基于HSV、SURF与LBP特征相结合的敏感图像识别方法技术

本发明专利技术提供了一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，包括获得敏感RGB图像和正常RGB图像的皮肤区域；使用SURF算法获得所述敏感RGB图像和所述正常RGB图像的SURF视觉词汇表达；使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达；使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征；使用所述SURF视觉词汇表达、所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数，训练BP神经网络；输出待测图像识别结果。本发明专利技术采用HSV、SURF与LBP特征相结合的方法进行敏感图像检测，具有处理速度快、准确率高的特点。

【技术实现步骤摘要】
基于HSV、SURF与LBP特征相结合的敏感图像识别方法
本专利技术属于敏感图像识别
，具体而言，涉及一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法。
技术介绍
随着近年来互联网技术的快速发展，网络论坛和门户网站也迅速的发展壮大，几乎涵盖了生活的方方面面，因而互联网图片信息的传播也越来越广泛和容易，其中有害图像的传播正在对青少年的身心健康和社会风气产生负面影响。由于论坛发帖发图人数众多，让论坛管理员依次审核所有论坛图片显然会消耗大量的时间和精力，因此一种有效的基于机器学习和机器视觉的敏感图像识别方法对减轻论坛管理人员的工作量来说显得尤为重要。传统方法主要基于皮肤区域的面积占比来判别敏感图像，但此方法容易对泳装等图片出现误判。深层神经网络目前也常用于图像分类研究，但由于这类学习方式需要进行大量的计算，一般需要采用计算机图形处理器(GPU)来加快运算速度。所以现在大部分的敏感图像识别步骤主要基于图像特征，总体包括特征提取、训练模型和图像识别3个步骤，而现有技术在特征提取时，主要采用SIFT角点特征，处理速度慢，并且往往造成图片特征缺失。由以上分析可知，现有的敏感图像识别方法存在以下不足：1、现有技术的敏感图像识别方法采用SIFT角点特征，处理速度慢；2、现有技术的敏感图像识别方法容易造成图片特征缺失，准确率低。
技术实现思路
本专利技术提供了一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，能够有效解决现有技术的敏感图像识别方法处理速度慢的问题，还能够解决现有技术的敏感图像识别方法准确率低的问题。为了解决以上问题，本专利技术提供了一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，技术方案如下：一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，包括如下步骤：步骤一：获得敏感RGB图像和正常RGB图像的皮肤区域；步骤二：使用SURF算法获得所述敏感RGB图像和所述正常RGB图像的SURF视觉词汇表达；步骤三：使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达；步骤四：使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征；步骤五：使用所述SURF视觉词汇表达、所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数，训练BP神经网络；步骤六：输出待测图像识别结果。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤一中，使用Haar-like特征检测所述敏感RGB图像和所述正常RGB图像中的人脸区域，在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域的条件为77≤Cb≤127或133≤Cr≤173。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤二中，获得所述SURF视觉词汇表达的方法包括使用SURF算法在所述敏感RGB图像和所述正常RGB图像的皮肤区域提取生成敏感图像SURF特征向量和正常图像SURF特征向量；对所述敏感图像SURF特征向量和所述正常图像SURF特征向量的合集进行k-means聚类，聚为k个类，共U1＝{u1,u2,..uk}个聚类中心，k个视觉词汇，计算对比词频Dw1；统计所述敏感图像SURF特征向量和所述正常图像SURF特征向量的视觉词汇的出现次数，构造SURF特征直方图surfBOWFeature，进行surfBOWFeature*Dw1归一化。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：对比词频Dw的计算公式为：FWPorn(i)＝pCounts(i)/numPFeaturesFWNomal(i)＝nCounts(i)/numNFeaturesDw(i)＝FWPorn*(FWPorn/FWNomal)2pCounts(i)为视觉词汇i在所述敏感RGB图像中出现的次数，nCounts(i)为视觉词汇i在所述正常RGB图像中出现的次数，numPFeatures为所述敏感RGB图像和所述正常RGB图像中敏感特征的总数，numNFeatures为所述敏感RGB图像和所述正常RGB图像中正常特征总数。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤三中，获得所述LBP视觉词汇表达的方法包括使用LBP算法在所述敏感RGB图像和所述正常RGB图像的皮肤区域提取生成生成敏感图像LBP特征向量和正常图像LBP特征向量；对所述敏感图像LBP特征向量和所述正常图像LBP特征向量的合集进行k-means聚类，聚为m个类，共U2＝{u1,u2,..um}个聚类中心，m个视觉词汇，计算对比词频Dw2；统计所述敏感图像LBP特征向量和所述正常图像LBP特征向量的视觉词汇的出现次数，构造LBP特征直方图lbpBOWFeature，进行lbpBOWFeature*Dw2归一化。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤四中，根据色彩量化公式和HSVG＝9H+3S+V构造72维特征矢量作为所述敏感RGB图像和所述正常RGB图像的HSV颜色特征，所述72维特征矢量为：如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤五中，所述BP神经网络的输入参数为[SURF*1.2,HSV*0.2,LBP*0.8]。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：在步骤六中根据步骤一进行判断，若所述待测图像的人脸区域不大于所述皮肤区域的1/2时，则判定所述待测图像为正常图像；若所述待测图像的皮肤区域占所述待测图像的总面积不大于10％时，则判断所述待测图像为正常图像。如上述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，进一步优选为：所述待测图像根据步骤一进行判断，不满足正常图像判定条件时，根据所述BP神经网络输出图像识别结果。分析可知，与现有技术相比，本专利技术的优点和有益效果在于：1、本专利技术提供的基于HSV、SURF与LBP特征相结合的敏感图像识别方法在特征提取时，采用SURF角点特征，具有旋转平移不变形和对亮度变化与噪声有较好的容错性，在图像特征提取和识别领域有良好的效果，处理速度更快，融合了图像的角点信息、纹理信息和全局的色彩信息作为图像特征，不会造成图片特征缺失，准确率高，从而使得本专利技术具有处理速度快、准确率高的特点。2、本专利技术提供的基于HSV、SURF与LBP特征相结合的敏感图像识别方法采用训练BP神经网络的方法对敏感特征的视觉词汇进行表达，判断时方便快捷，从而使得本专利技术具有处理速度快的特点。3、本专利技术提供的基于HSV、SURF与LBP特征相结合的敏感图像识别方法采用HSV系统作为图像分类特征，更接近人对色彩的感知，从而使得本专利技术具有准确率高的特点。附图说明图1为本专利技术的总体流程图。图2为本专利技术的身体皮肤区域提取流程图。图3为本专利技术的身体皮肤区域标记效果图。图4为本专利技术的SURF特征视本文档来自技高网...

【技术保护点】
一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于，包括如下步骤：步骤一：获得敏感RGB图像和正常RGB图像的皮肤区域；步骤二：使用SURF算法获得所述敏感RGB图像和所述正常RGB图像的SURF视觉词汇表达；步骤三：使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达；步骤四：使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征；步骤五：使用所述SURF视觉词汇表达、所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数，训练BP神经网络；步骤六：输出待测图像识别结果。

【技术特征摘要】
1.一种基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于，包括如下步骤：步骤一：获得敏感RGB图像和正常RGB图像的皮肤区域；步骤二：使用SURF算法获得所述敏感RGB图像和所述正常RGB图像的SURF视觉词汇表达；步骤三：使用LBP算法获得所述敏感RGB图像和所述正常RGB图像的LBP视觉词汇表达；步骤四：使用HSV颜色模型获得所述敏感RGB图像和所述正常RGB图像的HSV颜色特征；步骤五：使用所述SURF视觉词汇表达、所述LBP视觉词汇表达和所述HSV颜色特征作为输入参数，训练BP神经网络；步骤六：输出待测图像识别结果。2.根据权利要求1所述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于：在步骤一中，使用Haar-like特征检测所述敏感RGB图像和所述正常RGB图像中的人脸区域，在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域。3.根据权利要求2所述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于：在YCrCb彩色空间检测判定所述敏感RGB图像和所述正常RGB图像的皮肤区域的条件为77≤Cb≤127或133≤Cr≤173。4.根据权利要求1或2所述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于：在步骤二中，获得所述SURF视觉词汇表达的方法包括：使用SURF算法在所述敏感RGB图像和所述正常RGB图像的皮肤区域提取生成敏感图像SURF特征向量和正常图像SURF特征向量；对所述敏感图像SURF特征向量和所述正常图像SURF特征向量的合集进行k-means聚类，聚为k个类，共U1＝{u1,u2,..uk}个聚类中心，k个视觉词汇，计算对比词频Dw1；统计所述敏感图像SURF特征向量和所述正常图像SURF特征向量的视觉词汇的出现次数，构造SURF特征直方图surfBOWFeature，进行surfBOWFeature*Dw1归一化。5.根据权利要求4所述的基于HSV、SURF与LBP特征相结合的敏感图像识别方法，其特征在于：对比词频Dw的计算公式为：FWPorn(i)＝pCounts(i)/numPFeaturesFWNomal(i)＝nCounts(i)/nu...

【专利技术属性】
技术研发人员：李新，夏光升，孙涛，郝振江，李小标，柴军民，
申请(专利权)人：天津市国瑞数码安全系统股份有限公司，
类型：发明
国别省市：天津,12