识别WAP手机色情图像的区域分割肤色算法

摘要

本发明涉及一种基于区域分割的肤色检测算法的WAP手机色情图像识别方法。一种识别WAP手机色情图像的区域分割肤色算法，首先建立WAP手机色情图像识别模型，然后运用该色情图像识别模型对手机色情图像进行检测，其步骤包括：a）将原始图像尺寸归一化：将三元组RGB颜色空间转化为HSV256模型空间；b）建立图像区域肤色分割算法模型，对图像区域肤色进行分割；c）去除干扰区域，进行区域特征提取；d）特征分类判决，通过对区域整体信息的分析确定区域为肤色的可能性；e）通过人脸图像检测模型，对原始图像做出识别。对低分辨率的手机色情图像的正确识别率大于90%，正常图像误判率＜8%，识别速率＞200幅/秒，达到国内外领先水平。

说明书

　　技术领域

　　本发明涉及一种WAP手机互联网淫秽色情图像的识别、监管平台，特别是涉及运行在该识别、监管平台的一种识别WAP手机色情图像的区域分割肤色算法。

　　背景技术

　　WAP手机互联网传输的图像具有尺寸小且分辨率低和人物头像突出的特点，因此采用传统的图像识别方法难以实现基于肤色特征的识别。目前肤色占空比仍然是色情图像分类中的一个重要特征。在色彩分布空间中，肤色区域和非肤色区域是相交的，采用传统方法的以点为单位的肤色分割方式在处理上述图像时，当遇到类肤色背景、高光失真肤色和某些纹理图像时将会无能为力。肤色分割器的性能直接影响到图像分类的结果。

　　我公司在2005年提出的国家发明专利《基于内容的网络色情图像及不良图像检测系统》（专利号：200510048577.0），其在识别手机互联网图像的应用上也具有一定的局限性。

　　发明内容

　　本发明针对现有技术的局限性，提出一种基于区域分割的肤色检测算法来识别WAP手机互联网色情图像。 

　　本发明所采用的技术方案：

　　一种识别WAP手机色情图像的区域分割肤色算法，建立WAP手机色情图像识别模型，并运用该色情图像识别模型对手机色情图像进行检测，其步骤包括：a）将原始图像尺寸归一化：将三元组RGB颜色空间转化为HSV256模型空间；b）建立图像区域肤色分割算法模型，对图像区域肤色进行分割；c）去除干扰区域，进行区域特征提取；d）特征分类判决，通过对区域整体信息的分析确定区域为肤色的可能性；e）通过人脸图像检测模型，对原始图像做出识别。

　　在颜色模型中，HSV模型是一种适合人眼分辨的模型，为便于识别，对原始图像进行归一化处理：将三元组RGB颜色空间转化为HSV256模型空间，转换到HSV空间后，用此空间中的颜色直方图来描述帧图像的整体颜色特征，为了压缩直方图矢量维数，减小计算量，对HSV颜色空间进行非等间隔量化，根据对颜色模型的分析结果，把色调空间分为8份，饱和度和亮度空间各分为3份，并根据色彩的不同范围进行量化，将整个HSV空间分为72个子空间。

　　所述的识别WAP手机色情图像的区域分割肤色算法，以大块肤色形状和位置特征作为分析的依据，使用区域作为分析的对象；a首先将原始图像转换成灰度图像；b利用canny变换提取边缘，腐蚀分割得到平滑区域；c去除小块，对每一块平滑区域进行分析：首先对该区域肤色进行肤色分割，区域分割后的效果，以白色为肤色区域，黄色为非肤色区域；其次把肤色区域在R-G平面上投影，并进行Hough变换补色；再次对区域图像进行二次肤色分割，进行判定，以白色为肤色区域，黄色为非肤色区域合成；最后对各区域图像合成，并形态学滤波，得到分割后的合成图像。

　　所述的识别WAP手机色情图像的区域分割肤色算法，对图像进行区域肤色分割后，会出现影响判决结果的类肤色块的干扰区域，采用重心距离比对的算法，通过区域形状矩和内外角等特征，去除类肤色干扰区域，其中肤色重心表示计算所有肤色区得到的重心。

　　所述的识别WAP手机色情图像的区域分割肤色算法，图像区域特征选取是决定判决正确率关键因素，会直接影响到判决器判决结果，本算法选取的主要特征包括：肤色占空比、肤色重心、有效区域数量、最大一块区域的重心、最大一块区域的占空比、在4X4区域中的比例。判决器使用SVM（Support vector machine）。

   所述的识别WAP手机色情图像的区域分割肤色算法包括人脸图像检测模型。对于被图像区域肤色分割模型检测出的肤色占空比大的有可能是人脸的图像，送入人脸检测器进行进一步判别，排除人脸图像：如果检测为大幅人脸，即人脸区域占空比大于1/4，则表示图像不是色情图像；如果检测到人脸区域占空比在1/9左右，则该图像为怀疑图像，需要进一步通过对人脸的位置进行分析以确定怀疑级别；对于人脸比率为0.287图像，人脸检测器模型认为此图像属于正常图像，对于人脸比率为0.103的图像则根据人脸位置和肤色占空比进一步进行分析。人脸特征的提取，只需水平方向的边缘信息，利用经小波变换的垂直方向的高频细节提取人脸特征。

　　这里的人脸识别并不要求人脸定位的精度，只需找到人脸的大概位置和其区域。一个正面人脸可以简单地用六个特征组合来表示，即双眉、双眼、鼻子及嘴唇。由于成像条件(角度、时间、光照等)的不同，很容易造成人脸的变形及颜色的畸变等，从而使得并非所有的人脸图像能够检测到所有的人脸特征。为此，只需将人脸分解成包含至少2个特征组合的模型，只要找到任何一种模型即可认为存在人脸。通过对模型的分析，进一步得到大致的人脸区域，根据该人脸区域来判别是否占整幅图像的区域，这里需要一个人为的阈值。当然利用这些人脸模型，可能会将眉毛误判为眼睛等情况，但在本算法不要求对眼睛定位精度，这点误差并不对结果产生影响。

　　本发明的有益积极效果：

　　1、本发明识别WAP手机色情图像的区域分割肤色算法，在提高色情图像识别准确率和降低正常图像误判率方面做出了贡献，同时提高了识别速度。对低分辨率的手机色情图像的正确识别率大于90%，正常图像误判率＜8%，识别速率＞200幅/秒，达到国内外领先水平。

　　2、本发明识别WAP手机色情图像的区域分割肤色算法，建立了手机互联网的10万张标准图像库作为研发和测试的标准依据，该标准图像库是从数百万张手机互联网图像中按多个约束条件反复比较筛选出来的，并按色情指数进行排列，具有科学性和广泛的代表性。

　　3、本发明识别WAP手机色情图像的区域分割肤色算法，找到了算法准确性所要求的计算复杂度以及快速性所要求的简捷化间的最佳整合，为我国移动运营商首次建立手机互联网色情内容识别监管平台做出了突出贡献。

　　附图说明

　　图1：本发明识别WAP手机色情图像的区域分割肤色算法结构图；

　　图2：本发明识别WAP手机色情图像的区域分割肤色算法流程图；

　　图3：由不同特征组合构成的不同人脸模型图。

　　具体实施方式

　　实施例一：参见图1，本发明识别WAP手机色情图像的方法，建立了基于区域分割的肤色检测算法模型，并运用该色情图像算法模型进行手机色情图像检测，其步骤包括：a）将原始图像尺寸归一化：将三元组RGB颜色空间转化为HSV256模型空间；b）建立图像区域肤色分割算法模型，对图像区域肤色进行分割；c）去除干扰区域，进行区域特征提取；d）特征分类判决，通过对区域整体信息的分析确定区域为肤色的可能性；e）通过人脸图像检测模型，对原始图像做出识别。

　　实施例二：参见图1、图3。本实施例识别WAP手机色情图像的算法，与实施例一不同的是，进一步公开了对原始图像的归一化处理方法。

　　在颜色模型中，HSV模型是一种适合人眼分辨的模型，为便于识别，要将三元组RGB颜色空间转化为HSV256模型空间，转换到HSV空间后，可用此空间中的颜色直方图来描述帧图像的整体颜色特征。一帧图像的颜色一般非常多，因此相应直方图矢量维数也较多。为了压缩直方图矢量维数，减小计算量，可以对HSV颜色空间进行非等间隔量化。采用非等间隔量化技术，一是因为从RGB空间到HSV空间的变换是非线性的，二是因为人眼对HSV空间各分量以及各分量的各区间的感知强度不同。由对颜色模型的分析结果，可以把色调空间分为8份，饱和度和亮度空间各分为3份，并根据色彩的不同范围进行量化，整个HSV空间被分为72（8×3×3）个子空间。

　　这种颜色空间的转换和量化，可以针对整幅视频帧图像进行，也可以针对某一个帧图像块进行。通过计数图像块在各子空间中的像素个数，即可得到该图像块的HSV颜色直方图特征矢量，该矢量有72个分量。

　　实施例三：参见图1、图3。本实施例WAP手机色情图像的识别算法，采用的区域肤色分割算法建立图像区域肤色分割算法模型，以大块肤色形状和位置特征作为分析的依据，使用区域作为分析的对象，通过对区域整体信息的分析确定区域为肤色的可能性：首先将原始图像转换成灰度图像；再利用canny变换提取边缘，腐蚀分割得到平滑区域；去除小块，然后对每一块区域进行分析：首先对该区域肤色进行肤色分割，以白色为肤色区域，黄色为非肤色区域；其次把肤色区域在R-G平面上投影，并进行Hough变换补色；第三对区域图像进行二次肤色分割，以白色为肤色区域，黄色为非肤色区域；最后对各区域图像合成，得到分割后的图像。肤色占空比很大的图像有可能是人脸图像，最后通过人脸检测器排除人脸图像，以减小误判率。

　　在区域肤色分割后，某些非肤色区域具有类似肤色块的特征，构成干扰区域。这些区域会影响判决结果，因此需要设计算法去除干扰区域。本发明采用一种重心距离比对的方法来去除干扰区域和区域形状矩和内外角等特征来确定干扰区域。

　　其中肤色重心表示计算所有肤色得到的重心，用所有肤色面积做圆，半径为r0。找到每一块区域的重心，并按照每一块区域面积做圆，半径为r1—rN。计算R-r1-r0的值，估计块与肤色中心之间的距离，以确定区域的重要性。类肤色块的消除会在很大程度上降低误判率，实验证明使用HSV颜色距不能达到消除类肤色块的目的，因此只有采用对区域形状分析的方法。本算法也采用了对区域形状分析来确定区域重要性的方法，通过区域形状距和内外角等特征确定干扰区域。

　　去除图像干扰区域后，需要对区域特征进行提取。特征选取是决定正确判决率最关键的因素，会直接影响到判决器的性能。特征分类器使用SVM（Support vector machine-支持向量机）。目前实验选取的主要特征有：肤色占空比，肤色重心，有效区域数量，最大一块区域的重心，最大一块区域的占空比，在4X4区域中的比例。

　　实施例四：参见图1、图2、图3。本实施例与实施例三不同的是，采用如下方法检测人脸图像。被肤色检测器检测为肤色占空比大的图像，有可能是人脸，需要送入人脸检测器进行进一步判别。如果检测为大幅人脸（人脸区域占空比大于1/4），则表示图像不是色情图像；如果检测到人脸区域占空比在1/9左右，该图像为怀疑图像，这时需要对人脸的位置进行分析以确定怀疑级别。

　　人脸比率为0.287图像可以认为此图像属于正常图像，人脸比率为0.103的图像需要根据人脸位置和肤色占空比进一步进行分析。

　　由于这里的需求和通常讲的人脸识别有所不同，不要求人脸定位的精度，只需找到人脸的大概位置和其区域来确认人脸。一般地，一个正面人脸可以简单地用六特征组合来表示，即双眉、双眼、鼻子及嘴唇。由于成像条件(角度、时间、光照等)的不同，很容易造成人脸的变形及颜色的畸变等，从而使得并非所有的人脸图像能够检测到所有的人脸特征。为此，只需将人脸分解成包含至少2个特征组合的模型，只要找到任何一种模型即可认为存在人脸。通过对模型的分析，进一步得到大致的人脸区域，根据该人脸区域来判别是否占整幅图像的区域，因此这里需要一个人为的阈值。当然利用这些人脸模型，可能会将眉毛误判为眼睛等情况，但在本课题中并非对眼睛定位精度有要求，所以这点误差并不对结果产生影响。图2给出了由不同特征组合构成的不同人脸局部特征模型，这只是最为基本的不同人脸局部特征部分。

而对人脸特征进行提取，只需要水平方向的边缘信息。小波变换提供了一种多分辨分析的工具，我们利用经小波变换的垂直方向的高频细节提取人脸特征。