CN110119788A - 电子媒体广告播放内容智能识别系统 - Google Patents

电子媒体广告播放内容智能识别系统 Download PDF

Info

Publication number
CN110119788A
CN110119788A CN201910445538.6A CN201910445538A CN110119788A CN 110119788 A CN110119788 A CN 110119788A CN 201910445538 A CN201910445538 A CN 201910445538A CN 110119788 A CN110119788 A CN 110119788A
Authority
CN
China
Prior art keywords
picture
template
feature
advertisement
electronic medium
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
Application number
CN201910445538.6A
Other languages
English (en)
Other versions
CN110119788B (zh
Inventor
姚楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Media Group Co Ltd
Original Assignee
Air Media Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Media Group Co Ltd filed Critical Air Media Group Co Ltd
Priority to CN201910445538.6A priority Critical patent/CN110119788B/zh
Publication of CN110119788A publication Critical patent/CN110119788A/zh
Application granted granted Critical
Publication of CN110119788B publication Critical patent/CN110119788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Abstract

本发明公开了一种电子媒体广告播放内容智能识别系统，包括：感知单元，其用于获取电子媒体屏幕上播放的广告画面图片；深度学习单元，其用于接收感知单元获取的广告画面图片，并对感知单元获取的广告画面图片进行识别；广告画面图片数据库，其用于储存深度学习单元识别到的特定一类广告画面图片；动作单元，其获取深度学习单元给出的识别结果，并根据预设规则对电子媒体屏幕的电源进行控制。本发明能对涉黄、涉爆恐画面等图像进行智能识别，当识别到违规画面可及时联动电子媒体广告机机进行自动断电关机，杜绝造成社会负影响的可能性。

Description

电子媒体广告播放内容智能识别系统
技术领域
本发明涉及计算机识别图像技术领域。更具体地说，本发明涉及一种电子媒体广告播放内容智能识别系统。
背景技术
随着电子技术的发展，图片的电子化展示越来越多应用到广告领域，然而室内外的电子媒体播放设备上并不能识别广告上播放的内容，若出现涉黄、涉爆恐画面等图像时，则会对社会造成不好的影响。数字识别技术在很多行业中占有一席之地，例如教育、交通运输、商业、邮政和银行等，数字的自动识别的实现和应用为人们的生活提供了重要的便利，与人们的生活息息相关。故需要一种将数字识别技术应用到电子广告领域的识别监控设备来避免上述问题。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种电子媒体广告播放内容智能识别系统，对涉黄、涉爆恐画面等图像进行智能识别，当识别到违规画面可及时联动电子媒体广告机机进行自动断电关机，杜绝造成社会负影响的可能性。
为了实现根据本发明的这些目的和其它优点，提供了一种电子媒体广告播放内容智能识别系统，包括：
感知单元，其用于获取电子媒体屏幕上播放的广告画面图片；
深度学习单元，其用于接收感知单元获取的广告画面图片并进行逐层计算以提取画面图片的颜色特征、形状特征和边缘特征及其组合，再根据提取出来的颜色特征、形状特征和边缘特征及其组合与预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合，对感知单元获取的广告画面图片进行识别，并根据识别结果对预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合进行更新；
广告画面图片数据库，其用于储存深度学习单元识别到的特定一类广告画面图片；
动作单元，其获取深度学习单元给出的识别结果，并根据预设规则对电子媒体屏幕的电源进行控制；
其中，所述深度学习单元包括输入层、第一隐含层、第二隐含层和输出层，预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合通过使用人工分类好的涉黄涉暴图片对深度学习单元进行训练得到，其训练过程包括：
步骤一、将人工分类好的涉黄涉爆图片放入输入层，输入层将涉黄涉暴图片调整为M×M的像素点阵，以涉黄涉暴图片的某一角点为坐标原点建立坐标系，并获得涉黄涉暴图片每一像素点的RGB值，即为模板颜色特征；
步骤二、第一隐含层根据涉黄涉爆图片每一像素点的RGB值将每一像素点的颜色进行分类，并输出包含同一颜色阈值范围内多个像素点组成的颜色轮廓图像，即为模板形状特征；
步骤三、将第一隐含层输出的颜色轮廓图像输入第二隐含层，第二隐含层通过颜色轮廓图像中边缘像素点的坐标构建边缘特征曲线，删除边缘特征曲线超过90％均为直线的颜色轮廓图像，并计算剩余颜色轮廓图像的边缘特征曲线围成图形的面积，所述边缘特征曲线和边缘特征曲线围成图形的面积即为模板边缘特征；
步骤四、输出层对模板颜色特征、模板形状特征和模板边缘特征中每一单一特征及其组合占识别图片的贡献比例给予一个初始值，多次训练后对每一单一特征及其组合占识别图片的贡献比例进行微调修正，以达到识别涉黄涉爆图片的目的。
优选的是，所述模板颜色特征包括：
根据涉黄涉暴图片每一像素点的RGB值计算得到均值：方差：以及标准差σ，其中，i为像素点编号，h(i)为像素点RGB值。
优选的是，模板形状特征包括：
同一颜色阈值范围内多个像素点的横坐标矩阵的秩l1、纵坐标矩阵的秩l2以及RGB值矩阵的秩l3。
优选的是，输出层识别图片的决策函数为：
其中，α1为模板颜色特征的贡献比例，α2为模板形状特征的贡献比例，α3为模板边缘特征的贡献比例，β1为均值的贡献比例，β2为标准差的贡献比例，β3为横坐标矩阵的秩的贡献比例，β4为纵坐标矩阵的秩的贡献比例，β5为RGB值矩阵的秩的贡献比例，m为不同种颜色阈值范围的编号，Sm为第m种颜色阈值范围得到的颜色轮廓图像的边缘特征曲线围成图形的面积，j为同一颜色阈值范围内边缘特征曲线的编号，fj(x，y)为第j条边缘特征曲线的函数。
优选的是，所述感知单元包括摄像头。
优选的是，所述动作单元的预设规则包括：根据深度学习单元识别的涉黄涉暴图片切断电子媒体屏幕电源。
优选的是，广告画面图片数据库储存深度学习单元识别到的涉黄涉暴图片。
本发明至少包括以下有益效果：
本发明提供的一种电子媒体广告播放内容智能识别系统通过对涉黄涉暴图片的全局特征(颜色特征、形状特征和边缘特征及其组合)的深度学习，并通过对边缘特征的筛选，消除画面图片中背景噪音，大幅提高了深度学习单元的识别精度，有效完成了精确识别电子媒体屏幕播放的广告画面图片的任务。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一实施例所述电子媒体广告播放内容智能识别系统的结构示意图；
图2为本发明其中一实施例所述深度学习单元的训练流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种电子媒体广告播放内容智能识别系统，包括：
感知单元1，其用于获取电子媒体屏幕上播放的广告画面图片，所述感知单元1包括现有技术中任何可用于拍摄的设备，包括摄像头、相机或者手机等，当电子媒体屏幕上播放广告时，同步录下电子媒体屏幕上播放的广告画面图片，这里的感知单元1设置于电子媒体屏幕前方；
深度学习单元2，其用于接收感知单元1获取的广告画面图片并进行逐层计算以提取画面图片的颜色特征、形状特征和边缘特征及其组合，再根据提取出来的颜色特征、形状特征和边缘特征及其组合与预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合，对感知单元1获取的广告画面图片进行识别，并根据识别结果对预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合进行更新，所述深度学习单元2可采用现有的卷积神经网络模型，这里的深度学习单元设置于后台服务器中；
广告画面图片数据库3，其用于储存深度学习单元识别到的特定一类广告画面图片，这里特定一类的广告画面图片包括涉黄涉暴图片，可用来扩充深度学习单元的训练样本，这里的广告画面图片数据库3可设置于后台服务器中；
动作单元4，其获取深度学习单元2给出的识别结果，并根据预设规则对电子媒体屏幕的电源进行控制，这里的预设规则包括当电子媒体屏幕上出现涉黄涉暴图片时，动作单元立刻切断电子媒体屏幕的电源，这里的动作单元可以是单片机或者一些其他工业控制设备；
其中，所述深度学习单元2包括输入层、第一隐含层、第二隐含层和输出层，预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合通过使用人工分类好的涉黄涉暴图片对深度学习单元2进行训练得到，其训练过程包括：
步骤一201、将人工分类好的涉黄涉爆图片放入输入层，输入层将涉黄涉暴图片调整为M×M的像素点阵，以涉黄涉暴图片的某一角点为坐标原点建立坐标系，并获得涉黄涉暴图片每一像素点的RGB值，即为模板颜色特征，所述摸板颜色特征包括根据涉黄涉暴图片每一像素点的RGB值计算得到均值、方差、标准差、偏度、峰度等，但是由于一些数据是根据原始数据多次计算后得，有一定的计算误差，故需要进行取舍；
步骤二202、第一隐含层根据涉黄涉爆图片每一像素点的RGB值将每一像素点的颜色进行分类，并输出包含同一颜色阈值范围内多个像素点组成的颜色轮廓图像，即为模板形状特征，这里同一颜色阈值范围是指预设的RGB值范围内，肉眼所见的为同一种颜色，那么第一隐含层输出的颜色轮廓图像就存在很多幅，每一幅只存在一种颜色的像素点，所述模板形状特征包括组成同一颜色阈值范围内的颜色轮廓图像的多个像素点的横坐标矩阵、纵坐标矩阵和RGB值矩阵，由于对图片的识别过程中，像素点在图片坐标系中的位置会发生改变，但是横坐标矩阵、纵坐标矩阵和RGB值矩阵的秩不会随像素点在图片坐标系中的位置改变而发生改变，故可用来作为模板形状特征；
步骤三203、将第一隐含层输出的颜色轮廓图像输入第二隐含层，第二隐含层通过颜色轮廓图像中边缘像素点的坐标构建边缘特征曲线，删除边缘特征曲线超过90％均为直线的颜色轮廓图像，并计算剩余颜色轮廓图像的边缘特征曲线围成图形的面积，所述边缘特征曲线和边缘特征曲线围成图形的面积即为模板边缘特征，这里由于颜色轮廓图像中有一部分属于背景噪音，而一般人工制作的物体边缘均为直线段，将大部分边缘特征曲线为直线的颜色轮廓图像去掉，可以有效降低背景噪音，提高对涉黄涉暴图片的识别精确度；
步骤四204、输出层对模板颜色特征、模板形状特征和模板边缘特征中每一单一特征及其组合占识别图片的贡献比例给予一个初始值，多次训练后对每一单一特征及其组合占识别图片的贡献比例进行微调修正，以达到识别涉黄涉爆图片的目的。
上述实施例在使用过程中，先用人工分类好的涉黄涉暴图片对深度学习单元2进行训练，得到能够准确区分涉黄涉暴图片的分类规则，再将感知单元1感知到的电子媒体屏幕上播放的广告画面图片输入到深度学习单元2进行识别，并将识别出来的涉黄涉爆图片发送到广告画面图片数据库3储存作用深度学习单元的训练样本，而深度学习单元2在对电子媒体屏幕上播放的广告画面图片进行识别后，进一步修正分类规则，另外，动作单元4在接收到深度学习单元对电子媒体屏幕上播放的广告画面图片的识别结果后，做出相应动作，如识别结果为涉黄涉暴图片则立刻切断电子媒体屏幕电源，否则不动作。上述实施例通过对涉黄涉暴图片的全局特征(颜色特征、形状特征和边缘特征及其组合)的深度学习，并通过对边缘特征的筛选，消除画面图片中背景噪音，大幅提高了深度学习单元的识别精度，有效完成了精确识别电子媒体屏幕播放的广告画面图片的任务。
在另一实施例中，所述模板颜色特征包括：
根据涉黄涉暴图片每一像素点的RGB值计算得到均值：方差：以及标准差σ，其中，i为像素点编号，h(i)为像素点RGB值。这里只选取了均值、方差和标准差作为模板颜色特征，因为偏度、峰度等数据均是根据均值或者方差或者标准差进行高幂次运算得到，进一步放大了均值、方差和标准差计算的误差，使得最终的决策函数判别准确度降低。
在另一实施例中，模板形状特征包括：
同一颜色阈值范围内多个像素点的横坐标矩阵的秩l1、纵坐标矩阵的秩l2以及RGB值矩阵的秩l3。这里由于对图片的识别过程中，像素点在图片坐标系中的位置会发生改变，但是横坐标矩阵、纵坐标矩阵和RGB值矩阵的秩不会随像素点在图片坐标系中的位置改变而发生改变，故可用来作为模板形状特征。
在另一实施例中，输出层识别图片的决策函数为：
其中，α1为模板颜色特征的贡献比例，α2为模板形状特征的贡献比例，α3为模板边缘特征的贡献比例，β1为均值的贡献比例，β2为标准差的贡献比例，β3为横坐标矩阵的秩的贡献比例，β4为纵坐标矩阵的秩的贡献比例，β5为RGB值矩阵的秩的贡献比例，m为不同种颜色阈值范围的编号，Sm为第m种颜色阈值范围得到的颜色轮廓图像的边缘特征曲线围成图形的面积，j为同一颜色阈值范围内边缘特征曲线的编号，fj(x，y)为第j条边缘特征曲线的函数。这里决策函数分别对模板颜色特征、模板形状特征和模板边缘特征中每一单一特征及其组合均取了不同的权重，同时后一次的训练结果对前一次训练的权重参数进行修正，使得深度学习单元的识别准确度提高。
在另一实施例中，所述感知单元1包括摄像头，当然还可以是现有技术中任何可用于拍摄的其他设备，如相机或者手机等。
在另一实施例中，所述动作单元4的预设规则包括：根据深度学习单元识别的涉黄涉暴图片切断电子媒体屏幕电源，以避免对社会造成不良影响。
在另一实施例中，广告画面图片数据库3储存深度学习单元识别到的涉黄涉暴图片。
上述实施例在涉黄涉暴图片的识别应该过程中，对3万张其中混有涉黄涉暴图片的识别精度可达99.6％，错误率仅为0.4％，而现有的采用灰度图进行特征识别，识别精度仅为97.3％，错误率为2.7％，本发明提供的电子媒体广告播放内容智能识别系统的错误率降低了不止一半，显然本发明的识别准确度更高。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种电子媒体广告播放内容智能识别系统，其特征在于，包括：
感知单元，其用于获取电子媒体屏幕上播放的广告画面图片；
深度学习单元，其用于接收感知单元获取的广告画面图片并进行逐层计算以提取画面图片的颜色特征、形状特征和边缘特征及其组合，再根据提取出来的颜色特征、形状特征和边缘特征及其组合与预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合，对感知单元获取的广告画面图片进行识别，并根据识别结果对预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合进行更新；
广告画面图片数据库，其用于储存深度学习单元识别到的特定一类广告画面图片；
动作单元，其获取深度学习单元给出的识别结果，并根据预设规则对电子媒体屏幕的电源进行控制；
其中，所述深度学习单元包括输入层、第一隐含层、第二隐含层和输出层，预先设置的模板颜色特征、模板形状特征和模板边缘特征及其组合通过使用人工分类好的涉黄涉暴图片对深度学习单元进行训练得到，其训练过程包括：
步骤一、将人工分类好的涉黄涉爆图片放入输入层，输入层将涉黄涉暴图片调整为M×M的像素点阵，以涉黄涉暴图片的某一角点为坐标原点建立坐标系，并获得涉黄涉暴图片每一像素点的RGB值，即为模板颜色特征；
步骤二、第一隐含层根据涉黄涉爆图片每一像素点的RGB值将每一像素点的颜色进行分类，并输出包含同一颜色阈值范围内多个像素点组成的颜色轮廓图像，即为模板形状特征；
步骤三、将第一隐含层输出的颜色轮廓图像输入第二隐含层，第二隐含层通过颜色轮廓图像中边缘像素点的坐标构建边缘特征曲线，删除边缘特征曲线超过90％均为直线的颜色轮廓图像，并计算剩余颜色轮廓图像的边缘特征曲线围成图形的面积，所述边缘特征曲线和边缘特征曲线围成图形的面积即为模板边缘特征；
步骤四、输出层对模板颜色特征、模板形状特征和模板边缘特征中每一单一特征及其组合占识别图片的贡献比例给予一个初始值，多次训练后对每一单一特征及其组合占识别图片的贡献比例进行微调修正，以达到识别涉黄涉爆图片的目的。
2.如权利要求1所述的电子媒体广告播放内容智能识别系统，其特征在于，所述模板颜色特征包括：
根据涉黄涉暴图片每一像素点的RGB值计算得到均值：方差：以及标准差σ，其中，i为像素点编号，h(i)为像素点RGB值。
3.如权利要求2所述的电子媒体广告播放内容智能识别系统，其特征在于，模板形状特征包括：
同一颜色阈值范围内多个像素点的横坐标矩阵的秩l1、纵坐标矩阵的秩l2以及RGB值矩阵的秩l3。
4.如权利要求3所述的电子媒体广告播放内容智能识别系统，其特征在于，输出层识别图片的决策函数为：
其中，α1为模板颜色特征的贡献比例，α2为模板形状特征的贡献比例，α3为模板边缘特征的贡献比例，β1为均值的贡献比例，β2为标准差的贡献比例，β3为横坐标矩阵的秩的贡献比例，β4为纵坐标矩阵的秩的贡献比例，β5为RGB值矩阵的秩的贡献比例，m为不同种颜色阈值范围的编号，Sm为第m种颜色阈值范围得到的颜色轮廓图像的边缘特征曲线围成图形的面积，j为同一颜色阈值范围内边缘特征曲线的编号，fj(x,y)为第j条边缘特征曲线的函数。
5.如权利要求1所述的电子媒体广告播放内容智能识别系统，其特征在于，所述感知单元包括摄像头。
6.如权利要求1所述的电子媒体广告播放内容智能识别系统，其特征在于，所述动作单元的预设规则包括：根据深度学习单元识别的涉黄涉暴图片切断电子媒体屏幕电源。
7.如权利要求1所述的电子媒体广告播放内容智能识别系统，其特征在于，广告画面图片数据库储存深度学习单元识别到的涉黄涉暴图片。
CN201910445538.6A 2019-05-27 2019-05-27 电子媒体广告播放内容智能识别系统 Active CN110119788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910445538.6A CN110119788B (zh) 2019-05-27 2019-05-27 电子媒体广告播放内容智能识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910445538.6A CN110119788B (zh) 2019-05-27 2019-05-27 电子媒体广告播放内容智能识别系统

Publications (2)

Publication Number Publication Date
CN110119788A true CN110119788A (zh) 2019-08-13
CN110119788B CN110119788B (zh) 2021-06-01

Family

ID=67523230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910445538.6A Active CN110119788B (zh) 2019-05-27 2019-05-27 电子媒体广告播放内容智能识别系统

Country Status (1)

Country Link
CN (1) CN110119788B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6266664B1 (en) * 1997-10-01 2001-07-24 Rulespace, Inc. Method for scanning, analyzing and rating digital information content
CN1761205A (zh) * 2005-11-18 2006-04-19 郑州金惠计算机系统工程有限公司 基于内容的网络色情图像和不良图像检测系统
CN101211341A (zh) * 2006-12-29 2008-07-02 上海芯盛电子科技有限公司 图像智能模式识别搜索方法
US20090274364A1 (en) * 2008-05-01 2009-11-05 Yahoo! Inc. Apparatus and methods for detecting adult videos
CN101996314A (zh) * 2009-08-26 2011-03-30 厦门市美亚柏科信息股份有限公司 一种基于内容的人体上半身敏感图像识别方法及其装置
CN102117413A (zh) * 2011-03-01 2011-07-06 金华就约我吧网络科技有限公司 基于多层特征的不良图像自动过滤方法
US20140178048A1 (en) * 2012-12-26 2014-06-26 Huawei Technologies Co., Ltd. Multimedia File Playback Method and Apparatus
CN107330414A (zh) * 2017-07-07 2017-11-07 郑州轻工业学院 暴力行为监控方法
CN108154134A (zh) * 2018-01-11 2018-06-12 天格科技（杭州）有限公司 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108322788A (zh) * 2018-02-09 2018-07-24 武汉斗鱼网络科技有限公司 一种视频直播中的广告展示方法及装置
CN108628923A (zh) * 2017-11-28 2018-10-09 南京莱斯信息技术股份有限公司 一种基于互联网大数据的网络违法视频广告识别方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6266664B1 (en) * 1997-10-01 2001-07-24 Rulespace, Inc. Method for scanning, analyzing and rating digital information content
CN1761205A (zh) * 2005-11-18 2006-04-19 郑州金惠计算机系统工程有限公司 基于内容的网络色情图像和不良图像检测系统
CN101211341A (zh) * 2006-12-29 2008-07-02 上海芯盛电子科技有限公司 图像智能模式识别搜索方法
US20090274364A1 (en) * 2008-05-01 2009-11-05 Yahoo! Inc. Apparatus and methods for detecting adult videos
CN101996314A (zh) * 2009-08-26 2011-03-30 厦门市美亚柏科信息股份有限公司 一种基于内容的人体上半身敏感图像识别方法及其装置
CN102117413A (zh) * 2011-03-01 2011-07-06 金华就约我吧网络科技有限公司 基于多层特征的不良图像自动过滤方法
US20140178048A1 (en) * 2012-12-26 2014-06-26 Huawei Technologies Co., Ltd. Multimedia File Playback Method and Apparatus
CN107330414A (zh) * 2017-07-07 2017-11-07 郑州轻工业学院 暴力行为监控方法
CN108628923A (zh) * 2017-11-28 2018-10-09 南京莱斯信息技术股份有限公司 一种基于互联网大数据的网络违法视频广告识别方法及系统
CN108154134A (zh) * 2018-01-11 2018-06-12 天格科技（杭州）有限公司 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108322788A (zh) * 2018-02-09 2018-07-24 武汉斗鱼网络科技有限公司 一种视频直播中的广告展示方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JˆONATAS WEHRMANN 等: "Adult Content Detection in Videos with Convolutional and Recurrent Neural Networks", 《NEUROCOMPUTING》 *
OLARIK SURINTA 等: "Recognizing Pornographic Images using Deep Convolutional Neural Networks", 《THE 4TH INTERNATIONAL CONFERENCE ON DIGITAL ARTS, MEDIA AND TECHNOLOGY》 *
余明扬 等: "基于卷积神经网络的色情图像检测", 《计算机应用与软件》 *
卢斌 等: "基于独立子空间分析的不良视频检测方法", 《计算机工程》 *
彭昱忠 等: "基于内容理解的不良信息过滤技术研究", 《计算机应用与研究》 *

Also Published As

Publication number Publication date
CN110119788B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN108537215B (zh) 一种基于图像目标检测的火焰检测方法
CN103020618B (zh) 视频图像文字的检测方法及系统
CN102915438B (zh) 一种视频字幕的提取方法及装置
CN111582199B (zh) 一种人脸识别模型训练方法和人脸识别方法
CN107590491B (zh) 一种图像处理方法及装置
CN111626188B (zh) 一种室内不可控明火监测方法及系统
CN101833664A (zh) 基于稀疏表达的视频图像文字检测方法
CN102968637A (zh) 一种复杂背景图像文字分割方法
US20110050723A1 (en) Image processing apparatus and method, and program
CN102576461A (zh) 评估数字图像的美学质量
CN109902560A (zh) 一种基于深度学习的疲劳驾驶预警方法
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN103577838A (zh) 一种人脸识别方法和装置
CN103824081A (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN105516802A (zh) 多特征融合的新闻视频摘要提取方法
CN109902757B (zh) 一种基于Center Loss改进的人脸模型训练方法
CN101853397A (zh) 一种基于人类视觉特性的仿生人脸检测方法
CN107292302A (zh) 检测图片中兴趣点的方法和系统
CN103020992A (zh) 一种基于运动颜色关联的视频图像显著性检测方法
CN103093447A (zh) 一种计算机图片集中图片剪切拼接方法
CN105261021A (zh) 去除前景检测结果阴影的方法及装置
CN106373096A (zh) 一种多特征权值自适应的阴影消除方法
CN109543656A (zh) 一种基于dcs-ldp的人脸特征提取方法
CN105844251A (zh) 一种卡通视频识别方法及装置
CN104182769A (zh) 一种车牌检测方法及系统

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
GR01 Patent grant
GR01 Patent grant