CN104134059A - 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 - Google Patents

Abstract

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。

Description

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

技术领域

本发明属于计算机视觉与模式识别的交叉领域，涉及一种不良图像的检测方法，特别涉及基于颜色信息保持的多尺度可形变部件模型融合检测方法，可用于检测图像中的人体敏感器官从而过滤色情图像。

背景技术

随着互联网的普及，互联网用户可以方便地获取各种信息，然而，网络中的色情图像和视频损害了网络的健康。特别是，网络中的色情信息传播也日益隐蔽，严重影响了用户尤其是青少年的身心健康。因而如何有效遏制网络中此类不良信息的传播，是一个亟待解决的问题。由于视频是由图像帧组成的，所以不良图像检测技术是视频过滤的基础，不良图像检测也因此成为该领域的研究热点。

由于不良图像中常裸露大量的皮肤区域，早期的不良图像检测方法通常先检测人体的肤色区域，然后提取肤色区域中的低层特征(肤色区域的形状和纹理、肤色与非肤色区域之间的面积比例等)进行不良信息判别。其代表性的检测方法如美国伊利诺伊大学香槟分校的Fleck等提出的“Finding naked people”方法^[1]。这种方法在描述肤色时需要选择合适的色彩空间，研究表明，在YC_bC_r色彩空间中的C_bC_r色度分量上，人类肤色具有良好的聚类特性，可用高斯模型等方法进行肤色建模。考虑到人种对肤色的影响，典型的肤色提取方法采用混合高斯模型(Gaussian mixture model，GMM)，将不同肤色的高斯模型融合起来同时检测多种肤色。然而，不良图像中的敏感器官往往包含非肤色区域，该类方法如果漏检非肤色区域，将使得后续的所能提取的鉴别性特征减少，从而影响检测方法的检测性能。

此外，不良图像内容复杂，肤色区域中的低层特征不能精确地描述图像的语义内容。为此，研究人员采用词袋模型来检测不良图像。例如，瑞士谷歌的Deselaers等提出先检测图像中的尺度不变特征变换特征，将这些特征量化成视觉单词，然后统计单词的直方图，根据直方图的分布情况来检测色情图像^[2]。鉴于词袋模型中单词的语义信息并不明确，德国奥格斯堡大学的Lienhart等提出基于概率隐含语义分析的不良图像检测方法^[3]，试图揭示共现(Co-occuring)单词所组成的主题(Topic)信息，但是这些主题所对应的语义信息仍然不明确。

由于不良图像中敏感器官包含着明确的语义信息，可用于鉴别不良图像。中科院的胡卫明等提出训练基于Haar-like特征的人脸、女性乳房等的检测器来检测图像中的关键人体器官，以此作为高层特征，并结合肤色区域中的低层特征来检测不良图像^[4]。基于敏感器官检测的检测方法符合人的语义描述，敏感器官检测器应该对光照变化及目标形变具有良好的适应性。

当前的各种目标检测方法中，美国布朗大学的Felzenszwalb等人提出了一种基于形变模型的目标检测方法^[5]。形变模型中的梯度方向直方图(Histogram of orientedgradients，HoG)特征被用来描述目标的部分和整体的形状信息，颜色信息是实现不良图像检测的一个重要的视觉线索，基于目标检测的方法并没有考虑其颜色信息。

参考文献：

[1]Fleck,Margaret M.,David A.Forsyth,and Chris B.Finding naked people,EuropeanConference on Computer Vision,II:592-602,1996.

[2]Deselaers T.,Pimenidis L.and Ney H.Bag-of-visual-words models for adult imageclassification and filtering,IEEE International Conference on Pattern Recognition,pp.1-4,2008.

[3]Lienhart R.and Hauke R.Filtering adult image content with topic models,IEEEInternational Conference on Multimedia and Expo,pp.1472-1475,2009.

[4]Hu W.,Zuo H.,Wu O.,Chen Y.,Zhang Z.and Suter D.Recognition of adult images,videos,and web page bags,ACM Transactions on Multimedia Computing,Communicationsand Applications,7(28):1-24,2011.

[5]Felzenszwalb P.F.,Girshick R.B.,McAllester D.and Ramanan D.Object detectionwith discriminatively trained part-based models,IEEE Transactions on Pattern Analysis andMachine Intelligence,32(9):1627-1645,2010.

发明内容

为解决现有的敏感器官检测器不考虑图像的颜色信息，导致正常图像误判的问题，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，提供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。该方法将基于GMM模型的人体敏感器官颜色信息与基于HoG特征的形状信息相结合作为敏感器官的特征，并利用混合形变模型来进行训练，得到多尺度可形变的多个敏感器官检测器，最后融合这些敏感器官检测器以实现不良图像的检测。

具体而言，本发明所述的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；

(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检测器，将多种姿态下的检测器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。

在所述的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中，步骤(3)所述将HoG特征和GMM特征相结合作为敏感器官的特征的方法包括如下步骤：

2.1)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YC_bC_r颜色空间，并提取其C_b、C_r色度分量的值；其中，Y表示亮度分量，C_b表示蓝色色度分量，C_r表示红色色度分量；

2.2)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C_b、C_r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ω_iG_i(i∈{1,2,…,K})上的值，作为该小图像块的颜色特征，将U个小图像块的颜色特征联合起来记作 $h_2=[{\mathrm{\ω}}_1{G}_1^1,...,{\mathrm{\ω}}_K{G}_K^1,...,{\mathrm{\ω}}_1{G}_1^U,...,{\mathrm{\ω}}_K{G}_K^U];$

2.3)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；

2.4)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g_x(x,y)和g_y(x,y)；

g_x(x,y)＝I(x+1,y)-I(x-1,y)

g_y(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)；

$g(x,y)=\sqrt{g_x{(x,y)}^2+g_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{g_y(x,y)}{g_x(x,y)}\right)$

2.5)将敏感器官训练样本的灰度图像划分成与步骤2.1)中相同的细胞单元，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；

2.6)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f_i为第i个bin的梯度累加值；

2.7)联合2.6)得到的梯度特征向量h₁和步骤2.2)中得到颜色特征向量h₂，组成细胞单元的特征向量[h₁,h₂]；

2.8)将细胞单元组合成块，并在块内归一化。

在所述的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中，步骤(4)中所述敏感器官的混合形变模型的集成方法包括如下步骤：

3.1)为检测到不同尺度下的敏感器官，对敏感器官样本图像进行采样，得到不同分辨率的图像，组成图像金字塔；对图像金字塔中的每一层图像采用步骤(3)的方法将其HoG特征和GMM特征相结合作为敏感器官的特征，用H表示对图像金字塔提取了HoG特征和GMM特征相结合后的特征金字塔；

3.2)根据某种敏感器官的特定姿态训练可形变部件模型，可形变部件模型可形变部件模型用β＝(F₀,…,F_n,d₁,…,d_n,b)表示，其中，F₀表示根滤波器，F₁，…,F_n表示n个部件滤波器，d_i表示该形变模型的第i个部件滤波器相对根滤波器中“锚点”位置的形变代价，b表示模型的偏移量；

可形变部件模型的隐含参数z＝(p₀,…,p_n)，p指示滤波器在塔形特征H上取特征时的位置信息，p＝(x,y,l)，表示滤波器在特征金字塔的第l层的(x,y)坐标位置上取特征；

根据隐含参数z所指示的位置信息，可形变部件模型的各个滤波器在塔形特征H上取得的图像特征和形变代价组成向量ψ(H,z)：

ψ(H,z)＝(φ(H,p₀),…,φ(H,p_n),-φ_d(dx₁,dy₁),…,-φ_d(dx_n,dy_n),1)

式中，φ(H,p)表示在塔形特征H的p位置上的特征向量，φ_d(dx_i,dy_i)＝(dx_i,dy_i,dx_i ²,dy_i ²)衡量第i个部件滤波器与“锚点”位置之间的形变代价；

3.3)由于色情图像中的敏感器官存在姿态多样性，所以针对每种敏感器官，根据其姿态的个数m，采用步骤3.2)所述形变模型训练方法训练该类敏感器官在一种姿态下的模型M_c，c＝1,…,m，然后将m个可形变部件模型集成起来组成混合形变模型M＝(M₁,…,M_m)。

在所述的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中，步骤(5)中用敏感器官的混合形变模型对图像进行检测的方法包括如下步骤：

4.1)对待测图像进行采样，得到不同分辨率的图像，组成图像金字塔；

4.2)对图像金字塔中的每一层图像采用步骤(3)所述方法提取HoG特征和GMM特征相结合的特征，得到测试图像的塔形特征；

4.3)对待测图像进行滑窗检测，在测试窗口的塔形特征上，采用步骤(4)所述方法中训练的每种敏感器官的混合模型来检测各种敏感器官；

4.4)将各种敏感器官的检测结果进行融合，若测试图像中包含敏感器官，则判定该图像为不良图像；否则为正常图像。

作为本发明的优选，所述步骤2.8)中的块由2*2个细胞单元组成，且块与块所占区域是可重叠的；所述块内归一化采用L2-范数滞后性阈值法进行归一化。

作为本发明的优选，所述步骤(4)中采用可形变部件模型以及隐含支撑向量机训练敏感器官在特定姿态下的检测器。

与现有技术相比，本发明的优点体现在如下方面：

1、本发明用人体敏感器官的颜色信息来训练GMM模型，避免对敏感器官颜色的漏检，并且用GMM输出人体敏感器官局部的颜色概率信息，相比对GMM输出的概率进行二值化的方法对颜色信息的描述更精确。

2、本发明用HoG特征和GMM特征相结合作为敏感器官的特征来描述人体敏感器官，这样既可以通过HoG特征描述人体敏感器官的形状信息，又可以通过GMM特征描述局部形状上所对应的颜色信息，能提取更准确人体敏感器官特征。

3、本发明用混合形变模型来训练敏感器官检测器，对不同的姿态“分而治之”，得到的检测器的分类性能更强。

4、本发明在检测图像时采用了多种敏感器官分类器融合检测的方法，提高了对不良图像检测的准确性，并可通过多线程或者分布式计算的方法来有效的提高检测效率。

以下将结合实施例对本发明做进一步详细阐述。

附图说明

图1是本发明对不良信息图像检测的总体流程图。

图2是本发明中对图像提取颜色特征的示意图。

图3是本发明中对图像提取HoG特征的示意图。

图4是本发明融合各个敏感器官进行不良图像检测的示意图。

具体实施方式

为了更好地净化网络环境，对网络中的不良图像进行检测，在现有检测方法的基础上，本发明设计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。该方法的设计思路如图1所示，即将基于GMM模型的人体敏感器官颜色信息与基于HoG特征的形状信息相结合作为敏感器官的特征，并利用混合形变模型来进行训练敏感器官在特定姿态下的检测器，得到多尺度可形变的多个敏感器官检测器，最后融合这些敏感器官检测器以实现不良图像的检测。

本发明所述方法在具体实施中，可以分为分类器训练阶段和图像测试阶段，现就各阶段的实施过程进行详细描述。

分类器训练阶段

步骤1，搜集不良图像训练集，要求该训练集能涵盖多种类型的不良图像内容，并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。

步骤2，训练基于GMM的人体敏感器官颜色模型，即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。

如图2所示，本步骤2的具体过程可以描述为：

(2a)从敏感器官训练样本上随机采样得到像素点，并组成敏感器官的颜色样本集T；

(2b)将敏感器官的颜色样本集T中的像素点从RGB颜色空间转换到YC_bC_r颜色空间，其中Y表示亮度分量，C_b是蓝色色度分量，C_r是红色色度分量；

(2c)采用如下概率密度函数在C_bC_r色度空间中对敏感器官的颜色样本集T进行高斯混合模型建模：

$G\left(x\right|\mathrm{\ω},\mathrm{\μ},\mathrm{\Σ})={\mathrm{\Σ}}_{n=1}^K{\mathrm{\ω}}_n{G}_n$

其中，x表示像素点的C_bC_r值组成的二维向量，K为高斯分量的个数，ω＝(ω₁,ω₂,…,ω_K)表示K个独立的高斯分量在高斯混合模型中的权重，0<ω_n<1,n＝1,…,K，且G_n为第n个高斯分量2维正态密度函数：

$G_n={\left(2\mathrm{\&pi;}\right)}^{-1}{\left|{\mathrm{\&Sigma;}}_n\right|}^{-\frac{1}{2}}\exp \{-\frac{1}{2}{(x-{\mathrm{\&mu;}}_n)}^T{{\mathrm{\&Sigma;}}_n}^{-1}(x-{\mathrm{\&mu;}}_n)\}$

式中，Σ_n和μ_n分别表示对应第n个高斯分量的协方差矩阵和均值向量。用期望最大化算法估计最优K值下的参数ω，μ和Σ的值，从而在敏感器官的颜色样本集上训练得到人体敏感器官的GMM颜色模型。

步骤3，提取敏感器官训练样本的HoG特征和GMM特征相结合后的特征，即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。

如图3所示，本步骤3的具体过程可以描述为：

(3a)将敏感器官训练样本图像划分成若干个细胞单元，并将细胞单元中的每个像素点从RGB颜色空间转换到YC_bC_r颜色空间，并提取其C_b、C_r色度分量的值；

(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C_b、C_r色度分量上的均值向量：

将这些均值向量作为x(像素点的C_bC_r值组成的二维向量)分别代入步骤(2c)中训练出的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ω_iG_i(i∈{1,2,…,K})上的值，作为这个小图像块的颜色特征；将U个小块的颜色特征联合起来记作 $h_2=[{\mathrm{\&omega;}}_1{G}_1^1,...,{\mathrm{\&omega;}}_K{G}_K^1,...,{\mathrm{\&omega;}}_1{G}_1^U,...,{\mathrm{\&omega;}}_K{G}_K^U];$

(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的梯度值g_x(x,y)和g_y(x,y)；

g_x(x,y)＝I(x+1,y)-I(x-1,y)

g_y(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)；

$g(x,y)=\sqrt{g_x{(x,y)}^2+g_y{(x,y)}^2}$

$\mathrm{\&alpha;}(x,y)={\tan }^{-1}\left(\frac{g_y(x,y)}{g_x(x,y)}\right)$

(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；

本步骤可以下述过程实现：

3e1)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，即将细胞单元的梯度方向360度分为9个方向块，细胞单元内每个像素点的梯度方向决定该像素应该投影到哪个bin，将各个bin中像素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f_i为第i个bin的梯度累加值；

3e2)联合步骤3e1)得到的梯度特征向量h₁和步骤3b)中得到颜色特征向量h₂组成细胞单元的特征向量[h₁,h₂]；

(3f)把细胞单元组合成大的块(block)，块内归一化特征直方图；

把若干个细胞单元组合成更大的、均匀的联通区域，这个区域称作块，一般用2*2个细胞单元组成一个块，这些区域是可重叠的，采用L2-范数滞后性阈值法进行归一化，即将直方图向量中每个bin值的最大值限制为0.2以下，然后再重新归一化。我们称归一化之后的块描述符为HoG特征和GMM特征相结合后的特征描述符。

步骤4，对每种敏感器官样本图像提取其HoG特征和GMM特征相结合后的特征金字塔，用混合形变模型对塔形特征进行训练。

本步骤4的具体过程可以描述为：

(4a)为检测到不同尺度下的敏感器官，对敏感器官样本图像进行采样，得到不同分辨率的图像，组成图像金字塔，对图像金字塔中的每一层图像采用步骤3中的方法提取其HoG特征和GMM特征相结合后的特征(HoG+GMM特征)，用H表示对图像金字塔提取了HoG特征和GMM特征相结合后的特征的特征金字塔。

(4b)为每种敏感器官训练含有m个形变模型分量的混合形变模型，得到该种敏感器官的检测器。

利用可形变部件模型(Deformable part model，DPM)以及隐含支撑向量机(Latentsupport vector machine，LSVM)训练敏感器官在特定姿态下的检测器。

根据某种敏感器官的特定姿态训练可形变部件模型，该可形变部件模型由根滤波器、部件滤波器和形变代价组成。可形变部件模型用β＝(F₀,…,F_n,d₁,…,d_n,b)表示，其中F₀表示根滤波器，F₁,…,F_n表示n个部件滤波器，d_i表示形变模型的第i个部件滤波器相对根滤波器中“锚点”位置的形变代价，b表示模型的偏移量。

利用隐含支撑向量机训练可形变部件模型的隐含参数z＝(p₀,…,p_n)，p指示滤波器在塔形特征H上取特征时的位置信息，p＝(x,y,l)，表示滤波器在特征金字塔的第l层的(x,y)坐标位置上取特征。

根据隐含参数z所指示的位置信息，可形变部件模型的各个滤波器在塔形特征H上取得的图像特征和形变代价组成向量ψ(H,z)：

ψ(H,z)＝(φ(H,p₀),…,φ(H,p_n),-φ_d(dx₁,dy₁),…,-φ_d(dx_n,dy_n),1)

其中，φ(H,p)表示在塔形特征H的p位置上的特征向量，φ_d(dx_i,dy_i)＝(dx_i,dy_i,dx_i ²,dy_i ²)衡量第i个部件滤波器与“锚点”位置之间的形变代价。可形变部件模型对图像特征的响应可由内积β·ψ(H,z)来计算，由于可形变部件模型由隐含参数z确定，本发明通过隐含支撑向量机方法训练出可形变部件模型的z值。

由于色情图像中的敏感器官存在姿态多样性，所以针对每种敏感器官，根据其姿态的个数m，采用上述可形变部件模型训练方法训练该类敏感器官在一种姿态下的模型M_c，c＝1,…,m，然后将m个可形变部件模型集成起来组成混合形变模型M＝(M₁,…,M_m)。

图像测试阶段，本阶段的操作流程如图4所示。

步骤1，对待测图像进行采样，得到不同分辨率的图像，组成图像金字塔，对图像金字塔中的每一层图像采用分类器训练阶段步骤3中的方法提取其HoG特征和GMM特征相结合后的特征，得到测试图像的塔形特征，对待测图像进行滑窗检测，在测试窗口的塔形特征上，用分类器训练阶段步骤(4b)中训练的每种敏感器官的混合模型来检测各种敏感器官，由于各种敏感器官的检测器之间相互独立，可通过多线程或分布式的方法来检测测试图像上的各种敏感器官。

步骤2，将各种敏感器官的检测结果进行融合，一旦测试图像中包含任一种敏感器官就判定该图像为不良图像，否则为正常图像。

上面结合实施例对本发明做了进一步的叙述，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.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，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；

(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检测器，将多种姿态下的检测器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。

2.根据权利要求1所述的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，其特征在于，所述步骤(3)中将HoG特征和GMM特征相结合作为敏感器官的特征的方法包括如下步骤：

2.1)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YC_bC_r颜色空间，并提取其C_b、C_r色度分量的值；其中，Y表示亮度分量，C_b表示蓝色色度分量，C_r表示红色色度分量；

2.2)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C_b、C_r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ω_iG_i(i∈{1,2,…,K})上的值，作为该小图像块的颜色特征，将U个小图像块的颜色特征联合起来记作 $h_2=[{\mathrm{\&omega;}}_1{G}_1^1,...,{\mathrm{\&omega;}}_K{G}_K^1,...,{\mathrm{\&omega;}}_1{G}_1^U,...,{\mathrm{\&omega;}}_K{G}_K^U];$

2.3)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；

2.4)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g_x(x,y)和g_y(x,y)；

g_x(x,y)＝I(x+1,y)-I(x-1,y)

g_y(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)；

$g(x,y)=\sqrt{g_x{(x,y)}^2+g_y{(x,y)}^2}$

$\mathrm{\&alpha;}(x,y)={\tan }^{-1}\left(\frac{g_y(x,y)}{g_x(x,y)}\right)$

2.5)将敏感器官训练样本的灰度图像划分成与步骤2.1)中相同的细胞单元，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；

2.6)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f_i为第i个bin的梯度累加值；

2.7)联合2.6)得到的梯度特征向量h₁和步骤2.2)中得到颜色特征向量h₂，组成细胞单元的特征向量[h₁,h₂]；

2.8)将细胞单元组合成块，并在块内归一化。

3.根据权利要求1所述的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，其特征在于，所述步骤(4)中敏感器官的混合形变模型的集成方法包括如下步骤：

3.1)为检测到不同尺度下的敏感器官，对敏感器官样本图像进行采样，得到不同分辨率的图像，组成图像金字塔；对图像金字塔中的每一层图像采用步骤(3)的方法将其HoG特征和GMM特征相结合作为敏感器官的特征，用H表示对图像金字塔提取了HoG特征和GMM特征相结合后的特征金字塔；

3.2)根据某种敏感器官的特定姿态训练可形变部件模型，可形变部件模型用β＝(F₀,…,F_n,d₁,…,d_n,b)表示，其中，F₀表示根滤波器，F₁,…,F_n表示n个部件滤波器，d_i表示该形变模型的第i个部件滤波器相对根滤波器中“锚点”位置的形变代价，b表示模型的偏移量；

可形变部件模型的隐含参数z＝(p₀,…,p_n)，p指示滤波器在塔形特征H上取特征时的位置信息，p＝(x,y,l)，表示滤波器在特征金字塔的第l层的(x,y)坐标位置上取特征；

根据隐含参数z所指示的位置信息，可形变部件模型的各个滤波器在塔形特征H上取得的图像特征和形变代价组成向量ψ(H,z)：

ψ(H,z)＝(φ(H,p₀),…,φ(H,p_n),-φ_d(dx₁,dy₁),…,-φ_d(dx_n,dy_n),1)

式中，φ(H,p)表示在塔形特征H的p位置上的特征向量，φ_d(dx_i,dy_i)＝(dx_i,dy_i,dx_i ²,dy_i ²)衡量第i个部件滤波器与“锚点”位置之间的形变代价；

3.3)由于色情图像中的敏感器官存在姿态多样性，所以针对每种敏感器官，根据其姿态的个数m，采用步骤3.2)所述可形变部件模型训练方法训练该类敏感器官在一种姿态下的模型M_c，c＝1,…,m，然后将m个可形变部件模型集成起来组成混合形变模型M＝(M₁,…,M_m)。

4.根据权利要求1所述的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，其特征在于，所述步骤(5)中用敏感器官的混合形变模型对图像进行检测的方法包括如下步骤：

4.1)对待测图像进行采样，得到不同分辨率的图像，组成图像金字塔；

4.2)对图像金字塔中的每一层图像采用步骤(3)所述方法提取HoG特征和GMM特征相结合的特征，得到测试图像的塔形特征；

4.3)对待测图像进行滑窗检测，在测试窗口的塔形特征上，采用步骤(4)所述方法中训练的每种敏感器官的混合模型来检测各种敏感器官；

4.4)将各种敏感器官的检测结果进行融合，若测试图像中包含敏感器官，则判定该图像为不良图像；否则为正常图像。

5.根据权利要求2所述的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，其特征在于，所述步骤2.8)中的块由2*2个细胞单元组成，且块与块所占区域是可重叠的；所述块内归一化采用L2-范数滞后性阈值法进行归一化。

6.根据权利要求1所述的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，其特征在于，所述步骤(4)中采用可形变部件模型以及隐含支撑向量机训练敏感器官在特定姿态下的检测器。