一種基于人臉檢索的不良視頻智能檢測(cè)方法
【專利摘要】一種基于人臉檢索的不良視頻智能檢測(cè)方法，包含三個(gè)部分共六個(gè)模塊。視頻人臉提取模塊M1:用于對(duì)視頻樣本中出現(xiàn)的人臉進(jìn)行提取。人臉性別分類模塊M2:用于對(duì)M1模塊的結(jié)果進(jìn)行性別分類。人臉特征提取模塊M3:作用是對(duì)已獲取的女性人臉進(jìn)行特征抽取，生成倒排表。數(shù)據(jù)庫(kù)構(gòu)建模塊M4：利用M3模塊的輸出結(jié)果構(gòu)建一個(gè)用于查詢的檢索數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)更新模塊M5：對(duì)新發(fā)現(xiàn)的已經(jīng)標(biāo)定為不良視頻而數(shù)據(jù)庫(kù)中沒(méi)有記錄的樣本進(jìn)行注冊(cè)，將注冊(cè)結(jié)果添加進(jìn)檢索數(shù)據(jù)庫(kù)。人臉檢索模塊M6：將待檢測(cè)樣本中的人臉與檢索數(shù)據(jù)庫(kù)進(jìn)行比對(duì)。本發(fā)明可以用來(lái)對(duì)大量的包括普通視頻和不良視頻的視頻樣本進(jìn)行智能識(shí)別，極大地節(jié)省人力和時(shí)間。同時(shí)提高了檢測(cè)的準(zhǔn)確率。
【專利說(shuō)明】—種基于人臉檢索的不良視頻智能檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)視覺(jué)和視頻檢索領(lǐng)域，具體的說(shuō)，就是基于人臉檢索的不良視頻智能檢測(cè)與識(shí)別技術(shù)。
【背景技術(shù)】
[0002]近年來(lái)，由于信息技術(shù)的不斷發(fā)展，在圖像處理的基礎(chǔ)上，越來(lái)越多的人開始關(guān)注基于圖像特征的計(jì)算機(jī)視覺(jué)技術(shù)(特別是人臉識(shí)別技術(shù))。通俗的講，也就是通過(guò)對(duì)圖像特征的計(jì)算，使得計(jì)算機(jī)能夠想人眼一樣識(shí)別出不同的人。
[0003]而由于互聯(lián)網(wǎng)技術(shù)的不斷進(jìn)步，網(wǎng)絡(luò)信息分享變得越來(lái)越方便快捷。這極大地豐富了人們所獲得的信息量。然而，快捷的信息獲取方法也使得不良信息，特別是不良視頻充斥網(wǎng)絡(luò)，又由于不良視頻一般數(shù)量巨大且出現(xiàn)不良信息的位置不固定，這使得網(wǎng)絡(luò)管理人員想要識(shí)別不良視頻變得任務(wù)量巨大，且費(fèi)時(shí)費(fèi)力。
[0004]下面將分別介紹人臉識(shí)別技術(shù)，人臉檢索技術(shù)，不良視頻檢測(cè)技術(shù)在國(guó)內(nèi)外的發(fā)展現(xiàn)狀。
[0005]所謂人臉識(shí)別技術(shù)，特指利用分析比較人臉視覺(jué)特征信息進(jìn)行身份鑒別的計(jì)算機(jī)技術(shù)。人臉識(shí)別是一項(xiàng)熱門的計(jì)算機(jī)技術(shù)研究領(lǐng)域，它屬于生物特征識(shí)別技術(shù)，是對(duì)生物體(一般特指人)本身的生物特征來(lái)區(qū)分生物體個(gè)體。
[0006]人臉識(shí)別方法主要包含以下幾類:幾何特征人臉識(shí)別、基于特征臉的人臉識(shí)別、神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法、支持向量機(jī)人臉識(shí)別。
[0007]幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系(如相互之間的距離)。這些算法識(shí)別速度快，需要的內(nèi)存小，但識(shí)別率較低。
[0008]特征臉?lè)椒ㄊ腔贙L變換的人臉識(shí)別方法，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過(guò)KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設(shè)人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識(shí)別的特征矢量，這就是特征臉?lè)椒ǖ幕舅枷?。這些方法需要較多的訓(xùn)練樣本，而且完全是基于圖像灰度的統(tǒng)計(jì)特性的。目前有一些改進(jìn)型的特征臉?lè)椒ā?br>
[0009]神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類方法同樣需要較多的樣本進(jìn)行訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很有限的。
[0010]支持向量機(jī)是統(tǒng)計(jì)模式識(shí)別領(lǐng)域的一個(gè)新的熱點(diǎn)，它試圖使得學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力上達(dá)到一種妥協(xié)，從而提高學(xué)習(xí)機(jī)的性能。支持向量機(jī)主要解決的是一個(gè)2分類問(wèn)題，它的基本思想是試圖把一個(gè)低維的線性不可分的問(wèn)題轉(zhuǎn)化成一個(gè)高維的線性可分的問(wèn)題。通常的實(shí)驗(yàn)結(jié)果表明SVM有較好的識(shí)別率，但是它需要大量的訓(xùn)練樣本(每類300個(gè))，這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。而且支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng)，方法實(shí)現(xiàn)復(fù)雜，該函數(shù)的取法沒(méi)有統(tǒng)一的理論。
[0011]人臉檢索技術(shù)即是在人臉識(shí)別技術(shù)的基礎(chǔ)上通過(guò)建立一個(gè)包含人臉身份信息的人臉庫(kù)，對(duì)待檢樣本進(jìn)行人臉識(shí)別，進(jìn)而確定樣本所包含人臉的身份的一種人臉?biāo)阉鞣椒?br>
[0012]不良視頻檢測(cè)技術(shù)實(shí)際上是一種二分類技術(shù)，它是通過(guò)定義不良視頻的特征信息建立分類標(biāo)準(zhǔn)來(lái)對(duì)測(cè)試視頻樣本進(jìn)行分類。當(dāng)前的不良視頻檢測(cè)仍然沒(méi)有一種高效的檢測(cè)方法，大部分的檢測(cè)任務(wù)是由人工完成的。這不僅需要提供大量的人力物力，分類結(jié)果又是也不盡如人意。
[0013]以上任何單項(xiàng)技術(shù)都不能有效地解決針對(duì)不良視頻的只能檢測(cè)技術(shù)，而在上述技術(shù)的基礎(chǔ)上，我們通過(guò)不斷改進(jìn)，可以有效的解決不練視頻的只能檢測(cè)問(wèn)題。
【發(fā)明內(nèi)容】
[0014]本發(fā)明的技術(shù)解決的問(wèn)題是:克服現(xiàn)有技術(shù)不足，針對(duì)不良視頻檢測(cè)中遇到的問(wèn)題，提出了一種基于人臉檢索的不良視頻智能檢測(cè)系統(tǒng)和方法。
[0015]本發(fā)明的技術(shù)解決方案是:一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:它包括人臉圖片注冊(cè)模塊，視頻檢索模塊，數(shù)據(jù)庫(kù)維護(hù)與更新模塊。其中，人臉圖片注冊(cè)模塊又包含人臉提取模塊M1，性別分類模塊M2，人臉特征提取模塊M3。視頻檢索模塊包含人臉提取模塊M1，人臉特征提取模塊M3，數(shù)據(jù)庫(kù)維護(hù)與更新模塊包含數(shù)據(jù)庫(kù)構(gòu)建模塊M4，數(shù)據(jù)庫(kù)更新模塊M5，人臉檢索模塊M6。具體過(guò)程如下:
[0016](I)人臉提取模塊Ml用于在輸入視頻中采集出人臉。
[0017](2)性別分類模塊M2用于對(duì)Ml的輸出人臉進(jìn)行性別分類，建立符合要求的人臉圖片集PLl。
[0018](3)人臉特征提取模塊M3的輸入為人臉圖片集PLl中的結(jié)果，對(duì)每一張人臉圖片進(jìn)行提取人臉特征操作，建立人臉特征庫(kù)FL。
[0019](4)數(shù)據(jù)庫(kù)構(gòu)建模塊M4將人臉特征庫(kù)FL通過(guò)數(shù)據(jù)庫(kù)操作寫入數(shù)據(jù)庫(kù)，建立檢索數(shù)據(jù)庫(kù)DB。
[0020](5)數(shù)據(jù)庫(kù)更新模塊M5的作用是定期或人為的對(duì)已有檢索數(shù)據(jù)庫(kù)DB進(jìn)行更新，力口入新的人臉特征，確保檢索數(shù)據(jù)庫(kù)的完備性。
[0021](6)人臉檢索模塊M6將待測(cè)視頻獲取人臉圖片集PL2中的人臉特征與檢索數(shù)據(jù)庫(kù)DB中數(shù)據(jù)進(jìn)行比對(duì)，以確認(rèn)待測(cè)視頻中是否出現(xiàn)檢索數(shù)據(jù)庫(kù)中已保存的人臉。
[0022]所述的人臉提取過(guò)程使用了如下方法:
[0023](I)由于不同視頻中的拍攝光照強(qiáng)度不同，對(duì)不同光照強(qiáng)度下的人臉進(jìn)行檢索，會(huì)使準(zhǔn)確率明顯下降。本系統(tǒng)采用的方法是對(duì)采集的圖像進(jìn)行灰度歸一化處理。首先計(jì)算所有圖像的平均灰度向量，再用每幅圖像的灰度減去該幅圖像的平均灰度，即實(shí)現(xiàn)了圖像灰度歸一化。實(shí)現(xiàn)了特征值對(duì)光照強(qiáng)度不敏感。
[0024](2)由于視頻中的人物姿態(tài)具有隨機(jī)性，這使得采集到的人臉圖片會(huì)存在一定的偏角。本系統(tǒng)采用了人臉對(duì)齊的方法來(lái)解決這一問(wèn)題。具體解決方案是:首先通過(guò)已有的人臉模型定位到兩個(gè)眼球中心的位置坐標(biāo)pl (xl，yl)、p2 (x2, y2)，計(jì)算兩個(gè)中心點(diǎn)連線與水平方向的偏角Θ。一般我們認(rèn)為正常人的兩個(gè)眼球中心是出于同一水平線上的。因此，若θ>0，則對(duì)人臉以兩眼中心的連線的中點(diǎn)為中心旋轉(zhuǎn)Θ度，使之與水平線平行。保存旋轉(zhuǎn)之后的圖片作為采集到的人臉圖片。
[0025]所述人臉性別分類采用如下方法:[0026]利用深度學(xué)習(xí)方法對(duì)人臉的性別特征進(jìn)行分類。本系統(tǒng)采用了一種深度神經(jīng)網(wǎng)絡(luò)(DNN)。該網(wǎng)絡(luò)結(jié)構(gòu)由卷積層Cl，采樣層S2，卷積層C3，局部連接層L4、L5、L6和全連接層F7、F8構(gòu)成。首先使用已經(jīng)打好性別標(biāo)簽的訓(xùn)練樣本集對(duì)DNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，得出各層之間的連接權(quán)重。完成DNN網(wǎng)絡(luò)的構(gòu)建。之后就可以利用此網(wǎng)絡(luò)對(duì)輸入人臉圖片進(jìn)行性別分類。
[0027]所述人臉特征庫(kù)的建立使用了如下方法:
[0028]對(duì)上一個(gè)模塊提取的d維特征向量進(jìn)行哈希投影，將特征向量降至dp維(dp〈〈d)，再對(duì)降維后的特征向量進(jìn)行量化編碼。根據(jù)量化結(jié)果建立\個(gè)倒排索引表。這\個(gè)倒排索引表構(gòu)成人臉特征庫(kù)FL。
[0029]所述數(shù)據(jù)庫(kù)的更新使用了如下方法:
[0030]對(duì)日常檢測(cè)過(guò)程中已判別為非不良視頻的視頻文件，加入到視頻庫(kù)VL中，定時(shí)對(duì)VL中的視頻文件進(jìn)行隨機(jī)采樣，選出其中若干個(gè)視頻建立采樣視頻庫(kù)SL，對(duì)SL進(jìn)行人為判另O，若為正常視頻則剔除出VL，若判斷為不良視頻則通過(guò)人臉注冊(cè)過(guò)程對(duì)檢索數(shù)據(jù)庫(kù)進(jìn)行更新。
[0031]本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:系統(tǒng)將人臉檢索方法和深度學(xué)習(xí)(DeepLearning)方法引入到不良視頻檢測(cè)領(lǐng)域。通過(guò)對(duì)測(cè)試樣本中的人臉進(jìn)行特征檢索，同時(shí)比對(duì)檢索數(shù)據(jù)庫(kù)，若查詢?nèi)四樤跀?shù)據(jù)庫(kù)中已有記錄，則通過(guò)一個(gè)判斷機(jī)制來(lái)確定該視頻為不良視頻。另外，為確保檢索數(shù)據(jù)庫(kù)的完備性，我們加入了數(shù)據(jù)庫(kù)更新模塊，將最新的可能出現(xiàn)在不良視頻中的人臉加入到檢索數(shù)據(jù)庫(kù)中。
【專利附圖】
【附圖說(shuō)明】
[0032]圖1為本發(fā)明的基于人臉檢索的不良視頻智能檢測(cè)系統(tǒng)及方法框架示意圖。
[0033]圖2為本發(fā)明的基于人臉檢索的不良視頻智能檢測(cè)系統(tǒng)及方法結(jié)構(gòu)示意圖。
[0034]圖3為本發(fā)明的人臉提取模塊流程圖。
[0035]圖4為本發(fā)明的性別分類模塊示意圖。
[0036]圖5為本發(fā)明性別分類模塊DNN網(wǎng)絡(luò)結(jié)構(gòu)圖。
[0037]圖6為本發(fā)明的人臉特征提取模塊示意圖。
[0038]圖7為本發(fā)明的人臉檢索模塊流程圖。
[0039]圖8為本發(fā)明的數(shù)據(jù)庫(kù)更新模塊流程圖。
【具體實(shí)施方式】
[0040]如圖1所示，為基于人臉檢索的不良視頻智能檢測(cè)系統(tǒng)實(shí)際部署的框架示意圖。其中包括人臉注冊(cè)模塊、視頻檢索模塊、數(shù)據(jù)庫(kù)維護(hù)與更新模塊。這三個(gè)模塊共享一個(gè)檢索數(shù)據(jù)庫(kù)。人臉注冊(cè)模塊主要完成的是對(duì)已知為不良視頻和圖片中出現(xiàn)的人臉進(jìn)行特征提取，講提取的信息加入數(shù)據(jù)庫(kù)。視頻檢索模塊完成的工作時(shí)對(duì)待檢測(cè)視頻樣本根據(jù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行檢索，以確認(rèn)待測(cè)視頻是否為不良視頻。數(shù)據(jù)庫(kù)維護(hù)與更新模塊部分主要工作是對(duì)數(shù)據(jù)庫(kù)進(jìn)行讀寫操作。完成數(shù)據(jù)庫(kù)的構(gòu)建與更新。
[0041]如圖2所示，為本發(fā)明的系統(tǒng)結(jié)構(gòu)圖。該系統(tǒng)包含六個(gè)模塊，包括視頻人臉提取模塊M1，人臉性別分類模塊M2，人臉特征提取模塊M3，數(shù)據(jù)庫(kù)構(gòu)建模塊M4，數(shù)據(jù)庫(kù)更新模塊M5，人臉檢索模塊M6。視頻人臉提取模塊Ml用于對(duì)已確定為不良視頻的樣本進(jìn)行人臉幀提取。人臉性別分類模塊M2用于獲取Ml生成的人臉圖片進(jìn)行性別分類，生成女性人臉圖片集。人臉特征提取模塊M3對(duì)獲取的女性人臉進(jìn)行特征抽取，再與字典庫(kù)比對(duì)生成倒排表。數(shù)據(jù)庫(kù)構(gòu)建模塊M4對(duì)M3模塊的輸出結(jié)果構(gòu)建一個(gè)用于查詢的檢索數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)更新模塊M5對(duì)新發(fā)現(xiàn)的已經(jīng)標(biāo)定為不良視頻而數(shù)據(jù)庫(kù)中沒(méi)有記錄的的樣本進(jìn)行重新注冊(cè)，將注冊(cè)結(jié)果添加進(jìn)數(shù)據(jù)庫(kù)中。人臉檢索模塊M6對(duì)待檢測(cè)樣本中的人臉與檢索數(shù)據(jù)庫(kù)中的結(jié)果進(jìn)行比對(duì)，得出檢測(cè)結(jié)果。
[0042]如圖3所示，為本發(fā)明的視頻人臉提取模塊流程圖，讀取視頻中的一幀圖像，判斷該幀是否包含人臉。若否，則繼續(xù)讀取下一幀。若是則提取圖像中的人臉，保存為圖像數(shù)據(jù)。再對(duì)保存的圖像進(jìn)行灰度歸一化，人臉位置對(duì)齊。保存處理后的圖像以替換原圖像。最后判斷視頻是否結(jié)束，若是，則該模塊結(jié)束。若否，則繼續(xù)提取下一幀。進(jìn)行相同的操作。
[0043]如圖4所示，為本發(fā)明性別分類模塊示意圖。該模塊使用的DNN網(wǎng)絡(luò)是通過(guò)已做好性別分類的大量人臉圖片庫(kù)對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，產(chǎn)生最優(yōu)的各層連接權(quán)值。完成了 DNN網(wǎng)絡(luò)的構(gòu)建。本系統(tǒng)使用了該網(wǎng)絡(luò)模型作為性別分類模塊對(duì)輸入的人臉圖片進(jìn)行性別標(biāo)定，以保留其中女性人臉圖片。
[0044]如圖5，所示，為本發(fā)明性別分類模塊DNN網(wǎng)絡(luò)結(jié)構(gòu)圖。第O層為輸入層Input，每一個(gè)神經(jīng)元表示輸入圖像的一個(gè)像素。第I層為卷積層Cl，對(duì)輸入圖像進(jìn)行卷積。第二層為下采樣層S2，對(duì)上一層神經(jīng)元(即每一個(gè)像素)進(jìn)行降采樣，縮小圖像維度，減少需要訓(xùn)練的權(quán)值個(gè)數(shù)。第3層為卷積層C3，與Cl層作用相同。第4，5，6層為局部連接層L4，L5，L6。第7，8層為全連接層？7{8。上一層的每一個(gè)神經(jīng)元與下一層的所有神經(jīng)元連接。最后為輸出層，含有兩個(gè)神經(jīng)元，分別表示性別男或女。
[0045]如圖6所示，為本發(fā)明人臉特征提取模塊示意圖。首先對(duì)人臉圖片庫(kù)提取LBP特征，再利用哈希投影對(duì)提取的高維特征進(jìn)行降維。再對(duì)降維后的特征進(jìn)行量化編碼，生成每一張圖片的簽名，利用簽名建立倒排索引表，也即人臉特征庫(kù)。
[0046]如圖7所示，為本發(fā)明的人臉檢索模塊流程圖，對(duì)于待檢視頻中的某一幀圖片，由上層模塊獲取其特征表示和簽名，對(duì)于簽名每一維的關(guān)鍵詞，查詢檢索數(shù)據(jù)庫(kù)，獲取與之相同的已注冊(cè)圖片的序號(hào)。統(tǒng)計(jì)每一個(gè)序號(hào)的圖片出現(xiàn)的次數(shù)，計(jì)算待檢索圖片與已注冊(cè)圖片的相似度，比較此相似度與設(shè)定相似度閾值的大小，若大于閾值，認(rèn)為待測(cè)視頻中出現(xiàn)疑似人臉，則疑似人臉數(shù)加I。當(dāng)疑似人臉數(shù)大于設(shè)定人臉數(shù)閾值時(shí)，判斷待測(cè)視頻為不良視頻。
[0047]如圖8所示，為本發(fā)明的數(shù)據(jù)庫(kù)更新模塊流程圖。對(duì)于判斷為不良的視頻。將其加入視頻庫(kù)VL保存。定期對(duì)視頻庫(kù)VL進(jìn)行隨機(jī)采樣，獲取采樣視頻樣本加入采樣視頻庫(kù)SL0對(duì)采樣視頻庫(kù)中的視頻樣本進(jìn)行人工判別是否為不良視頻，若否則將其從視頻庫(kù)中剔除，若是則利用該視頻更新檢索視頻庫(kù)。
[0048]如表I所示，為本發(fā)明檢索數(shù)據(jù)庫(kù)中圖片存儲(chǔ)表的定義。每一張注冊(cè)圖片包含一個(gè)Name，對(duì)應(yīng)的圖片ID和該人臉圖片在本地的存儲(chǔ)位置。
[0049]表I
[0050]
【權(quán)利要求】
1.一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:包括人臉圖片注冊(cè)模塊，視頻檢索模塊，數(shù)據(jù)庫(kù)維護(hù)與更新模塊；其中，人臉圖片注冊(cè)模塊又包括人臉提取模塊Ml，性別分類模塊M2，人臉特征提取模塊M3 ;視頻檢索模塊包括人臉提取模塊Ml，人臉特征提取模塊M3，人臉檢索模塊M6 ;數(shù)據(jù)庫(kù)維護(hù)與更新包含數(shù)據(jù)庫(kù)構(gòu)建模塊M4，數(shù)據(jù)庫(kù)更新模塊M5 ;具體過(guò)程如下: 人臉提取模塊Ml用于在輸入視頻中采集出人臉； 性別分類模塊M2用于對(duì)Ml的輸出人臉進(jìn)行性別分類，建立符合要求的人臉圖片集PLl ； 人臉特征提取模塊M3的輸入為人臉圖片集PLl中的圖片，對(duì)每一張人臉圖片進(jìn)行提取人臉特征操作，建立人臉特征庫(kù)FL ； 數(shù)據(jù)庫(kù)構(gòu)建模塊M4將人臉特征庫(kù)FL通過(guò)數(shù)據(jù)庫(kù)操作寫入數(shù)據(jù)庫(kù)，建立檢索數(shù)據(jù)庫(kù)DB 數(shù)據(jù)庫(kù)更新模塊M5的作用是定期地自動(dòng)或人為的對(duì)已有檢索數(shù)據(jù)庫(kù)DB進(jìn)行更新，加入新的人臉特征，確保檢索數(shù)據(jù)庫(kù)的完備性； 人臉檢索模塊M6將待測(cè)視頻獲取人臉圖片集PL2中的人臉特征與檢索數(shù)據(jù)庫(kù)DB中數(shù)據(jù)進(jìn)行比對(duì)，以確認(rèn)待測(cè)視頻中是否出現(xiàn)檢索數(shù)據(jù)庫(kù)中已保存的人臉。
2.根據(jù)權(quán)利要求1所述的一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:所述的人臉提取使用了如下方法: (1)對(duì)采集的圖像進(jìn)行灰度歸一化處理；首先計(jì)算所有圖像的平均灰度向量，再用每幅圖像的灰度減去該幅圖像的平均灰度，即實(shí)現(xiàn)了圖像灰度歸一化；實(shí)現(xiàn)了特征值對(duì)光照強(qiáng)度不敏感； (2)首先通過(guò)已有的人臉模型定位到兩個(gè)眼球中心的位置坐標(biāo)pl(xl，yl)、P2(x2，y2)，計(jì)算兩個(gè)中心點(diǎn)連線與水平方向的偏角Θ ;因此，若θ>0，則對(duì)人臉以兩眼中心的連線的中點(diǎn)為中心旋轉(zhuǎn)Θ角度，使之與水平線平行；保存旋轉(zhuǎn)之后的圖片作為采集到的人臉圖片。
3.根據(jù)權(quán)利要求1所述的一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:所述人臉性別分類采用如下方法: 利用深度學(xué)習(xí)方法對(duì)人臉的性別特征進(jìn)行分類；采用了深度神經(jīng)網(wǎng)絡(luò)(DNN);該網(wǎng)絡(luò)的結(jié)構(gòu)由卷積層Cl，采樣層S2，卷積層C3，局部連接層L4、L5、L6和全連接層F7、F8構(gòu)成；首先使用已經(jīng)打好性別標(biāo)簽的訓(xùn)練樣本集對(duì)DNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，得出各層之間的連接權(quán)重；完成DNN網(wǎng)絡(luò)的構(gòu)建；之后就可以利用此網(wǎng)絡(luò)對(duì)輸入人臉圖片進(jìn)行性別分類。
4.根據(jù)權(quán)利要求1所述的一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:人臉特征庫(kù)的建立使用了如下方法: 對(duì)人臉特征提取模塊提取的d維LBP特征向量進(jìn)行哈希投影，將特征向量降至dp維，dp〈〈d，再對(duì)降維后的特征向量進(jìn)行q比特量化編碼，即有2^個(gè)量化等級(jí)，生成圖像的簽名；利用兩幅圖像之間的曼哈頓距離表征圖像之間的距離；每一副圖像的簽名包含\個(gè)單詞，根據(jù)圖片的維度建立\個(gè)索引表；每一個(gè)索引表的表項(xiàng)是所有2^個(gè)單詞；每一個(gè)表項(xiàng)對(duì)應(yīng)的元素為該維是對(duì)應(yīng)單詞的圖片序號(hào)；這dp個(gè)倒排索引表構(gòu)成人臉特征庫(kù)FL。
5.根據(jù)權(quán)利要求1所述的一種基于人臉檢索的不良視頻智能檢測(cè)方法，其特征在于:數(shù)據(jù)庫(kù)的更新使用了如下方法:對(duì)日常檢測(cè)過(guò)程中已判別為非不良視頻的視頻文件，加入到視頻庫(kù)VL中，定時(shí)對(duì)VL中的視頻文件進(jìn)行 隨機(jī)采樣，選出其中若干個(gè)視頻建立采樣視頻庫(kù)SLj^SL進(jìn)行人為判別，若為正常視頻則剔除出VL，若判斷為不良視頻則通過(guò)人臉注冊(cè)過(guò)程對(duì)檢索數(shù)據(jù)庫(kù)進(jìn)行更新。
【文檔編號(hào)】G06K9/62GK104008395SQ201410214938
【公開日】2014年8月27日 申請(qǐng)日期:2014年5月20日 優(yōu)先權(quán)日:2014年5月20日
【發(fā)明者】朱明 , 沈旭東, 孫永錄 申請(qǐng)人:中國(guó)科學(xué)技術(shù)大學(xué)