CN103544498A - 基于自适应抽样的视频内容检测方法与系统 - Google Patents

Abstract

本发明公开了一种视频内容检测方法与系统，所述方法包括：建立训练图集，根据所述训练图集训练得到图像分类器，对待检测视频进行解码，以生成图像序列，基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测，根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。通过本发明技术方案，采用动态的自适应抽样方法，对视频的内容检测的时候，在检测准确率和检测效率上到达了良好的平衡，在保证检测准确率的同时通过减少抽样帧的数目提高了检测效率，能够取得快速检测的有益效果。

Description

基于自适应抽样的视频内容检测方法与系统

技术领域

本发明属于数字视频处理领域，具体涉及一种基于自适应抽样的视频内容检测方法与系统。

背景技术

网络已经成为人们获得信息和认识世界的重要途径，然而，目前网络中的内容良莠不齐。网络上的敏感信息，特别是色情小说、色情图像及视频的传播，扰乱了社会秩序，破坏了社会风气，给人们尤其是青少年的健康成长造成了负面影响。确保青少年不被网络中大量传播的不良网络内容影响，对应维护社会稳定以及保障青少年身心健康具有重要的理论价值与现实意义。

目前，在网络不良视频检测方面，常用的是基于图片顺序的内容检测方法，然而现有的网络视频内容检测方法不仅具有工作量大的缺点，还具有工作效率低的弊端。

发明内容

针对现有技术的缺陷，本发明提出了一种基于自适应抽样的视频内容检测方法，其目的在于解决现有技术中视频内容检测工作量大工作效率低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种视频内容检测方法，包括以下步骤：

(1)建立训练图集，所述训练图集中包括正常图片和不良图片；

(2)根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

(3)对待检测视频进行解码，以生成图像序列；

(4)基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

(5)根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

和传统的视频内容检测方法相比，本发明采用自适应的抽样方法进行内容检测，可减少检测时间提高检测效率。

优选地，所述步骤(4)具体包括以下子步骤：

(4-1)对解码后生成的图片序列，进行时间间隔为τ的采样，提取关键帧，关键帧总数为N＝T/τ，其中T为所述待检测视频总时间长度；

(4-2)根据上述步骤(2)中训练得到的图像分类器，对所述采样提取的每一幅关键帧进行检测；

(4-3)根据图像分类器对每一幅关键帧的检测结果判断每一幅关键帧是否为不良图像；

(4-4)统计不良图像的数目n，并计算不良图像占总关键帧的比率大小σ＝n/N。

本发明采用抽样的方法对视频内容进行检测，不必对每一帧内容进行不良图像判断，当解码生成的图片序列较长时，可以极大地减少检测时间。

优选地，所述判断所述待检测视频是否为不良视频具体为：

(5-1)判断该比率σ是否大于设定的不良视频的阈值P，如果高于阈值则该视频被认定为不良视频，检测过程结束。

优选地，如果所述比率σ低于阈值P，则所述方法还包括：

(5-2)在步骤(4-4)统计得到的n幅不良关键帧中，以每一幅不良关键帧为不良图像检测窗口的中心，分别在时间长度为S的不良图像检测窗口内再次进行抽样检测，抽样时间间隔为τ′，其中S满足S＝α*τ，0＜α＜1，τ′满足τ′＝τ/β，β＞1，抽样得到的关键帧数目为L＝S/τ′，若在每个窗口中不良图像的数目为l_i(i＝1，2，...，n)，计算窗口检测后不良图像所占的比率大小 $\mathrm{\η}=\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i\right)\•\frac{L}{T/{\mathrm{\τ}}^{\′}};$

(5-3)根据应用于视频检测内容的视频内容评估模型，判断该比率大小是否大于设定的不良图像检测窗口的阈值Q，如果是，则该视频被认定为不良视频，否则该视频被认定为正常视频。

在本发明的视频内容检测方法中，对于不同的视频内容，第一次检测得到的结果不同，及不良关键帧数目不同、位置也不同，使得不良图像检测窗口的位置以及检测的次数也不相同，具有自适应于视频内容的特点。

优选地，所述步骤(4-2)中根据图像分类器对采样提取的每一幅关键帧进行检测的方法包括肤色检测或支持向量机检测。

肤色检测可以快速地辨别出正常图片和不良图片，支持向量机检测在肤色检测的基础上进一步准确地判别出不良图片。

按照本发明的另一方面，还提供了一种视频内容检测系统，包括：

训练图集构建模块，用于建立训练图集，所述训练图集中包括正常图片和不良图片；

不良图像判断模块，用于根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

视频解码模块，对待检测视频进行解码，以生成图像序列；

抽样检测模块，基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

不良视频判断模块，根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

总体而言，通过本发明技术方案，采用动态的自适应抽样方法，对视频的内容检测的时候，在检测准确率和检测效率上到达了良好的平衡，在保证检测准确率的同时通过减少抽样帧的数目提高了检测效率，能够取得快速检测的有益效果。

附图说明

图1是本发明视频内容检测方法的整体流程图；

图2是本发明一优选实施例所构建的视频内容检测方法的详细流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提出了一种视频内容检测方法，包括：

(1)建立训练图集，所述训练图集中包括正常图片和不良图片；

(2)根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

(3)对待检测视频进行解码，以生成图像序列；

(4)基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

(5)根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

优选地，所述步骤(4)具体可以包括以下子步骤：

(4-1)对解码后生成的图片序列，进行时间间隔为τ的采样，提取关键帧，关键帧总数为N＝T/τ，其中T为所述待检测视频总时间长度；

(4-2)根据上述步骤(2)中训练得到的图像分类器，对所述采样提取的每一幅关键帧进行检测；

(4-3)根据图像分类器对每一幅关键帧的检测结果判断每一幅关键帧是否为不良图像；

(4-4)统计不良图像的数目n，并计算不良图像占总关键帧的比率大小σ＝n/N。

此时所述步骤(5)具体为：

(5-1)判断该比率σ是否大于设定的不良视频的阈值P，如果高于阈值则该视频被认定为不良视频，检测过程结束。

优选地，如果所述比率σ低于阈值P，则所述方法还包括：

(5-2)在步骤(4-4)统计得到的n幅不良关键帧中，以每一幅不良关键帧为不良图像检测窗口的中心，分别在时间长度为S的不良图像检测窗口内再次进行抽样检测，抽样时间间隔为τ′，其中S满足S＝α*τ，0＜α＜1，τ′满足τ′＝τ/β，β＞1，抽样得到的关键帧数目为L＝S/τ′，若在每个窗口中不良图像的数目为l_i(i＝1，2，...，n)，计算窗口检测后不良图像所占的比率大小 $\mathrm{\η}=\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i\right)\•\frac{L}{T/{\mathrm{\τ}}^{\′}};$

(5-3)根据应用于视频检测内容的视频内容评估模型，判断该比率大小是否大于设定的不良图像检测窗口的阈值Q，如果是，则该视频被认定为不良视频，否则该视频被认定为正常视频。

优选地，所述步骤(4-2)中根据图像分类器对采样提取的每一幅关键帧进行检测的方法包括肤色检测或支持向量机检测。

肤色检测可以快速地辨别出正常图片和不良图片，支持向量机检测在肤色检测的基础上进一步准确地判别出不良图片。

本发明还提供了一种视频内容检测系统，包括：

训练图集构建模块，用于建立训练图集，所述训练图集中包括正常图片和不良图片；

不良图像判断模块，用于根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

视频解码模块，对待检测视频进行解码，以生成图像序列；

抽样检测模块，基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

不良视频判断模块，根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

如图2所示，为根据本发明所述的视频内容检测方法所构建的一个优选实施例，具体地，所述方法包括：

(1)建立训练图集；

(2)根据训练图集离线训练得到图像分类器，用于判断待检测视频中的抽样图像是否为不良图像；

(3)对待检测视频进行解码，以生成图像序列；

(4)由连续的视频图片间的关联性，根据一种应用于视频内容检测的自适应抽样方法，对待检测视频中关键帧进行抽样检测，其具体步骤包括：

(4-1)针对解码后得到的图片序列，进行时间间隔为τ的采样(τ的大小可根据图片序列的长度T设定)，即提取关键帧，其总数N＝T/τ；

(4-2)先对采样提取得到的每一幅关键帧进行肤色检测；

(4-3)再根据步骤(2)中训练得到的分类器，对采样提取的每一幅关键帧进行支持向量机检测；

(4-4)判断每一幅关键帧是否为不良图像；

(4-5)统计步骤(4-4)中的不良图像的数目n，并计算不良图像占总关键帧的比率大小σ＝n/N；

(4-6)根据应用于视频检测内容的视频内容评估模型，判断该比率σ是否大于设定的不良视频的阈值P(P的大小根据抽样的时间间隔τ设定)，如果是则该视频被认定为不良视频，过程结束，否则继续步骤(4-7)；

(4-7)在步骤(4-1)抽检的N帧关键帧中，用长度为L的不良图像检测窗口进行检测。若在窗口中不良图像的数目为l_i(i＝1，2，...，n)，计算窗口中不良图像所占的比率大小

(4-8)根据应用于视频检测内容的视频内容评估模型，判断该比率大小

是否大于设定的不良图像检测窗口的阈值Q(Q的大小根据不良图像检测窗口的长度L设定)，如果是，则该视频被认定为不良视频，否则该视频被认定为正常视频。

例如，对于时长为T＝159min的电影《色戒》，在离线训练得到图像分类器后，抽样检测的具体实施方法如下：

(1)对电影进行解码，得到图像序列；

(2)应用自适应抽样方法对视频内容进行检测：

(2-1)针对解码后得到的图片序列，进行时间间隔τ＝2min的采样，则提取得到的关键帧总数N＝T/τ＝80；

(2-2)首先对采样得到的80帧中的每一帧图像进行肤色检测；

(2-3)再根据离线训练得到的图像分类器对采样得到的80帧中的每一帧图像进行支持向量机检测；

(2-4)根据肤色检测和支持向量机检测判断每一帧是否为不良图像；

(2-5)统计不良图片的数目为n＝2，则不良图片占总关键帧的比率大小为σ＝n/N＝2.5％；

(2-6)根据应用于视频检测内容的视频内容评估模型，比率σ＝2.5％小于设定的不良视频的阈值P＝10％，继续检测；

(2-7)在步骤(2-5)抽检的2帧不良关键帧中，用时间长度为S＝2min的不良图像检测窗口，进行时间间隔为τ′＝15s的抽样检测。在滑动窗口检测过程中，每个滑动窗口中抽取得到的关键帧数目为L＝S/τ′＝9。得到的不良图片的数目依次为l_i＝7，5(i＝1，2)

(2-8)根据应用于视频检测内容的视频内容评估模型，总的不良图像比率大小小于设定的不良图像检测窗口的阈值Q＝15％，则该视频被认定为正常视频。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种视频内容检测方法，其特征在于，包括以下步骤：

(1)建立训练图集，所述训练图集中包括正常图片和不良图片；

(2)根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

(3)对待检测视频进行解码，以生成图像序列；

(4)基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

(5)根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

2.根据权利要求1所述的视频内容检测方法，其特征在于，所述步骤(4)具体包括以下子步骤：

(4-1)对解码后生成的图片序列，进行时间间隔为τ的采样，提取关键帧，关键帧总数为N＝T/τ，其中T为所述待检测视频总时间长度；

(4-2)根据上述步骤(2)中训练得到的图像分类器，对所述采样提取的每一幅关键帧进行检测；

(4-3)根据图像分类器对每一幅关键帧的检测结果判断每一幅关键帧是否为不良图像；

(4-4)统计不良图像的数目n，并计算不良图像占总关键帧的比率大小σ＝n/N。

3.根据权利要求2所述的视频内容检测方法，其特征在于，所述判断所述待检测视频是否为不良视频具体为：

(5-1)判断该比率σ是否大于设定的不良视频的阈值P，如果高于阈值则该视频被认定为不良视频，检测过程结束。

4.根据权利要求3所述的视频内容检测方法，其特征在于，如果所述比率σ低于阈值P，则所述方法还包括：

(5-2)在步骤(4-4)统计得到的n幅不良关键帧中，以每一幅不良关键帧为不良图像检测窗口的中心，分别在时间长度为S的不良图像检测窗口内再次进行抽样检测，抽样时间间隔为τ′，其中S满足S＝α*τ，0＜α＜1，τ′满足τ′＝τ/β，β＞1，抽样得到的关键帧数目为L＝S/τ′，若在每个窗口中不良图像的数目为l_i(i＝1，2，...，n)，计算窗口检测后不良图像所占的比率大小 $\mathrm{\η}=\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{l}_i\right)\•\frac{L}{T/{\mathrm{\τ}}^{\′}};$

(5-3)根据应用于视频检测内容的视频内容评估模型，判断该比率大小

是否大于设定的不良图像检测窗口的阈值Q，如果是，则该视频被认定为不良视频，否则该视频被认定为正常视频。

5.如权利要求2至4任一项所述的视频内容检测方法，其特征在于，所述步骤(4-2)中根据图像分类器对采样提取的每一幅关键帧进行检测的方法包括肤色检测或支持向量机检测。

6.一种视频内容检测系统，其特征在于，包括：

训练图集构建模块，用于建立训练图集，所述训练图集中包括正常图片和不良图片；

不良图像判断模块，用于根据所述训练图集训练得到图像分类器，所述图像分类器用于判断待检测视频中的抽样图像是否为不良图像；

视频解码模块，对待检测视频进行解码，以生成图像序列；

抽样检测模块，基于自适应抽样方法，利用所述图像分类器对所述生成的图像序列进行抽样检测；

不良视频判断模块，根据所述图像分类器对所述图像序列抽样检测的结果，判断所述待检测视频是否为不良视频。

Images