[发明专利]基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法

摘要

本发明公开了一种基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法，主要解决现有基于低级语义特征的方法不足以描述不良图像信息的内容，从而导致误判的问题。其步骤是：(1)采用高斯混合模型寻求多峰肤色分布的规律，建立肤色模型；(2)通过Bootstrap的主动反馈方法优化肤色模型；(3)引入人眼视觉注意模型，检测图像中有限的显著特征点；(4)进一步利用肤色区域去除冗余特征点；(5)对图像保留下来的感兴趣点采用尺度不变特征转换SIFT进行描述；(6)生成不良图像和正常图像的码本库；(7)采用稀疏表示中的图像重构误差检索出不良图像。实验结果表明，本发明具有更强的鲁棒性，能更好的分辨出不良图像和正常图像。

主权项

1.一种基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法，包括如下过程：A.在色彩空间YC_bC_r中，去除影响肤色判别的亮度信息Y后，采用高斯混合模型寻求多峰肤色分布的规律，得到肤色训练样本；B.对A步中得到肤色训练样本通过Bootstrap的主动反馈方法搜索扩展肤色示例集上最能减小肤色训练样本中分布“不确定性”的示例，通过选择扩展示例集上那些不能被正确预测的示例子集作为Bootstrap子样，然后将这个示例加入训练示例集，并对示例集再训练来逼近该类示例真实分布情况的预测器，以此提升肤色训练样本的典型性和多样性，避免发生过拟合，从而优化步骤A建立的肤色模型；C.引入人眼视觉注意模型，用高斯差分算子检测训练图像中有限的角点和斑点，形成感兴趣的特征点集合：V{W₁(x，y，σ)，W₂(x，y，σ)L，W_n(x，y，σ)}，其中(x，y)表示特征点W的坐标，σ表示特征点W的尺度；D.对步骤C提取特征点后的训练图像，使用A和B步建立的肤色模型去除其非肤色部分，得到只含有肤色区域特征点的训练图像；E.将步骤D中检测到的特征点稀疏化：以特征点集合V中的每个特征点W(x，y，σ)为中心，取5x5的像素块N，计算N内肤色面积：skin＝∑_SW_S(x，y，σ)和非肤色面积：nonskin＝∑_NSW_NS(x，y，σ)，其中W_S(x，y，σ)为N内的肤色像素，W_NS(x，y，σ)为N内的非肤色像素，当skin/nonskin＜1判定该特征点为野点，最后从特征点集合V中删除该野点，得到特征点集合V′：V′＝{W(x，y，σ)|skin/nonskin＞1}；F.以步骤E中保留下来的每个特征点W(x，y，σ)为中心取8x8的小正方形窗口，然后将8x8的小正方形窗口合并为4x4个正方形，用梯度公式计算这4x4个正方形内每一个像素点8个正方向的梯度，使合并的4x4个正方形和每个正方形内像素点的8个正方向形成对一个特征点128维的特征向量，表示为f；G.取相似内容的训练图像M幅，每幅训练图像通过上述步骤A-F得到特征点集合V′内特征点128维的特征向量并构成特征矩阵，可得到M个这样的特征 矩阵，对M个特征矩阵中的特征向量通过K均值cosine距离聚类得到这些特征的C个聚类中心，定义每个聚类中心为一个视觉单词，C个视觉单词组成该类图像的码本集合B＝{b₁，b₂，L，b_C}，其中b表示视觉单词，C表示视觉单词个数；H.将训练图像按照是否曝露人体隐私部位分为不良图像类和正常图像类，对上述两类图像通过步骤G形成不良图像码本B₁＝{b_1，1，b_1，2，L，b_1，C}，和正常图像码本B₂＝{b_2，1，b_2，2，L，b_2，C}；I.假设测试图像I属于某类图像，则该测试图像的特征向量f用不良图像码本中单词表示为：其中α₁是不良图像码本类中稀疏解向量，该测试图像的特征向量f用正常图像码本中单词表示为：其中α₂是正常图像码本类中稀疏解向量；J.根据稀疏解向量公式：和min||α||₁，求解稀疏解向量α，其中||g||₀表示l⁰范数；K.根据求解出的α值，得到步骤I中的值，再求取测试图像的特征向量f分别与的差D₁和与的差D₂，若D₁＜D₂则判定测试图像为不良图像，若D₁＞D₂则判定测试图像为正常图像。