CN109508643A - 用于色情图片的图像数据处理方法及装置 - Google Patents

Abstract

本申请公开了一种用于色情图片的图像数据处理方法及装置。该方法包括生成训练数据集，其中，训练数据集包括：预设人体关键点标签；根据所述训练数据集训练得到预训练模型；输入待检测图片；以及根据预训练模型判断所述待检测图片是否属于色情图片。本申请解决了对于色情图片的检测处理效果较差的技术问题。通过本申请的方法采用改进的生成对抗网络可批量生成一批包含有正常、色情/性感两种类别的图片集。可大大减少人力成本，并且非常高效。得到的图片集可快速区分待测图片是否属于色情/性感图片。

Description

用于色情图片的图像数据处理方法及装置

技术领域

本申请涉及计算机视觉领域，具体而言，涉及一种用于色情图片的图像数据处理方法及装置。

背景技术

网络图片是海量丰富的，但图片的质量参差不齐，并且没有标签。

发明人发现，针对包含有性感、色情图片中人体姿态多变，不易被辨别。如果想要训练模型需要人为标注的图片费时、费力，而且成本较高、效率低下。

针对相关技术中对于色情图片的检测处理效果较差的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于色情图片的图像数据处理方法及装置，以解决对于色情图片的检测处理效果较差的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于色情图片的图像数据处理方法。

根据本申请的用于色情图片的图像数据处理方法包括：生成训练数据集，其中，训练数据集包括：预设人体关键点标签；根据所述训练数据集训练得到预训练模型；输入待检测图片；以及根据预训练模型判断所述待检测图片是否属于色情图片。

进一步地，成训练数据集包括：提取包含有相关要素的图片中的人体关键点信息；根据所述人体关键点信息对人体执行裁剪操作；以及将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

进一步地，生成训练数据集包括：根据关键点对人体执行裁剪；以及将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

进一步地，根据预训练模型判断所述待检测图片是否属于色情图片包括：在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；以及根据预训练模型中生成的对抗网络，获取生成的图片。

进一步地，根据预训练模型判断所述待检测图片是否属于色情图片还包括：模型训练过程，所述模型训练过程包括：在生成网络中生成类似真实的预设目标图片；在判断网络中判断一个给定预设图片是不是真实的预设目标图片；以及将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。

为了实现上述目的，根据本申请的另一方面，提供了一种用于色情图片的图像数据处理装置。

根据本申请的用于色情图片的图像数据处理装置包括：生成模块，用于生成训练数据集，其中，训练数据集包括：预设人体关键点标签；训练模块，用于根据所述训练数据集训练得到预训练模型；输入模块，用于输入待检测图片；以及判断模块，用于根据预训练模型判断所述待检测图片是否属于色情图片。

进一步地，所述生成模块包括：提取单元，用于提取包含有相关要素的图片中的人体关键点信息；裁剪单元，用于根据所述人体关键点信息对人体执行裁剪操作；以及存储单元，用于将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

进一步地，所述生成模块包括：关键点裁剪单元，用于根据关键点对人体执行裁剪；以及对齐单元，用于将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

进一步地，所述判断模块包括：变量和标签输入单元，用于在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；以及判决单元，用于根据预训练模型中生成的对抗网络，获取生成的图片。

进一步地，所述模型训练过程模块包括：生成网络单元，用于在生成网络中生成类似真实的预设目标图片；判断网络单元，用于在判断网络中判断一个给定预设图片是不是真实的预设目标图片；以及更新单元，用于将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。

在本申请实施例中，采用包括预设人体关键点标签的图片生成训练数据集的方式，通过根据所述训练数据集训练得到预训练模型，达到了输入待检测图片后根据预训练模型判断所述待检测图片是否属于色情图片的目的，从而实现了减少人力成本，实现高效处理判断是否属于色情图片的技术效果，进而解决了对于色情图片的检测处理效果较差的技术问题。此外，本申请通过在数据准备阶段，使用预设网络模型提取人体关键点，根据关键点对图片中的人体姿态进行矫正，有利于网络模型的判别能力。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的用于色情图片的图像数据处理方法流程示意图；

图2是根据本申请实施例的用于色情图片的图像数据处理方法流程示意图；

图3是根据本申请实施例的用于色情图片的图像数据处理方法流程示意图；

图4是根据本申请实施例的用于色情图片的图像数据处理方法流程示意图；

图5是根据本申请实施例的用于色情图片的图像数据处理方法流程示意图；

图6是根据本申请实施例的用于色情图片的图像数据处理装置结构示意图；

图7是根据本申请实施例的用于色情图片的图像数据处理装置结构示意图；

图8是根据本申请实施例的用于色情图片的图像数据处理装置结构示意图；

图9是根据本申请实施例的用于色情图片的图像数据处理装置结构示意图；

图10是根据本申请实施例的用于色情图片的图像数据处理装置结构示意图；

图11是根据本申请实施例的数据准备阶段流程示意图；

图12是根据本申请实施例的生成网络示意图；以及

图13是根据本申请实施例的判决网络示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤S102至步骤S106：

步骤S102，生成训练数据集，

训练数据集包括：预设人体关键点标签。

具体地，针对包含有性感和/或色情图片中人体姿态多变，不易被辨别。在数据准备阶段，使用预设网络提取人体关键点，根据关键点对图片中的人体姿态进行矫正，比如可以是在图片中的人体在图片中处于相对固定位置，有利于网络模型的判别能力。

需要注意的是，针对预设人体关键点并不在本申请中进行具体限定，比如，可以使肩部关键点呈现在图片的固定位置。同时，采用已经标注好的属于色情或色情的标签，与裁剪后的图片一起进行入库。

步骤S104，根据所述训练数据集训练得到预训练模型；

在模型预训练阶段，对裁剪之后的图片及其标签送入生成对抗网络中，并根据有标签的生成模式，训练生成对抗网络。通过预训练模型得到对抗网络。

步骤S106，输入待检测图片；

将需要检测的图片进行输入，可以是从本地或者通过网络爬虫获取。

步骤S108，根据预训练模型判断所述待检测图片是否属于色情图片。

通过输入与训练阶段相同分布的随机变量及想要得到的图片标签，送入到生成对抗网络的生成网络中，获取生成的图片。具体地，获取生成的图片中包含有正常、性感/色情两种类别的图片。

从以上的描述中，可以看出，本申请实现了如下技术效果：

在本申请实施例中，采用包括预设人体关键点标签的图片生成训练数据集的方式，通过根据所述训练数据集训练得到预训练模型，达到了输入待检测图片后根据预训练模型判断所述待检测图片是否属于色情图片的目的，从而实现了减少人力成本，实现高效处理判断是否属于色情图片的技术效果，进而解决了对于色情图片的检测处理效果较差的技术问题。此外，本申请通过在数据准备阶段，使用预设网络模型提取人体关键点，根据关键点对图片中的人体姿态进行矫正，有利于网络模型的判别能力。

根据本申请实施例，作为本实施例中的优选，如图2所示，生成训练数据集包括：

步骤S202，提取包含有相关要素的图片中的人体关键点信息；

输入带有正常、性感或色情标签的图片。性感或色情标签都属于本申请中目标处理图片。

步骤S204，根据所述人体关键点信息对人体执行裁剪操作；

使用相关已训练好的模型检测出图片中人体关键点。

比如，可以采用MASK-RCNN。或者，Fast-RCNN。

步骤S206，将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

对人体关键点作适当对齐和裁剪操作后，可以使关键点主要居中呈现在图片中心区域位置。进一步，还包括了对裁剪后的图片及其对应的标签储存到数据库，留作训练模型使用。

具体地，可以使用预设网络模型提取包含性感图片和色情图片的人体关键点信息，并根据关键点对人体作适当裁剪对齐，比如，尽可能使肩部关键点呈现在图片的中央位置，并根据标注好的性感或色情标签为裁剪图片贴上适当标签。

根据本申请实施例，作为本实施例中的优选，如图3所示，生成训练数据集包括：

步骤S302，根据关键点对人体执行裁剪；

根据关键点对人体作适当裁剪对齐。

步骤S304，将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

将人体图像中的肩部位置的关键点在原图中的中央位置对齐，考虑到性感图片和色情图片的特点，将可能使人体的肩部关键点呈现在图片的中央位置。

根据本申请实施例，作为本实施例中的优选，如图4所示，根据预训练模型判断所述待检测图片是否属于色情图片包括：

步骤S402，在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；

在测试阶段，输入与训练阶段相同分布的随机变量及想要得到的图片标签。

步骤S404，根据预训练模型中生成的对抗网络，获取生成的图片。

送入到生成对抗网络的生成网络中，获取生成的图片。输入与训练阶段相同分布的随机变量及想要得到的图片标签，送入到生成对抗网络的生成网络中，获取生成的图片。

根据本申请实施例，作为本实施例中的优选，如图5所示，根据预训练模型判断所述待检测图片是否属于色情图片还包括：模型训练过程，所述模型训练过程包括：

步骤S502，在生成网络中生成类似真实的预设目标图片；

具体地，把包含正常、性感和色情的预设目标图片先放入到如图12所示的生成网络中，通过编码网络把真实图片编码成特征，然后解码网络的输入包括上述特征、真实图片对应的标签、随机向量和编码网络各层所对应的信息，解码网络的输出为所生成的假图片。

步骤S504，在判断网络中判断一个给定预设图片是不是真实的预设目标图片；

具体地，在如图13所示的判决网络中的输入是真实图片和生成网络中所生成的假图片，通过判决网络，产生出判别结果，结果包括是真实图片或生成的假图片、图片所对应的标签(正常、性感或色情)。

步骤S506，将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。

通过预测的判决结果和真实的结果的差别，来更新生成网络和判决网络参数。

通过上述方法针对于目标图片中的人体一般姿态变化较大，对网络模型要求较高时。通过使用对齐后的人体关键点，并通过预设网络模型得到关键点。并在测试阶段通过输入生成的对抗网络中来生成含性感和色情的图片。有效提升网络模型能力，提高生成图片的质量。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述方法的用于色情图片的图像数据处理装置，如图6所示，该装置包括：生成模块10，用于生成训练数据集，其中，训练数据集包括：预设人体关键点标签；训练模块20，用于根据所述训练数据集训练得到预训练模型；输入模块30，用于输入待检测图片；以及判断模块40，用于根据预训练模型判断所述待检测图片是否属于色情图片。

本申请实施例的生成模块10中训练数据集包括：预设人体关键点标签。

具体地，针对包含有性感和/或色情图片中人体姿态多变，不易被辨别。在数据准备阶段，使用预设网络提取人体关键点，根据关键点对图片中的人体姿态进行矫正，比如可以是在图片中的人体在图片中处于相对固定位置，有利于网络模型的判别能力。

需要注意的是，针对预设人体关键点并不在本申请中进行具体限定，比如，可以使肩部关键点呈现在图片的固定位置。同时，采用已经标注好的属于色情或色情的标签，与裁剪后的图片一起进行入库。

本申请实施例的训练模块20中在模型预训练阶段，对裁剪之后的图片及其标签送入生成对抗网络中，并根据有标签的生成模式，训练生成对抗网络。通过预训练模型得到对抗网络。

本申请实施例的输入模块30中将需要检测的图片进行输入，可以是从本地或者通过网络爬虫获取。

本申请实施例的判断模块40中通过输入与训练阶段相同分布的随机变量及想要得到的图片标签，送入到生成对抗网络的生成网络中，获取生成的图片。具体地，获取生成的图片中包含有正常、性感/色情两种类别的图片。

根据本申请实施例，作为本实施例中的优选，如图7所示，所述生成模块10包括：提取单元101，用于提取包含有相关要素的图片中的人体关键点信息；裁剪单元102，用于根据所述人体关键点信息对人体执行裁剪操作；以及存储单元103，用于将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

本申请实施例的提取单元101中输入带有正常、性感或色情标签的图片。性感或色情标签都属于本申请中目标处理图片。

本申请实施例的裁剪单元102中使用相关已训练好的模型检测出图片中人体关键点。

比如，可以采用MASK-RCNN。或者，Fast-RCNN。

本申请实施例的存储单元103中对人体关键点作适当对齐和裁剪操作后，可以使关键点主要居中呈现在图片中心区域位置。

具体地，在上述模块中可以使用预设网络模型提取包含性感图片和色情图片的人体关键点信息，并根据关键点对人体作适当裁剪对齐，比如，尽可能使肩部关键点呈现在图片的中央位置，并根据标注好的性感或色情标签为裁剪图片贴上适当标签。

根据本申请实施例，作为本实施例中的优选，如图8所示，所述生成模块10包括：关键点裁剪单元104，用于根据关键点对人体执行裁剪；以及对齐单元105，用于将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

本申请实施例的关键点裁剪单元104中根据关键点对人体作适当裁剪对齐。

本申请实施例的对齐单元105中将人体图像中的肩部位置的关键点在原图中的中央位置对齐，考虑到性感图片和色情图片的特点，将可能使人体的肩部关键点呈现在图片的中央位置。

根据本申请实施例，作为本实施例中的优选，如图9所示，所述判断模块包括：变量和标签输入单元401，用于在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；以及判决单元402，用于根据预训练模型中生成的对抗网络，获取生成的图片。

本申请实施例的变量和标签输入单元401中在测试阶段，输入与训练阶段相同分布的随机变量及想要得到的图片标签。

本申请实施例的判决单元402中送入到生成对抗网络的生成网络中，获取生成的图片。输入与训练阶段相同分布的随机变量及想要得到的图片标签，送入到生成对抗网络的生成网络中，获取生成的图片。

根据本申请实施例，作为本实施例中的优选，如图10所示，装置中还包括：模型训练过程模块，所述模型训练过程模块包括：生成网络单元501，用于在生成网络中生成类似真实的预设目标图片；判断网络单元502，用于在判断网络中判断一个给定预设图片是不是真实的预设目标图片；以及更新单元503，用于将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。

本申请实施例的生成网络单元501中具体地，把包含正常、性感和色情的预设目标图片先放入到如图12所示的生成网络中，通过编码网络把真实图片编码成特征，然后解码网络的输入包括上述特征、真实图片对应的标签、随机向量和编码网络各层所对应的信息，解码网络的输出为所生成的假图片。

本申请实施例的判断网络单元502中具体地，在如图13所示的判决网络中的输入是真实图片和生成网络中所生成的假图片，通过判决网络，产生出判别结果，结果包括是真实图片或生成的假图片、图片所对应的标签(正常、性感或色情)。

本申请实施例的更新单元503中通过预测的判决结果和真实的结果的差别，来更新生成网络和判决网络参数。

通过上述模块针对于目标图片中的人体一般姿态变化较大，对网络模型要求较高时。通过使用对齐后的人体关键点，并通过预设网络模型得到关键点。并在测试阶段通过输入生成的对抗网络中来生成含性感和色情的图片。有效提升网络模型能力，提高生成图片的质量。

具体地，在本实施例中通过采用Mask-CNN为例，对本申请的实现原理进行详细的说明。

请参考图11至图13所示，具体地如下步骤。

1)在数据准备阶段包括：

如图11所示，输入带有正常、性感或色情标签的图片。性感或色情标签都属于本申请中目标处理图片。使用相关已训练好的Mask-CNN模型检测出图片中人体关键点。对人体关键点作适当对齐和裁剪操作后，可以使关键点主要居中呈现在图片中心区域位置。具体地，使用Mask-RCNN提取包含性感图片和色情图片的人体关键点信息，并根据关键点对人体作适当裁剪对齐(尽可能使肩部关键点呈现在图片的中央位置)，并根据标注好的性感或色情标签为裁剪图片贴上适当标签。对裁剪后的图片及其对应的标签储存到数据库，留作训练模型使用。

2)模型结构包括：

把包含正常、性感和色情的图片先放入到图12所示的生成网络中，通过编码网络把真实图片编码成特征，然后解码网络的输入包括上述特征、真实图片对应的标签、随机向量和编码网络各层所对应的信息，解码网络的输出为所生成的假图片。

如图13所示的判决网络的输入是真实图片和生成网络中所生成的假图片，通过判决网络，产生出判别结果，结果包括是真实图片或生成的假图片、图片所对应的标签(正常、性感或色情)。

通过预测的判决结果和真实的结果的差别，来更新生成网络和判决网络参数。

3)在测试阶段包括：输入与训练阶段相同分布的随机变量及想要得到的图片标签，送入到生成对抗网络的生成网络中，获取生成的图片。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于色情图片的图像数据处理方法，其特征在于，包括：

生成训练数据集，其中，训练数据集包括：预设人体关键点标签；

根据所述训练数据集训练得到预训练模型；

输入待检测图片；以及

根据预训练模型判断所述待检测图片是否属于色情图片。

2.根据权利要求1所述的图像数据处理方法，其特征在于，生成训练数据集包括：

提取包含有相关要素的图片中的人体关键点信息；

根据所述人体关键点信息对人体执行裁剪操作；以及

将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

3.根据权利要求1或2所述的图像数据处理方法，其特征在于，生成训练数据集包括：

根据关键点对人体执行裁剪；以及

将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

4.根据权利要求1所述的图像数据处理方法，其特征在于，根据预训练模型判断所述待检测图片是否属于色情图片包括：

在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；以及

根据预训练模型中生成的对抗网络，获取生成的图片。

5.根据权利要求1所述的图像数据处理方法，其特征在于，根据预训练模型判断所述待检测图片是否属于色情图片还包括：模型训练过程，所述模型训练过程包括：

在生成网络中生成类似真实的预设目标图片；

在判断网络中判断一个给定预设图片是不是真实的预设目标图片；以及

将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。

6.一种用于色情图片的图像数据处理装置，其特征在于，包括：

生成模块，用于生成训练数据集，其中，训练数据集包括：预设人体关键点标签；

训练模块，用于根据所述训练数据集训练得到预训练模型；

输入模块，用于输入待检测图片；以及

判断模块，用于根据预训练模型判断所述待检测图片是否属于色情图片。

7.根据权利要求6所述的图像数据处理装置，其特征在于，所述生成模块包括：

提取单元，用于提取包含有相关要素的图片中的人体关键点信息；

裁剪单元，用于根据所述人体关键点信息对人体执行裁剪操作；以及

存储单元，用于将裁剪得到的图片和对应的已标注有相关要素的标签储存到训练集数据库。

8.根据权利要求6所述的图像数据处理装置，其特征在于，所述生成模块包括：

关键点裁剪单元，用于根据关键点对人体执行裁剪；以及

对齐单元，用于将人体图像中的肩部位置的关键点在原图中的中央位置对齐。

9.根据权利要求6所述的图像数据处理装置，其特征在于，所述判断模块包括：

变量和标签输入单元，用于在预训练模型中输入与训练阶段相同分布的随机变量及拟得到的图片标签；以及

判决单元，用于根据预训练模型中生成的对抗网络，获取生成的图片。

10.根据权利要求6所述的图像数据处理装置，其特征在于，还包括：模型训练过程模块，所述模型训练过程模块包括：

生成网络单元，用于在生成网络中生成类似真实的预设目标图片；

判断网络单元，用于在判断网络中判断一个给定预设图片是不是真实的预设目标图片；以及

更新单元，用于将上述生成网络和判断网络持续对抗训练，并通过预测的判决结果与真实的结果之间的差别，更新生成网络和判决网络中的参数。