CN103902954A - 一种不良视频的鉴别方法和系统 - Google Patents
一种不良视频的鉴别方法和系统 Download PDFInfo
- Publication number
- CN103902954A CN103902954A CN201210575836.5A CN201210575836A CN103902954A CN 103902954 A CN103902954 A CN 103902954A CN 201210575836 A CN201210575836 A CN 201210575836A CN 103902954 A CN103902954 A CN 103902954A
- Authority
- CN
- China
- Prior art keywords
- frame
- sdr
- benchmark
- reference edge
- along
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种不良视频的鉴别方法和系统,该方法包括预设不良事件的体态特征因子集合β的空间分布区域;按照周期提取待鉴别视频中帧序列中的人物图像;提取每一帧中人物图像的基准体态参考边沿T及其特性;提取帧间基准体态参考边沿T的时间变化特征μt和空间变化特征μs;提取帧内目标人物的体态特征因子集合β;将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。本发明的技术方案由于采用色情视频中普遍存在的运动信息和体态变化信息,进行不良视频鉴别的依据,因此判决不良视频更为准确。
Description
技术领域
本发明涉及信息安全技术领域,尤其涉及一种不良视频的鉴别方法和系统。
背景技术
现在的不良视频检测办法大多基于静态单帧特征的分析,主要的方法是从图像序列中依据特定的规律抽取不同的图片帧进行分析,分析依据下面的考核进行:肤色的相似性,肤色的比率,人物外形轮廓,人物特征点的提取位置稳定性以及特殊部位的形态学模型匹配。
在获取不同的参数特征值后,再依据不同方案中对各个参数值的选用方法,决定最后是否满足判决该图片帧符合色情的条件,如是,则标记该图片为色情,并从而判定视频为色情视频。
现有技术方案的缺点在于,虽然选用的参数各有不同,但都是基于静态单帧图片做的分析。这种方案中选用的参数都是基于图像学进行的,未能模仿和利用人类在主观判决过程中使用视频的动态的相对稳定的情境因素反映的信息进行鉴别。
发明内容
为了解决现有技术中存在的基于静态单帧图片判断不良视频的技术问题,本发明提出一种不良视频的鉴别方法和系统,判决不良视频更为准确。
本发明一方面提供了一种不良视频的鉴别方法,包括以下步骤:
预设不良事件的体态特征因子集合β的空间分布区域;
按照周期提取待鉴别视频中帧序列中的人物图像;
提取每一帧中人物图像的基准体态参考边沿T及其特性;
提取帧间基准体态参考边沿T的时间变化特征μt和空间变化特征μs;
提取帧内目标人物的体态特征因子集合β;
将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。
本发明另一方面提供了一种不良视频的鉴别系统,包括预设模块、第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块和判断模块,其中,
预设模块用于预设不良事件的体态特征因子集合β的空间分布区域;
第一提取模块用于按照周期提取待鉴别视频中帧序列中的人物图像;
第二提取模块用于提取每一帧中人物图像的基准体态参考边沿T;
第三提取模块用于提取每一帧中人物图像的基准体态参考边沿T的特性;
第四提取模块用于提取帧间基准体态参考边沿T的时间变化特征μt;
第五提取模块用于提取帧间基准体态参考边沿T的空间变化特征μs;
第六提取模块用于提取帧内目标人物的体态特征因子集合β;
判断模块用于将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。
本发明的技术方案由于采用色情视频中普遍存在的运动信息和体态变化信息,进行不良视频鉴别的依据,因此判决不良视频更为准确。
附图说明
图1是本发明实施例中不良视频的鉴别的流程图。
图2是本发明实施例中不良视频的鉴别系统结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细描述。
本发明提出一种基于视频图像中人物(群类)运动信息的分析,划分鉴别不良视频相关动作类属和关联情境的方法。这种方法先使用一种专用的独立区块边沿鉴别算法检测人物,将人物划分为多个独立区块,然后标记出这些区块的边沿,再比较多帧中独立区块边沿本身的变化,计算每一个变化中区块的运动矢量,从而提取这个区块的多个的运动特征因子μ。通过运动特征因子μ的集合,得到这个区n块的体态特征因子集合β,而体态特征因子集合β本身可以对应不同的不良色情事件情境(体态变化,动作激烈程度,多人物肢体干涉等)之间有较好的对应关系,从而定义一个视频片段内的色情概率,可以对特定视频片段进行色情程度的评判。
图1是本发明实施例中不良视频的鉴别的流程图。如图1所示,该不良视频的鉴别流程包括以下步骤:
步骤101、预设不良事件的体态特征因子集合β的空间分布区域。
研究发现,典型的色情情节视频都有其特有的体态特征因子集合β,这些特征可以较好地区分一段视频是否具有该类色情情节。这些特征是多个因子的组合条件,这些条件形成了判断的充分条件。体态特征因子集合β包括一个标准时间区段Du中的时间变化特征μt对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR,即μt-cc、μt-obr和μt-sdr,以及空间变化特征μs对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc和空间扩散率SDR,即μs-cc和μs-sdr。
例如:
特征因子 | 站立暴露姿态的洗澡 | 两人间剧烈的交欢体位动作 |
μt-cc(Du=200ms) | !<5 | |
μt-obr(Du=200ms) | !<0.1 | |
μt-sdr(Du=200ms) | !>100 | |
μs-cc(Ω=45,Du=200ms) | !<1 | >10 |
μs-sdr(Ω=45,Du=200ms) | <2 | !>0.2 |
步骤102、按照周期提取待鉴别视频中帧序列中的人物图像。本步骤采用脸部映射或者体位轮廓映射等方法提取待鉴别视频中帧序列中的人物图像。
步骤103、提取每一帧中人物图像的基准体态参考边沿T。
首先将所有人物图像的像素同时在YUV模式和HSL模式下,提取每一个像素点的V分量和S分量;
计算所述每一个像素点的体态因子μ=(V*S);
提取每一帧中最大的点作为第一体态基准点,以所述第一体态基准点为准,依次向外扩展计算与其相连8个点的提取这8个点中最大的点作为第二体态基准点;这样重复上述步骤,在整个人物区块的范围内将所有的点都计算一次得到人物图像点中所有的作为体态基准点的点,从而得到当前帧的一个由体态基准点构成的图像,作为该帧的基准体态参考边沿T。
步骤104、提取每一帧中人物图像的基准体态参考边沿T的特性。
提取每一帧中人物图像的基准体态参考边沿T的鉴别因子,包括最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR,其中占空比OBR为基准体态参考边沿T的像素数量与最小外延拟合椭圆边沿所围成的区域的像素数量之比,空间扩散率SDR表示基准体态参考边沿T的内容点分布是否存在特定方向上的明显的趋向扩散。
为了更加精确地获得基准体态参考边沿T的运行方向变换趋势,以基准体态参考边沿T的几何中心位置为中心,以预定的角度Ω将基准体态参考边沿T所在的平面进行均分,形成不少于2个角度为Ω的椭圆扇型拟合区域,基准体态参考边沿T的点在每一个由角度Ω平分线构成的坐标系的投影之和的绝对值组成了基准体态参考边沿T在这一方向上的向量。计算过程中,角度Ω越小,划分的空间角度越密集,计算结果对最终的判断影响越正确,但计算量越大。一般的,角度Ω大于或者等于30度,且小于或者等于90度。
步骤105、提取帧间基准体态参考边沿T的时间变化特征μt。进一步包括以下步骤:
对前后帧的最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR的变化做一次曲率分析,得到视频图像上最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR的时间变化特征μt。
这里的时间区段取一个系统内置的标准值,以200ms作为一个标准时间区段Du,时间变化特征μt对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR分别是μt-cc、μt-obr和μt-sdr。这个计算中,帧间差值Fc越密集,结果对最终判决的影响越正向可靠,但是相应的计算量就越大。
步骤106、提取帧间基准体态参考边沿T的空间变化特征μs。进一步包括以下步骤:
在一个标准时间区段Du内,取所有帧的基准体态参考边沿T的最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc和空间扩散率SDR,计算两者在特定均匀划分的空间角度Ω上的分布密度和强度变化,得到基准体态参考边沿T的空间变化特征μs。
空间变化特征μs是一个由空间变化特征μs对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc和空间扩散率SDR,即μs-cc和μs-sdr构成的线性函数,μs=A*μs-cc+B*μs-sdr,其中,A和B是预定的系数,其斜率表征了操作者对不同不良事件特性的关注度,是一个可以根据操作人的倾向进行调整的参数。计算过程中,划分的空间角度越密集,计算结果对最终的判断影响越正向,但计算量越大。
获得μs-cc的步骤进一步包括:
计算在一个标准时间区段Du内相邻两帧中,第二帧的中心点坐标的在第一帧的Ω空间内所有坐标上空间变化量,得到第二帧的μs-cci,将一个标准时间区段Du内所有帧的μs-cci相加,取绝对值,得到一个标准时间区段Du内的μs-cc。
获得μs-sdr的步骤进一步包括:
将一个标准时间区段Du内相邻两帧的第一帧上的空间扩散率SDR和第二帧的空间扩散率SDR做对比,取一次变化率得到第二帧μs-sdri,将一个标准时间区段Du内所有帧的μs-sdri相加,取绝对值,得到一个标准时间区段Du内的μs-sdr。
步骤107、提取帧内目标人物的体态特征因子集合β。
每一个标准时间区段Du中,对所有目标人物,时间变化特征μt对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc、占空比OBR和空间扩散率SDR,即μt-cc、μt-obr和μt-sdr,以及空间变化特征μs对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc和空间扩散率SDR,即μs-cc和μs-sdr,形成这个片段的所述目标人物区域的体态特征因子集合β,使用一个5维的空间加以描述。
步骤108、将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。
为了实现上述流程,本实施例还提出一种不良视频的鉴别系统。图2是本发明实施例中不良视频的鉴别系统结构示意图。如图2所示,该不良视频的鉴别系统包括预设模块201、第一提取模块202、第二提取模块203、第三提取模块204、第四提取模块205、第五提取模块206、第六提取模块207和判断模块208。
其中,预设模块用于预设不良事件的体态特征因子集合β的空间分布区域;
第一提取模块用于按照周期提取待鉴别视频中帧序列中的人物图像;
第二提取模块用于提取每一帧中人物图像的基准体态参考边沿T;
第三提取模块用于提取每一帧中人物图像的基准体态参考边沿T的特性;
第四提取模块用于提取帧间基准体态参考边沿T的时间变化特征μt;
第五提取模块用于提取帧间基准体态参考边沿T的空间变化特征μs;
第六提取模块用于提取帧内目标人物的体态特征因子集合β;
判断模块用于将帧内目标人物的体态特征因子集合β与预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断待鉴别视频是否不良视频。
本发明的技术方案由于采用色情视频中普遍存在的运动信息和体态变化信息,进行不良视频鉴别的依据,因此判决不良视频更为准确。
应说明的是:以上实施例仅用以说明本发明而非限制,本发明也并不仅限于上述举例,一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围中。
Claims (15)
1.一种不良视频的鉴别方法,其特征在于,包括以下步骤:
预设不良事件的体态特征因子集合β的空间分布区域;
按照周期提取待鉴别视频中帧序列中的人物图像;
提取每一帧中人物图像的基准体态参考边沿T及其特性;
提取帧间基准体态参考边沿T的时间变化特征μt和空间变化特征μs;
提取帧内目标人物的体态特征因子集合β;
将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。
3.根据权利要求1所述的一种不良视频的鉴别方法,其特征在于,采用脸部映射或者体位轮廓映射提取待鉴别视频中帧序列中的人物图像。
4.根据权利要求1所述的一种不良视频的鉴别方法,其特征在于,所述提取每一帧中人物图像的基准体态参考边沿T,进一步包括以下步骤:
将所有人物图像的像素同时在YUV模式和HSL模式下,提取每一个像素点的V分量和S分量;
计算所述每一个像素点的体态因子μ=(V*S);
6.根据权利要求5所述的一种不良视频的鉴别方法,其特征在于,还包括以下步骤:
以基准体态参考边沿T的几何中心位置为中心,以预定的角度Ω将基准体态参考边沿T所在的平面进行均分,形成不少于2个角度为Ω的椭圆扇型拟合区域;
基准体态参考边沿T的点在每一个由角度Ω平分线构成的坐标系的投影之和的绝对值组成了基准体态参考边沿T在这一方向上的向量;
所述空间扩散率SDR表示基准体态参考边沿T的内容点分布是否存在特定方向上的明显的趋向扩散。
7.根据权利要求6所述的一种不良视频的鉴别方法,其特征在于,角度Ω大于或者等于30度,且小于或者等于90度。
11.根据权利要求10所述的一种不良视频的鉴别方法,其特征在于,
空间变化特征μs是一个由空间变化特征μs对应所述最小外延拟合椭圆封闭区间的中心点空间位置坐标Cc和空间扩散率SDR,即μs-cc和μs-sdr构成的线性函数,μs=A*μs-cc+B*μs-sdr,其中,A和B是预定的系数,其斜率表征了操作者对不同不良事件特性的关注度。
12.根据权利要求11所述的一种不良视频的鉴别方法,其特征在于,获得所述μs-cc的步骤进一步包括:
计算在一个标准时间区段Du内相邻两帧中,第二帧的中心点坐标的在第一帧的Ω空间内所有坐标上空间变化量,得到第二帧的μs-cci,将一个标准时间区段Du内所有帧的μs-cci相加,取绝对值,得到一个标准时间区段Du内的μs-cc。
13.根据权利要求11所述的一种不良视频的鉴别方法,其特征在于,获得所述μs-sdr的步骤进一步包括:
将一个标准时间区段Du内相邻两帧的第一帧上的空间扩散率SDR和第二帧的空间扩散率SDR做对比,取一次变化率得到第二帧μs-sdri,将一个标准时间区段Du内所有帧的μs-sdri相加,取绝对值,得到一个标准时间区段Du内的μs-sdr。
15.一种不良视频的鉴别系统,其特征在于,包括预设模块、第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块和判断模块,其中,
预设模块用于预设不良事件的体态特征因子集合β的空间分布区域;
第一提取模块用于按照周期提取待鉴别视频中帧序列中的人物图像;
第二提取模块用于提取每一帧中人物图像的基准体态参考边沿T;
第三提取模块用于提取每一帧中人物图像的基准体态参考边沿T的特性;
第四提取模块用于提取帧间基准体态参考边沿T的时间变化特征μt;
第五提取模块用于提取帧间基准体态参考边沿T的空间变化特征μs;
第六提取模块用于提取帧内目标人物的体态特征因子集合β;
判断模块用于将所述帧内目标人物的体态特征因子集合β与所述预设的不良事件的体态特征因子集合β的空间分布区域进行比对,判断所述待鉴别视频是否不良视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210575836.5A CN103902954B (zh) | 2012-12-26 | 2012-12-26 | 一种不良视频的鉴别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210575836.5A CN103902954B (zh) | 2012-12-26 | 2012-12-26 | 一种不良视频的鉴别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103902954A true CN103902954A (zh) | 2014-07-02 |
CN103902954B CN103902954B (zh) | 2018-06-26 |
Family
ID=50994267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210575836.5A Active CN103902954B (zh) | 2012-12-26 | 2012-12-26 | 一种不良视频的鉴别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103902954B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956550A (zh) * | 2016-04-29 | 2016-09-21 | 浪潮电子信息产业股份有限公司 | 一种视频鉴别的方法和装置 |
WO2017161756A1 (zh) * | 2016-03-23 | 2017-09-28 | 乐视控股(北京)有限公司 | 视频鉴别方法及系统 |
CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
WO2019201008A1 (zh) * | 2018-04-20 | 2019-10-24 | 华为技术有限公司 | 直播视频审查的方法和装置 |
CN110796098A (zh) * | 2019-10-31 | 2020-02-14 | 广州市网星信息技术有限公司 | 内容审核模型的训练及审核方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014295A (zh) * | 2010-11-19 | 2011-04-13 | 嘉兴学院 | 一种网络敏感视频检测方法 |
US20120004887A1 (en) * | 2009-12-22 | 2012-01-05 | Panasonic Corporation | Action analysis device and action analysis method |
CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
-
2012
- 2012-12-26 CN CN201210575836.5A patent/CN103902954B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120004887A1 (en) * | 2009-12-22 | 2012-01-05 | Panasonic Corporation | Action analysis device and action analysis method |
CN102014295A (zh) * | 2010-11-19 | 2011-04-13 | 嘉兴学院 | 一种网络敏感视频检测方法 |
CN102708571A (zh) * | 2011-06-24 | 2012-10-03 | 杭州海康威视软件有限公司 | 视频中剧烈运动的检测方法及其装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161756A1 (zh) * | 2016-03-23 | 2017-09-28 | 乐视控股(北京)有限公司 | 视频鉴别方法及系统 |
CN105956550A (zh) * | 2016-04-29 | 2016-09-21 | 浪潮电子信息产业股份有限公司 | 一种视频鉴别的方法和装置 |
CN105956550B (zh) * | 2016-04-29 | 2019-06-04 | 浪潮电子信息产业股份有限公司 | 一种视频鉴别的方法和装置 |
WO2019201008A1 (zh) * | 2018-04-20 | 2019-10-24 | 华为技术有限公司 | 直播视频审查的方法和装置 |
CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
CN110796098A (zh) * | 2019-10-31 | 2020-02-14 | 广州市网星信息技术有限公司 | 内容审核模型的训练及审核方法、装置、设备和存储介质 |
CN110796098B (zh) * | 2019-10-31 | 2021-07-27 | 广州市网星信息技术有限公司 | 内容审核模型的训练及审核方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103902954B (zh) | 2018-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105872477B (zh) | 视频监控方法和视频监控系统 | |
CN106127148B (zh) | 一种基于机器视觉的手扶电梯乘客异常行为检测方法 | |
CN103810490B (zh) | 一种确定人脸图像的属性的方法和设备 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN105574515B (zh) | 一种无重叠视域下的行人再识别方法 | |
CN102890866B (zh) | 基于多核支持向量回归机的交通流速度估计方法 | |
CN103902954A (zh) | 一种不良视频的鉴别方法和系统 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN102542282B (zh) | 一种无源图像马赛克检测方法及装置 | |
CN104574366A (zh) | 一种基于单目深度图的视觉显著性区域的提取方法 | |
CN102903119A (zh) | 一种目标跟踪方法和装置 | |
CN105631852B (zh) | 基于深度图像等高线的室内人体检测方法 | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN102509074A (zh) | 一种目标识别方法和设备 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN104408741A (zh) | 一种时序一致性约束的视频全局运动估计方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN106447695A (zh) | 一种多物体追踪中判断同一物体的方法和装置 | |
CN103095996A (zh) | 基于时空显著性检测的多传感器视频融合方法 | |
CN105046316B (zh) | 一种基于高斯过程回归的激光双向行人计数方法 | |
CN103996045A (zh) | 一种基于视频的多种特征融合的烟雾识别方法 | |
CN105741326B (zh) | 一种基于聚类融合的视频序列的目标跟踪方法 | |
CN109344706A (zh) | 一种可单人操作的人体特殊姿势照片的获取方法 | |
CN103049919B (zh) | 一种嵌入式目标检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |