基于慢特征分析的暴力视频检测方法.docx

基于慢特征分析的暴力视频检测方法专利名称：基于慢特征分析的暴力视频检测方法技术领域：本发明涉及模式识别技术领域，特别涉及一种基于慢特征分析的暴力视频检测方法背景技术：现在，随着社交网站的快速发展，比如国外的Facebook,Twitter,Youtube,国内的人人网，新浪微博，优酷网，上传到网络上的视频的数量迅猛增长，用户可以方便地观看和下载他们感兴趣的视频，然而在大量的视频中，存在着很多暴力内容，这些内容会对青少年用户产生不良的示范作用，有可能会诱导他们产生暴力行为，甚至犯罪为了保护青少年用户免受这些暴力内容的影响，现在急需一种有效地，自动地，基于内容的暴力视频检测方法，来过滤掉这些有害视频现有的技术大多需要使用声音信息进行暴力视频的检测，一些技术单独用声音信息构建特征向量，另一些技术将声音信息和视觉信息结合构建特征向量，然后送入分类器进行模型构建，最后，对新来样本进行分类然而，在很多情况下，视频中并没有声音信息，如监控录像；而且，一些视频的声音信息和它们的视频内容并不一致，甚至会干扰视频内容的检测发明内容为了解决上述现有技术中存在的问题，本发明的目的是提供一种基于慢特征分析的暴力视频检测方法，提取能有效区分暴力内容的视觉特征，单独使用视觉特征来检测暴力视频。

本发明提出的一种基于慢特征分析的暴力视频检测方法包括以下步骤步骤SI，对于已经标好类的视频样本，计算其密集光流场；步骤S2，从所述视频的每个帧中以一定步长提取多个密集特征点，分别跟踪所述密集特征点在整个视频中的轨迹，从而得到由所述视频中所有密集特征点对应的密集轨迹组成的密集轨迹集合T ；步骤S3，对于所述密集轨迹集合T中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V;步骤S4，基于每条密集轨迹对应的多个向量V，通过慢特征学习方法，对于每一类向量，得到一个对该类向量对应的J维慢特征函数Cl ；步骤S5，将步骤S3得到的与每条密集轨迹对应的多个向量V分别输入到慢特征函数Cl中，基于所述慢特征函数Cl的输出向量构建该视频的特征表示f ；步骤S6，将所述视频的特征表示f作为特征向量输入到支持向量机SVM分类器中，构造分类器模型；步骤S7，输入一个测试视频，将该测试视频分为多个测试视频段，对于每个测试视频段计算其密集光流场；步骤S8，从所述测试视频段的每个帧中提取多个密集特征点，分别跟踪所述密集特征点在整个视频段中的轨迹，从而得到由所述测试视频段中所有密集特征点对应的密集轨迹组成的密集轨迹集合Ti ；步骤S9，对于所述密集轨迹集合T'中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V'；步骤S10，将步骤S9得到的与每条密集轨迹对应的多个向量V输入到所述慢特征函数Cl中，基于所述慢特征函数Cl的输出向量得到该测试视频段的特征表示f' ；步骤S11，将所述测试视频段的特征表示f'作为特征向量输入到所述步骤S6得到的分类器模型中，即可判断该测试视频段是否为暴力视频段；步骤S12，如果该测试视频中超过一比例的视频段被识别为暴力，则该测试视频为暴力视频，否则，为非暴力视频。

根据本发明的方法，能有效检测出互联网上视频的暴力内容，为互联网不良内容的过滤提供强有力的依据图I是本发明基于慢特征分析的暴力视频检测方法流程图图2是本发明基于轨迹的向量的构造示意图图3是根据本发明实施例的暴力视频检测结果图4是根据本发明实施例的非暴力视频的检测结果具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明图I是本发明基于慢特征分析的暴力视频检测方法流程图，如图I所示，本发明基于慢特征分析的暴力视频检测方法流程图，包括训练过程和识别过程两个部分所述训练过程可以描述为对已经标好类的视频进行密集轨迹提取，基于轨迹用慢特征分析方法学习出慢特征函数，通过慢特征函数得到视频段的特征表示，最后对提取的特征进行训练并建模，即学习能有效区分暴力视频和非暴力视频的特征所述识别过程可以描述为对新来视频进行特征提取，将提取的特征输入到训练得到的模型，从而得到视频的类别(暴力视频或非暴力视频)所述训练过程进一步包括以下步骤步骤SI，对于已经标好类的视频样本，计算其密集光流场；所述已经标好类的视频是事先收集到的大量的暴力视频和非暴力视频，这些视频用于训练本发明用到的暴力视频识别模型。

密集光流场ω = (ut, vt)的计算方法如下对于视频的第t巾贞，位置(X，y)的偏移量可以表示为如下参数化形式u (x, y) = a^aaX+agy+a^+agXy (I)V (x, y) = a4+a5x+a6y+a7x2+a8xy (2)其中，u(x, y)为光流场在位置(X, y)的Ut分量，v(x, y)为光流场在位置(x, y)的 Vt 分里，&丨，&2，a3，&4， &6，&7，为i"寸定参数公式⑴和⑵可以写成如下向量形式权利要求1.一种基于慢特征分析的暴力视频检测方法，其特征在于，该方法包括以下步骤 步骤SI，对于已经标好类的视频样本，计算其密集光流场； 步骤S2，从所述视频的每个帧中以一定步长提取多个密集特征点，分别跟踪所述密集特征点在整个视频中的轨迹，从而得到由所述视频中所有密集特征点对应的密集轨迹组成的密集轨迹集合T ； 步骤S3，对于所述密集轨迹集合T中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V ; 步骤S4，基于每条密集轨迹对应的多个向量V，通过慢特征学习方法，对于每一类向量，得到一个对该类向量对应的J维慢特征函数Cl ； 步骤S5，将步骤S3得到的与每条密集轨迹对应的多个向量V分别输入到慢特征函数Cl中，基于所述慢特征函数Cl的输出向量构建该视频的特征表示f; 步骤S6，将所述视频的特征表示f作为特征向量输入到支持向量机SVM分类器中，构造分类器模型； 步骤S7，输入一个测试视频，将该测试视频分为多个测试视频段，对于每个测试视频段计算其密集光流场； 步骤S8，从所述测试视频段的每个帧中提取多个密集特征点，分别跟踪所述密集特征点在整个视频段中的轨迹，从而得到由所述测试视频段中所有密集特征点对应的密集轨迹组成的密集轨迹集合Ti ； 步骤S9，对于所述密集轨迹集合T'中的每条密集轨迹，提取其中各轨迹点邻域的像素值，构建出与每条密集轨迹对应的多个向量V'； 步骤S10，将步骤S9得到的与每条密集轨迹对应的多个向量N'输入到所述慢特征函数Cl中，基于所述慢特征函数Cl的输出向量得到该测试视频段的特征表示f'； 步骤S11，将所述测试视频段的特征表示f,作为特征向量输入到所述步骤S6得到的分类器模型中，即可判断该测试视频段是否为暴力视频段； 步骤S12，如果该测试视频中超过一比例的视频段被识别为暴力，则该测试视频为暴力视频，否则，为非暴力视频。

2.根据权利要求I所述的方法，其特征在于，所述步骤S2和S8中，基于密集光流场的偏移量来跟踪所述密集特征点，得到与各个密集特征点对应的密集轨迹3.根据权利要求2所述的方法，其特征在于，所述步骤S2中，基于密集光流场的偏移量来跟踪所述密集特征点进一步为对于某一视频第t帧的轨迹点Pt = (xt，yt)，通过对其密集光流场ω = (ut, vt)进行中值滤波得到该轨迹点在第t+Ι巾贞中对应的轨迹点Pt+1 Pt+i = ( ，^+ι)=( ,yt) + {M^m) ， 其中，M是一个中值滤波器，(g，yf)是轨迹点Pt= (xt,yt)邻域内的一个点，(MW) Ifi和表示对光流场中轨迹点对应位置的邻域进行中值滤波，其表示轨迹点Pt = (xt, yt)相对于Pt+i = (xt+i，yt+i)的偏移量4.根据权利要求I所述的方法，其特征在于，所述步骤S2和S8进一步包括选取长度范围在3-15之间的密集轨迹组成密集轨迹集合T的步骤5.根据权利要求I所述的方法，其特征在于，所述步骤S3中，构建向量V进一步为对于一条长度为I的轨迹，提取其中每个轨迹点hXw邻域内的像素值,然后从第一个轨迹点开始，每At = 3个轨迹点对应的邻域中的所有像素值组成一个向量,其中，所述轨迹的长度为该轨迹所包含的轨迹点的个数。

6.根据权利要求I所述的方法，其特征在于，所述步骤S4中，所述向量的类别与视频的类别相对应7.根据权利要求I所述的方法，其特征在于，所述步骤S4中，通过慢特征学习方法得到慢特征函数Cl进一步为假定向量的类别共有C类，令t e [t0,tj表示时间，对于第C类的一个 I 维输入向量 v(l = 3*hXw) {xc(t) = [xcl (t),... , Xcl(t)] I C e {1，· · ·，C}},使用慢特征方法即通过最小化下式得到一组J维慢特征函数Cl gc(x) = [gcl(x),...,gcj(x)]τ，其中，函数Cl中的第j维元素gcu_(x)表示类c的第j个慢特征函数8.根据权利要求I所述的方法，其特征在于，所述步骤S5中，构建特征表示进一步为假设所述密集轨迹集合T中一条轨迹的长度是1，则其对应的向量V的个数为l-At+l，所述慢特征函数Cl的维数为J，用匕表示慢特征函数Cl中的第j维元素，则所述视频的特征表示f的元素可以按照下式计算9.根据权利要求I所述的方法，其特征在于，所述步骤S7中，设定30个视频帧为一个视频段10.根据权利要求I所述的方法，其特征在于，所述步骤S12中的比例为50%。

全文摘要本发明公开了一种基于慢特征分析的暴力视频检测方法，包括以下步骤对已经标好类的视频进行密集轨迹提取，基于轨迹用慢特征分析方法学习出慢特征函数，通过慢特征函数得到视频段的特征表示，最后对提取的特征进行训练并建模；对新来视频进行特征提取，将提取的特征输入到训练得到的模型，得到视频的类别(暴力视频或非暴力视频)该方法通过密集轨迹提取构建了有效的特征向量，并通过慢特征分析方法学习出了非常具有区分力的视频特征表示近几年随着社交网站的发展，大量的视频被上传到互联网供用户下载，其中不乏含有暴力内容的视频，这些内容会对青少年产生不良影响，基于慢特征分析的暴力视频检测方法能有效检测出这些不良内容，对建设健康的互联网环境具有重要作用。