CN104484683B - 黄色图片检测方法及装置 - Google Patents
黄色图片检测方法及装置 Download PDFInfo
- Publication number
- CN104484683B CN104484683B CN201410855819.6A CN201410855819A CN104484683B CN 104484683 B CN104484683 B CN 104484683B CN 201410855819 A CN201410855819 A CN 201410855819A CN 104484683 B CN104484683 B CN 104484683B
- Authority
- CN
- China
- Prior art keywords
- area
- sensitizing range
- tested
- feature
- picture
- 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.)
- Active
Links
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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种黄色图片检测方法及装置。所述方法包括:对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;判断所述待检测区域是否为敏感区域;当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。本公开用于对黄色图片进行识别。
Description
技术领域
本公开涉及图像分析技术领域,尤其涉及一种黄色图片检测方法及装置。
背景技术
互联网的图片纷杂繁多,如何从众多的图片里面自动的过滤掉黄色图片,还小孩一片净土,是一个艰难的社会课题和研究。
相关技术中,主要采用利用肤色进行黄色图片判定的方法,其准确率不高,很容易造成错误识别。
发明内容
为克服相关技术中存在的问题,本公开实施例提供一种黄色图片检测方法及装置。
根据本公开实施例的第一方面,提供一种黄色图片检测方法,所述方法包括:
对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断所述待检测区域是否为敏感区域;
当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
本实施例中,对待分析图片进行扫描以获取该待分析图片中的若干区域,对这些区域进行分析,判断这些区域中是否包含黄色图像中的敏感部位,如果包含,则该待分析图片为黄色图片。不是对整张图片进行整体分析,而是对图片中的各个区域进行分析,这样,可以对不同大小的敏感区域进行检测,快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率,可以准确、有效、全面地禁止黄色图片的传播。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域。
在可选方案中,可利用预先训练好的敏感区域检测器对待检测区域进行检测,以确定待检测区域是否为敏感区域,这样,可以快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
可选的,所述方法还包括:
获取黄色图片库;
对黄色图片库的黄色图片的敏感区域进行截取;
对所述截取到的敏感区域进行分类;
对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器。
在可选方案中,通过预先对黄色图片的敏感区域进行训练学习,得到敏感区域检测器,可以快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域。
在可选方案中,提供另一种对待检测区域是否为敏感区域的判断方法,即通过预先对敏感区域的特征进行聚类,得到聚类树,通过确定待检测区域的特征在聚类树中滑落的叶子节点的位置,确定待检测区域是否为敏感区域。这样,不管待检测区域的尺寸如何,都可以准确快速地判断出是否为敏感区域,从而快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
可选的,所述根据所述待检测区域的特征所属的叶子节点,判断所述待检测区域是否为所述敏感区域,包括:
确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;
查询所述叶子节点中的特征对应的敏感区域;
统计每个敏感区域对应的待检测区域的特征的个数;
根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;
当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
在可选方案中,通过采用遍历聚类树的方式对特征进行查询,识别黄色图片敏感区域的速度快,提高识别效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
可选的,所述根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配,包括:
当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
在可选方案中,通过对判定待检测区域的匹配的特征的个数进行限定,不仅提高识别待检测区域的速度和效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
可选的,所述查询所述叶子节点中的特征对应的敏感区域,包括:
根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;
根据所述区域标识确定所述敏感区域。
在可选方案中,采用倒排文档的方式记录敏感区域的特征,将待检测区域的特征在倒排文档中进行比对,提高了识别黄色图片的速度和效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
可选的,当所述待分析图片为黄色图片时,所述方法还包括:
获取所述待分析图片的敏感区域的区域标识;
记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
在所述倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述待敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
在可选方案中,当确定待分析图片为黄色图片后,将该黄色图片的敏感区域的特征加入到倒排文档中,用于后续对其他图片的识别。这样,一旦黄色图片被识别出,则无论其被如何修改,都再无被传播的可能,可以准确、有效、全面地禁止黄色图片的传播。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域。
在可选方案中,通过两种敏感区域判定方式的结合,使得对黄色图片的判断更加准确。
根据本公开实施例的第二方面,提供一种黄色图片检测装置,包括:
扫描模块,用于对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块,用于判断所述待检测区域是否为敏感区域;
确定模块,用于当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
可选的,所述判断模块,用于根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域。
可选的,所述装置还包括:
第一获取模块,用于获取黄色图片库;
截取模块,用于对黄色图片库的黄色图片的敏感区域进行截取;
分类模块,用于对所述截取到的敏感区域进行分类;
训练模块,用于对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器。
可选的,所述判断模块包括:
采样子模块,用于对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
遍历子模块,用于根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
确定子模块,用于根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域。
可选的,所述确定子模块,用于确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;查询所述叶子节点中的特征对应的敏感区域;统计每个敏感区域对应的待检测区域的特征的个数;根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
可选的,所述确定子模块,用于当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
可选的,所述确定子模块,用于根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;根据所述区域标识确定所述敏感区域。
可选的,所述装置还包括:
第二获取模块,用于当所述待分析图片为黄色图片时,获取所述待分析图片的敏感区域的区域标识;
记录模块,用于记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
添加模块,用于在所述倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述待敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
可选的,所述判断模块包括:
第一判断子模块,用于根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
第二判断子模块,用于对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
确定子模块,用于根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域。
根据本公开实施例的第三方面,提供一种黄色图片检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
扫描模块,用于对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块,用于判断所述待检测区域是否为敏感区域;
确定模块,用于当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种黄色图片检测方法的流程图;
图2是根据另一示例性实施例示出的一种黄色图片检测方法的流程图;
图3是根据另一示例性实施例示出的一种黄色图片检测方法的流程图;
图4是根据另一示例性实施例示出的一种黄色图片检测方法的流程图;
图5是根据另一示例性实施例示出的一种黄色图片检测方法的流程图;
图6是根据另一示例性实施例示出的一种黄色图片检测方法的流程图;
图7是根据一示例性实施例示出的一种黄色图片检测装置的框图;
图8是根据另一示例性实施例示出的一种黄色图片检测装置的框图;
图9是根据一示例性实施例示出的判断模块的框图;
图10是根据另一示例性实施例示出的一种黄色图片检测装置的框图;
图11是根据另一示例性实施例示出的判断模块的框图
图12是根据一示例性实施例示出的一种用于黄色图片检测的装置1200的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种黄色图片检测方法的流程图,如图1所示,黄色图片检测方法用于终端中,包括以下步骤。
在步骤S11中,对待分析图片进行扫描,得到待分析图片的至少一个待检测区域;
在步骤S12中,判断待检测区域是否为敏感区域;
在步骤S13中,当待分析图片中至少一个待检测区域为敏感区域时,确定待分析图片为黄色图片。
本实施例中,对待分析图片进行扫描以获取该待分析图片中的若干区域,对这些区域进行分析,判断这些区域中是否包含黄色图像中的敏感部位,如果包含,则该待分析图片为黄色图片。不是对整张图片进行整体分析,而是对图片中的各个区域进行分析,这样,可以对不同大小的敏感区域进行检测,快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率,可以准确、有效、全面地禁止黄色图片的传播。
在步骤S11中,可采用金字塔扫描的方式对分析图片进行扫描,例如,待分析图片为200像素*200像素,对待分析图片进行金字塔扫描的过程如下。
A1、对待分析图片按照20像素*20像素的窗口,遍历步长为10,可以遍历(200-20)/10*(200-20)/10=18*18个候选窗口。
A2、对待分析图片下采样,得到第一采样图片为100像素*100像素,按照20像素*20像素的窗口,遍历步长为10,可以遍历(100-20)/10*(100-20)/10=8*8个候选窗口。
A3、对第一采样图片下采样,得到第二采样图片为50像素*50像素,按照20像素*20像素的窗口,遍历步长为10,可以遍历(50-20)/10*(50-20)/10=3*3个候选窗口。
A4、对第二采样图片下采样,得到第三采样图片为25像素*25像素,按照20像素*20像素的窗口,遍历步长为10,可以遍历(25-20)/10*(25-20)/10=1*1个候选窗口。
A5、最后把得到的结果合并,得到各种尺寸的待检测区域。
通过金字塔扫描,得到若干不同大小的待检测区域,对每个待检测区域进行是否为敏感区域的判断,这样,对于不同大小的黄色图片,或是黄色图片中不同大小的敏感区域,都可以被检测出来,提高了对黄色图片检测的准确性,也避免了将不是黄色图片的待检测图片误识别为黄色图片。
本实施例中,步骤S12可以采用两种方式实现:一、通过预先训练敏感区域检测器检测待检测区域;二、通过预先训练敏感区域特征的聚类树对待检测区域是否为敏感区域进行判定。具体实现过程以下详细说明。
可选的,上述步骤S12包括:
根据预先训练的敏感区域检测器,对待检测区域进行检测,确定待检测区域是否为敏感区域。
在可选方案中,可利用预先训练好的敏感区域检测器对待检测区域进行检测,以确定待检测区域是否为敏感区域,这样,可以快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
图2是根据另一示例性实施例示出的一种黄色图片检测方法的流程图,如图2所示,可选的,敏感区域检测器可以通过以下方式获得:
在步骤S21中,获取黄色图片库,如收集各种肤色、各种光线、各种角度及各种姿势的黄色图片。
在步骤S22中,对黄色图片库的黄色图片的敏感区域进行截取,对这些黄色图片的关键部位进行截取,得到敏感区域。
在步骤S23中,对截取到的敏感区域进行分类,可以按照性别和角度对敏感部位进行分类,如女性的敏感区域为2类,按照0度、45度、90度,分为6类样本,男性敏感区域为1类;按照0度、45度、90度,分为3类样本,总共可将黄色图像的敏感区域分为9类样本。
在步骤S24中,对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器,可以利用Adaboost迭代算法训练样本,得到9个敏感区域检测器,用于分别对每一类敏感区域进行检测。
在可选方案中,通过预先对黄色图片的敏感区域进行训练学习,得到敏感区域检测器,可以快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
图3是根据另一示例性实施例示出的一种黄色图片检测方法的流程图,如图3所示,可选的,上述步骤S12包括:
在步骤S31中,对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
在步骤S32中,根据待检测区域的特征遍历聚类树,确定待检测区域的特征所属的聚类树的叶子节点,聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
在步骤S33中,根据待检测区域的特征所属的叶子节点,确定待检测区域是否为敏感区域。
在可选方案中,提供另一种对待检测区域是否为敏感区域的判断方法,即通过预先对敏感区域的特征进行聚类,得到聚类树,通过确定待检测区域的特征在聚类树中滑落的叶子节点的位置,确定待检测区域是否为敏感区域。这样,不管待检测区域的尺寸如何,都可以准确快速地判断出是否为敏感区域,从而快速、准确地对黄色图片进行判定,减少误识别,提高黄色图片的召回率。
图4是根据另一示例性实施例示出的一种黄色图片检测方法的流程图,如图4所示,可选的,上述步骤S33包括:
在步骤S41中,确定叶子节点中的特征,叶子节点中的特征与待检测区域的特征匹配;
在步骤S42中,查询叶子节点中的特征对应的敏感区域;
在步骤S43中,统计每个敏感区域对应的待检测区域的特征的个数;
在步骤S44中,根据每个敏感区域对应的待检测区域的特征的个数,判定待检测区域是否与至少一个敏感区域匹配;
在步骤S45中,当待检测区域与至少一个敏感区域匹配时,确定待检测区域为敏感区域。
在可选方案中,通过采用遍历聚类树的方式对特征进行查询,识别黄色图片敏感区域的速度快,提高识别效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
可选的,上述步骤S44包括:
当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定待检测区域与至少一个敏感区域匹配,待检测区域为敏感区域。
例如,可以设置预设数量值为10,即当至少10个待检测区域A的特征命中了同一个敏感区域B,则可以确定待检测区域A为敏感区域。
在可选方案中,通过对判定待检测区域的匹配的特征的个数进行限定,不仅提高识别待检测区域的速度和效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
可选的,上述步骤S42包括:
根据叶子节点中的特征的特征标识,从倒排文档中查询特征标识对应的区域标识,倒排文档中记录聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;
根据区域标识确定敏感区域。
例如,对于聚类树,可以保存最下面一层的叶子节点,生成倒排文档,倒排文档中记录聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识。这样,可以在倒排文档中快速地查询叶子节点中的特征对应的敏感区域。
在可选方案中,采用倒排文档的方式记录敏感区域的特征,将待检测区域的特征在倒排文档中进行比对,提高了识别黄色图片的速度和效率,可以迅速对黄色图片进行处理,也不会影响正常图片的传播,并且,提高识别准确度,避免漏识别和误识别,用户体验度较好。
图5是根据另一示例性实施例示出的一种黄色图片检测方法的流程图,如图5所示,可选的,当待分析图片为黄色图片时,该方法还包括:
在步骤S51中,获取待分析图片的敏感区域的区域标识;
在步骤S52中,记录敏感区域的特征所属的聚类树的叶子节点的节点标识,以及敏感区域的特征匹配的叶子节点中的特征的特征标识;
在步骤S53中,在倒排文档中添加待分析图片的敏感区域的区域标识,以及敏感区域的特征所属的聚类树的叶子节点的节点标识,以及待敏感区域的特征匹配的叶子节点中的特征的特征标识。
在可选方案中,当确定待分析图片为黄色图片后,将该黄色图片的敏感区域的特征加入到倒排文档中,用于后续对其他图片的识别。这样,一旦黄色图片被识别出,则无论其被如何修改,都再无被传播的可能,可以准确、有效、全面地禁止黄色图片的传播。
图6是根据另一示例性实施例示出的一种黄色图片检测方法的流程图,如图6所示,可选的,上述步骤S12还可以通过将上述两种敏感区域的判定方式结合起来实现,包括:
在步骤S61中,根据预先训练的敏感区域检测器,对待检测区域进行检测,确定待检测区域是否为敏感区域,得到第一判断结果;
在步骤S62中,对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
在步骤S63中,根据待检测区域的特征遍历聚类树,确定待检测区域的特征所属的聚类树的叶子节点,聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
在步骤S64中,根据待检测区域的特征所属的叶子节点,确定待检测区域是否为敏感区域,得到第二判断结果;
在步骤S65中,根据第一判断结果和第二判断结果,确定待检测区域是否为敏感区域。
例如,只有当采用两种判定方式均确定该待检测区域为敏感区域时,才认为该待检测区域为敏感区域,该待分析图片为黄色图片;否则,如果有其中一种判定方式确定该待检测区域不是敏感区域,则认为待分析图片不是黄色图片。
在可选方案中,通过两种敏感区域判定方式的结合,使得对黄色图片的判断更加准确。
图7是根据一示例性实施例示出的一种黄色图片检测装置的框图。如图7所示,该装置包括扫描模块701,判断模块702和确定模块703。
扫描模块701被配置为对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块702被配置为判断所述待检测区域是否为敏感区域;
确定模块703被配置为当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
可选的,所述判断模块702被配置为根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域。
图8是根据另一示例性实施例示出的一种黄色图片检测装置的框图。如图8所示,可选的,该装置还包括:
第一获取模块704被配置为获取黄色图片库;
截取模块705被配置为对黄色图片库的黄色图片的敏感区域进行截取;
分类模块706被配置为对所述截取到的敏感区域进行分类;
训练模块707被配置为对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器。
图9是根据一示例性实施例示出的判断模块的框图。如图9所示,可选的,判断模块702包括:
采样子模块91被配置为对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
遍历子模块92被配置为根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
确定子模块93被配置为根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域。
可选的,确定子模块93被配置为确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;查询所述叶子节点中的特征对应的敏感区域;统计每个敏感区域对应的待检测区域的特征的个数;根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
可选的,确定子模93被配置为当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
可选的,确定子模块93被配置为根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;根据所述区域标识确定所述敏感区域。
图10是根据另一示例性实施例示出的一种黄色图片检测装置的框图。如图10所示,可选的,该装置还包括:
第二获取模块708被配置为获取所述待分析图片的敏感区域的区域标识;
记录模块709被配置为记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
添加模块710被配置为在所述倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述待敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
图11是根据另一示例性实施例示出的判断模块的框图。如图11所示,可选的,判断模块702包括:
第一判断子模块111被配置为根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
第二判断子模块112被配置为对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
确定子模块113被配置为根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种黄色图片检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
扫描模块,用于对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块,用于判断所述待检测区域是否为敏感区域;
确定模块,用于当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
图12是根据一示例性实施例示出的一种用于黄色图片检测的装置1200的框图。例如,装置1200可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
如图12所示,装置1200可以包括以下一个或多个组件:处理组件1202,存储器1204,电源组件1206,多媒体组件1208,音频组件1210,输入/输出(I/O)的接口1212,传感器组件1214,以及通信组件1216。
处理组件1202通常控制装置1200的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1202可以包括一个或多个模块,便于处理组件1202和其他组件之间的交互。例如,处理组件1202可以包括多媒体模块,以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理***,一个或多个电源,及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1208包括一个前置摄像头和/或后置摄像头。当设备1200处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件1210被配置为输出和/或输入音频信号。例如,音频组件1210包括一个麦克风(MIC),当装置1200处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中,音频组件1210还包括一个扬声器,用于输出音频信号。
I/O接口1212为处理组件1202和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1214包括一个或多个传感器,用于为装置1200提供各个方面的状态评估。例如,传感器组件1214可以检测到设备1200的打开/关闭状态,组件的相对定位,例如所述组件为装置1200的显示器和小键盘,传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变,用户与装置1200接触的存在或不存在,装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1214还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1216经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1216还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1204,上述指令可由装置1200的处理器1220执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种黄色图片检测方法,所述方法包括:
对所述待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断所述待检测区域是否为敏感区域;
当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域。
可选的,所述方法还包括:
获取黄色图片库;
对黄色图片库的黄色图片的敏感区域进行截取;
对所述截取到的敏感区域进行分类;
对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域。
可选的,所述根据所述待检测区域的特征所属的叶子节点,判断所述待检测区域是否为所述敏感区域,包括:
确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;
查询所述叶子节点中的特征对应的敏感区域;
统计每个敏感区域对应的待检测区域的特征的个数;
根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;
当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
可选的,所述根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配,包括:
当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
可选的,所述查询所述叶子节点中的特征对应的敏感区域,包括:
根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;
根据所述区域标识确定所述敏感区域。
可选的,当所述待分析图片为黄色图片时,所述方法还包括:
获取所述待分析图片的敏感区域的区域标识;
记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
在所述倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述待敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
可选的,所述判断所述待检测区域是否为敏感区域,包括:
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种黄色图片检测方法,其特征在于,包括:
对待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断所述待检测区域是否为敏感区域;
当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片;
所述判断所述待检测区域是否为敏感区域,包括:
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域;或者
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域;
所述方法还包括:
获取黄色图片库;
对黄色图片库的黄色图片的敏感区域进行截取;
对所述截取到的敏感区域进行分类;
对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器;
所述对所述截取到的敏感区域进行分类,包括:
按照性别和角度对所述截取到的敏感区域进行分类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待检测区域的特征所属的叶子节点,判断所述待检测区域是否为所述敏感区域,包括:
确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;
查询所述叶子节点中的特征对应的敏感区域;
统计每个敏感区域对应的待检测区域的特征的个数;
根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;
当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配,包括:
当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
4.根据权利要求2所述的方法,其特征在于,所述查询所述叶子节点中的特征对应的敏感区域,包括:
根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;
根据所述区域标识确定所述敏感区域。
5.根据权利要求1所述的方法,其特征在于,当所述待分析图片为黄色图片时,所述方法还包括:
获取所述待分析图片的敏感区域的区域标识;
记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
在倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
6.一种黄色图片检测装置,其特征在于,包括:
扫描模块,用于对待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块,用于判断所述待检测区域是否为敏感区域;
确定模块,用于当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片;
所述判断模块包括:
采样子模块,用于对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
遍历子模块,用于根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
第一确定子模块,用于根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域;或者
第一判断子模块,用于根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
第二判断子模块,用于对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
第二确定子模块,用于根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域;
所述装置还包括:
第一获取模块,用于获取黄色图片库;
截取模块,用于对黄色图片库的黄色图片的敏感区域进行截取;
分类模块,用于对所述截取到的敏感区域进行分类;
训练模块,用于对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器;
所述分类模块,用于按照性别和角度对所述截取到的敏感区域进行分类。
7.根据权利要求6所述的装置,其特征在于,所述第一确定子模块,还用于确定所述叶子节点中的特征,所述叶子节点中的特征与所述待检测区域的特征匹配;查询所述叶子节点中的特征对应的敏感区域;统计每个敏感区域对应的待检测区域的特征的个数;根据所述每个敏感区域对应的待检测区域的特征的个数,判定所述待检测区域是否与至少一个敏感区域匹配;当所述所述待检测区域与至少一个敏感区域匹配时,确定所述待检测区域为敏感区域。
8.根据权利要求7所述的装置,其特征在于,所述第一确定子模块,还用于当至少一个敏感区域对应的待检测区域的特征的个数超过预设数量值时,确定所述待检测区域与所述至少一个敏感区域匹配,所述待检测区域为敏感区域。
9.根据权利要求7所述的装置,其特征在于,所述第一确定子模块,还用于根据所述叶子节点中的特征的特征标识,从倒排文档中查询所述特征标识对应的区域标识,所述倒排文档中记录所述聚类树中每个叶子节点的节点标识,每个叶子节点中包含特征的特征标识,及每个特征对应的敏感区域的区域标识;根据所述区域标识确定所述敏感区域。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于当所述待分析图片为黄色图片时,获取所述待分析图片的敏感区域的区域标识;
记录模块,用于记录所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识;
添加模块,用于在倒排文档中添加所述待分析图片的敏感区域的区域标识,以及所述敏感区域的特征所属的所述聚类树的叶子节点的节点标识,以及所述敏感区域的特征匹配的所述叶子节点中的特征的特征标识。
11.一种黄色图片检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
扫描模块,用于对待分析图片进行扫描,得到所述待分析图片的至少一个待检测区域;
判断模块,用于判断所述待检测区域是否为敏感区域;
确定模块,用于当所述待分析图片中至少一个待检测区域为所述敏感区域时,确定所述待分析图片为黄色图片;
所述判断所述待检测区域是否为敏感区域,包括:
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域;或者
根据预先训练的敏感区域检测器,对所述待检测区域进行检测,确定所述待检测区域是否为敏感区域,得到第一判断结果;
对每个待检测区域进行均匀采样,获取每个待检测区域的预设个数的特征;
根据所述待检测区域的特征遍历聚类树,确定所述待检测区域的特征所属的所述聚类树的叶子节点,所述聚类树为对黄色图片库的黄色图片的敏感区域进行截取,对截取到的每个敏感区域进行均匀采样,对得到特征进行聚类后得到的;
根据所述待检测区域的特征所属的叶子节点,确定所述待检测区域是否为所述敏感区域,得到第二判断结果;
根据所述第一判断结果和所述第二判断结果,确定所述待检测区域是否为所述敏感区域;
所述处理器还被配置为:
获取黄色图片库;
对黄色图片库的黄色图片的敏感区域进行截取;
对所述截取到的敏感区域进行分类;
对每一类敏感区域进行训练,分别得到每一类敏感区域对应的敏感区域检测器;
所述对所述截取到的敏感区域进行分类,包括:
按照性别和角度对所述截取到的敏感区域进行分类。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现上述权利要求1-5所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410855819.6A CN104484683B (zh) | 2014-12-31 | 2014-12-31 | 黄色图片检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410855819.6A CN104484683B (zh) | 2014-12-31 | 2014-12-31 | 黄色图片检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484683A CN104484683A (zh) | 2015-04-01 |
CN104484683B true CN104484683B (zh) | 2019-08-02 |
Family
ID=52759224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410855819.6A Active CN104484683B (zh) | 2014-12-31 | 2014-12-31 | 黄色图片检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484683B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095911B (zh) * | 2015-07-31 | 2019-02-12 | 小米科技有限责任公司 | 敏感图片识别方法、装置以及服务器 |
CN107609082A (zh) * | 2017-09-06 | 2018-01-19 | 叶进蓉 | 一种网页中违禁图片检测方法及*** |
CN109410184B (zh) * | 2018-10-09 | 2020-08-18 | 天格科技(杭州)有限公司 | 基于稠密对抗网络半监督学习的直播色情图像检测方法 |
CN110222774A (zh) * | 2019-06-10 | 2019-09-10 | 百度在线网络技术(北京)有限公司 | 非法图像鉴别方法、装置、内容安全防火墙及存储介质 |
CN113435233B (zh) * | 2020-03-23 | 2024-03-05 | 北京金山云网络技术有限公司 | 色情图像识别方法、***及电子设备 |
CN112001282A (zh) * | 2020-08-12 | 2020-11-27 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923652A (zh) * | 2010-07-23 | 2010-12-22 | 华中师范大学 | 一种基于肤色和特征部位联合检测的***识别方法 |
CN102163286A (zh) * | 2010-02-24 | 2011-08-24 | 中国科学院自动化研究所 | 一种色情图像评价方法 |
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 |
CN103678504A (zh) * | 2013-11-19 | 2014-03-26 | 西安华海盈泰医疗信息技术有限公司 | 基于相似度的乳腺图像的匹配图像检索方法及检索*** |
CN104239566A (zh) * | 2014-09-28 | 2014-12-24 | 小米科技有限责任公司 | 视频搜索的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008033654A (ja) * | 2006-07-28 | 2008-02-14 | Noritsu Koki Co Ltd | 写真画像判別方法、写真画像判別プログラム、及び、写真画像処理装置 |
-
2014
- 2014-12-31 CN CN201410855819.6A patent/CN104484683B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163286A (zh) * | 2010-02-24 | 2011-08-24 | 中国科学院自动化研究所 | 一种色情图像评价方法 |
CN101923652A (zh) * | 2010-07-23 | 2010-12-22 | 华中师范大学 | 一种基于肤色和特征部位联合检测的***识别方法 |
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 |
CN103678504A (zh) * | 2013-11-19 | 2014-03-26 | 西安华海盈泰医疗信息技术有限公司 | 基于相似度的乳腺图像的匹配图像检索方法及检索*** |
CN104239566A (zh) * | 2014-09-28 | 2014-12-24 | 小米科技有限责任公司 | 视频搜索的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104484683A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484683B (zh) | 黄色图片检测方法及装置 | |
TWI724736B (zh) | 圖像處理方法及裝置、電子設備、儲存媒體和電腦程式 | |
CN104021350B (zh) | 隐私信息隐藏方法及装置 | |
CN106228168B (zh) | 卡片图像反光检测方法和装置 | |
CN109359056B (zh) | 一种应用程序测试方法及装置 | |
CN107239535A (zh) | 相似图片检索方法及装置 | |
CN106503617A (zh) | 模型训练方法及装置 | |
CN109446994A (zh) | 手势关键点检测方法、装置、电子设备及存储介质 | |
CN105069426B (zh) | 相似图片判断方法以及装置 | |
CN106951884A (zh) | 采集指纹的方法、装置及电子设备 | |
CN103942469A (zh) | 图片处理方法、装置及终端 | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN105678242B (zh) | 手持证件模式下的对焦方法和装置 | |
CN106228556A (zh) | 图像质量分析方法和装置 | |
CN105631406A (zh) | 图像识别处理方法和装置 | |
CN105809174A (zh) | 识别图像的方法及装置 | |
CN107463903A (zh) | 人脸关键点定位方法及装置 | |
CN106339695A (zh) | 人脸相似检测方法、装置及终端 | |
CN106446185A (zh) | 产品推荐方法、装置以及服务器 | |
CN106648063A (zh) | 手势识别方法及装置 | |
CN109635142A (zh) | 图像选择方法及装置、电子设备和存储介质 | |
CN108009990A (zh) | 倾斜对象处理方法及装置 | |
CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
US20220270352A1 (en) | Methods, apparatuses, devices, storage media and program products for determining performance parameters | |
CN107392160A (zh) | 光学指纹识别方法及装置、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |