基于慢特征分析的暴力视频检测方法技术

本发明专利技术公开了一种基于慢特征分析的暴力视频检测方法，包括以下步骤：对已经标好类的视频进行密集轨迹提取，基于轨迹用慢特征分析方法学习出慢特征函数，通过慢特征函数得到视频段的特征表示，最后对提取的特征进行训练并建模；对新来视频进行特征提取，将提取的特征输入到训练得到的模型，得到视频的类别(暴力视频或非暴力视频)。该方法通过密集轨迹提取构建了有效的特征向量，并通过慢特征分析方法学习出了非常具有区分力的视频特征表示。近几年随着社交网站的发展，大量的视频被上传到互联网供用户下载，其中不乏含有暴力内容的视频，这些内容会对青少年产生不良影响，基于慢特征分析的暴力视频检测方法能有效检测出这些不良内容，对建设健康的互联网环境具有重要作用。

【技术实现步骤摘要】
本专利技术涉及模式识别
，特别涉及一种基于慢特征分析的暴力视频检测方法。
技术介绍
现在，随着社交网站的快速发展，比如国外的Facebook,Twitter,Youtube,国内的人人网，新浪微博，优酷网，上传到网络上的视频的数量迅猛增长，用户可以方便地观看和下载他们感兴趣的视频，然而在大量的视频中，存在着很多暴力内容，这些内容会对青少年用户产生不良的示范作用，有可能会诱导他们产生暴力行为，甚至犯罪。为了保护青少年用户免受这些暴力内容的影响，现在急需一种有效地，自动地，基于内容的暴力视频检测方法，来过滤掉这些有害视频。现有的技术大多需要使用声音信息进行暴力视频的检测，一些技术单独用声音信息构建特征向量，另一些技术将声音信息和视觉信息结合构建特征向量，然后送入分类器进行模型构建，最后，对新来样本进行分类。然而，在很多情况下，视频中并没有声音信息，如监控录像；而且，一些视频的声音信息和它们的视频内容并不一致，甚至会干扰视频内容的检测。
技术实现思路
为了解决上述现有技术中存在的问题，本专利技术的目的是提供一种基于慢特征分析的暴力视频检测方法，提取能有效区分暴力内容的视觉特征，单独使用视觉特征来检测暴力视频。本专利技术提出的一种基于慢特征分析的暴力视频检测方法包括以下步骤步骤SI，对于已经标好类的视频样本，计算其密集光流场；步骤S2，从所述视频的每个帧中以一定步长提取多个密集特征点，分别跟踪所述密集特征点在整个视频中的轨迹，从而得到由所述视频中所有密集特征点对应的密集轨迹组成的密集轨迹集合T ；步骤S3，对于所述密集轨迹集合T中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V;步骤S4，基于每条密集轨迹对应的多个向量V，通过慢特征学习方法，对于每一类向量，得到一个对该类向量对应的J维慢特征函数Cl ；步骤S5，将步骤S3得到的与每条密集轨迹对应的多个向量V分别输入到慢特征函数Cl中，基于所述慢特征函数Cl的输出向量构建该视频的特征表示f ；步骤S6，将所述视频的特征表示f作为特征向量输入到支持向量机SVM分类器中，构造分类器模型；步骤S7，输入一个测试视频，将该测试视频分为多个测试视频段，对于每个测试视频段计算其密集光流场；步骤S8，从所述测试视频段的每个帧中提取多个密集特征点，分别跟踪所述密集特征点在整个视频段中的轨迹，从而得到由所述测试视频段中所有密集特征点对应的密集轨迹组成的密集轨迹集合Ti ；步骤S9，对于所述密集轨迹集合T'中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V'；步骤S10，将步骤S9得到的与每条密集轨迹对应的多个向量V输入到所述慢特征函数Cl中，基于所述慢特征函数Cl的输出向量得到该测试视频段的特征表示f' ；步骤S11，将所述测试视频段的特征表示f'作为特征向量输入到所述步骤S6得到的分类器模型中，即可判断该测试视频段是否为暴力视频段；步骤S12，如果该测试视频中超过一比例的视频段被识别为暴力，则该测试视频为暴力视频，否则，为非暴力视频。根据本专利技术的方法，能有效检测出互联网上视频的暴力内容，为互联网不良内容的过滤提供强有力的依据。附图说明图I是本专利技术基于慢特征分析的暴力视频检测方法流程图。图2是本专利技术基于轨迹的向量的构造示意图。图3是根据本专利技术实施例的暴力视频检测结果。图4是根据本专利技术实施例的非暴力视频的检测结果。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。图I是本专利技术基于慢特征分析的暴力视频检测方法流程图，如图I所示，本专利技术基于慢特征分析的暴力视频检测方法流程图，包括训练过程和识别过程两个部分所述训练过程可以描述为对已经标好类的视频进行密集轨迹提取，基于轨迹用慢特征分析方法学习出慢特征函数，通过慢特征函数得到视频段的特征表示，最后对提取的特征进行训练并建模，即学习能有效区分暴力视频和非暴力视频的特征。所述识别过程可以描述为对新来视频进行特征提取，将提取的特征输入到训练得到的模型，从而得到视频的类别(暴力视频或非暴力视频)。所述训练过程进一步包括以下步骤步骤SI，对于已经标好类的视频样本，计算其密集光流场；所述已经标好类的视频是事先收集到的大量的暴力视频和非暴力视频，这些视频用于训练本专利技术用到的暴力视频识别模型。密集光流场ω = (ut, vt)的计算方法如下对于视频的第t巾贞，位置(X，y)的偏移量可以表示为如下参数化形式u (x, y) = a^aaX+agy+a^+agXy (I)V (x, y) = a4+a5x+a6y+a7x2+a8xy (2)其中，u(x, y)为光流场在位置(X, y)的Ut分量，v(x, y)为光流场在位置(x, y)的 Vt 分里，&丨，&2，a3，&4， &6，&7，为i寸定参数。公式⑴和⑵可以写成如下向量形式本文档来自技高网...

【技术保护点】
一种基于慢特征分析的暴力视频检测方法，其特征在于，该方法包括以下步骤：步骤S1，对于已经标好类的视频样本，计算其密集光流场；步骤S2，从所述视频的每个帧中以一定步长提取多个密集特征点，分别跟踪所述密集特征点在整个视频中的轨迹，从而得到由所述视频中所有密集特征点对应的密集轨迹组成的密集轨迹集合T；步骤S3，对于所述密集轨迹集合T中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V；步骤S4，基于每条密集轨迹对应的多个向量V，通过慢特征学习方法，对于每一类向量，得到一个对该类向量对应的J维慢特征函数C1；步骤S5，将步骤S3得到的与每条密集轨迹对应的多个向量V分别输入到慢特征函数C1中，基于所述慢特征函数C1的输出向量构建该视频的特征表示f；步骤S6，将所述视频的特征表示f作为特征向量输入到支持向量机SVM分类器中，构造分类器模型；步骤S7，输入一个测试视频，将该测试视频分为多个测试视频段，对于每个测试视频段计算其密集光流场；步骤S8，从所述测试视频段的每个帧中提取多个密集特征点，分别跟踪所述密集特征点在整个视频段中的轨迹，从而得到由所述测试视频段中所有密集特征点对应的密集轨迹组成的密集轨迹集合T′；步骤S9，对于所述密集轨迹集合T′中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V′；步骤S10，将步骤S9得到的与每条密集轨迹对应的多个向量V′输入到所述慢特征函数C1中，基于所述慢特征函数C1的输出向量得到该测试视频段的特征表示f′；步骤S11，将所述测试视频段的特征表示f′作为特征向量输入到所述步骤S6得到的分类器模型中，即可判断该测试视频段是否为暴力视频段；步骤S12，如果该测试视频中超过一比例的视频段被识别为暴力，则 该测试视频为暴力视频，否则，为非暴力视频。...

【技术特征摘要】
1.一种基于慢特征分析的暴力视频检测方法，其特征在于，该方法包括以下步骤 步骤SI，对于已经标好类的视频样本，计算其密集光流场； 步骤S2，从所述视频的每个帧中以一定步长提取多个密集特征点，分别跟踪所述密集特征点在整个视频中的轨迹，从而得到由所述视频中所有密集特征点对应的密集轨迹组成的密集轨迹集合T ； 步骤S3，对于所述密集轨迹集合T中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V ; 步骤S4，基于每条密集轨迹对应的多个向量V，通过慢特征学习方法，对于每一类向量，得到一个对该类向量对应的J维慢特征函数Cl ； 步骤S5，将步骤S3得到的与每条密集轨迹对应的多个向量V分别输入到慢特征函数Cl中，基于所述慢特征函数Cl的输出向量构建该视频的特征表示f; 步骤S6，将所述视频的特征表示f作为特征向量输入到支持向量机SVM分类器中，构造分类器模型； 步骤S7，输入一个测试视频，将该测试视频分为多个测试视频段，对于每个测试视频段计算其密集光流场； 步骤S8，从所述测试视频段的每个帧中提取多个密集特征点，分别跟踪所述密集特征点在整个视频段中的轨迹，从而得到由所述测试视频段中所有密集特征点对应的密集轨迹组成的密集轨迹集合Ti ； 步骤S9，对于所述密集轨迹集合T'中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V'； 步骤S10，将步骤S9得到的与每条密集轨迹对应的多个向量N'输入到所述慢特征函数Cl中，基于所述慢特征函数Cl的输出向量得到该测试视频段的特征表示f'； 步骤S11，将所述测试视频段的特征表示f,作为特征向量输入到所述步骤S6得到的分类器模型中，即可判断该测试视频段是否为暴力视频段； 步骤S12，如果该测试视频中超过一比例的视频段被识别为暴力，则该测试视频为暴力视频，否则，为非暴力视频。2.根据权利要求I所述的方法，其特征在于，所述步骤S2和S8中，基于密集光流场的偏移量来跟踪所述密集特征点，得到与各个密集特征点对应的密集轨迹。3.根据权利要求2所述的方法，其特征在于，所述步骤S2中，基于密集光流场的偏移量来跟踪所述密集特征点进一步为对于某一视频第t帧的轨...

【专利技术属性】
技术研发人员：王亮，张彰，王开业，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：