CN108280454A - 基于hsv与lbp特征相结合的敏感图像识别方法 - Google Patents
基于hsv与lbp特征相结合的敏感图像识别方法 Download PDFInfo
- Publication number
- CN108280454A CN108280454A CN201810050048.1A CN201810050048A CN108280454A CN 108280454 A CN108280454 A CN 108280454A CN 201810050048 A CN201810050048 A CN 201810050048A CN 108280454 A CN108280454 A CN 108280454A
- Authority
- CN
- China
- Prior art keywords
- lbp
- rgb image
- image
- hsv
- normal
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/424—Syntactic representation, e.g. by using alphabets or grammars
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于HSV与LBP特征相结合的敏感图像识别方法,包括获得敏感RGB图像和正常RGB图像的皮肤区域;使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达;使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征;使用所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数,训练BP神经网络;输出待测图像识别结果。本发明采用图像的纹理信息和全局的色彩信息作为图像特征,不会造成图片特征缺失,准确率高,具有处理速度快、准确率高的特点。
Description
技术领域
本发明属于敏感图像识别技术领域,具体而言,涉及一种基于HSV与LBP特征相结合的敏感图像识别方法。
背景技术
随着近年来互联网技术的快速发展,网络论坛和门户网站也迅速的发展壮大,几乎涵盖了生活的方方面面,因而互联网图片信息的传播也越来越广泛和容易,其中有害图像的传播正在对青少年的身心健康和社会风气产生负面影响。由于论坛发帖发图人数众多,让论坛管理员依次审核所有论坛图片显然会消耗大量的时间和精力,因此一种有效的基于机器学习和机器视觉的敏感图像识别方法对减轻论坛管理人员的工作量来说显得尤为重要。
传统方法主要基于皮肤区域的面积占比来判别敏感图像,但此方法容易对泳装等图片出现误判。深层神经网络目前也常用于图像分类研究,但由于这类学习方式需要进行大量的计算,一般需要采用计算机图形处理器(GPU)来加快运算速度。所以现在大部分的敏感图像识别步骤主要基于图像特征,总体包括特征提取、训练模型和图像识别3个步骤,而现有技术在特征提取时,往往造成图片特征缺失。
由以上分析可知,现有的敏感图像识别方法存在以下不足:
1、现有技术的敏感图像识别方法在进行图像识别时处理速度慢;
2、现有技术的敏感图像识别方法容易造成图片特征缺失,准确率低。
发明内容
本发明提供了一种基于HSV与LBP特征相结合的敏感图像识别方法,能够有效解决现有技术的敏感图像识别方法处理速度慢的问题,还能够解决现有技术的敏感图像识别方法准确率低的问题。
为了解决以上问题,本发明提供了一种基于HSV与LBP特征相结合的敏感图像识别方法,技术方案如下:
一种基于HSV与LBP特征相结合的敏感图像识别方法,包括如下步骤:
步骤一:获得敏感RGB图像和正常RGB图像的皮肤区域;
步骤二:使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达;
步骤三:使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征;
步骤四:使用所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数,训练BP神经网络;
步骤五:输出待测图像识别结果。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤一中,使用Haar-like特征检测所述敏感RGB图像和所述正常RGB图像中的人脸区域,在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域的条件为77≤Cb≤127或133≤Cr≤173。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤二中,获得所述LBP视觉词汇表达的方法包括使用LBP算法在所述敏感RGB图像和所述正常RGB图像的皮肤区域提取生成生成敏感图像LBP特征向量和正常图像LBP特征向量;对所述敏感图像LBP特征向量和所述正常图像LBP特征向量的合集进行k-means聚类,聚为k个类,共U={u1,u2,..uk}个聚类中心,k个视觉词汇,计算对比词频Dw;统计所述敏感图像LBP特征向量和所述正常图像LBP特征向量的视觉词汇的出现次数,构造LBP特征直方图lbpBOWFeature,进行lbpBOWFeature*Dw归一化。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:所述对比词频Dw的计算公式为:
FWPorn(i)=pCounts(i)/numPFeatures
FWNomal(i)=nCounts(i)/numNFeatures
Dw(i)=FWPorn*(FWPorn/FWNomal)2
pCounts(i)为视觉词汇i在所述敏感RGB图像中出现的次数,nCounts(i)为视觉词汇i在所述正常RGB图像中出现的次数,numPFeatures为所述敏感RGB图像和所述正常RGB图像中敏感特征的总数,numNFeatures为所述敏感RGB图像和所述正常RGB图像中正常特征总数。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤三中,根据色彩量化公式和HSVG=9H+3S+V构造72维特征矢量作为所述敏感RGB图像和所述正常RGB图像的HSV颜色特征,所述72维特征矢量为:
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤四中,所述BP神经网络的输入参数为[HSV*0.2,LBP*0.8]。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤五中根据步骤一进行判断,若所述待测图像的人脸区域不大于所述皮肤区域的1/2时,则判定所述待测图像为正常图像。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤五中根据步骤一进行判断,若所述待测图像的皮肤区域占所述待测图像的总面积不大于10%时,则判断所述待测图像为正常图像。
如上述的基于HSV与LBP特征相结合的敏感图像识别方法,进一步优选为:在步骤五中所述待测图像不满足步骤一的正常图像判定条件时,根据所述BP神经网络输出图像识别结果。
分析可知,与现有技术相比,本发明的优点和有益效果在于:
1、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法在特征提取时,LBP特征相进行提取,具有旋转不变性和灰度不变性的优点,处理速度快,融合了图像的纹理信息和全局的色彩信息作为图像特征,不会造成图片特征缺失,准确率高,从而使得本发明具有准确率高、处理速度快的特点。
2、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法采用训练BP神经网络的方法对敏感特征的视觉词汇进行表达,判断时方便快捷,从而使得本发明具有处理速度快的特点。
3、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法采用HSV系统作为图像分类特征,更接近人对色彩的感知,从而使得本发明具有准确率高的特点。
附图说明
图1为本发明的总体流程图。
图2为本发明的身体皮肤区域提取流程图。
图3为本发明的身体皮肤区域标记效果图。
图4为本发明的LBP特征视觉词汇模型表达流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法包括如下步骤:
步骤一:获得敏感RGB图像和正常RGB图像的皮肤区域。
1.1读入320*280的敏感RGB图像和正常RGB图像,利用Haar-like特征检测敏感RGB图像和正常RGB图像中的人脸区域,创建图像宽高相同的Mask变量,人脸区域置1,其余区域置0;
1.2在YCrCb彩色空间对敏感RGB图像和正常RGB图像进行皮肤区域检测(其中Y为亮度分量,Cb为蓝色色度分量,Cr为红色色度分量),根据77≤Cb≤127或133≤Cr≤173对皮肤区域进行判定,Mask变量在肤色区域置1,其他区域置0,效果图如图3所示。
步骤二:如图4所示,使用LBP算法获得敏感RGB图像和正常RGB图像的LBP视觉词汇表达。
2.1将敏感RGB图像和正常RGB图像按20*20切割为多个区块,根据Mask变量的皮肤区域标记,将分割的区块分为皮肤区块和非皮肤区块,区块中皮肤区域的面积大于整个区块面积的0.6时,判定区块为皮肤区块,针对所有皮肤区块,提取16邻域LBP特征,遍历所有敏感RGB图像和正常RGB图像,将生成的敏感图像LBP特征向量和正常图像LBP特征向量分别保存在两个二维数组中;
2.2将所有56维敏感图像LBP特征向量和56维正常图像LBP特征向量进行组合,进行k-means聚类,聚为56个类,共U={u1,u2,..u56}个聚类中心,56个视觉词汇,根据下列公式计算对比词频Dw:
FWPorn(i)=pCounts(i)/numPFeatures
FWNomal(i)=nCounts(i)/numNFeatures
Dw(i)=FWPorn*(FWPorn/FWNomal)2
pCounts(i)为视觉词汇i在敏感RGB图像中出现的次数,nCounts(i)为视觉词汇i在正常RGB图像中出现的次数,numPFeatures为敏感RGB图像和正常RGB图像中敏感特征的总数,numNFeatures为敏感RGB图像和正常RGB图像中正常特征总数;
2.3计算每个敏感图像LBP特征向量和正常图像LBP特征向量到每个视觉词汇的欧式距离,欧氏距离最小的为每个敏感图像LBP特征向量和每个正常图像LBP特征向量所属的视觉词汇,统计每幅敏感RGB图像和正常RGB图像中敏感图像LBP特征向量和正常图像LBP特征向量的视觉词汇的出现次数,构造56维的LBP特征直方图lbpBOWFeature,进行lbpBOWFeature*Dw归一化,得到LBP视觉词汇表达。归一化公式为:
步骤三:使用HSV颜色模型获得敏感RGB图像和正常RGB图像的HSV颜色特征。
根据色彩量化公式和HSVG=9H+3S+V构造72维特征矢量作为敏感RGB图像和正常RGB图像的HSV颜色特征。
步骤四:使用LBP视觉词汇表达和HSV颜色特征作为输入参数[HSV*0.2,LBP*0.8],训练BP神经网络。
在本发明中采用BP神经网络来训练模型,隐层含有20个神经元,输出层采用sigmoid,输出为2的神经网络。
步骤五:输出待测图像识别结果。
5.1根据步骤一进行判断,若待测图像的人脸区域不大于皮肤区域的1/2时,判定待测图像为正常图像;
5.2根据步骤一进行判断,若待测图像的皮肤区域占待测图像的总面积不大于10%时,判定待测图像为正常图像;
5.3待测图像不满足步骤一的正常图像判定条件时,根据步骤五的BP神经网络输出图像识别结果。
如图1所示,本发明通过YCrCb肤色特征与基于Haar特征的人脸检测方法,排除人脸区域且仅提取身体区域作为兴趣区域(ROI),在兴趣区域中提取LBP纹理特征,利用K-means聚类对两种特征分别构造BOW词袋模型并统计正常RGB图像与敏感RGB图像的对比词频,结合全局HSV颜色特征,更接近人对色彩的感知,从而构成了敏感图像特征的正反面训练样本集合。融合了图像的纹理信息和全局的色彩信息作为图像特征,不会造成图片特征缺失,准确率高。采用BP神经网络训练样本,构造分类模型,判断时方便快捷,处理速度快。通过提取图像的颜色,角点纹理特征训练分类模型,用1520个正常图像和1600个敏感图像进行测试,正常图像检测正确率为86.2%,敏感图像检测正确率为86.6%。
分析可知,与现有技术相比,本发明的优点和有益效果在于:
1、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法在特征提取时,LBP特征相进行提取,具有旋转不变性和灰度不变性的优点,处理速度快,融合了图像的纹理信息和全局的色彩信息作为图像特征,不会造成图片特征缺失,准确率高,从而使得本发明具有准确率高、处理速度快的特点。
2、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法采用训练BP神经网络的方法对敏感特征的视觉词汇进行表达,判断时方便快捷,从而使得本发明具有处理速度快的特点。
3、本发明提供的基于HSV与LBP特征相结合的敏感图像识别方法采用HSV系统作为图像分类特征,更接近人对色彩的感知,从而使得本发明具有准确率高的特点。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于,包括如下步骤:
步骤一:获得敏感RGB图像和正常RGB图像的皮肤区域;
步骤二:使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达;
步骤三:使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征;
步骤四:使用所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数,训练BP神经网络;
步骤五:输出待测图像识别结果。
2.根据权利要求1所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤一中,使用Haar-like特征检测所述敏感RGB图像和所述正常RGB图像中的人脸区域,在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域。
3.根据权利要求2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域的条件为77≤Cb≤127或133≤Cr≤173。
4.根据权利要求1或2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤二中,获得所述LBP视觉词汇表达的方法包括:
使用LBP算法在所述敏感RGB图像和所述正常RGB图像的皮肤区域提取生成生成敏感图像LBP特征向量和正常图像LBP特征向量;
对所述敏感图像LBP特征向量和所述正常图像LBP特征向量的合集进行k-means聚类,聚为k个类,共U={u1,u2,..uk}个聚类中心,k个视觉词汇,计算对比词频Dw;
统计所述敏感图像LBP特征向量和所述正常图像LBP特征向量的视觉词汇的出现次数,构造LBP特征直方图lbpBOWFeature,进行lbpBOWFeature*Dw归一化。
5.根据权利要求4所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
所述对比词频Dw的计算公式为:
FWPorn(i)=pCounts(i)/numPFeatures
FWNomal(i)=nCounts(i)/numNFeatures
Dw(i)=FWPorn*(FWPorn/FWNomal)2
pCounts(i)为视觉词汇i在所述敏感RGB图像中出现的次数,nCounts(i)为视觉词汇i在所述正常RGB图像中出现的次数,numPFeatures为所述敏感RGB图像和所述正常RGB图像中敏感特征的总数,numNFeatures为所述敏感RGB图像和所述正常RGB图像中正常特征总数。
6.根据权利要求1或2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤三中,根据色彩量化公式和HSVG=9H+3S+V构造72维特征矢量作为所述敏感RGB图像和所述正常RGB图像的HSV颜色特征。
7.根据权利要求1或2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤四中,所述BP神经网络的输入参数为[HSV*0.2,LBP*0.8]。
8.根据权利要求2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤五中根据步骤一进行判断,若所述待测图像的人脸区域不大于所述皮肤区域的1/2时,则判定所述待测图像为正常图像。
9.根据权利要求2所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
在步骤五中根据步骤一进行判断,若所述待测图像的皮肤区域占所述待测图像的总面积不大于10%时,则判断所述待测图像为正常图像。
10.根据权利要求8或9所述的基于HSV与LBP特征相结合的敏感图像识别方法,其特征在于:
所述待测图像不满足步骤一的正常图像判定条件时,根据所述BP神经网络输出图像识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050048.1A CN108280454A (zh) | 2018-01-18 | 2018-01-18 | 基于hsv与lbp特征相结合的敏感图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050048.1A CN108280454A (zh) | 2018-01-18 | 2018-01-18 | 基于hsv与lbp特征相结合的敏感图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280454A true CN108280454A (zh) | 2018-07-13 |
Family
ID=62803898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810050048.1A Pending CN108280454A (zh) | 2018-01-18 | 2018-01-18 | 基于hsv与lbp特征相结合的敏感图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280454A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359551A (zh) * | 2018-09-21 | 2019-02-19 | 深圳市璇玑实验室有限公司 | 一种基于机器学习的敏感图像识别方法与系统 |
CN109446963A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院东北地理与农业生态研究所 | 基于hsv和lbp结合的地表状态识别算法 |
CN111854616A (zh) * | 2020-05-21 | 2020-10-30 | 南京鸿亦沄智能科技有限公司 | 一种激光辅助下的树木胸径视觉测量方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184419A (zh) * | 2011-04-13 | 2011-09-14 | 深圳市迈科龙影像技术有限公司 | 基于敏感部位检测的色情图像识别方法 |
CN102201064A (zh) * | 2010-03-25 | 2011-09-28 | 北京中星微电子有限公司 | 一种敏感视频过滤方法及装置 |
CN102938054A (zh) * | 2012-09-06 | 2013-02-20 | 北京工业大学 | 基于视觉注意模型的压缩域敏感图像识别方法 |
CN106664376A (zh) * | 2014-06-10 | 2017-05-10 | 2Mee 有限公司 | 增强现实设备和方法 |
-
2018
- 2018-01-18 CN CN201810050048.1A patent/CN108280454A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201064A (zh) * | 2010-03-25 | 2011-09-28 | 北京中星微电子有限公司 | 一种敏感视频过滤方法及装置 |
CN102184419A (zh) * | 2011-04-13 | 2011-09-14 | 深圳市迈科龙影像技术有限公司 | 基于敏感部位检测的色情图像识别方法 |
CN102938054A (zh) * | 2012-09-06 | 2013-02-20 | 北京工业大学 | 基于视觉注意模型的压缩域敏感图像识别方法 |
CN106664376A (zh) * | 2014-06-10 | 2017-05-10 | 2Mee 有限公司 | 增强现实设备和方法 |
Non-Patent Citations (6)
Title |
---|
彭浩林等: "基于内容的敏感图像判别模型的设计", 图形图像, no. 9, pages 191 - 50 * |
李博等: "基于类别空间多示例学习的色情图像过滤算法", 《东北大学学报(自然科学版)》, no. 07, 15 July 2013 (2013-07-15) * |
王小华等: "基于 YCgCr 颜色空间的不良图像肤色检测", 计算机应用与软件, vol. 28, no. 4, pages 150 - 153 * |
赵炜等: "基于深度学习和模型级联的色情图像检测算法", 《信息安全研究》 * |
赵炜等: "基于深度学习和模型级联的色情图像检测算法", 《信息安全研究》, no. 10, 5 October 2016 (2016-10-05) * |
郭宝龙等: "数字图像处理系统工程导论", 西安电子科技大学出版社, pages: 191 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359551A (zh) * | 2018-09-21 | 2019-02-19 | 深圳市璇玑实验室有限公司 | 一种基于机器学习的敏感图像识别方法与系统 |
CN109446963A (zh) * | 2018-10-19 | 2019-03-08 | 中国科学院东北地理与农业生态研究所 | 基于hsv和lbp结合的地表状态识别算法 |
CN109446963B (zh) * | 2018-10-19 | 2021-10-01 | 中国科学院东北地理与农业生态研究所 | 基于hsv和lbp结合的地表状态识别方法 |
CN111854616A (zh) * | 2020-05-21 | 2020-10-30 | 南京鸿亦沄智能科技有限公司 | 一种激光辅助下的树木胸径视觉测量方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056071B (zh) | 一种驾驶员打电话行为的检测方法及装置 | |
CN107103298B (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
Osareh | Automated identification of diabetic retinal exudates and the optic disc | |
US8385609B2 (en) | Image segmentation | |
Gizatdinova et al. | Feature-based detection of facial landmarks from neutral and expressive facial images | |
CN107423690A (zh) | 一种人脸识别方法及装置 | |
US20100278426A1 (en) | Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images | |
Asteriadis et al. | Facial feature detection using distance vector fields | |
Maroni et al. | Automated detection, extraction and counting of acne lesions for automatic evaluation and tracking of acne severity | |
Collins et al. | Full body image feature representations for gender profiling | |
CN112396573A (zh) | 基于图像识别的面部皮肤分析方法及系统 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN108280454A (zh) | 基于hsv与lbp特征相结合的敏感图像识别方法 | |
CN107403142A (zh) | 一种微表情的检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN102034107A (zh) | 基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法 | |
Monwar et al. | Pain recognition using artificial neural network | |
Fernando et al. | Novel approach to use HU moments with image processing techniques for real time sign language communication | |
Arif et al. | Human pose estimation and object interaction for sports behaviour | |
Zhang et al. | Fire detection and identification method based on visual attention mechanism | |
CN113221655A (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
Paul et al. | PCA based geometric modeling for automatic face detection | |
Gocławski et al. | Neural network segmentation of images from stained cucurbits leaves with colour symptoms of biotic and abiotic stresses | |
CN108133219A (zh) | 基于hsv、surf与lbp特征相结合的敏感图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |