本文關鍵詞：基于內(nèi)容的網(wǎng)絡敏感圖像識別研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著多媒體和網(wǎng)絡技術的不斷發(fā)展,人們可以在網(wǎng)絡上自由瀏覽和分享各種信息。與此同時,網(wǎng)絡中色情、暴力、反動等不良信息,特別是色情圖像/視頻(以下簡稱敏感圖像/視頻)信息的傳播、蔓延,極大地危害了社會穩(wěn)定和人們的身心健康,尤其影響青少年的健康成長。由于網(wǎng)絡中的信息量巨大,如何利用技術手段自動識別并過濾其中的不良信息已經(jīng)成為網(wǎng)絡信息安全領域一個重要的研究內(nèi)容。為了有效遏制敏感圖像/視頻信息的泛濫,研究人員們開展了深入的研究工作,并提出了多種敏感圖像識別過濾方法,其中基于內(nèi)容的敏感圖像識別是目前比較主流的方法。該方法從圖像本身出發(fā),利用數(shù)字圖像處理、模式識別和機器學習等相關理論和技術,分析敏感圖像的內(nèi)容和特點,利用這些有別于其他正常圖像的特征來自動地進行識別處理,可以取得較好的識別效果。到目前為止,該類方法又被細分為四類,其中基于分類的敏感圖像識別方法可以獲得最好的性能。該類方法將圖像分為敏感圖像和非敏感圖像兩類,主要包括特征提取、特征表達以及分類器等三部分。本文針對該類方法的三個核心部分分別進行了研究,主要研究內(nèi)容如下:(1)提出了一種基于ORB(Oriented FAST and Rotated BRIEF)特征的敏感圖像識別方法。該方法分為粗檢和細檢兩部分。粗檢部分包含膚色檢測和人臉檢測兩個階段,利用它們可以較為準確快速地排除不含或含有少量膚色的正常圖像以及證件照。細檢時,則首先對圖像的膚色區(qū)域提取ORB局部特征,采用詞袋(BoW,Bag of Words)模型對ORB局部特征進行緊湊表示,并與全局特征--HSV顏色直方圖特征線性加權(quán)融合后組成最終描述圖像內(nèi)容的特征向量,最后輸入到SVM分類器進行訓練,得到分類模型,用于敏感圖像的識別。本文在包含19000幅圖像的數(shù)據(jù)庫上進行了實驗,并與SIFT(Scale-Invariant Feature Transform)、SURF(Speeded Up Robust Features)等五種局部特征進行了比較,結(jié)果表明,本文提出的基于ORB特征的識別方法可以在識別速度和準確率上取得較好的折中。(2)提出了一種基于稀疏表示的敏感圖像識別方法。本文將稀疏表示應用到敏感圖像識別中,替代傳統(tǒng)BoW詞袋模型對ORB局部特征進行緊湊表示。實驗結(jié)果表明,相比于傳統(tǒng)BoW詞袋模型方法,稀疏表示可以略微提高識別準確率,但耗時嚴重。(3)鑒于稀疏分類器在人臉識別等領域的成功應用,本文將稀疏分類器應用于到敏感圖像識別中,提出了基于稀疏分類器的敏感圖像識別方法。此外,為了更加準確地描述圖像,除了提取ORB局部特征以及HSV顏色直方圖外,本文還提取了MPEG-7中定義的三種全局特征描述子--顏色結(jié)構(gòu)描述子(CSD,Color Structure Descriptor)、同質(zhì)紋理描述子(HTD,Homogenous Texture Descriptors)以及邊緣直方圖(EHD,Edge Histogram Descriptors),利用它們來表征圖像的全局特性。實驗結(jié)果表明,與SVM(Support Vector Machines)和SRC(Sparse Representation based Classifier)相比,利用稀疏協(xié)同表示分類器(CRC_RLS,Collaborative Representation based Classification with Regularized Least Square)可以取得最優(yōu)的識別性能,圖像識別準確率平均達到96.38%。(4)基于上述的研究結(jié)果,搭建了一套敏感圖像識別演示驗證系統(tǒng),用于驗證本文提出方法的有效性和可行性。
【關鍵詞】：敏感圖像識別 ORB特征 BoW模型 稀疏表示 CRC_RLS分類器
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 研究背景10-12
• 1.2 論文的研究內(nèi)容12-13
• 1.3 論文結(jié)構(gòu)13-16
• 第2章 敏感圖像識別技術研究進展16-32
• 2.1 引言16
• 2.2 敏感圖像特征的提取16-20
• 2.2.1 全局特征17-19
• 2.2.2 局部特征19-20
• 2.3 敏感圖像特征的表示20-25
• 2.3.1 詞袋‖模型21-23
• 2.3.2 空間金字塔匹配23-24
• 2.3.3 稀疏表示24-25
• 2.4 敏感圖像識別方法研究進展25-30
• 2.4.1 基于人體結(jié)構(gòu)的敏感圖像識別25-26
• 2.4.2 基于圖像檢索的敏感圖像識別26-27
• 2.4.3 基于分類的敏感圖像識別27-29
• 2.4.4 基于深度學習的敏感圖像識別29-30
• 2.5 本章小結(jié)30-32
• 第3章 基于ORB特征的敏感圖像識別32-50
• 3.1 引言32
• 3.2 基于ORB特征的敏感圖像識別32-45
• 3.2.1 整體框架32
• 3.2.2 粗檢部分32-38
• 3.2.3 細檢部分38-45
• 3.3 實驗結(jié)果及分析45-48
• 3.4 本章小結(jié)48-50
• 第4章 基于特征稀疏表示的敏感圖像識別50-56
• 4.1 引言50
• 4.2 基于特征稀疏表示的敏感圖像識別50-53
• 4.2.1 整體框架51
• 4.2.2 特征的稀疏表示51-53
• 4.3 實驗結(jié)果及分析53-54
• 4.4 本章小結(jié)54-56
• 第5章 基于CRC_RLS稀疏分類器的敏感圖像識別56-66
• 5.1 引言56
• 5.2 稀疏分類器的原理56-59
• 5.2.1 基于稀疏表示的分類模型56-58
• 5.2.2 基于協(xié)同表示的分類模型58-59
• 5.3 基于稀疏分類器的敏感圖像識別59-62
• 5.4 實驗結(jié)果及分析62-64
• 5.5 本章小結(jié)64-66
• 第6章 敏感圖像識別演示驗證系統(tǒng)的實現(xiàn)66-72
• 6.1 引言66
• 6.2 敏感圖像識別體系結(jié)構(gòu)設計66-69
• 6.2.1 訓練階段66-67
• 6.2.2 識別階段67-69
• 6.3 敏感圖像的識別系統(tǒng)功能演示69-70
• 6.4 本章小結(jié)70-72
• 結(jié)論與展望72-76
• 參考文獻76-84
• 攻讀碩士學位期間完成的學術論文84-86
• 攻讀碩士學位期間參加的科研項目86
• 攻讀碩士學位期間所獲獎勵86-88
• 致謝88-89

  本文關鍵詞：基于內(nèi)容的網(wǎng)絡敏感圖像識別研究，，由筆耕文化傳播整理發(fā)布。

本文編號：282354