选择图像块I_k的纹理特征 $[f_7^k,f_8^k]=[{\mathrm{\γ}}_k,{\mathrm{\β}}_k],$ 以及其与整幅图像的纹理特征差异 $[f_9^k,f_{10}^k]=[{\mathrm{\γ}}_k-\mathrm{\γ},{\mathrm{\β}}_k-\mathrm{\β}]$ 作为纹理的特征值，其中，γ、β为整幅图像的纹理特征。 

其中，情感特征计算如下。颜色情感和颜色和谐度特征将作为基于情感的特征也被用来描述图像的情感。对于颜色情感特征，本发明中同样采 用图像块I_k的平均颜色情感值作为情感特征

以及其与整幅图像颜色情感的差值 $[f_{14}^k,f_{15}^k,f_{16}^k]=[{\mathrm{CA}}_k-\stackrel{\‾}{\mathrm{CA}},{\mathrm{CW}}_k-\stackrel{\‾}{\mathrm{CW}},{\mathrm{CH}}_k-\stackrel{\‾}{\mathrm{CH}}].$ 其中，在颜色情感计算中，首先将RGB颜色空间转换到CIELAB和CIELCH颜色空间，得到CIELAB空间的坐标值(L^*，a^*，b^*)，CIELCH空间的坐标值(L^*，C^*，h)。然后颜色情感空间三个因素：活动性(CA)、重要性(CW)和热度(CH)计算如下： 

$\mathrm{CA}=-2.1+0.06{[{(L^{*}-50)}^2+{(a^{*}-3)}^2+{\left(\frac{b^{*}-17}{1.4}\right)}^2]}^{1/2}$

CW＝-1.8+0.04(100-L^*)+0.45cos(h-100°) 

CH＝-0.5+0.02(C^*)^1.07cos(h-50°) 

将以上个各种特征拼接起来，可获取到16维的图像块的特征向量  $F_k=[f_1^k,f_2^k,...,f_{16}^k].$

本发明提供了一种基于视觉显著性的词包表示模型对每个图像进行特征表示。所述的基于视觉显著性的词包模型包含两种视觉单词：恐怖视觉单词和通用视觉单词。该模型根据得到的视觉显著图按不同的权重将每个图像块分配给不同的视觉单词。该词包表示模型使用恐怖词汇与通用词汇以及它们对应的直方图来表示图像中的恐怖情感特性。 

图2示出了本发明中的基于显著性分析的词包表示模型。如图2所示，恐怖视觉单词主要用来描述图像中的情感显著区域的情感特征，而通用视觉单词主要强调图像的背景特征；两者的联合则可以表达整幅图像的情感。首先，对所有恐怖图像样本的图像块的特征进行聚类，每个聚类对应一个恐怖视觉单词，从而构成恐怖视觉单词集合HV。类似地，对所有恐怖和非恐怖图像样本的图像块的特征进行聚类，每个聚类对应一个通用视觉单词，从而构成通用视觉单词集合UV。 

对于一幅图像的恐怖视觉单词对应的直方图定义如下： 

$\mathrm{Hist}\_h\left({\mathrm{hw}}_i\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}p(I_k\∈{\mathrm{hw}}_i)/M,$

其中，Hist_h(hw_i)表示恐怖视觉单词直方图中第i个恐怖单词hw_i对应的值，M表示图像中图像块的总数，p(I_k∈hw_i)表示图像块I_k属于第i个恐怖单词的权重，计算如下： 

p(I_k∈hw_i)＝ES_k×p(I_k∈hw_i|HV) 

$p(I_k\∈{\mathrm{hw}}_i|\mathrm{HV})=\frac{1}{\left({\left(2\mathrm{\π}\right)}^{D/2}{\left|{\mathrm{\Σ}}_h\right|}^{1/2}\right)}\exp \{-\frac{1}{2}{(F_k-{\mathrm{hc}}_i)}^T{\mathrm{\Σ}}_h^{-1}(F_k-{\mathrm{hc}}_i)\}\∈[0,1]$

其中，ES_k是图像块I_k的平均视觉显著值，F_k为图像块I_k的视觉和情感特征向量，hc_i是视觉单词hw_i的聚类中心的特征向量，D为特征向量F_k的维数，∑_h为恐怖视觉单词的多维高斯分布的协方差矩阵。 

类似的，对于一幅图像的通用视觉单词对应的直方图定义如下： 

$\mathrm{Hist}\_u\left({\mathrm{uw}}_j\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}p(I_k\∈{\mathrm{uw}}_j)/M,$

其中，Hist_u(uw_j)表示通用视觉单词直方图中第j个通用单词uw_j对应的值，p(I_k∈uw_j)表示图像块I_k属于第j个通用单词的权重，计算如下： 

p(I_k∈uw_j)＝(1-ES_k)×p(I_k∈uw_j|UV) 

$p(I_k\∈{\mathrm{uw}}_j|\mathrm{UV})=\frac{1}{\left({\left(2\mathrm{\π}\right)}^{D/2}{\left|{\mathrm{\Σ}}_u\right|}^{1/2}\right)}\exp \{-\frac{1}{2}{(F_k-{\mathrm{uc}}_j)}^T{\mathrm{\Σ}}_u^{-1}(F_k-{\mathrm{uc}}_j)\}\∈\left[\mathrm{0,1}\right]$

其中，uc_j是视觉单词uw_j的聚类中心的特征向量，∑_u为通用视觉单词的多维高斯分布的协方差矩阵。将恐怖和通用两个直方图合并就可以得到对于每幅图像的特征表示。 

步骤4：利用步骤3得到的训练图像的视觉单词直方图特征及其对应的标签来训练支持向量机以得到恐怖图像的分类模型，所述标签用于表示训练图像是否为恐怖图像；并利用该分类模型对新的测试图像进行识别，判断其是否为恐怖图像。 

下面结合图3和图4详细给出本发明提供的恐怖图像识别系统的主要运行流程。整个系统可分为训练流程和测试流程。 

图3示出了本发明中基于视觉显著性分析的恐怖图像分类模型的训练流程图。如图3所示，对于大量的训练图像，首先利用本发明提供的一种基于高斯差分融合的图像显著性分析方法提取每幅图像的视觉显著图。然后，提取出每幅图像的颜色、纹理以及颜色情感特征。并利用本发明提 供的一种基于视觉显著性的词包表示模型对每个图像进行特征表示。最后，将通过步骤3得到的所有训练图像的视觉单词直方图特征及其对应的标签输入到支持向量机中，训练得到最优的恐怖图像的分类模型。 

图4示出了本发明中基于视觉显著性分析的恐怖图像分类模型进行恐怖图像测试的方法流程图。如图4所示，对于输入的测试图像，首先利用本发明提供的一种基于高斯差分融合的图像显著性分析方法提取测试图像的视觉显著图。然后，提取出测试图像的颜色、纹理以及颜色情感特征，并利用本发明提供的基于视觉显著性的词包模型对测试图像进行视觉单词直方图特征表示。最后，利用训练好的恐怖图像的支持向量机分类模型对测试图像进行分类，以判断测试图像是否为恐怖图像。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (10)

1.一种基于视觉显著性分析的恐怖图像识别方法，其特征在于，该方法包括：

步骤1：建立包括恐怖图像样本和非恐怖图像样本的训练集；

步骤2：利用图像视觉显著性分析算法对每一幅训练样本图像进行视觉显著性分析，以得到每幅训练样本图像的视觉显著图；

步骤3：将每幅训练样本图像划分成W×W小图像块，并对每个图像块提取视觉和情感特征，并利用基于视觉显著性的词包表示模型得到每幅训练样本图像的视觉单词直方图表示，其中W为自然数；

步骤4：利用得到的每幅训练样本图像的视觉单词直方图及其对应的标签训练支持向量机以得到恐怖图像的分类模型，并利用该分量模型对新的测试图像进行识别，判断其是否为恐怖图像。

2.根据权利要求1所述的方法，其特征在于，所述训练集的建立包括如下步骤：

步骤11、搜集大量的恐怖图像和非恐怖图像；

步骤12、由多个用户对每一幅恐怖图像样本进行“恐怖、有点恐怖、不恐怖”的投票；如果一幅恐怖图像样本获得少于一定数量的“恐怖”投票，则将其剔出训练集以获得最终的训练集。

3.根据权利要求1所述的方法，其特征在于，所述的图像视觉显著性分析算法是基于高斯差分融合的图像视觉显著性分析方法，其利用闵可夫斯基范数将不同尺度上的高斯差分图像融合得到最终的图像的视觉显著图。

4.根据权利要求1所述的方法，其特征在于，所述的图像的视觉和情感特征包括颜色特征、纹理特征以及颜色情感特征；所述的基于视觉显著性的词包表示模型包含两种视觉单词：恐怖视觉单词和通用视觉单词；该词包表示模型根据得到的视觉显著图按不同的权重将每个图像块分配给不同的视觉单词，以构建每幅样本图像的视觉单词直方图特征。

5.根据权利要求1所述的方法，其特征在于，所述每幅样本图像的视觉显著图中每个像素的视觉显著值如下计算：

$\mathrm{ES}\left(X\right)={\left(\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left[S_k\left(X\right)\right]}^q}{N}\right)}^{1/q}$

$S_k\left(X\right)=\left|\right|I\left(X\right)\⊗\mathrm{DoG}({\mathrm{\σ}}_0,{\mathrm{\σ}}_1^k)\left|\right|,$ 其中σ₀＝3， ${\mathrm{\σ}}_1^k=2^{k-1},$ k＝1，2，...，N

$\mathrm{DoG}({\mathrm{\σ}}_0,{\mathrm{\σ}}_1^k)=G^{{\mathrm{\σ}}_0}-G^{{\mathrm{\σ}}_1^k}=\frac{1}{\sqrt{2\mathrm{\π}}}[\frac{1}{{\mathrm{\σ}}_0}\exp \left(\frac{x^2+y^2}{2{\mathrm{\σ}}_0^2}\right)-\frac{1}{{\mathrm{\σ}}_1^k}\exp \left(\frac{x^2+y^2}{2{\left({\mathrm{\σ}}_1^k\right)}^2}\right)]$

其中，X表示所述视觉显著图中的像素点，I(X)＝[R(X)，G(X)，B(X)]^T表示像素点X处的RGB颜色值，S_k(X)表示像素点X的第k个高斯差分值，

分别表示以σ₀，

为标准差以X为中心点的高斯分布函数；(x，y)为高斯分布函数

中的二维变量，是以像素点X为原点，其附近各像素点的相对坐标，q，N为可调参数。

6.根据权利要求4所述的方法，其特征在于，所述视觉单词包含恐怖视觉单词集合HV与通用视觉单词的集合UV；对于一幅图像的恐怖视觉单词对应的直方图定义如下：

$\mathrm{Hist}\_h\left({\mathrm{hw}}_i\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}p(I_k\∈{\mathrm{hw}}_i)/M,$

其中，Hist_h(hw_i)表示恐怖视觉单词直方图中第i个恐怖单词hw_i对应的值，M表示图像中图像块的总数，p(I_k∈hw_i)表示图像块I_k属于第i个恐怖单词的权重，计算如下：

p(I_k∈hw_i)＝ES_k×p(I_k∈hw_i|HV)

$p(I_k\∈{\mathrm{hw}}_i|\mathrm{HV})=\frac{1}{\left({\left(2\mathrm{\π}\right)}^{D/2}{\left|{\mathrm{\Σ}}_h\right|}^{1/2}\right)}\exp \{-\frac{1}{2}{(F_k-{\mathrm{hc}}_i)}^T{\mathrm{\Σ}}_h^{-1}(F_k-{\mathrm{hc}}_i)\}\∈[0,1]$

其中，ES_k是图像块I_k的平均视觉显著值，F_K为图像块I_k的视觉和情感特征向量，hc_i是恐怖视觉单词hw_i的聚类中心的特征向量，D为特征向量F_k的维数，∑_h为恐怖视觉单词的多维高斯分布的协方差矩阵；

对于一幅图像的通用视觉单词对应的直方图定义如下：

$\mathrm{Hist}\_u\left({\mathrm{uw}}_j\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}p(I_k\∈{\mathrm{uw}}_j)/M,$

其中，Hist_u(uw_j)表示通用视觉单词直方图中第j个通用视觉单词uw_j对应的值，p(I_k∈uw_j)表示图像块I_k属于第j个通用单词的权重，计算如下：

p(I_k∈uw_j)＝(1-ES_k)×p(I_k∈uw_j|UV)

$p(I_k\∈{\mathrm{uw}}_j|\mathrm{UV})=\frac{1}{\left({\left(2\mathrm{\π}\right)}^{D/2}{\left|{\mathrm{\Σ}}_u\right|}^{1/2}\right)}\exp \{-\frac{1}{2}{(F_k-{\mathrm{uc}}_j)}^T{\mathrm{\Σ}}_u^{-1}(F_k-{\mathrm{uc}}_j)\}\∈[0,1]$

其中，uc_j是通用视觉单词uw_j的聚类中心的特征向量，∑_u为通用视觉单词的多维高斯分布的协方差矩阵。将恐怖和通用两个直方图合并就可以得到对于每幅图像的特征表示。

7.根据权利要求4所述的方法，其特征在于，所述颜色特征包括每个图像块I_k的HSV颜色和当前图像块与整幅图像的HSV颜色差；所述纹理特征包括图像块的符合威布尔分布的宽度参数和峰值参数特征、以及其与整幅图像的纹理特征差异；颜色情感特征包括图像块的平均颜色情感值以及其与整幅图像的颜色情感值的差值。

8.根据权利要求7所述的方法，其特征在于，颜色情感特征涉及三个因素：活动性CA、重要性CW和热度CH；这三个因素如下计算：

$\mathrm{CA}=-2.1+0.06{[{(L^{*}-50)}^2+{(a^{*}-3)}^2+{\left(\frac{b^{*}-17}{1.4}\right)}^2]}^{1/2}$

CW＝-1.8+0.04(100-L^*)+0.45cos(h-100°)

CH＝-0.5+0.02(C^*)^1.07cos(h-50°)

其中，(L^*，a^*，b^*)和(L^*，C^*，h)为从RGB颜色空间转换到CIELAB空间和CIELCH空间的坐标值。

9.根据权利要求1所述的方法，其特征在于，步骤4中采用支持向量机分类算法对测试图像进行识别。

10.一种基于视觉显著性分析的恐怖图像识别系统，其特征在于，该系统包括：

训练集建立模块：其用于建立包括恐怖图像样本和非恐怖图像样本的训练集；

视觉显著性分析模块，其用于利用图像视觉显著性分析算法对每一幅样本图像进行视觉显著性分析，以得到每幅样本图像的视觉显著图；

图像特征提取模块，其用于将每幅样本图像划分成W×W小图像块，并对每个图像块提视觉与情感特征，并利用基于视觉显著性的词包表示模型得到每个训练样本图像的视觉单词直方图特征；

恐怖图像识别模块，其利用得到的每幅样本图像的词包表示模型及其对应的标签训练支持向量机以得到恐怖图像的分类模型，并利用该分量模型对新的测试图像进行识别，判断其是否为恐怖图像。

Images