CN102270303B - 敏感图像的联合检测方法 - Google Patents
敏感图像的联合检测方法 Download PDFInfo
- Publication number
- CN102270303B CN102270303B CN 201110211572 CN201110211572A CN102270303B CN 102270303 B CN102270303 B CN 102270303B CN 201110211572 CN201110211572 CN 201110211572 CN 201110211572 A CN201110211572 A CN 201110211572A CN 102270303 B CN102270303 B CN 102270303B
- Authority
- CN
- China
- Prior art keywords
- skin color
- area
- image
- face
- color area
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 37
- 210000000746 body region Anatomy 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种敏感图像的联合检测方法,属于图像处理技术领域。该方法主要包括以下步骤:A.第一次肤色检测,得到疑似肤色区域;B.第二次肤色检测,得到人体总肤色区域,包括人脸检测、椭圆建模、二次判决;C.去掉图像中的孤立点噪声干扰;D.通过判断检测到的肤色区域占整个图像的面积比例确定是否为敏感图像;E.通过判断独立皮肤连通区域的面积和个数确定是否为敏感图像;F.通过计算人脸区域面积和去除人脸后的肤色区域的面积的比值确定是否为敏感图像;并对图像进行模板匹配确定是否为敏感图像。本发明提供的检测方法降低了肤色的误检率,提高了敏感图像检测的准确率,同时保证了较高的图像处理速度。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种敏感图像的联合检测方法。
背景技术
互联网中有大量的***,这些***对青少年健康造成了不良影响,尤其是其中的敏感图像。因此,迫切需要找到一种快速而准确的敏感图像检测方法,限制敏感图像在网络上的传播,净化网络环境。
在肤色检测领域,因为不少物品的颜色与肤色范围重叠,所以易造成类肤色的误检。“YCbCr(Y指亮度分量,Cb指蓝色色度分量, Cr指红色色度分量)与HSI(H指色调,S指饱和度,I指强度)联合的肤色识别方法”是目前一种检测效果较好的方法,从图9(b)中可以看出该固定阈值的方法还是存在较多类肤色的误检。另外,人脸检测技术相对肤色检测技术成熟的多,现有技术中,虽然有将肤色检测和人脸轮廓建模结合起来,提高了人脸识别的准确率,但没有将人脸信息反馈到改善肤色的提取上。
发明内容
本发明要解决的技术问题是提供一种敏感图像的联合检测方法,在传统的敏感图像检测方法中加入了人脸检测和椭圆建模的方法对疑似肤色区域二次检测,将检测到的人脸信息反馈到肤色的提取上,降低了肤色的误检率,提高了敏感图像检测的准确率,同时保证了较高的处理速度。
为了达到上述目的,本发明提供一种敏感图像的联合检测方法,按以下步骤进行:
A.第一次肤色检测:
运用YCgCr(Y指亮度分量,Cg指绿色色度分量,Cr指红色色度分量)颜色空间和高斯分布模型对图像进行第一次肤色检测,得到疑似肤色区域;
B.第二次肤色检测,包括以下步骤:
B1.人脸检测:采用Adaboost算法对所述疑似肤色区域进行人脸检测,检测到人脸肤色区域,建立人脸模型,并确定人脸顶部(a)及人脸长度(r);
B2.椭圆建模:结合摄影理论得到人体在图像中的位置信息并建立椭圆模型,确定人体可能区域和非人体区域;
B3.二次判决:对所述疑似肤色区域中非人脸肤色区域进行二次判决,获得所述非人脸肤色区域中各空间正态分布情况与所述人脸肤色区域无显著差异的肤色块,从而获得人体总肤色区域,其中所述人体总肤色区域由人脸肤色区域和二次判决获得的肤色块构成;
C.去掉图像中的噪声干扰;
D.如果检测到的所述人体总肤色区域占整个图像的面积比例不到10%,转到步骤H,否则继续;
E.去除所述人体总肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计人体总肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者所剩的最大肤色连通区域的面积小于整个图像面积的5%,转到步骤H,否则继续;
F.计算人脸肤色区域与人体总肤色区域中非人脸肤色区域的面积比值,如果所述面积比值≤1/4,则转到步骤G,如果所述面积比值>1/4,则采用平行四边形和矩形模板对人脸肤色区域周围的最大肤色连通区域进行模板匹配,通过模板区域内肤色区域占模板面积的比例以及占该区域所在的最大肤色连通区域的面积比例判断该图像是否为敏感图像,然后转到步骤I;
G.该图像为敏感图像,转到步骤I;
H.该图像为正常图像,转到步骤I;
I.检测结束。
若所述步骤B1在图像中未检测到人脸肤色区域,则继续按以下步骤确定该图像是否为敏感图像:
(01)去掉图像中的噪声干扰;
(02)如果所述步骤A中得到的疑似肤色区域面积占整个图像的面积比例不到10%,转到步骤(05),否则继续;
(03)去除所述疑似肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计所述疑似肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者该图像的最大肤色连通区域的面积小于整个图像面积的5%,转到步骤(05),否则继续;
(04)对该图像中最大肤色连通区域进行模板匹配,在模板匹配中,如果匹配的区域符合模板形状约束,则转到步骤(06),否则转到步骤(5);
(05)该图像为正常图像,转到步骤(07);
(06)该图像为敏感图像,转到步骤(07);
(07)检测结束。
所述步骤B2中,以人脸顶部为圆心,以R为半径作圆,其中R=9r,r表示人脸长度;且选取所述圆右下方的1/4圆域与人体站着和躺着的椭圆叠加作为人体可能区域,所述圆中的其它圆域及圆域外的区域作为非人体区域。根据人脸在图像中的具***置,用如下方法确定人体可能区域:设定从人脸顶部至图像下边缘的距离为W,从人脸左侧至图像右边缘的距离为L,如果 ,则建立以人脸顶部为圆心,以为半径的圆,且选取所述圆右下方的1/4圆域与人体站着和躺着的椭圆叠加作为人体可能区域,所述圆的其他圆域及圆域外的区域为非人体区域,其中R为人脸长度的9倍,且表示取L与W的最大值。
所述步骤B3中的二次判决按照以下步骤进行:
其中,、、分别为人脸肤色区域的空间,空间,空间的正态分布均值, 、、分别表示人脸肤色区域的空间,空间,空间的正态分布方差;、、分别表示人脸肤色区域的像素点空间、空间、空间值;采用同样的方法计算出所述疑似肤色区域中各非人脸肤色区域的颜色均值;
(2)、设定待检测的非人脸肤色区域的颜色正态分布均值分别为、、,在空间、空间、空间分别比较与,与, 与是否有显著差异,若以上三者均无显著差异,则认为该待检测的非人脸肤色区域是肤色块,否则认为该待检测的非人脸肤色区域不是肤色块。其中判断人脸肤色区域与非人脸肤色区域是否存在显著差异按照以下步骤进行:
其中表示概率,为人脸肤色区域Y空间的正态分布的标准差,由于在成立的条件下X~N(),所以,即:,利用该公式获得临界值后,当时拒绝,表示Y空间上所述非人脸肤色区域与所述人脸肤色区域有显著差异,所述非人脸肤色区域不属于肤色块;否则接受,表示Y空间上所述非人脸肤色区域与所述人脸肤色区域无显著差异,所述非人脸肤色区域属于肤色快;用同样的方法,当在空间、空间所述非人脸肤色区域也分别与所述人脸肤色区域无显著差异时,所述非人脸肤色区域属于肤色块。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
基于人体结构和摄影理论对人体进行椭圆建模,确定了人体可能区域,缩小了检测范围,节省了***资源;同时对疑似肤色区域进行二次检验,通过人脸区域皮肤的颜色分布信息来检测其它人体部位的肤色区域,矫正了类肤色的误检,很大程度上提高了肤色检测精度;同时结合模板匹配,大大提高了敏感图像检测准确度和效率。通过试验得出,该发明对于敏感图像的总体识别率为87.85%,特别是对于正确检测到人脸的图像,其检测准确率高达95%以上,检测效果明显优于现有的检测技术。
附图说明
图1为对检测到人脸的图像处理的流程图;
图2为对未检测到人脸的图像处理的流程图;
图3为人脸的建模图;
图4为人体建模的圆形模型;
图5为人体建模的半圆模型;
图6为九宫格构图模型;
图7为人体建模的1/4圆模型;
图8(a)为人脸在图像左上角的动态椭圆建模;
图8(b)为人脸在图像中间的动态椭圆建模;
图8(c)为人脸在图像右下角的动态椭圆建模;
图9(a)为试验用待检测图像;
图9(b)为YCbCr与HSI联合的肤色识别方法的检测效果图;
图9(c)为本发明的第一次肤色检测效果图;
图9(d)为本发明的第二次肤色检测效果图;
图10为模板匹配中的模板类型;
图11为敏感图像检测试验结果分析图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,本发明按照以下步骤进行:
A.第一次肤色检测:
运用YCgCr颜色空间和高斯分布模型对图像进行第一次肤色检测,得到疑似肤色区域,
具体实施中,从RGB(R指红色,G指绿色,B指蓝色)颜色空间转换到YcgCr颜色空间的矩阵变换表达式如下:
若得到的像素点满足公式:
则认为该点是肤色像素点,通过此方法可以去除大部分的非肤色像素点,可提高高斯分布模型肤色检测速度和检测效率。
式中表示、的均值矩阵, 表示、的协方差矩阵,表示样本像素在YCbCr颜色空间的值,T为转置符号,计算图像中的像素点的肤色相似度,相似度越大,表示该点属于肤色的可能性也越大,反之越小。以上第一次肤色检测所涉及的方法均为现有技术。
B.第二次肤色检测,具体包括以下步骤:
B1.人脸检测:采用Adaboost算法对所述疑似肤色区域进行人脸检测,检测到人脸肤色区域建立人脸模型,并确定人脸顶部(a)及人脸长度(r);
人脸检测采用了Adaboost算法,因该人脸检测方法为现有技术,不再具体描述。该方法不但能检测出正面人脸,对侧面人脸、有眼镜遮挡的人脸也能够很好的识别。检测到人脸肤色区域后,对人脸的建模如图3,从图中可以看出人的双眼和嘴构成了一个等腰三角形,通过两眼之间的中点做垂直平分线交已经检测到的人脸的矩形框于a、b两点,则人脸的长度即为连接a、b两点的线段长度,记此线段为r,并将a点设置为人脸顶部,并将图像中检测到的人脸肤色区域最左侧的点设置为人脸左侧。
B2.椭圆建模:结合摄影理论得到人体在图像中的位置信息并对人体进行椭圆建模,确定人体可能区域Ⅰ和非人体区域Ⅱ;
具体实现方法如下:统计表明,成人脸长与身长比例为六至八之间,某些模特才可能达到九,鉴于此,假设互联网上的图像中人的身高最多为人脸长度的九倍。故以人脸F为圆心,取R=9r为半径作圆,整个圆域即为人体可能出现的区域,如图4所示,人体可以在此圆域中转动,可以站着,躺着,或是坐着,不论其处于什么姿势下都不会跨出该圆域。基于互联网上的图像中的人体99%以上都不是倒放的,于是对图 4进行改进,改进后的半圆模型如图5中所示,其中区域Ⅰ代表人体可能区域,区域Ⅱ代表非人体区域。图6为现代摄影中重要的构图方式九宫格构图,九宫格构图是指将被摄主体或重要景物放在“九宫格”交叉点的位置上,如图6所示,“井”字的四个交叉点就是主体的最佳位置。一般认为,右上方的交叉点c最为理想,其次为右下方的交叉点d,故假设互联网上图像的大部分内容反映在右半部分,基于此可认为图像中右方更可能出现人物形象。基于以上假设,可以认为人体一般出现在人脸F的右下方,即人脸F左上方不可能出现人体肤色,由此对图4进行改进,得到的改进后的1/4圆模型如图7所示,区域Ⅰ的1/4圆域代表人体可能区域,区域Ⅱ的3/4圆域及圆以外的区域代表非人体区域。
考虑到人的体型,将人身体设置为细长的椭圆,为人体椭圆,此方法为成熟技术,这里不再描述。并按以下方法椭圆建模:如图8(a)中,以人脸顶部a为圆心,取人脸F的长度r的九倍为半径R作圆,在此圆的圆域中选取的右下方的1/4圆域与站着和躺着的人体椭圆叠加,则得到人体可能出现的区域,图中区域Ⅰ为人体可能区域,区域Ⅱ为非人体区域。因为人脸F在图像中的位置不是固定不变的,记从人脸顶部到图像下边缘的距离记为W,从人脸左部到图像右边缘的距离记为L,当人脸F在图像中移动时,若出现的情形,则以人脸顶部为圆心,以为半径作圆,再选取该圆右下方1/4圆域与人体站着和躺着的人体椭圆叠加得到人体可能区域,如图8(b),可以看到,人体可能区域缩小了,非人体区域Ⅱ扩大了。图8(c)为人脸进一步往右下方移动的动态椭圆建模图,区域为人体可能区域,区域Ⅱ为非人体区域,可以看出非人体区域Ⅱ进一步扩大了。
B3.二次判决:对疑似肤色区域中非人脸肤色区域进行二次判决,获得非人脸肤色区域中各空间正态分布情况与人脸肤色区域无显著差异的肤色块,从而获得人体总肤色区域,其中人体总肤色区域由人脸肤色区域和二次判决获得的肤色块构成,具体实施方式如下:
其中,、、分别为人脸肤色区域的空间,空间,空间的正态分布均值, 、、分别表示人脸肤色区域的空间,空间,空间的正态分布方差;、、分别表示人脸肤色区域的像素点空间、空间、空间值;采用同样的方法计算出疑似肤色区域中各非人脸肤色区域的颜色均值;
(2)、设定待检测的非人脸肤色区域的颜色正态分布均值分别为、、,在空间、空间、空间分别比较与,与, 与是否有显著差异,若以上三者均无显著差异,则认为该待检测的非人脸肤色区域是肤色块,否则认为该待检测的非人脸肤色区域不是肤色块。其中步骤(2)中判断人脸肤色区域与非人脸肤色区域是否存在显著差异按照以下步骤进行:
当采用YCgCr和高斯模型联合的方法实现肤色第一次检测时,若得到的疑似肤色区域肤色块都落在椭圆模型的区域中,则不做任何处理,如果有疑似区域肤色块落入椭圆模型的非人体区域Ⅱ中,即存在误检。此时对显著性水平进行动态选择,实现肤色的二次判决,以减少类肤色的误检。利用椭圆模型,即可实现显著性水平的动态选择。当显著性水平从大到小变化时,检测到的真实皮肤区域面积会单调上升,同时错误检测到的混淆背景也会从无到有,面积逐渐上升。这时继续减少,检测到的肤色区域会继续增加,相反的,如果我们增加,检测到的肤色区域就会减少,当肤色区域重新回到区域中时,人体类肤色误检将消失。于是采用椭圆模型来限制的大小,的动态选择算法如下:
(2)不断减小,检测到的肤色区域面积会单调上升;
C.去掉图像中的噪声干扰;
利用现有技术开启和闭合运算去掉图像中的噪声干扰。
D.如果检测到的人体总肤色区域占整个图像的面积比例不到10%,转到步骤H,否则继续;
E.去除人体总肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计人体总肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者所剩的最大肤色连通区域的面积小于整个图像面积的5%,转到步骤H,否则继续;
F.计算人脸肤色区域与人体总肤色区域中非人脸肤色区域的面积比值,如果所述面积比值≤1/4,则转到步骤G,如果所述面积比值>1/4,则采用平行四边形和矩形模板对人脸肤色区域周围的最大肤色连通区域进行模板匹配,通过模板区域内肤色区域占模板面积的比例以及占该区域所在的最大肤色连通区域的面积比例判断该图像是否为敏感图像,然后转到步骤I;
G.该图像为敏感图像,转到步骤I;
H.该图像为正常图像,转到步骤I;
I.检测结束。
对未检测到人脸肤色区域的图像按如下步骤处理,如图2:
(01)去掉图像中的噪声干扰;利用现有技术开启和闭合运算去掉图像中的噪声干扰;
(02)如果步骤A中得到的疑似肤色区域面积占整个图像的面积比例不到10%,转到步骤(05),否则继续;
(03)去除疑似肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计疑似肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者该图像的最大肤色连通区域的面积小于整个图像面积的5%,转到步骤(05),否则继续;
(04)对该图像中最大肤色连通区域进行模板匹配,在模板匹配中,如果匹配的区域符合模板形状约束,则转到步骤(06),否则转到步骤(5);
(05)该图像为正常图像,转到步骤(07);
(06)该图像为敏感图像,转到步骤(07);
(07)检测结束。
本发明中的模板匹配方法为现有技术,通过对大量敏感图像肤色区域的分析发现,大部分敏感图像肤色区域的形状满足如图10所示的平行四边形和矩形特征,其中平行四边形和矩形的相邻边的边长比例满足一定的范围。用这些简单的几何特征对肤色区域进行模板匹配,判断提取的肤色区域是否满足特定的几何形状,从而得出图像是否包含敏感信息。该方法同其他算法相比,既能满足判别准确性的要求,又在很大程度上提高了判别的速度。
采用本发明提出的方法与“YCbCr与HSI联合的肤色识别方法”检测效果对比图中,其中图9(a)为待检测的图像,易见这三张图像均属于上述椭圆建模中的图8(b)的情形。图9(b)为YCbCr与HSI联合的肤色识别方法的效果图,从图中可见该固定阈值的方法还是存在较多类肤色的误检。图9(c)为采用本发明第一次肤色检测的效果图,该方法检测到的肤色区域范围广,得到的疑似肤色区域适合人脸检测。对于类肤色的误检,图9(c)中已有疑似肤色区域落入到椭圆模型的非人体区域Ⅱ中。图9(d)为采用假设检验实现基于显著性水平动态选择算法对图像实现肤色二次判决的效果图,可以看到类肤色的误检明显减少,检测效果明显优于“YCbCr与HSI联合的肤色识别方法”的检测效果,证明了通过人脸的肤色反馈和人***置信息的动态值的最佳阈值分割算法,可以很好地改善肤色检测性能。
为验证本发明所提方法的有效性,该实施例选取了4000张不同大小、不同格式的彩色图像进行测试,其中正常图像3000张(风景图像400张,人物图像片1800,含风景、人物、建筑等混合图像800张),敏感图像1000张。本实验所用电脑配置为:奔4CPU,2GHz,512MB内存,在VC++环境下的处理速度可达到每秒8张正常图像,2张敏感图像的的检测速度,基本满足实时性要求。设定在允许一定的虚警情况下最大限度的减小敏感图像的漏报率,实验结果如图11。
从该图中可以看出,对3000张正常图像的检测出现381张误检图像,正常图像的识别准确率为87.3%,其中主要的误检来自于风景图像。对风景图像进行识别时,均没有检测到人脸,于是对图像中最大连通肤色区域进行模板匹配,此时出现误识别, 这种误识别是由符合模板匹配的类肤色连通区域造成。对敏感图像的识别准确率为89.50%,其中误检来源主要分为两种情况,一种是图像中检测到人脸,因图像中人物的不完整性导致人脸与除去人脸的肤色区域面积的比例不足1/4造成误检;一种是图像中未检测到人脸,因人体姿势的多样性而引起的模板匹配误识别导致误检。通过实验结果可以看到,本发明对于不良图像的总体识别率为87.85%,特别是对于正确检测到人脸的图像,其准确识别率高达95.47%,通过对人脸的信息反馈很好地矫正了类肤色的误检,在很大程度上提高了肤色检测的精度,进一步提高了敏感图像的识别率。
Claims (3)
1.一种敏感图像的联合检测方法,其特征在于包括以下步骤:
A.第一次肤色检测:
运用YCgCr颜色空间和高斯分布模型对图像进行第一次肤色检测,得到疑似肤色区域;
B.第二次肤色检测,包括以下步骤:
B1.人脸检测:采用Adaboost算法对所述疑似肤色区域进行人脸检测,检测到人脸肤色区域,建立人脸模型,并确定人脸顶部(a)及人脸长度(r);
B2.椭圆建模:结合摄影理论得到人体在图像中的位置信息并建立椭圆模型,确定人体可能区域(Ⅰ)和非人体区域(Ⅱ);
B3.二次判决:对所述疑似肤色区域中非人脸肤色区域进行二次判决,获得所述非人脸肤色区域中各空间正态分布情况与所述人脸肤色区域无显著差异的肤色块,从而获得人体总肤色区域,其中所述人体总肤色区域由人脸肤色区域和二次判决获得的肤色块构成;
C.去掉图像中的噪声干扰;
D.如果检测到的所述人体总肤色区域占整个图像的面积比例不到10%,转到步骤H,否则继续;
E.去除所述人体总肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计人体总肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者所剩的最大肤色连通区域的面积小于整个图像面积的5%,转到步骤H,否则继续;
F.计算人脸肤色区域与人体总肤色区域中非人脸肤色区域的面积比值,如果所述面积比值≤1/4,则转到步骤G,如果所述面积比值>1/4,则采用平行四边形和矩形模板对人脸肤色区域周围的最大肤色连通区域进行模板匹配,通过模板区域内肤色区域占模板面积的比例以及占该区域所在的最大肤色连通区域的面积比例判断该图像是否为敏感图像,然后转到步骤I;
G.该图像为敏感图像,转到步骤I;
H.该图像为正常图像,转到步骤I;
I.检测结束;
所述步骤B2中,设定从人脸顶部至图像下边缘的距离为W,从人脸左侧至图像右边缘的距离为L,若MAX(L,W)≥R,以人脸顶部为圆心,以R为半径作圆,其中R=9r,r表示人脸长度;若MAX(L,W)<R,以人脸顶部为圆心,以MAX(L,W)为半径作圆, 选取上述两种情况下所作圆的右下方1/4圆域与站立着和躺着的人体椭圆叠加后的区域作为人体可能区域(Ⅰ),所述圆中的其它圆域及圆域外的区域作为非人体区域(Ⅱ),其中MAX(L,W)表示取L与W的最大值;
所述步骤B3中的二次判决按照以下步骤进行:
(1)、在YCgCr颜色空间构造肤色模型后,用正态分布X~N(μ,σ2)来描述人脸肤色区域中像素点的分布情况,将人脸肤色区域内所有像素点的颜色值构成一个集合Ω,Ω={{y1,cg1,cr1},{y2,cg2,cr2},...,{yn,cgn,crn}},其中n表示人脸肤色区域的 像素点数量,{yn,cgn,crn}为人脸肤色区域的像素点,yn、cgn、crn分别表示该像素点的Y空间值、Cg空间值、Cr空间值;计算出人脸肤色区域的正态分布均值和方差:
其中,uy、uCg、uCr分别为人脸肤色区域的Y空间,Cg空间,Cr空间的正态分布均值,σy 2、σCg 2、σCr 2分别表示人脸肤色区域的Y空间,Cg空间,Cr空间的正态分布方差;yi、Cgi、Cri分别表示人脸肤色区域的像素点的Y空间、Cg空间、Cr空间值;采用同样的方法计算出所述疑似肤色区域中各非人脸肤色区域的颜色均值;
(2)、设定待检测的非人脸肤色区域的颜色正态分布均值分别为uy0、uCg0、uCr0,在Y空间、Cg空间、Cr空间分别比较uy0与uy,uCg0与uCg,uCr0与uCr是否有显著差异,若以上三者均无显著差异,则认为该待检测的非人脸肤色区域是肤色块,否则认为该待检测的非人脸肤色区域不是肤色块;
所述步骤(2)中判断人脸肤色区域与非人脸肤色区域是否存在显著差异按照以下步骤进行:
2.根据权利要求1所述的敏感图像的联合检测方法,其特征在于:若所述步骤B1在图像中未检测到人脸肤色区域,则继续按以下步骤确定该图像是否为敏感图像:
(01)去掉图像中的噪声干扰;
(02)如果所述步骤A中得到的疑似肤色区域面积占整个图像的面积比例不到10%,转到步骤(05),否则继续;
(03)去除所述疑似肤色区域中面积小于整个图像面积2%的独立肤色连通区域,再统计所述疑似肤色区域中所剩的独立肤色连通区域的个数,如果所剩的独立肤色连通区域多于6个或者该图像的最大肤色 连通区域的面积小于整个图像面积的5%,转到步骤(05),否则继续;
(04)对该图像中最大肤色连通区域进行模板匹配,在模板匹配中,如果匹配的区域符合模板形状约束,则转到步骤(06),否则转到步骤(05);
(05)该图像为正常图像,转到步骤(07);
(06)该图像为敏感图像,转到步骤(07);
(07)检测结束。
3.根据权利要求1所述的敏感图像的联合检测方法,其特征在于:采用如下动态选择的方法确定显著性水平α的取值:
(2)不断减小α,检测到的肤色区域面积会单调上升;
(3)当α减小到α=αj时,刚好有肤色区域落入非人体区域(Ⅱ)中,其中αj为α第j次减小的结果,j为正整数;
(4)取α=αj-1,此时对该图像的分割是最佳分割,避免了有肤色块落入非人体区域(Ⅱ)中,实现了肤色的二次判决;其中αj-1为α第j-1次减小的结果,αj-1>αj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110211572 CN102270303B (zh) | 2011-07-27 | 2011-07-27 | 敏感图像的联合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110211572 CN102270303B (zh) | 2011-07-27 | 2011-07-27 | 敏感图像的联合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102270303A CN102270303A (zh) | 2011-12-07 |
CN102270303B true CN102270303B (zh) | 2013-06-05 |
Family
ID=45052604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110211572 Expired - Fee Related CN102270303B (zh) | 2011-07-27 | 2011-07-27 | 敏感图像的联合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102270303B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186819A (zh) * | 2011-12-28 | 2013-07-03 | 象山县供电局 | 基于三维地理信息***的电力设施选址二次优化方法 |
CN102542304B (zh) * | 2012-01-12 | 2013-07-31 | 郑州金惠计算机***工程有限公司 | 识别wap手机色情图像的区域分割肤色算法 |
CN102842032B (zh) * | 2012-07-18 | 2015-07-22 | 郑州金惠计算机***工程有限公司 | 基于多模式组合策略的移动互联网色情图像识别方法 |
CN103400384B (zh) * | 2013-07-22 | 2016-05-25 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
CN104837007B (zh) * | 2014-02-11 | 2018-06-05 | 阿里巴巴集团控股有限公司 | 一种数字图像质量分级的方法和装置 |
CN103971135A (zh) * | 2014-05-05 | 2014-08-06 | 中国民航大学 | 基于头肩深度信息特征的人体目标检测方法 |
CN105205437B (zh) * | 2014-06-16 | 2018-12-07 | 浙江宇视科技有限公司 | 基于头部轮廓验证的侧脸检测方法及装置 |
CN105678313B (zh) * | 2014-11-20 | 2019-07-30 | ***通信集团广东有限公司 | 一种图像分离方法及装置 |
CN105488475B (zh) * | 2015-11-30 | 2019-10-15 | 西安闻泰电子科技有限公司 | 手机中人脸检测方法 |
CN106446803A (zh) * | 2016-09-07 | 2017-02-22 | 北京小米移动软件有限公司 | 直播内容识别处理方法、装置及设备 |
CN106981066B (zh) * | 2017-03-06 | 2019-07-12 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于肤色的内脸图像分割方法 |
CN107895140A (zh) * | 2017-10-20 | 2018-04-10 | 九次方大数据信息集团有限公司 | 基于人脸肤色的***识别办法 |
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*** |
CN109584507B (zh) * | 2018-11-12 | 2020-11-13 | 深圳佑驾创新科技有限公司 | 驾驶行为监测方法、装置、***、交通工具和存储介质 |
CN110188640B (zh) * | 2019-05-20 | 2022-02-25 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、服务器和计算机可读介质 |
CN111950390B (zh) * | 2020-07-22 | 2024-04-26 | 深圳数联天下智能科技有限公司 | 皮肤敏感度的确定方法及装置、存储介质及设备 |
CN112801062B (zh) * | 2021-04-07 | 2021-07-06 | 平安科技(深圳)有限公司 | 直播视频识别方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324888A (zh) * | 2007-06-13 | 2008-12-17 | 北京恒金恒泰信息技术有限公司 | 基于ie的过滤色情软件插件 |
CN101359372B (zh) * | 2008-09-26 | 2011-05-11 | 腾讯科技(深圳)有限公司 | 分类器的训练方法及装置、识别敏感图片的方法及装置 |
CN101763502B (zh) * | 2008-12-24 | 2012-07-25 | 中国科学院自动化研究所 | 一种高效的敏感图像检测方法及其*** |
-
2011
- 2011-07-27 CN CN 201110211572 patent/CN102270303B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102270303A (zh) | 2011-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102270303B (zh) | 敏感图像的联合检测方法 | |
CN106778788B (zh) | 对图像进行美学评价的多特征融合方法 | |
CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN102117413B (zh) | 基于多层特征的不良图像自动过滤方法 | |
CN105205480B (zh) | 一种复杂场景中人眼定位方法及*** | |
CN109214360A (zh) | 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用 | |
CN102194108B (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
CN107833220A (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN102073841B (zh) | 一种不良视频检测方法及装置 | |
CN105893946B (zh) | 一种正面人脸图像的检测方法 | |
CN110349136A (zh) | 一种基于深度学习的篡改图像检测方法 | |
Zheng et al. | Attention-based spatial-temporal multi-scale network for face anti-spoofing | |
CN108614999A (zh) | 基于深度学习的眼睛睁闭状态检测方法 | |
CN106446781A (zh) | 一种人脸图像处理方法及装置 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN110728185B (zh) | 一种判别驾驶人存在手持手机通话行为的检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN107392105B (zh) | 一种基于反向协同显著区域特征的表情识别方法 | |
CN103218615B (zh) | 人脸判定方法 | |
CN107895140A (zh) | 基于人脸肤色的***识别办法 | |
CN103093180A (zh) | 一种色情图像侦测的方法和*** | |
CN108710916A (zh) | 图片分类的方法及装置 | |
CN110197490A (zh) | 基于深度学习的人像自动抠图方法 | |
Tan et al. | Gesture segmentation based on YCb'Cr'color space ellipse fitting skin color modeling | |
CN109766860A (zh) | 基于改进的Adaboost算法的人脸检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130605 Termination date: 20190727 |