[发明专利]一种基于机器学习的敏感图像识别方法与系统

权利要求书

1.一种基于机器学习的敏感图像识别方法，其特征在于：该方法步骤如下：

S1、系统初始化，设置人脸占肤色模型比重阈值；

S2、输入图像；

S3、人脸识别：对用户输入的图像首先利用Haar算法和AdaBoost算法进行人脸识别，若图像中不包括人脸，排除其为敏感图像的可能性，不必进行后续识别，从而减少识别时间，提高识别效率；

S4、肤色检测：对于包含人脸的图像在YCbCr彩色空间下进行肤色检测，采用公式(3)计算图像肤色模型，根据非脸部区域肤色面积大于脸部肤色面积两倍的先验概率，设置人脸在图像肤色区域中的比重阈值，如果图像中不含肤色或者含有较少肤色以及人脸占肤色的绝大部分，即人脸肤色所占比重大于阈值，则立即判断该图像为非敏感图像；

式中，‘1’表示图像的该部分像素属于肤色，‘0’则表示该像素不属于肤色；

S5、基于机器学习的敏感图像识别。

2.根据权利要求1所述的一种基于机器学习的敏感图像识别方法，其特征在于：所述步骤S3人脸识别，具体如下：

S31、Haar-Like小波特征提取：对输入的图像提取Haar-Like小波特征来描述图像的人脸信息，通过公式(1)计算图像的矩阵特征，并采用积分图方法快速求取特征值：

f_I＝∑_{i∈I＝{1，...，N}}w_i·RecSum(r_i) (1)

式中f_I是第I个矩阵的特征值，w_i是第i个矩阵特征的权值，r_i是第i个矩阵特征，RecSum(r_i)是第i个矩阵特征的像素和；

S32、AdaBoost算法对人脸特征进行组合优化：利用Haar-Like算法提取的小波特征训练弱分类器，通过公式(2)得到分类错误率相对最小的弱分类器，并多次重复该训练步骤，不断加入新的弱分类器，直到达到预定的误差率，然后通过加权投票的方式对每个训练样本赋予一个权重，从而将弱分类器组合成强分类器：

式中ε_j表示分类错误率，x_i是第i个训练样本，y_i是第i个训练样本的标签，其中y_i∈{0，1}，分别表示人脸和非人脸，n为训练样本总数，h_j表示Haar-Like特征f_i训练得到的弱分类器，w_t(i)表示第t次迭代中第i个训练样本的误差权值。