CN114187625A - 一种基于视频源自动探测技术的视频检测方法 - Google Patents
一种基于视频源自动探测技术的视频检测方法 Download PDFInfo
- Publication number
- CN114187625A CN114187625A CN202111370468.6A CN202111370468A CN114187625A CN 114187625 A CN114187625 A CN 114187625A CN 202111370468 A CN202111370468 A CN 202111370468A CN 114187625 A CN114187625 A CN 114187625A
- Authority
- CN
- China
- Prior art keywords
- video source
- detected
- picture
- initial
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视频源自动探测技术的视频检测方法,包括:利用待检测视频源链接获取待检测视频源数据;利用所述待检测视频源数据采集待检测视频源图像数据;利用所述待检测视频源图像数据获取待检测视频源检测结果,根据数据值进行判断,防止因奇异值导致分类错误,提升了识别准确率;通过图片预处理,神经网络分类,目标检测等多种方法共同使用,提升了识别率,并在训练时增加负样本,减少了错误率,提升了识别率。
Description
技术领域
本发明涉及视频检测领域,具体涉及一种基于视频源自动探测技术的视频检测方法。
背景技术
近几年随着互联网的飞速发展、信息量猛增及视频行业的崛起,大量政治敏感、血腥、涉黄、违规旗帜等不良信息夹杂其中,在海量的内容面前,视频审核面临巨大挑战,而基于视频源自动探测技术的直播视频违规检测方法,对上传的视频进行违规内容识别,为互联网管理单位净化互联网直播环境提供技术保障。
发明内容
针对现有技术的不足,本发明提供了一种基于视频源自动探测技术的视频检测方法,其特征在于,包括:
利用待检测视频源链接获取待检测视频源数据;
利用所述待检测视频源数据采集待检测视频源图像数据;
利用所述待检测视频源图像数据获取待检测视频源检测结果。
优选的,所述利用待检测视频源链接获取待检测视频源数据包括:
利用待检测视频源链接的URL信息进行匹配获取待检测视频源数据。
优选的,所述利用待检测视频源数据采集待检测视频源图像数据包括:
利用所述待检测视频源数据基于opencv库采集待检测视频源图像数据。
优选的,所述利用待检测视频源图像数据获取待检测视频源检测结果包括:
利用待检测视频源图像数据输入预先训练的视频检测模型得到待检测视频源初始检测结果后,将所述待检测视频源初始检测结果作为待检测视频源检测结果。
进一步的,所述预先训练的视频检测模型包括:
预先训练的人体特征识别模型;
预先训练的图形特征识别模型;
预先训练的特殊特征识别模型;
预先训练的敏感特征识别模型。
进一步的,所述人体特征识别模型的训练包括:
以待检测视频源图像数据的人体特殊部位裸露特征图片、正常人体特征图片及其分别对应的判断结果作为人体特征识别模型的样本集;
按比例将所述样本集划分为训练集、测试集与验证集;
基于训练集、验证集与测试集采用Resnet50神经网络进行训练得到人体特征识别初始模型,根据所述人体特征识别初始模型的识别率情况,判断是否达到预期值,若是,可直接使用模型,否则通过对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练;
将所述验证集再次带入人体特征识别初始模型得到人体特征识别初始结果,判断所述人体特征识别初始结果是否达到标准阈值,若是,将人体特征识别初始模型作为人体特征识别模型,否则,对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练。
进一步的,所述图形特征识别模型的训练包括:
以待检测视频源图像数据的目标图形特征图片与其对应的识别结果作为样本集;
按比例划分样本集为训练集与验证集;
基于训练集采用YOLO-V3神经网络进行初始训练得到图形特征识别初始模型;
采集初始训练中识别错误的图片,进行图片标注后,划分为第二样本集与训练集再次采用YOLO-V3神经网络进行二次训练,得到图形特征识别初始模型;
将所述验证集带入图形特征识别初始模型得到图形特征识别初始检测结果,判断所述图形特征识别初始检测结果是否准确,若是,则不进行处理,否则,划分所述图形特征识别初始检测不准确结果及其对应特征图片为负样本训练集;
基于所述训练集与负样本训练集采用YOLO-V3神经网络训练得到图形特征识别模型;
其中,所述目标图形特征图片为待检测视频源图像数据中存在检测特征的图片。
进一步的,所述特殊特征识别模型的训练包括:
对待检测视频源图像数据的特殊特征图片进行通道格式转换得到初始特殊特征图片;
对所述初始特殊特征图片中存在初始标准特征进行筛选后,判断所述初始特殊特征图片颜色包含值是否在筛选阈值内,若是,则对所述初始特殊特征图片进行分辨率转化得到二次特殊特征图片,否则,划分为正常特征图片;
判断所述二次特殊特征图片的颜色总面积是否小于筛选阈值,若是,则划分为正常特征图片,否则,将二次特殊特征图片作为待用特殊特征图片;
以待用特殊特征图片、正常特征图片与其分别对应的识别结果作为样本集;
按比例划分样本集为训练集与验证集;
基于所述训练集采用简易神经网络进行训练得到初始特殊特征识别模型;
将所述验证集带入初始特殊特征识别模型得到初始特殊特征识别结果,判断所述初始特殊特征识别结果是否准确,若是,则不进行处理,否则划分初始特殊特征识别不准确结果为负样本训练集;
以训练集、负样本训练集采用简易神经网络进行训练得到特殊特征识别模型;
其中,简易神经网络内部结构包含输入层、三层卷积层、一层全连接层与输出层。
进一步的,所述敏感特征识别模型的训练包括:
对待检测视频源图像数据的敏感特征图片基于DLIB算法得到敏感特征人脸处理图片;
对所述敏感特征人脸处理图片进行截帧处理得到敏感特征向量图片;
利用所述敏感特征向量图片的方向梯度直方图特征建立正样本集合,所述敏感特征向量图片的方向梯度直方图特征建立负样本集合;
利用正样本集合与负样本集合基于支持向量机算法进行训练得到敏感特征识别初始模型;
判断敏感特征识别模型输出是否存在误检,若是,则获取误检的截帧图像的方向梯度直方图特征建立难例负样本集合,与正样本集合再次基于支持向量机算法进行训练,否则,得到人脸图像分类模型。
进一步的,所述利用待检测视频源图像数据输入预先训练的视频检测模型得到待检测视频源初始检测结果包括:
对待检测视频源图像数据进行边框处理得到核心区域的图片后,输入预先训练的人体特征视频检测模型,模型根据人体裸露不同程度特征得到识别结果,根据识别结果判定是否为违规内容;
判断待检测视频源图像数据是否为人体特征待识别图像数据,若是,对人体特征待识别图像数据中人体特殊部位裸露特征图片进行边框处理得到人体特殊部位裸露特征处理图片后,输入预先训练的视频检测模型得到待检测视频源初始检测结果,否则,对所述人体特征待识别图像数据不进行处理,直接输入预先训练的视频检测模型得到待检测视频源初始检测结果;
判断待检测视频源图像数据是否为特殊特征识别图像数据,若是,将所述待检测视频源图像数据输入预先训练的特殊特征识别模型得到特殊特征识别初始结果后,基于YOLO目标检测法再次检测得到待检测视频源初始检测结果,否则,将正常结果直接作为待检测视频源初始检测结果。
与最接近的现有技术相比,本发明具有的有益效果:
对每一帧图片进行人脸识别时,通过神经网络进行人脸特征检测并生成人脸特征向量,每个目标人物特征模型包含多个特征信息,根据数据值进行判断,防止因奇异值导致分类错误,提升了识别准确率;通过图片预处理,神经网络分类,目标检测等多种方法共同使用,提升了识别率,并在训练时增加负样本,减少了错误率,提升了识别率。
附图说明
图1是本发明提供的一种基于视频源自动探测技术的视频检测方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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它实施例,都属于本发明保护的范围。
实施例1:
本发明提供了一种基于视频源自动探测技术的视频检测方法,如图1所示,包括:
步骤1:利用待检测视频源链接获取待检测视频源数据;
步骤2:利用所述待检测视频源数据采集待检测视频源图像数据;
步骤3:利用所述待检测视频源图像数据获取待检测视频源检测结果。
步骤1具体包括:
1-1:利用待检测视频源链接的URL信息进行匹配获取待检测视频源数据。
本实施例中,一种基于视频源自动探测技术的视频检测方法,获取星海直播视频源:读取星海平台直播URL(https://xh.xhlivecn.com/live/)的页面信息,通过正则匹配即可获取.flv的直播视频源;其他相似视频源数据平台网站通过正则匹配等方法查找后缀为m3u8、mp4、flv等视频源URL,并获取视频源数据。
步骤2具体包括:
2-1:利用所述待检测视频源数据基于opencv库采集待检测视频源图像数据。
本实施例中,一种基于视频源自动探测技术的视频检测方法,根据获取到的直播视频源连接方式,得到视频源的URL,使用opencv连接视频源,获取直播视频的每一帧图像信息,每秒一帧进行识别。
步骤3具体包括:
3-1:利用待检测视频源图像数据输入预先训练的视频检测模型得到待检测视频源初始检测结果;
3-2:将所述待检测视频源初始检测结果作为待检测视频源检测结果。
步骤3-1具体包括:
3-1-1:预先训练的人体特征识别模型;
3-1-2:预先训练的图形特征识别模型;
3-1-3:预先训练的特殊特征识别模型;
3-1-4:预先训练的敏感特征识别模型。
步骤3-1-1具体包括:
3-1-1-1:以待检测视频源图像数据的人体特殊部位裸露特征图片、正常人体特征图片及其分别对应的判断结果作为人体特征识别模型的样本集;
3-1-1-2:按比例将所述样本集划分为训练集、测试集与验证集;
3-1-1-3:基于训练集、验证集与测试集采用Resnet50神经网络进行训练得到人体特征识别初始模型,根据所述人体特征识别初始模型的识别率情况,判断是否达到预期值,若是,可直接使用模型,否则通过对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练;
3-1-1-4:将所述验证集再次带入人体特征识别初始模型得到人体特征识别初始结果,判断所述人体特征识别初始结果是否达到标准阈值,若是,将人体特征识别初始模型作为人体特征识别模型,否则,对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练。
本实施例中,一种基于视频源自动探测技术的视频检测方法,利用神经网络resnet50训练模型,识别人体特殊部位裸露特征图片中正常人体特征图片,其中,人体特殊部位裸露特征图片中人为规定分类为涉黄与性感,性感定义为不露点但暴露80%左右且动作妖娆,涉黄定义为露点且动作猥琐,训练过程包括:使用resnet神经网络进行图片三分类,准备训练集样本涉黄图片100万张、性感图片70万张,正常图片100万张,测试集样本涉黄图片5.2万张、性感图片3.5万张,正常图片5.3万张,验证集样本涉黄图片1.8万张、性感图片1.5万张,正常图片2万张,喂入resnet神经网络进行训练,初始训练识别率为88%(预期值),经查找原因,训练样本图片中参入了较多负样本,经过人工大量浏览查找,去掉训练样本涉黄图片中非涉黄内容图片大约2万张,性感图片中非性感内容图片大约1.5万张,再次经过多次训练,选择识别率最优的模型,识别率达到95%(标准阈值)。
步骤3-1-2具体包括:
3-1-2-1:以待检测视频源图像数据的目标图形特征图片与其对应的识别结果作为样本集;
3-1-2-2:按比例划分样本集为训练集与验证集;
3-1-2-3:基于训练集采用YOLO-V3神经网络进行初始训练得到图形特征识别初始模型;
3-1-2-4:采集初始训练中识别错误的图片,进行图片标注后,划分为第二样本集与训练集再次采用YOLO-V3神经网络进行二次训练,得到图形特征识别初始模型;
3-1-2-5:将所述验证集带入图形特征识别初始模型得到图形特征识别初始检测结果,判断所述图形特征识别初始检测结果是否准确,若是,则不进行处理,否则,划分所述图形特征识别初始检测不准确结果及其对应特征图片为负样本训练集;
3-1-2-6:基于所述训练集与负样本训练集采用YOLO-V3神经网络训练得到图形特征识别模型;
其中,所述目标图形特征图片为待检测视频源图像数据中存在检测特征的图片。
本实施例中,一种基于视频源自动探测技术的视频检测方法,实际训练过程包括:使用paddlepaddle框架,yolo3神经网络训练识别模型,初期标定200张含有雪山狮子旗图片作为一类,200张含有青天白日旗图片作为一类,进行目标检测识别,将模型进行大量测试,发现会将一些形状有些类似两个旗帜的图片分类错误,于是再次训练加入第三类,将错分的图片标定错分位置,作为其他类,即第三个分类,加上前期标定好的雪山狮子旗和青天白日旗,再次进行目标检测模型训练,其识别模型识别率达到95%,实际应用中选择使用gpu提速,直播视频图片旗帜识别中,使用以上训练的模型,能够快速且正确的识别直播视频是否包含违规旗帜信息。
步骤3-1-3具体包括:
3-1-3-1:对待检测视频源图像数据的特殊特征图片进行通道格式转换得到初始特殊特征图片;
3-1-3-2:对所述初始特殊特征图片中存在初始标准特征进行筛选后,判断所述初始特殊特征图片颜色包含值是否在筛选阈值内,若是,则对所述初始特殊特征图片进行分辨率转化得到二次特殊特征图片,否则,划分为正常特征图片;
3-1-3-3:判断所述二次特殊特征图片的颜色总面积是否小于筛选阈值,若是,则划分为正常特征图片,否则,将二次特殊特征图片作为待用特殊特征图片;
3-1-3-4:以待用特殊特征图片、正常特征图片与其分别对应的识别结果作为样本集;
3-1-3-5:按比例划分样本集为训练集与验证集;
3-1-3-6:基于所述训练集采用简易神经网络进行训练得到初始特殊特征识别模型;
3-1-3-7:将所述验证集带入初始特殊特征识别模型得到初始特殊特征识别结果,判断所述初始特殊特征识别结果是否准确,若是,则不进行处理,否则划分初始特殊特征识别不准确结果为负样本训练集;
3-1-3-8:以训练集、负样本训练集采用简易神经网络进行训练得到特殊特征识别模型;
其中,简易神经网络内部结构包含输入层、三层卷积层、一层全连接层与输出层。
本实施例中,一种基于视频源自动探测技术的视频检测方法,在实际应用中特殊特征通常为血腥内容,以识别血腥结果为例,血腥图片包含大量血迹,血的颜色是红色相关的,首先进行图片处理,将图片rgb通道转换为hsv格式,选取提取红色的值,筛选阈值为[0,140,70]和[5,255,221]区间及[165,133,52]和[180,255,255]区间内,认为有红色的图片,图片中没有这个区间的颜色,则认定为正常图片,再者将包含红色的图片统一转化为256*256大小,计算每一块红色的面积,如最大面积小于50或者所有红色区域面积小于177,则认为图片中包含少量红色部分,不属于血腥图片范畴,属于正常图片,图片处理后,将含有红色区域的图片带入神经网络识别,神经网络训练过程:正样本包含血腥图片2000张,负样本包含红色的非血腥图片3000张,通过简易神经网络(三层卷积进行特征提取,一个全连接层用来分类)进行训练,经过多次训练,选择最优模型,识别率84%,进行识别,其识别结果能把非血腥图片正确识别出来,但存在将非血腥图片误认为血腥图片,再次将误识别为血腥的图片进行目标检测识别,目标检测识别训练同样基于YOLO-V3,其正样本为包含血腥图片150张,负样本为识别错误的非血腥150张图片,通过对图片处理、神经网络分类识别,目标检测识别三个步骤,达到识别率92%。实际应用中使用gpu提速,直播视频图片血腥识别中,使用以上方法,能够快速且正确的识别直播视频是否包含违规血腥信息。
步骤3-1-4具体包括:
3-1-4-1:对待检测视频源图像数据的敏感特征图片基于DLIB算法得到敏感特征人脸处理图片;
3-1-4-2:对所述敏感特征人脸处理图片进行截帧处理得到敏感特征向量图片;
3-1-4-3:利用所述敏感特征向量图片的方向梯度直方图特征建立正样本集合,所述敏感特征向量图片的方向梯度直方图特征建立负样本集合;
3-1-4-4:利用正样本集合与负样本集合基于支持向量机算法进行训练得到敏感特征识别初始模型;
3-1-4-5:判断敏感特征识别模型输出是否存在误检,若是,则获取误检的截帧图像的方向梯度直方图特征建立难例负样本集合,与正样本集合再次基于支持向量机算法进行训练,否则,得到人脸图像分类模型。
步骤3-2具体包括:
3-2-1:对待检测视频源图像数据进行边框处理得到核心区域的图片后,输入预先训练的人体特征视频检测模型,模型根据人体裸露不同程度特征得到识别结果,根据识别结果判定是否为违规内容;
3-2-2:判断待检测视频源图像数据是否为人体特征待识别图像数据,若是,对人体特征待识别图像数据中人体特殊部位裸露特征图片进行边框处理得到人体特殊部位裸露特征处理图片后,输入预先训练的视频检测模型得到待检测视频源初始检测结果,否则,对所述人体特征待识别图像数据不进行处理,直接输入预先训练的视频检测模型得到待检测视频源初始检测结果;
3-2-3:判断待检测视频源图像数据是否为特殊特征识别图像数据,若是,将所述待检测视频源图像数据输入预先训练的特殊特征识别模型得到特殊特征识别初始结果后,基于YOLO目标检测法再次检测得到待检测视频源初始检测结果,否则,将正常结果直接作为待检测视频源初始检测结果。
本实施例中,一种基于视频源自动探测技术的视频检测方法,根据识别结果,如果出现违规帧数,返回违规帧图片,监测时间,和对应的具体违规内容。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于视频源自动探测技术的视频检测方法,其特征在于,包括:
利用待检测视频源链接获取待检测视频源数据;
利用所述待检测视频源数据采集待检测视频源图像数据;
利用所述待检测视频源图像数据获取待检测视频源检测结果。
2.如权利要求1所述方法,其特征在于,所述利用待检测视频源链接获取待检测视频源数据包括:
利用待检测视频源链接的URL信息进行匹配获取待检测视频源数据。
3.如权利要求1所述方法,其特征在于,所述利用待检测视频源数据采集待检测视频源图像数据包括:
利用所述待检测视频源数据基于opencv库采集待检测视频源图像数据。
4.如权利要求1所述方法,其特征在于,所述利用待检测视频源图像数据获取待检测视频源检测结果包括:
利用待检测视频源图像数据输入预先训练的视频检测模型得到待检测视频源初始检测结果后,将所述待检测视频源初始检测结果作为待检测视频源检测结果。
5.如权利要求4所述方法,其特征在于,所述预先训练的视频检测模型包括:
预先训练的人体特征识别模型;
预先训练的图形特征识别模型;
预先训练的特殊特征识别模型;
预先训练的敏感特征识别模型。
6.如权利要求5所述方法,其特征在于,所述人体特征识别模型的训练包括:
以待检测视频源图像数据的人体特殊部位裸露特征图片、正常人体特征图片及其分别对应的判断结果作为人体特征识别模型的样本集;
按比例将所述样本集划分为训练集、测试集与验证集;
基于训练集、验证集与测试集采用Resnet50神经网络进行训练得到人体特征识别初始模型,根据所述人体特征识别初始模型的识别率情况,判断是否达到预期值,若是,可直接使用模型,否则通过对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练;
将所述验证集再次带入人体特征识别初始模型得到人体特征识别初始结果,判断所述人体特征识别初始结果是否达到标准阈值,若是,将人体特征识别初始模型作为人体特征识别模型,否则,对训练集中人体特殊部位裸露特征图片中正常人体特征图片进行筛选后,再次采用Resnet50神经网络进行训练。
7.如权利要求5所述方法,其特征在于,所述图形特征识别模型的训练包括:
以待检测视频源图像数据的目标图形特征图片与其对应的识别结果作为样本集;
按比例划分样本集为训练集与验证集;
基于训练集采用YOLO-V3神经网络进行初始训练得到图形特征识别初始模型;
采集初始训练中识别错误的图片,进行图片标注后,划分为第二样本集与训练集再次采用YOLO-V3神经网络进行二次训练,得到图形特征识别初始模型;
将所述验证集带入图形特征识别初始模型得到图形特征识别初始检测结果,判断所述图形特征识别初始检测结果是否准确,若是,则不进行处理,否则,划分所述图形特征识别初始检测不准确结果及其对应特征图片为负样本训练集;
基于所述训练集与负样本训练集采用YOLO-V3神经网络训练得到图形特征识别模型;
其中,所述目标图形特征图片为待检测视频源图像数据中存在检测特征的图片。
8.如权利要求5所述方法,其特征在于,所述特殊特征识别模型的训练包括:
对待检测视频源图像数据的特殊特征图片进行通道格式转换得到初始特殊特征图片;
对所述初始特殊特征图片中存在初始标准特征进行筛选后,判断所述初始特殊特征图片颜色包含值是否在筛选阈值内,若是,则对所述初始特殊特征图片进行分辨率转化得到二次特殊特征图片,否则,划分为正常特征图片;
判断所述二次特殊特征图片的颜色总面积是否小于筛选阈值,若是,则划分为正常特征图片,否则,将二次特殊特征图片作为待用特殊特征图片;
以待用特殊特征图片、正常特征图片与其分别对应的识别结果作为样本集;
按比例划分样本集为训练集与验证集;
基于所述训练集采用简易神经网络进行训练得到初始特殊特征识别模型;
将所述验证集带入初始特殊特征识别模型得到初始特殊特征识别结果,判断所述初始特殊特征识别结果是否准确,若是,则不进行处理,否则划分初始特殊特征识别不准确结果为负样本训练集;
以训练集、负样本训练集采用简易神经网络进行训练得到特殊特征识别模型;
其中,简易神经网络内部结构包含输入层、三层卷积层、一层全连接层与输出层。
9.如权利要求5所述方法,其特征在于,所述敏感特征识别模型的训练包括:
对待检测视频源图像数据的敏感特征图片基于DLIB算法得到敏感特征人脸处理图片;
对所述敏感特征人脸处理图片进行截帧处理得到敏感特征向量图片;
利用所述敏感特征向量图片的方向梯度直方图特征建立正样本集合,所述敏感特征向量图片的方向梯度直方图特征建立负样本集合;
利用正样本集合与负样本集合基于支持向量机算法进行训练得到敏感特征识别初始模型;
判断敏感特征识别模型输出是否存在误检,若是,则获取误检的截帧图像的方向梯度直方图特征建立难例负样本集合,与正样本集合再次基于支持向量机算法进行训练,否则,得到人脸图像分类模型。
10.如权利要求4所述方法,其特征在于,所述利用待检测视频源图像数据输入预先训练的视频检测模型得到待检测视频源初始检测结果包括:
对待检测视频源图像数据进行边框处理得到核心区域的图片后,输入预先训练的人体特征视频检测模型,模型根据人体裸露不同程度特征得到识别结果,根据识别结果判定是否为违规内容;
判断待检测视频源图像数据是否为人体特征待识别图像数据,若是,对人体特征待识别图像数据中人体特殊部位裸露特征图片进行边框处理得到人体特殊部位裸露特征处理图片后,输入预先训练的视频检测模型得到待检测视频源初始检测结果,否则,对所述人体特征待识别图像数据不进行处理,直接输入预先训练的视频检测模型得到待检测视频源初始检测结果;
判断待检测视频源图像数据是否为特殊特征识别图像数据,若是,将所述待检测视频源图像数据输入预先训练的特殊特征识别模型得到特殊特征识别初始结果后,基于YOLO目标检测法再次检测得到待检测视频源初始检测结果,否则,将正常结果直接作为待检测视频源初始检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370468.6A CN114187625A (zh) | 2021-11-18 | 2021-11-18 | 一种基于视频源自动探测技术的视频检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370468.6A CN114187625A (zh) | 2021-11-18 | 2021-11-18 | 一种基于视频源自动探测技术的视频检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187625A true CN114187625A (zh) | 2022-03-15 |
Family
ID=80540362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111370468.6A Pending CN114187625A (zh) | 2021-11-18 | 2021-11-18 | 一种基于视频源自动探测技术的视频检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671572A (zh) * | 2024-02-02 | 2024-03-08 | 深邦智能科技集团(青岛)有限公司 | 一种多平台联动的道路图像模型处理系统及方法 |
-
2021
- 2021-11-18 CN CN202111370468.6A patent/CN114187625A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671572A (zh) * | 2024-02-02 | 2024-03-08 | 深邦智能科技集团(青岛)有限公司 | 一种多平台联动的道路图像模型处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Corner proposal network for anchor-free, two-stage object detection | |
CN108121984B (zh) | 一种字符识别方法及装置 | |
CN107808358B (zh) | 图像水印自动检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN106355188A (zh) | 图像检测方法及装置 | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN111522951A (zh) | 一种基于图像识别的敏感数据识别与分类的技术方法 | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN112487848A (zh) | 文字识别方法和终端设备 | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
US20230353814A1 (en) | Testing rendering of screen objects | |
CN112560971A (zh) | 一种主动学习自迭代的图像分类方法和系统 | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN111325265A (zh) | 一种针对篡改图像的检测方法及装置 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
CN114187625A (zh) | 一种基于视频源自动探测技术的视频检测方法 | |
CN111783812A (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
CN110728193A (zh) | 一种脸部图像丰富度特征的检测方法及设备 | |
CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及系统 | |
CN113642466B (zh) | 活体检测和模型训练方法、设备及介质 | |
CN111460198B (zh) | 一种图片时间戳的审核方法及装置 | |
CN114708582B (zh) | 基于ai和rpa的电力数据智慧稽查方法及装置 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
KR101003504B1 (ko) | 유해 멀티미디어 판별시스템 및 그 판별방법 |
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 |