基于内容的网络敏感图像识别研究

发布时间：2017-04-02 11:02

  本文关键词：基于内容的网络敏感图像识别研究，由笔耕文化传播整理发布。

【摘要】：随着多媒体和网络技术的不断发展,人们可以在网络上自由浏览和分享各种信息。与此同时,网络中色情、暴力、反动等不良信息,特别是色情图像/视频(以下简称敏感图像/视频)信息的传播、蔓延,极大地危害了社会稳定和人们的身心健康,尤其影响青少年的健康成长。由于网络中的信息量巨大,如何利用技术手段自动识别并过滤其中的不良信息已经成为网络信息安全领域一个重要的研究内容。为了有效遏制敏感图像/视频信息的泛滥,研究人员们开展了深入的研究工作,并提出了多种敏感图像识别过滤方法,其中基于内容的敏感图像识别是目前比较主流的方法。该方法从图像本身出发,利用数字图像处理、模式识别和机器学习等相关理论和技术,分析敏感图像的内容和特点,利用这些有别于其他正常图像的特征来自动地进行识别处理,可以取得较好的识别效果。到目前为止,该类方法又被细分为四类,其中基于分类的敏感图像识别方法可以获得最好的性能。该类方法将图像分为敏感图像和非敏感图像两类,主要包括特征提取、特征表达以及分类器等三部分。本文针对该类方法的三个核心部分分别进行了研究,主要研究内容如下:(1)提出了一种基于ORB(Oriented FAST and Rotated BRIEF)特征的敏感图像识别方法。该方法分为粗检和细检两部分。粗检部分包含肤色检测和人脸检测两个阶段,利用它们可以较为准确快速地排除不含或含有少量肤色的正常图像以及证件照。细检时,则首先对图像的肤色区域提取ORB局部特征,采用词袋(BoW,Bag of Words)模型对ORB局部特征进行紧凑表示,并与全局特征--HSV颜色直方图特征线性加权融合后组成最终描述图像内容的特征向量,最后输入到SVM分类器进行训练,得到分类模型,用于敏感图像的识别。本文在包含19000幅图像的数据库上进行了实验,并与SIFT(Scale-Invariant Feature Transform)、SURF(Speeded Up Robust Features)等五种局部特征进行了比较,结果表明,本文提出的基于ORB特征的识别方法可以在识别速度和准确率上取得较好的折中。(2)提出了一种基于稀疏表示的敏感图像识别方法。本文将稀疏表示应用到敏感图像识别中,替代传统BoW词袋模型对ORB局部特征进行紧凑表示。实验结果表明,相比于传统BoW词袋模型方法,稀疏表示可以略微提高识别准确率,但耗时严重。(3)鉴于稀疏分类器在人脸识别等领域的成功应用,本文将稀疏分类器应用于到敏感图像识别中,提出了基于稀疏分类器的敏感图像识别方法。此外,为了更加准确地描述图像,除了提取ORB局部特征以及HSV颜色直方图外,本文还提取了MPEG-7中定义的三种全局特征描述子--颜色结构描述子(CSD,Color Structure Descriptor)、同质纹理描述子(HTD,Homogenous Texture Descriptors)以及边缘直方图(EHD,Edge Histogram Descriptors),利用它们来表征图像的全局特性。实验结果表明,与SVM(Support Vector Machines)和SRC(Sparse Representation based Classifier)相比,利用稀疏协同表示分类器(CRC_RLS,Collaborative Representation based Classification with Regularized Least Square)可以取得最优的识别性能,图像识别准确率平均达到96.38%。(4)基于上述的研究结果,搭建了一套敏感图像识别演示验证系统,用于验证本文提出方法的有效性和可行性。
【关键词】：敏感图像识别 ORB特征 BoW模型 稀疏表示 CRC_RLS分类器
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-16
• 1.1 研究背景10-12
• 1.2 论文的研究内容12-13
• 1.3 论文结构13-16
• 第2章 敏感图像识别技术研究进展16-32
• 2.1 引言16
• 2.2 敏感图像特征的提取16-20
• 2.2.1 全局特征17-19
• 2.2.2 局部特征19-20
• 2.3 敏感图像特征的表示20-25
• 2.3.1 词袋‖模型21-23
• 2.3.2 空间金字塔匹配23-24
• 2.3.3 稀疏表示24-25
• 2.4 敏感图像识别方法研究进展25-30
• 2.4.1 基于人体结构的敏感图像识别25-26
• 2.4.2 基于图像检索的敏感图像识别26-27
• 2.4.3 基于分类的敏感图像识别27-29
• 2.4.4 基于深度学习的敏感图像识别29-30
• 2.5 本章小结30-32
• 第3章 基于ORB特征的敏感图像识别32-50
• 3.1 引言32
• 3.2 基于ORB特征的敏感图像识别32-45
• 3.2.1 整体框架32
• 3.2.2 粗检部分32-38
• 3.2.3 细检部分38-45
• 3.3 实验结果及分析45-48
• 3.4 本章小结48-50
• 第4章 基于特征稀疏表示的敏感图像识别50-56
• 4.1 引言50
• 4.2 基于特征稀疏表示的敏感图像识别50-53
• 4.2.1 整体框架51
• 4.2.2 特征的稀疏表示51-53
• 4.3 实验结果及分析53-54
• 4.4 本章小结54-56
• 第5章 基于CRC_RLS稀疏分类器的敏感图像识别56-66
• 5.1 引言56
• 5.2 稀疏分类器的原理56-59
• 5.2.1 基于稀疏表示的分类模型56-58
• 5.2.2 基于协同表示的分类模型58-59
• 5.3 基于稀疏分类器的敏感图像识别59-62
• 5.4 实验结果及分析62-64
• 5.5 本章小结64-66
• 第6章 敏感图像识别演示验证系统的实现66-72
• 6.1 引言66
• 6.2 敏感图像识别体系结构设计66-69
• 6.2.1 训练阶段66-67
• 6.2.2 识别阶段67-69
• 6.3 敏感图像的识别系统功能演示69-70
• 6.4 本章小结70-72
• 结论与展望72-76
• 参考文献76-84
• 攻读硕士学位期间完成的学术论文84-86
• 攻读硕士学位期间参加的科研项目86
• 攻读硕士学位期间所获奖励86-88
• 致谢88-89

  本文关键词：基于内容的网络敏感图像识别研究，，由笔耕文化传播整理发布。

本文编号：282354