CN105095911B - 敏感图片识别方法、装置以及服务器 - Google Patents
敏感图片识别方法、装置以及服务器 Download PDFInfo
- Publication number
- CN105095911B CN105095911B CN201510463265.XA CN201510463265A CN105095911B CN 105095911 B CN105095911 B CN 105095911B CN 201510463265 A CN201510463265 A CN 201510463265A CN 105095911 B CN105095911 B CN 105095911B
- Authority
- CN
- China
- Prior art keywords
- picture
- sensitization
- processed
- training
- identification model
- 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
- 206010070834 Sensitisation Diseases 0.000 title claims abstract description 371
- 230000008313 sensitization Effects 0.000 title claims abstract description 371
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims description 290
- 238000012360 testing method Methods 0.000 claims description 125
- 238000012545 processing Methods 0.000 claims description 70
- 239000012141 concentrate Substances 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开是关于一种敏感图片识别方法、装置以及服务器,其中方法包括:通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种敏感图片识别方法、装置以及服务器。
背景技术
目前,随着智能手机的普及程度越来越高,随时随地的采用手机拍照也越来越流行,尤其是部分手机用户喜欢自拍,且自拍的尺度较大,导致手机图库中的敏感图片较多。
相关技术中,针对手机图库中的敏感图片,为了保护隐私,避免敏感图片泄露,手机用户一般需要手动将敏感图片移入到隐私相册中,对隐私相册进行隐藏或加密。
发明内容
本公开实施例提供了一种敏感图片识别方法、装置以及服务器。所述技术方案如下:
根据本公开实施例的第一方面,提供一种敏感图片识别方法,该方法包括:
获取用户终端的图库,所述图库中包括至少一张待处理图片;
采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片;
若所述待处理图片为敏感图片,则将所述待处理图片存储至隐私相册。
本公开实施例提供的技术方案可以包括以下有益效果:通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片之前,所述的方法,还包括:
获取训练样本集,所述训练样本集中包括第一类训练图片和第二类训练图片,所述第一类训练图片是包含隐私部位的敏感图片,所述第二类训练图片是不包含隐私部位的非敏感图片;
随机将所述第一类训练图片和第二类训练图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片,随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,所述的方法还包括:获取测试样本集,所述测试样本集中包括第一类测试图片和第二类测试图片,所述第一类测试图片是包含隐私部位的敏感图片,所述第二类测试图片是不包含隐私部位的非敏感图片;
采用所述敏感图片识别模型分别对所述测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果;
根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率。
进一步地,根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率之后,所述的方法,还包括:
若所述分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新所述训练样本集;
根据更新后的训练样本集对所述前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
进一步地,所述的方法还包括:确定各次迭代对应的分类正确率中的最大分类正确率;
确定与所述最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片,采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到敏感图片识别模型的分类正确率,在分类正确率小于预设阈值时,采用更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,直至达到最大迭代次数或分类正确率大于预设阈值为止,确定各次迭代对应的分类正确率中的最大分类正确率,确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型,从而提高了敏感图片识别模型的分类正确率,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片之前,所述的方法,还包括:
按照预设尺寸对所述待处理图片进行归一化处理,得到与所述待处理图片对应的预设尺寸图片;
对应的,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片,包括:
采用敏感图片识别模型对所述预设尺寸图片进行识别,确定所述待处理图片是否为敏感图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片,采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,并且通过对待处理图片尺寸的归一化处理,提高敏感图片识别模型对待处理图片的识别速度,从而提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述按照预设尺寸对所述待处理图片进行归一化处理,得到与所述待处理图片对应的预设尺寸图片之前,所述的方法,还包括:
获取所述待处理图片中的肤色区域;
对所述待处理图片中包括的肤色区域进行截取,得到所述待处理图片对应的肤色部位图像;
对应的,所述按照预设尺寸对所述待处理图片进行归一化处理,得到与所述待处理图片对应的预设尺寸图片,包括:
按照预设尺寸对所述待处理图片对应的肤色部位图像进行归一化处理,得到与所述肤色部位图像对应的预设尺寸图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取待处理图片中的肤色区域,对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少待处理图片中除肤色区域之外的其他区域对识别的干扰,从而提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述获取所述待处理图片中的肤色区域,包括:
采用肤色模型对所述待处理图片进行识别,判断所述待处理图片中是否包含有肤色区域,所述肤色区域的R通道与G通道的比值大于预设比值;
若所述待处理图片中包含有肤色区域,则根据所述肤色区域的位置确定所述待处理图片中是否包含可连通的肤色区域;
若所述待处理图片中包含可连通的肤色区域,则对所述待处理图片中的可连通的肤色区域进行连通处理,得到所述待处理图片中的肤色区域。
本公开实施例提供的技术方案可以包括以下有益效果:通过采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值,对待处理图片中的可连通的肤色区域进行连通处理,对进行连通处理后待处理图片中的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少需要进行识别的肤色部位图像的数量,从而提高了敏感图片识别的效率。
进一步地,随机将所述第一类训练图片和第二类训练图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型之前,所述的方法,还包括:
按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片;
对应的,随机将所述第一类训练图片和第二类训练图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型,包括:
随机将所述第一类训练图片和第二类训练图片对应的预设尺寸图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片,将与第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以提高初始敏感图片识别模型对输入的训练图片的处理速度,提高初始敏感图片识别模型的训练速度。
进一步地,按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片之前,所述的方法,还包括:
获取所述训练样本集中的第一类训练图片中的隐私区域;
根据所述隐私区域对所述第一类训练图片进行裁剪,得到所述第一类训练图片对应的隐私区域图像;
对应的,按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片,包括:
按照预设尺寸对所述第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到所述第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取训练样本集中的第一类训练图片中的隐私区域,根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像,将第一类训练图片对应的隐私区域图像进行归一化处理后输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以避免第一类训练图片中除隐私区域以外的其他区域对初始敏感图片识别模型训练的干扰,提高敏感图片识别模型的训练速度,提高敏感图片识别模型的训练效率。
根据本公开实施例的第二方面,提供一种感图片识别装置,该装置包括:
第一获取模块,被配置为获取用户终端的图库,所述图库中包括至少一张待处理图片;
第一识别模块,被配置为采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片;
存储模块,被配置为在所述待处理图片为敏感图片时,将所述待处理图片存储至隐私相册。
本公开实施例提供的技术方案可以包括以下有益效果:通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述的装置还包括:
第二获取模块,被配置为获取训练样本集,所述训练样本集中包括第一类训练图片和第二类训练图片,所述第一类训练图片是包含隐私部位的敏感图片,所述第二类训练图片是不包含隐私部位的非敏感图片;
输入模块,被配置为随机将所述第一类训练图片和第二类训练图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片,随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,所述的装置还包括:
第三获取模块,被配置为获取测试样本集,所述测试样本集中包括第一类测试图片和第二类测试图片,所述第一类测试图片是包含隐私部位的敏感图片,所述第二类测试图片是不包含隐私部位的非敏感图片;
第二识别模块,被配置为采用所述敏感图片识别模型分别对所述测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果;
第一确定模块,被配置为根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率。
进一步地,所述的装置还包括:
迭代执行模块,被配置为在所述分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新所述训练样本集;
根据更新后的训练样本集对所述前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
进一步地,所述的装置还包括:
第二确定模块,被配置为确定各次迭代对应的分类正确率中的最大分类正确率;
第三确定模块,被配置为确定与所述最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片,采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到敏感图片识别模型的分类正确率,在分类正确率小于预设阈值时,采用更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,直至达到最大迭代次数或分类正确率大于预设阈值为止,确定各次迭代对应的分类正确率中的最大分类正确率,确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型,从而提高了敏感图片识别模型的分类正确率,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,所述的装置还包括:
第一处理模块,被配置为按照预设尺寸对所述待处理图片进行归一化处理,得到与所述待处理图片对应的预设尺寸图片;
对应的,所述第一识别模块,包括:
第一识别单元,被配置为采用敏感图片识别模型对所述预设尺寸图片进行识别,确定所述待处理图片是否为敏感图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片,采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,并且通过对待处理图片尺寸的归一化处理,提高敏感图片识别模型对待处理图片的识别速度,从而提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述的装置还包括:
第四获取模块,被配置为获取所述待处理图片中的肤色区域;
截取模块,被配置为对所述待处理图片中包括的肤色区域进行截取,得到所述待处理图片对应的肤色部位图像;
对应的,所述第一处理模块包括:
第一处理单元,被配置为按照预设尺寸对所述待处理图片对应的肤色部位图像进行归一化处理,得到与所述肤色部位图像对应的预设尺寸图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取待处理图片中的肤色区域,对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少待处理图片中除肤色区域之外的其他区域对识别的干扰,从而提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,所述第四获取模块包括:
第二识别单元,被配置为采用肤色模型对所述待处理图片进行识别,判断所述待处理图片中是否包含有肤色区域,所述肤色区域的R通道与G通道的比值大于预设比值;
确定单元,被配置为在所述待处理图片中包含有肤色区域时,根据所述肤色区域的位置确定所述待处理图片中是否包含可连通的肤色区域;
连通单元,被配置为在所述待处理图片中包含可连通的肤色区域时,对所述待处理图片中的可连通的肤色区域进行连通处理,得到所述待处理图片中的肤色区域。
本公开实施例提供的技术方案可以包括以下有益效果:通过采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值,对待处理图片中的可连通的肤色区域进行连通处理,对进行连通处理后待处理图片中的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少需要进行识别的肤色部位图像的数量,从而提高了敏感图片识别的效率。
进一步地,所述的装置还包括:
第二处理模块,被配置为按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片;
对应的,输入模块包括:
输入单元,被配置为随机将所述第一类训练图片和第二类训练图片对应的预设尺寸图片输入到所述初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片,将与第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以提高初始敏感图片识别模型对输入的训练图片的处理速度,提高初始敏感图片识别模型的训练速度。
进一步地,所述的装置还包括:
第五获取模块,被配置为获取所述训练样本集中的第一类训练图片中的隐私区域;
裁剪模块,被配置为根据所述隐私区域对所述第一类训练图片进行裁剪,得到所述第一类训练图片对应的隐私区域图像;
对应的,所述第二处理模块包括:
第二处理单元,被配置为按照预设尺寸对所述第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到所述第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过获取训练样本集中的第一类训练图片中的隐私区域,根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像,将第一类训练图片对应的隐私区域图像进行归一化处理后输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以避免第一类训练图片中除隐私区域以外的其他区域对初始敏感图片识别模型训练的干扰,提高敏感图片识别模型的训练速度,提高敏感图片识别模型的训练效率。
根据本公开实施例的第三方面,提供一种服务器,包括:
处理组件;
用于存储所述处理组件的可执行指令的存储器;
其中,所述处理组件被配置为,
获取用户终端的图库,所述图库中包括至少一张待处理图片;
采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片;
若所述待处理图片为敏感图片,则将所述待处理图片存储至隐私相册。
本公开实施例提供的技术方案可以包括以下有益效果:通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
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敏感图片识别方法的流程图;
图2为卷积神经网络的网络结构;
图3是根据另一示例性实施例示出的一种敏感图片识别方法的流程图;
图4是根据另一示例性实施例示出的一种敏感图片识别方法的流程图;
图5是根据另一示例性实施例示出的一种敏感图片识别方法的流程图;
图6是根据另一示例性实施例示出的一种敏感图片识别方法的流程图;
图7是根据一示例性实施例示出的一种敏感图片识别装置的框图;
图8是根据另一示例性实施例示出的一种敏感图片识别装置的框图;
图9是根据另一示例性实施例示出的一种敏感图片识别装置的框图;
图10是根据另一示例性实施例示出的一种敏感图片识别装置的框图;
图11是根据另一示例性实施例示出的一种敏感图片识别装置的框图;
图12是根据另一示例性实施例示出的一种敏感图片识别装置的框图;
图13是根据一示例性实施例示出的一种服务器的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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敏感图片识别方法的流程图,该敏感图片识别方法可以由敏感图片识别装置执行,敏感图片识别装置具体可以为手机终端、PAD等智能终端对应的服务器或者服务器上安装的软件。敏感图片识别装置还可以为手机终端、PAD等智能终端或者智能终端上安装的应用程序app。本示例性实施例示出的敏感图片识别方法可以包括如下几个步骤:
在步骤101中,获取用户终端的图库,图库中包括至少一张待处理图片。
本示例中,服务器获取用户终端的图库之前,用户终端可以通过手动方式或自动方式将图库更新或上传至云服务器。
在步骤102中,采用敏感图片识别模型分别对待处理图片进行识别,确定待处理图片是否为敏感图片。
本实施例中,采用卷积神经网络构建敏感图片识别模型。卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。
卷积神经网络的网络结构如图2所示,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。本实施例中,假设基于卷积神经网络获得的敏感图片识别模型具有N层结构,相邻两层隐层节点间的各个连接的权重系数由训练样本集训练确定,为描述方便,本公开实施例中将隐层节点间的连接的权重系数称为特征系数,从而,敏感图片识别模型具有N层特征系数。
本示例中,敏感图片识别模型的输入为待处理图片,输出可以为待处理图片的属性分类结果,待处理图片的属性可以包括:敏感属性和非敏感属性。将待处理图片输入到敏感图片识别模型中,就可以根据输出的待处理图片的属性分类结果确定待处理图片是否为敏感图片。
在步骤103中,若待处理图片为敏感图片,则将待处理图片存储至隐私相册。
其中,隐私相册可以是专门用于存储敏感图片的相册,该相册可以加密或者设置成隐藏状态,避免其他用户查看,避免泄露用户隐私。
本示例中,待处理图片可以不局限于用户终端的图库中的图片,也可以为通过其他方式或其他来源获取到的图片,此处对待处理图片的获取方式不做限定,可以根据需要进行设置。
本示例性实施例中,通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
图3是根据另一示例性实施例示出的一种敏感图片识别方法的流程图,如图3所示,在图1所示示例性实施例的基础上,步骤102之前,所述的方法还可以包括:
在步骤104中,获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片。
本示例中,第一类训练图片和第二类训练图片可以由服务器收集得到。为了保证训练效果,训练样本集中第一类训练图片和第二类训练图片的数量可以大于第一预设数量。例如,第一类训练图片的数量可以为20万张,第二类训练图片的数量可以为30万张,或者更多。
在步骤105中,随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型。
本示例中,服务器可以随机将每张训练图片输入到初始敏感图片识别模型中,将初始敏感图片识别模型输出的属性分类结果与输入的训练图片的属性进行比对来确定是否需要对当前敏感图片识别模型中各层隐层节点之间的特征系数进行调整。但这样的训练方式往往可能存在这样的问题:根据前一张训练图片对敏感图片识别模型中各层隐层节点之间的特征系数进行正向调整后,可能根据后一张训练图片对敏感图片识别模型中各层隐层节点之间的特征系数进行反相调整,导致需要频繁地对敏感图片识别模型中各层隐层节点之间的特征系数进行调整。
为此,本示例中,服务器还可以将一批训练图片依次输入到初始敏感图片识别模型中,根据初始敏感图片识别模型输出的这一批训练图片的属性分类结果来确定是否需要对当前敏感图片识别模型中各层隐层节点之间的特征系数进行调整。然后再将下一批训练图片依次输入到初始敏感图片识别模型中。
本示例性实施例中,通过获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片,随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型,提高了敏感图片识别模型正确识别待处理图片的可能性。
上述示例性实施例训练得到敏感图片识别模型后,敏感图片识别模型的分类正确率不一定满足预设阈值,因此,为了使敏感图片识别模型的分类正确率满足预设阈值,结合参考图4,在步骤105之后,服务器还可以进行以下步骤:
在步骤106中,获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片。
本示例中,为了提高测试效果,测试样本集中包括第一类测试图片和第二类测试图片的数量可以大于第二预设数量。例如,第一类测试图片的数量可以为2万张,第二类测试图片的数量可以为3万张,或者更多。
在步骤107中,采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果。
在步骤108中,根据各个测试图片对应的分类结果,确定敏感图片识别模型的分类正确率。
本示例中,若测试图片对应的分类结果与该测试图片的属性相同,则分类正确;若测试图片对应的分类结果与该测试图片的属性不同,则分类错误;将分类正确的测试图片的数量与测试图片的总数量的比值确定为敏感图片识别模型的分类正确率。
在步骤109中,若分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新训练样本集;
根据更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
在步骤110中,确定各次迭代对应的分类正确率中的最大分类正确率。
在步骤111中,确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
需要说明的是,本示例中的第一预设数量、第二预设数量可以通过大量的实验分析得到。在此不再赘述。
本示例性实施例中,通过获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片,采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到敏感图片识别模型的分类正确率,在分类正确率小于预设阈值时,采用更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,直至达到最大迭代次数或分类正确率大于预设阈值为止,确定各次迭代对应的分类正确率中的最大分类正确率,确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型,从而提高了敏感图片识别模型的分类正确率,提高了敏感图片识别模型正确识别待处理图片的可能性。
图5是根据另一示例性实施例示出的一种敏感图片识别方法的流程图,如图5所示,在图3所示示例性实施例的基础上,为了提高敏感图片识别模型对输入的图片的处理速度,可以将输入到敏感图片识别模型的图片的尺寸设定为预设尺寸。因此,在步骤105之前,所述的方法还可以包括:
在步骤112中,按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片。
本示例中,例如,服务器可以根据需要对预设尺寸进行设置。例如,可以为224像素乘以224像素等。
需要进行说明的是,对应的,可以在步骤107之前,对第一类测试图片和第二类测试图片的尺寸按照上述处理方式进行同样的处理。
对应的,步骤105具体可以包括步骤1051、随机将第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型。
相应的,在步骤102之前,所述的方法还可以包括:
在步骤113中,按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片。
对应的,步骤102具体可以包括步骤1021、采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片。
本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片,采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,并且通过对待处理图片尺寸的归一化处理,提高敏感图片识别模型对待处理图片的识别速度,且通过按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片,将与第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以提高初始敏感图片识别模型对输入的训练图片的处理速度,提高初始敏感图片识别模型的训练速度。
图6是根据另一示例性实施例示出的一种敏感图片识别方法的流程图,如图6所示,在图5所示示例性实施例的基础上,在步骤112之前,所述的方法还可以包括:
在步骤114中,获取训练样本集中的第一类训练图片中的隐私区域。
在步骤115中,根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像。
对应的,步骤112具体可以包括步骤1121、按照预设尺寸对第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
需要进行说明的是,对应的,在步骤107之前,可以对第一类测试图片和第二类测试图片按照上述裁剪方式进行裁剪。
相应的,在步骤113之前,所述的方法还可以包括:
在步骤116中,获取待处理图片中的肤色区域。
本示例中,获取待处理图片中的肤色区域的过程可以为,采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值;若待处理图片中包含有肤色区域,则根据肤色区域的位置确定待处理图片中是否包含可连通的肤色区域;若待处理图片中包含可连通的肤色区域,则对待处理图片中的可连通的肤色区域进行连通处理,得到待处理图片中的肤色区域。
本示例中,由于人类体内血液等因素的影响,人类的皮肤的R通道与G通道的比值一般大于预设比值,因此可以将R通道与G通道的比值大于预设比值的区域确定为待处理图片中的肤色区域。本示例中的肤色模型具体可以为高斯肤色模型等等能够识别肤色区域的模型,本示例中不对此进行具体限定,服务器可以根据实际需要选择合适的肤色模型进行肤色区域的识别。
本示例中,可连通的肤色区域指的是,图片中具有相同像素值且位置相邻的像素点组成的肤色区域(Region,Blob)。我们就可以根据肤色区域的位置以及肤色区域中各像素点的像素值分析确定待处理图片中是否包含可连通的肤色区域。区域连通性分析算法可以采用以下两种常见算法,例如Two-Pass法、或者Seed-Filling种子填充法。
本示例中,连通处理指的是,将可连通的肤色区域以及位于可连通的肤色区域之间的图片区域进行联通,得到连通后的肤色区域。
本示例中,采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值,对待处理图片中的可连通的肤色区域进行连通处理,对进行连通处理后待处理图片中的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,能够减少需要进行识别的肤色部位图像的数量,从而提高了敏感图片识别的效率。
在步骤117中,对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像。
对应的,步骤113具体可以包括步骤1131、按照预设尺寸对待处理图片对应的肤色部位图像进行归一化处理,得到与肤色部位图像对应的预设尺寸图片。
本示例性实施例中,通过获取待处理图片中的肤色区域,对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少待处理图片中除肤色区域之外的其他区域对识别的干扰,从而提高了敏感图片识别的效率,且根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像,将第一类训练图片对应的隐私区域图像进行归一化处理后输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以避免第一类训练图片中除隐私区域以外的其他区域对初始敏感图片识别模型训练的干扰,提高敏感图片识别模型的训练速度,提高敏感图片识别模型的训练效率。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种敏感图片识别装置的框图,该敏感图片识别装置可以通过软件、硬件或者两者的结合实现上述方法。该敏感图片识别装置可以包括:
第一获取模块71,被配置为获取用户终端的图库,图库中包括至少一张待处理图片;
第一识别模块72,被配置为采用敏感图片识别模型分别对待处理图片进行识别,确定待处理图片是否为敏感图片;
存储模块73,被配置为在待处理图片为敏感图片时,将待处理图片存储至隐私相册。
本实施例中,采用卷积神经网络构建敏感图片识别模型。卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。
卷积神经网络的网络结构如图2所示,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成。本实施例中,假设基于卷积神经网络获得的敏感图片识别模型具有N层结构,相邻两层隐层节点间的各个连接的权重系数由训练样本集训练确定,为描述方便,本公开实施例中将隐层节点间的连接的权重系数称为特征系数,从而,敏感图片识别模型具有N层特征系数。
本示例性实施例中,通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
进一步地,结合参考图8,所述的装置还包括:
第二获取模块74,被配置为获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片;
输入模块75,被配置为随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型。
本示例中,第一类训练图片和第二类训练图片可以由服务器收集得到。为了保证训练效果,训练样本集中第一类训练图片和第二类训练图片的数量可以大于第一预设数量。例如,第一类训练图片的数量可以为20万张,第二类训练图片的数量可以为30万张,或者更多。
本示例中,服务器可以随机将每张训练图片输入到初始敏感图片识别模型中,将初始敏感图片识别模型输出的属性分类结果与输入的训练图片的属性进行比对来确定是否需要对当前敏感图片识别模型中各层隐层节点之间的特征系数进行调整。但这样的训练方式往往可能存在这样的问题:根据前一张训练图片对敏感图片识别模型中各层隐层节点之间的特征系数进行正向调整后,可能根据后一张训练图片对敏感图片识别模型中各层隐层节点之间的特征系数进行反相调整,导致需要频繁地对敏感图片识别模型中各层隐层节点之间的特征系数进行调整。
为此,本示例中,服务器还可以将一批训练图片依次输入到初始敏感图片识别模型中,根据初始敏感图片识别模型输出的这一批训练图片的属性分类结果来确定是否需要对当前敏感图片识别模型中各层隐层节点之间的特征系数进行调整。然后再将下一批训练图片依次输入到初始敏感图片识别模型中。
本示例性实施例中,通过获取训练样本集,训练样本集中包括第一类训练图片和第二类训练图片,第一类训练图片是包含隐私部位的敏感图片,第二类训练图片是不包含隐私部位的非敏感图片,随机将第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,结合参考图9,所述的装置还包括:
第三获取模块76,被配置为获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片;
第二识别模块77,被配置为采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果;
第一确定模块78,被配置为根据各个测试图片对应的分类结果,确定敏感图片识别模型的分类正确率。
迭代执行模块79,被配置为在分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新训练样本集;
根据更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
第二确定模块80,被配置为确定各次迭代对应的分类正确率中的最大分类正确率;
第三确定模块81,被配置为确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
本示例中,为了提高测试效果,测试样本集中包括第一类测试图片和第二类测试图片的数量可以大于第二预设数量。例如,第一类测试图片的数量可以为2万张,第二类测试图片的数量可以为3万张,或者更多。
本示例性实施例中,通过获取测试样本集,测试样本集中包括第一类测试图片和第二类测试图片,第一类测试图片是包含隐私部位的敏感图片,第二类测试图片是不包含隐私部位的非敏感图片,采用敏感图片识别模型分别对测试样本集中的第一类测试图片和第二类测试图片进行识别,得到敏感图片识别模型的分类正确率,在分类正确率小于预设阈值时,采用更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,直至达到最大迭代次数或分类正确率大于预设阈值为止,确定各次迭代对应的分类正确率中的最大分类正确率,确定与最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型,从而提高了敏感图片识别模型的分类正确率,提高了敏感图片识别模型正确识别待处理图片的可能性。
进一步地,结合参考图10,在图8所示示例性实施例的基础上,所述的装置还包括:第一处理模块82,被配置为按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片;
对应的,第一识别模块72,包括:
第一识别单元721,被配置为采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片。
相应的,所述的装置还包括:第二处理模块83,被配置为按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片;
对应的,输入模块75包括:
输入单元751,被配置为随机将第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到敏感图片识别模型。
本示例性实施例中,通过按照预设尺寸对待处理图片进行归一化处理,得到与待处理图片对应的预设尺寸图片,采用敏感图片识别模型对预设尺寸图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,并且通过对待处理图片尺寸的归一化处理,提高敏感图片识别模型对待处理图片的识别速度,且通过按照预设尺寸对第一类训练图片和第二类训练图片进行归一化处理,得到与第一类训练图片和第二类训练图片对应的预设尺寸图片,将与第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以提高初始敏感图片识别模型对输入的训练图片的处理速度,提高初始敏感图片识别模型的训练速度。
进一步地,结合参考图11,在图10所示示例性实施例的基础上,所述的装置还包括:
第四获取模块84,被配置为获取待处理图片中的肤色区域;
截取模块85,被配置为对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像;
对应的,第一处理模块82包括:
第一处理单元821,被配置为按照预设尺寸对待处理图片对应的肤色部位图像进行归一化处理,得到与肤色部位图像对应的预设尺寸图片。
相应的,所述的装置还包括:
第五获取模块86,被配置为获取训练样本集中的第一类训练图片中的隐私区域;
裁剪模块87,被配置为根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像;
对应的,第二处理模块83包括:
第二处理单元831,被配置为按照预设尺寸对第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
本示例性实施例中,通过获取待处理图片中的肤色区域,对待处理图片中包括的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少待处理图片中除肤色区域之外的其他区域对识别的干扰,从而提高了敏感图片识别的效率,且根据隐私区域对第一类训练图片进行裁剪,得到第一类训练图片对应的隐私区域图像,将第一类训练图片对应的隐私区域图像进行归一化处理后输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,可以避免第一类训练图片中除隐私区域以外的其他区域对初始敏感图片识别模型训练的干扰,提高敏感图片识别模型的训练速度,提高敏感图片识别模型的训练效率。
结合参考图12,在图11所示示例性实施例的基础上,第四获取模块84包括:
第二识别单元841,被配置为采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值;
确定单元842,被配置为在待处理图片中包含有肤色区域时,根据肤色区域的位置确定待处理图片中是否包含可连通的肤色区域;
连通单元843,被配置为在待处理图片中包含可连通的肤色区域时,对待处理图片中的可连通的肤色区域进行连通处理,得到待处理图片中的肤色区域。
本示例中,由于人类体内血液等因素的影响,人类的皮肤的R通道与G通道的比值一般大于预设比值,因此可以将R通道与G通道的比值大于预设比值的区域确定为待处理图片中的肤色区域。
本示例中的肤色模型具体可以为高斯肤色模型等等能够识别肤色区域的模型,本示例中不对此进行具体限定,服务器可以根据实际需要选择合适的肤色模型进行肤色区域的识别。
本示例性实施例中,通过采用肤色模型对待处理图片进行识别,判断待处理图片中是否包含有肤色区域,肤色区域的R通道与G通道的比值大于预设比值,对待处理图片中的可连通的肤色区域进行连通处理,对进行连通处理后待处理图片中的肤色区域进行截取,得到待处理图片对应的肤色部位图像;对待处理图片对应的肤色部位图像进行归一化处理以及识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,能够减少需要进行识别的肤色部位图像的数量,从而提高了敏感图片识别的效率。
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。
图13是根据一示例性实施例示出的一种服务器130的框图。参照图13,服务器130可以包括以下一个或多个组件:处理组件132,存储器134,电源组件136,输入/输出(I/O)的接口138,以及通信组件1310。
处理组件132通常控制服务器130的整体操作,处理组件132具体可以被配置为获取用户终端的图库,图库中包括至少一张待处理图片;采用敏感图片识别模型分别对待处理图片进行识别,确定待处理图片是否为敏感图片;若待处理图片为敏感图片,则将待处理图片存储至隐私相册。
处理组件132可以包括一个或多个处理器1320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132可以包括一个或多个模块,便于处理组件132和其他组件之间的交互。例如,处理组件132可以包括通信模块,以方便通信组件1310和处理组件132之间的交互。
存储器134被配置为存储各种类型的数据以及处理组件132的可执行指令以支持服务器的操作。这些数据的示例包括应用相关的程序、指令或运行数据等。存储器134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136为服务器130的各种组件提供电力。电源组件136可以包括电源管理***,一个或多个电源,及其他与为服务器130相关联的组件。
I/O接口138为处理组件132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。通信组件1310被配置为便于服务器130和其他设备之间有线或无线方式的通信。服务器130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1310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,通信组件1310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,服务器130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,用于执行上述敏感图片识别方法。
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134,上述指令可由服务器130的处理器1320执行以完成上述方法。例如,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,当存储介质中的指令由服务器130的处理器执行时,使得服务器130能够执行上述敏感图片识别方法。
本示例性实施例中,通过采用敏感图片识别模型对用户终端的图库中的待处理图片进行识别,确定待处理图片是否为敏感图片,在待处理图片为敏感图片时将待处理图片存储至隐私相册,可以自动对图库中的待处理图片进行识别并处理,避免用户手动选择敏感图片并移入至隐私相册,省时省力,提高了敏感图片识别的效率,提高了隐私保护力度,避免敏感图片泄露。
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 (15)
1.一种敏感图片识别方法,其特征在于,包括:
获取用户终端的图库,所述图库中包括至少一张待处理图片;
采用肤色模型对所述待处理图片进行识别,所述肤色模型通过肤色区域的R通道与G通道的比值大于预设比值的方法,来判断所述待处理图片中是否包含有肤色区域;若所述待处理图片中包含有肤色区域,则根据所述肤色区域的位置以及所述肤色区域中各像素点的像素值确定所述待处理图片中是否包含可连通的肤色区域;若所述待处理图片中包含可连通的肤色区域,则对所述待处理图片中的可连通的肤色区域进行连通处理,得到所述待处理图片中的肤色区域;
对所述待处理图片中包括的肤色区域进行截取,得到所述待处理图片对应的肤色部位图像;
按照预设尺寸对所述待处理图片对应的肤色部位图像进行归一化处理,得到与所述肤色部位图像对应的预设尺寸图片;
采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片;
若所述待处理图片为敏感图片,则将所述待处理图片存储至隐私相册;
其中,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片,包括:
采用敏感图片识别模型对所述预设尺寸图片进行识别,确定所述待处理图片是否为敏感图片。
2.根据权利要求1所述的方法,其特征在于,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片之前,还包括:
获取训练样本集,所述训练样本集中包括第一类训练图片和第二类训练图片,所述第一类训练图片是包含隐私部位的敏感图片,所述第二类训练图片是不包含隐私部位的非敏感图片;
随机将所述第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取测试样本集,所述测试样本集中包括第一类测试图片和第二类测试图片,所述第一类测试图片是包含隐私部位的敏感图片,所述第二类测试图片是不包含隐私部位的非敏感图片;
采用所述敏感图片识别模型分别对所述测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果;
根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率。
4.根据权利要求3所述的方法,其特征在于,根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率之后,还包括:
若所述分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新所述训练样本集;
根据更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
5.根据权利要求4所述的方法,其特征在于,还包括:
确定各次迭代对应的分类正确率中的最大分类正确率;
确定与所述最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
6.根据权利要求2所述的方法,其特征在于,随机将所述第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型之前,还包括:
按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片;
对应的,随机将所述第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型,包括:
随机将所述第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
7.根据权利要求6所述的方法,其特征在于,按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片之前,还包括:
获取所述训练样本集中的第一类训练图片中的隐私区域;
根据所述隐私区域对所述第一类训练图片进行裁剪,得到所述第一类训练图片对应的隐私区域图像;
对应的,按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片,包括:
按照预设尺寸对所述第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到所述第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
8.一种敏感图片识别装置,其特征在于,包括:
第一获取模块,被配置为获取用户终端的图库,所述图库中包括至少一张待处理图片;
第四获取模块,包括:第二识别单元,被配置为采用肤色模型对所述待处理图片进行识别,所述肤色模型通过肤色区域的R通道与G通道的比值大于预设比值的方法,来判断所述待处理图片中是否包含有肤色区域;确定单元,被配置为在所述待处理图片中包含有肤色区域时,根据所述肤色区域的位置以及所述肤色区域中各像素点的像素值确定所述待处理图片中是否包含可连通的肤色区域;连通单元,被配置为在所述待处理图片中包含可连通的肤色区域时,对所述待处理图片中的可连通的肤色区域进行连通处理,得到所述待处理图片中的肤色区域;
截取模块,被配置为对所述待处理图片中包括的肤色区域进行截取,得到所述待处理图片对应的肤色部位图像;
第一处理模块包括:
第一处理单元,被配置为按照预设尺寸对所述待处理图片对应的肤色部位图像进行归一化处理,得到与所述肤色部位图像对应的预设尺寸图片;
第一识别模块,包括:
第一识别单元,被配置为采用敏感图片识别模型对所述预设尺寸图片进行识别,确定所述待处理图片是否为敏感图片;
存储模块,被配置为在所述待处理图片为敏感图片时,将所述待处理图片存储至隐私相册。
9.根据权利要求8所述的装置,其特征在于,还包括:
第二获取模块,被配置为获取训练样本集,所述训练样本集中包括第一类训练图片和第二类训练图片,所述第一类训练图片是包含隐私部位的敏感图片,所述第二类训练图片是不包含隐私部位的非敏感图片;
输入模块,被配置为随机将所述第一类训练图片和第二类训练图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
10.根据权利要求9所述的装置,其特征在于,还包括:
第三获取模块,被配置为获取测试样本集,所述测试样本集中包括第一类测试图片和第二类测试图片,所述第一类测试图片是包含隐私部位的敏感图片,所述第二类测试图片是不包含隐私部位的非敏感图片;
第二识别模块,被配置为采用所述敏感图片识别模型分别对所述测试样本集中的第一类测试图片和第二类测试图片进行识别,得到各个测试图片对应的分类结果;
第一确定模块,被配置为根据所述各个测试图片对应的分类结果,确定所述敏感图片识别模型的分类正确率。
11.根据权利要求10所述的装置,其特征在于,还包括:
迭代执行模块,被配置为在所述分类正确率小于预设阈值,则迭代执行如下处理,直到达到最大迭代次数或分类正确率大于预设阈值为止:
更新所述训练样本集;
根据更新后的训练样本集对前一次迭代对应的敏感图片识别模型中各层隐层节点之间的特征系数进行训练,迭代本次迭代对应的更新后敏感图片识别模型;
根据更新的测试样本集对本次迭代对应的更新后敏感图片识别模型进行分类正确率测试,确定对应的分类正确率。
12.根据权利要求11所述的装置,其特征在于,还包括:
第二确定模块,被配置为确定各次迭代对应的分类正确率中的最大分类正确率;
第三确定模块,被配置为确定与所述最大分类正确率对应的更新后敏感图片识别模型为目标敏感图片识别模型。
13.根据权利要求9所述的装置,其特征在于,还包括:
第二处理模块,被配置为按照预设尺寸对所述第一类训练图片和第二类训练图片进行归一化处理,得到与所述第一类训练图片和第二类训练图片对应的预设尺寸图片;
对应的,输入模块包括:
输入单元,被配置为随机将所述第一类训练图片和第二类训练图片对应的预设尺寸图片输入到初始敏感图片识别模型中,对初始敏感图片识别模型中各层隐层节点之间的特征系数进行训练,得到所述敏感图片识别模型。
14.根据权利要求13所述的装置,其特征在于,还包括:
第五获取模块,被配置为获取所述训练样本集中的第一类训练图片中的隐私区域;
裁剪模块,被配置为根据所述隐私区域对所述第一类训练图片进行裁剪,得到所述第一类训练图片对应的隐私区域图像;
对应的,所述第二处理模块包括:
第二处理单元,被配置为按照预设尺寸对所述第一类训练图片对应的隐私区域图像和第二类训练图片进行归一化处理,得到所述第一类训练图片对应的隐私区域图像对应的预设尺寸图片和第二类训练图片对应的预设尺寸图片。
15.一种服务器,其特征在于,包括:
处理组件;
用于存储所述处理组件的可执行指令的存储器;
其中,所述处理组件被配置为,
获取用户终端的图库,所述图库中包括至少一张待处理图片;
采用肤色模型对所述待处理图片进行识别,所述肤色模型通过肤色区域的R通道与G通道的比值大于预设比值的方法,来判断所述待处理图片中是否包含有肤色区域;若所述待处理图片中包含有肤色区域,则根据所述肤色区域的位置以及所述肤色区域中各像素点的像素值确定所述待处理图片中是否包含可连通的肤色区域;若所述待处理图片中包含可连通的肤色区域,则对所述待处理图片中的可连通的肤色区域进行连通处理,得到所述待处理图片中的肤色区域;
对所述待处理图片中包括的肤色区域进行截取,得到所述待处理图片对应的肤色部位图像;
按照预设尺寸对所述待处理图片对应的肤色部位图像进行归一化处理,得到与所述肤色部位图像对应的预设尺寸图片;
采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片;
若所述待处理图片为敏感图片,则将所述待处理图片存储至隐私相册;
其中,所述采用敏感图片识别模型分别对所述待处理图片进行识别,确定所述待处理图片是否为敏感图片,包括:
采用敏感图片识别模型对所述预设尺寸图片进行识别,确定所述待处理图片是否为敏感图片。
Priority Applications (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463265.XA CN105095911B (zh) | 2015-07-31 | 2015-07-31 | 敏感图片识别方法、装置以及服务器 |
KR1020167005307A KR101795325B1 (ko) | 2015-07-31 | 2015-12-28 | 민감 이미지 식별 방법, 장치 및 서버 |
MX2016002947A MX361445B (es) | 2015-07-31 | 2015-12-28 | Metodo, dispositivo y servidor para reconocimiento de imagen sensible. |
PCT/CN2015/099292 WO2017020515A1 (zh) | 2015-07-31 | 2015-12-28 | 敏感图片识别方法、装置以及服务器 |
JP2017531956A JP6461349B2 (ja) | 2015-07-31 | 2015-12-28 | 秘密ピクチャー識別方法、装置及びサーバ |
RU2016108022A RU2622874C1 (ru) | 2015-07-31 | 2015-12-28 | Способ, устройство и сервер распознавания конфиденциальной фотографии |
US15/207,070 US10235603B2 (en) | 2015-07-31 | 2016-07-11 | Method, device and computer-readable medium for sensitive picture recognition |
EP16179991.1A EP3125153A1 (en) | 2015-07-31 | 2016-07-18 | Method, device and server for sensitive picture recognition |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463265.XA CN105095911B (zh) | 2015-07-31 | 2015-07-31 | 敏感图片识别方法、装置以及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095911A CN105095911A (zh) | 2015-11-25 |
CN105095911B true CN105095911B (zh) | 2019-02-12 |
Family
ID=54576296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510463265.XA Active CN105095911B (zh) | 2015-07-31 | 2015-07-31 | 敏感图片识别方法、装置以及服务器 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10235603B2 (zh) |
EP (1) | EP3125153A1 (zh) |
JP (1) | JP6461349B2 (zh) |
KR (1) | KR101795325B1 (zh) |
CN (1) | CN105095911B (zh) |
MX (1) | MX361445B (zh) |
RU (1) | RU2622874C1 (zh) |
WO (1) | WO2017020515A1 (zh) |
Families Citing this family (35)
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 |
CN105631406B (zh) * | 2015-12-18 | 2020-07-10 | 北京小米移动软件有限公司 | 图像识别处理方法和装置 |
CN106203152A (zh) * | 2016-06-23 | 2016-12-07 | 北京小米移动软件有限公司 | 图片处理方法和装置 |
CN108268488B (zh) * | 2016-12-30 | 2022-04-19 | 百度在线网络技术(北京)有限公司 | 网页主图识别方法和装置 |
CN107203765B (zh) * | 2017-03-30 | 2023-08-25 | 腾讯科技(上海)有限公司 | 敏感图像检测方法和装置 |
CN107122806B (zh) * | 2017-05-16 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种敏感图像识别方法及装置 |
CN107220667B (zh) * | 2017-05-24 | 2020-10-30 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
RU2695490C2 (ru) * | 2017-11-02 | 2019-07-23 | Илья Геннадьевич Прокудин | Способ мониторинга сельскохозяйственных угодий |
CN108268896A (zh) * | 2018-01-18 | 2018-07-10 | 天津市国瑞数码安全***股份有限公司 | 基于hsv与surf特征相结合的敏感图像识别方法 |
CN108764374B (zh) * | 2018-06-11 | 2022-07-19 | 杭州网易智企科技有限公司 | 图像分类方法、***、介质和电子设备 |
CN108921792B (zh) * | 2018-07-03 | 2023-06-27 | 北京字节跳动网络技术有限公司 | 用于处理图片的方法和装置 |
US11222196B2 (en) | 2018-07-11 | 2022-01-11 | Samsung Electronics Co., Ltd. | Simultaneous recognition of facial attributes and identity in organizing photo albums |
RU2710942C1 (ru) * | 2018-12-06 | 2020-01-14 | Самсунг Электроникс Ко., Лтд. | Одновременное распознавание атрибутов лиц и идентификации личности при организации фотоальбомов |
CN109344849B (zh) * | 2018-07-27 | 2022-03-11 | 广东工业大学 | 一种基于结构平衡理论的复杂网络图像识别方法 |
KR102461033B1 (ko) * | 2018-09-06 | 2022-11-02 | 주식회사 아이앤나 | 아기의 사생활 침해 방지 방법 |
US11222233B2 (en) | 2018-09-26 | 2022-01-11 | Samsung Electronics Co., Ltd. | Method and apparatus for multi-category image recognition |
RU2706960C1 (ru) * | 2019-01-25 | 2019-11-22 | Самсунг Электроникс Ко., Лтд. | Вычислительно эффективное многоклассовое распознавание изображений с использованием последовательного анализа нейросетевых признаков |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
US10810726B2 (en) | 2019-01-30 | 2020-10-20 | Walmart Apollo, Llc | Systems and methods for detecting content in images using neural network architectures |
US10922584B2 (en) | 2019-01-30 | 2021-02-16 | Walmart Apollo, Llc | Systems, methods, and techniques for training neural networks and utilizing the neural networks to detect non-compliant content |
CN109885707A (zh) * | 2019-02-01 | 2019-06-14 | 北京字节跳动网络技术有限公司 | 图库中图片的刷新方法、装置、终端设备和存储介质 |
CN110032887A (zh) * | 2019-02-27 | 2019-07-19 | 努比亚技术有限公司 | 一种图片隐私保护方法、终端及计算机可读存储介质 |
CN110163250B (zh) * | 2019-04-10 | 2023-10-24 | 创新先进技术有限公司 | 基于分布式调度的图像脱敏处理***、方法以及装置 |
CN110335666A (zh) * | 2019-05-22 | 2019-10-15 | 平安国际智慧城市科技股份有限公司 | 医学影像评估方法、装置、计算机设备及存储介质 |
CN110287720A (zh) * | 2019-07-01 | 2019-09-27 | 国网内蒙古东部电力有限公司 | 一种基于图像识别和用户等级的访问控制方法 |
CN110427761A (zh) * | 2019-07-08 | 2019-11-08 | 维沃移动通信有限公司 | 一种提示方法和终端设备 |
CN110414929A (zh) * | 2019-07-10 | 2019-11-05 | 广州市巴图鲁信息科技有限公司 | 一种汽车配件图片智能审核方法 |
CN110838106B (zh) * | 2019-10-31 | 2023-04-14 | 国网河北省电力有限公司电力科学研究院 | 一种对变电站二次设备图像识别软件的多维度评价方法 |
CN110909224B (zh) * | 2019-11-22 | 2022-06-10 | 浙江大学 | 一种基于人工智能的敏感数据自动分类识别方法及*** |
US11758069B2 (en) | 2020-01-27 | 2023-09-12 | Walmart Apollo, Llc | Systems and methods for identifying non-compliant images using neural network architectures |
CN111738290B (zh) * | 2020-05-14 | 2024-04-09 | 北京沃东天骏信息技术有限公司 | 图像检测方法、模型构建和训练方法、装置、设备和介质 |
CN112508094B (zh) * | 2020-07-24 | 2023-10-20 | 完美世界(北京)软件科技发展有限公司 | 垃圾图片的识别方法、装置及设备 |
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 |
CN113344198B (zh) * | 2021-06-09 | 2022-08-26 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
TWI817702B (zh) * | 2022-09-05 | 2023-10-01 | 宏碁股份有限公司 | 圖片篩選方法與圖片篩選裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359372A (zh) * | 2008-09-26 | 2009-02-04 | 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 |
CN103164687A (zh) * | 2011-12-15 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种色情图像侦测的方法和*** |
CN104021350A (zh) * | 2014-05-13 | 2014-09-03 | 小米科技有限责任公司 | 隐私信息隐藏方法及装置 |
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09147119A (ja) * | 1995-11-28 | 1997-06-06 | Toshiba Corp | 人物注目方向検出方式 |
US20030225763A1 (en) * | 2002-04-15 | 2003-12-04 | Microsoft Corporation | Self-improving system and method for classifying pages on the world wide web |
US7295700B2 (en) * | 2003-10-24 | 2007-11-13 | Adobe Systems Incorporated | Object extraction based on color and visual texture |
JP4348202B2 (ja) * | 2004-01-21 | 2009-10-21 | 日本放送協会 | 顔画像認識装置及び顔画像認識プログラム |
US20060020714A1 (en) | 2004-07-22 | 2006-01-26 | International Business Machines Corporation | System, apparatus and method of displaying images based on image content |
US7403654B2 (en) * | 2004-10-04 | 2008-07-22 | Arcsoft, Inc. | Enhanced automatic red eye removal |
WO2006134923A1 (ja) * | 2005-06-14 | 2006-12-21 | Nikon Corporation | 画像処理装置、コンピュータプログラム製品および画像処理方法 |
US20080159627A1 (en) * | 2006-12-27 | 2008-07-03 | Yahoo! Inc. | Part-based pornography detection |
US8406482B1 (en) * | 2008-08-28 | 2013-03-26 | Adobe Systems Incorporated | System and method for automatic skin tone detection in images |
US8385632B2 (en) | 2010-06-01 | 2013-02-26 | Mitsubishi Electric Research Laboratories, Inc. | System and method for adapting generic classifiers for object detection in particular scenes using incremental training |
EP2402867B1 (en) | 2010-07-02 | 2018-08-22 | Accenture Global Services Limited | A computer-implemented method, a computer program product and a computer system for image processing |
JP2013191035A (ja) * | 2012-03-14 | 2013-09-26 | Fujifilm Corp | 画像公開装置、画像公開方法、画像公開システム、および、プログラム |
JP6101470B2 (ja) * | 2012-07-23 | 2017-03-22 | 日本放送協会 | 顔表情解析装置および顔表情解析プログラム |
US9305208B2 (en) * | 2013-01-11 | 2016-04-05 | Blue Coat Systems, Inc. | System and method for recognizing offensive images |
US20140279754A1 (en) * | 2013-03-15 | 2014-09-18 | The Cleveland Clinic Foundation | Self-evolving predictive model |
CN104281833B (zh) * | 2013-07-08 | 2018-12-18 | 深圳市腾讯计算机***有限公司 | 色情图像识别方法和装置 |
JP2015069580A (ja) * | 2013-09-30 | 2015-04-13 | 大日本印刷株式会社 | 人物画像分類装置、人物画像分類方法、及び、プログラム |
US10250538B2 (en) * | 2014-06-14 | 2019-04-02 | Trisha N. Prabhu | Detecting messages with offensive content |
US9536293B2 (en) * | 2014-07-30 | 2017-01-03 | Adobe Systems Incorporated | Image assessment using deep convolutional neural networks |
CN104462900A (zh) * | 2014-12-05 | 2015-03-25 | 来安县新元机电设备设计有限公司 | 一种移动终端隐私图片保护的方法和*** |
CN104484683B (zh) * | 2014-12-31 | 2019-08-02 | 小米科技有限责任公司 | 黄色图片检测方法及装置 |
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 |
-
2015
- 2015-07-31 CN CN201510463265.XA patent/CN105095911B/zh active Active
- 2015-12-28 JP JP2017531956A patent/JP6461349B2/ja active Active
- 2015-12-28 MX MX2016002947A patent/MX361445B/es active IP Right Grant
- 2015-12-28 KR KR1020167005307A patent/KR101795325B1/ko active IP Right Grant
- 2015-12-28 RU RU2016108022A patent/RU2622874C1/ru active
- 2015-12-28 WO PCT/CN2015/099292 patent/WO2017020515A1/zh active Application Filing
-
2016
- 2016-07-11 US US15/207,070 patent/US10235603B2/en active Active
- 2016-07-18 EP EP16179991.1A patent/EP3125153A1/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359372A (zh) * | 2008-09-26 | 2009-02-04 | 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 |
CN103164687A (zh) * | 2011-12-15 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种色情图像侦测的方法和*** |
CN104021350A (zh) * | 2014-05-13 | 2014-09-03 | 小米科技有限责任公司 | 隐私信息隐藏方法及装置 |
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
Also Published As
Publication number | Publication date |
---|---|
MX361445B (es) | 2018-12-06 |
KR101795325B1 (ko) | 2017-11-07 |
US10235603B2 (en) | 2019-03-19 |
EP3125153A1 (en) | 2017-02-01 |
US20170032224A1 (en) | 2017-02-02 |
WO2017020515A1 (zh) | 2017-02-09 |
JP6461349B2 (ja) | 2019-01-30 |
CN105095911A (zh) | 2015-11-25 |
KR20170023762A (ko) | 2017-03-06 |
RU2622874C1 (ru) | 2017-06-20 |
JP2017530491A (ja) | 2017-10-12 |
MX2016002947A (es) | 2017-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095911B (zh) | 敏感图片识别方法、装置以及服务器 | |
US20170032189A1 (en) | Method, apparatus and computer-readable medium for image scene determination | |
CN106250837B (zh) | 一种视频的识别方法、装置和*** | |
EP3825923A1 (en) | Hypernetwork training method and device, electronic device and storage medium | |
CN109886997A (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
CN105426857B (zh) | 人脸识别模型训练方法和装置 | |
US10157324B2 (en) | Systems and methods of updating user identifiers in an image-sharing environment | |
CN110363076A (zh) | 人员信息关联方法、装置及终端设备 | |
CN106204435A (zh) | 图像处理方法及装置 | |
CN104063865B (zh) | 分类模型创建方法、图像分割方法及相关装置 | |
CN107545248A (zh) | 生物特征活体检测方法、装置、设备及存储介质 | |
CN108256549A (zh) | 图像分类方法、装置及终端 | |
CN110866469B (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
CN108595634A (zh) | 短信管理方法、装置及电子设备 | |
CN105608476B (zh) | 基于随机森林分类器的分类方法及装置 | |
CN108241853A (zh) | 一种视频监控方法、***及终端设备 | |
CN112685799B (zh) | 设备指纹生成方法、装置、电子设备和计算机可读介质 | |
CN106295707A (zh) | 图像识别方法和装置 | |
CN108960145A (zh) | 人脸图像检测方法、装置、存储介质和电子设备 | |
CN109992176A (zh) | 一种信息识别码的扫描方法和装置 | |
CN106126592B (zh) | 搜索数据的处理方法及装置 | |
CN106384348A (zh) | 监控图像的异常检测方法及装置 | |
CN108133217B (zh) | 图像特征确定方法、装置及终端 | |
Ross et al. | Wireless network signals with moderately correlated shadowing still appear Poisson | |
CN108564179A (zh) | 佩戴检测***、方法、电子终端、及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 |