一种视频鉴别的方法和装置的制造方法
【专利摘要】本发明提供了一种视频鉴别的方法和装置，该方法通过构建特征模型，并设置匹配阈值，采集目标视频中各个图像；解析各个图像中每一个图像的像素点，确定每一个图像对应的特征集；计算每一个图像对应的特征集与特征模型之间的匹配度，当至少一个图像对应的特征集的匹配度大于匹配阈值，确定目标视频为不良视频。本发明提供的方案能够有效地提高视频鉴别效率。
【专利说明】
-种视频鉴别的方法和装置
技术领域
[0001] 本发明设及计算机技术领域，特别设及一种视频鉴别的方法和装置。
【背景技术】
[0002] 随着网络的应用越来越广泛，青少年越来越倾向于通过网络观看视频。为了避免 不良视频如黄色视频，暴力视频等等对青少年身屯、健康造成影响，需要对视频进行鉴别。目 前，主要通过人工审查的方式对视频进行一部一部的鉴别，通过人来识别非法视频，而每天 将有上万部甚至几十万部视频需要鉴别，现有的运种人工审查的方式，造成视频鉴别效率 较低。
【发明内容】
[0003] 本发明实施例提供了一种视频鉴别的方法和装置，能够有效地提高视频鉴别效 率。
[0004] -种视频鉴别的方法，构建特征模型，并设置匹配阔值，还包括：
[0005] 采集目标视频中各个图像；
[0006] 解析所述各个图像中每一个图像的像素点，确定每一个图像对应的特征集；
[0007] 计算所述每一个图像对应的特征集与所述特征模型之间的匹配度，当至少一个图 像对应的特征集的匹配度大于所述匹配阔值，确定所述目标视频为不良视频。
[000引优选地，所述构建特征模型，包括：
[0009] 确定各个不良视频中的图像样本；
[0010] 从各个图像样本中提取至少一种特征样本，确定所述至少一种特征样本中每种特 征样本的体态像素中屯、坐标；
[0011] 每一种特征样本作为当前特征样本，执行：
[0012] 根据下述公式，优化所述当前特征样本的体态特征；
[0013]
[0014] 其中，T表征优化后体态特征值，（xi，yi)表征第i个图像样本中当前特征样本的体 态像素中屯、坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，《表征拟合 当量，b表征校准量；
[0015] 根据下述公式，计算当前特征样本的特征权值和偏移量；
[0016]
[0017] 表征当前特征样本的特征权值;表征当前特征样本的偏移量； o(^i Sb
[0018] 利用所述特征权值和所述偏移量构建当前特征样本的特征模型。
[0019] 优选地，上述方法进一步包括:设置采集时间间隔和采集视频区间；
[0020] 所述采集目标视频中各个图像，包括:根据所述采集时间间隔，在目标视频的采集 视频区间中，采集各个图像。
[0021] 优选地，所述计算所述每一个图像对应的特征集与所述特征模型之间的匹配度， 包括：
[0022] 将特征集中每一种特征与对应的特征模型进行匹配；
[0023] 根据下述公式，计算每一个图像对应的特征集的匹配度；
[0024]
[0025] 其中，0表征匹配度;a表征特征集中与特征模型相匹配的特征个数;0表征特征集 中特征总个数。
[00%]优选地，上述方法进一步包括:设置不良阔值；
[0027] 所述当至少一个图像对应的特征集的匹配度大于所述匹配阔值，确定所述目标视 频为不良视频，包括：
[0028] 当至少一个图像对应的特征集的匹配度大于所述匹配阔值，确定该至少一个图像 为不良图像；
[0029] 根据下述公式，计算不良图像的比重；
[0030]
[0031] 其中，(P巧征不良图像的比重;A表征不良图像的个数;B表征采集的目标视频中图 像的总个数；
[0032] 当所述不良图像的比重大于所述不良阔值时，确定所述目标视频为不良视频。
[0033] 优选地，上述方法进一步包括：
[0034] 将不良图像添加到图像样本中；
[0035] 利用不良图像对应的特征集中的各个特征，优化所述特征模型。
[0036] -种视频鉴别的装置，包括:构建单元、采集解析单元和计算确定单元，其中，
[0037] 所述构建单元，用于构建特征模型，并将所述特征模型发送给所述计算确定单元；
[0038] 所述采集解析单元，用于采集目标视频中各个图像，解析所述各个图像中每一个 图像的像素点，确定每一个图像对应的特征集，并将所述每一个图像对应的特征集发送给 所述计算确定单元；
[0039] 所述计算确定单元，用于设置匹配阔值，接收所述构建单元发送的特征模型和所 述采集解析单元发送的每一个图像对应的特征集，计算所述每一个图像对应的特征集与所 述特征模型之间的匹配度，当至少一个图像对应的特征集的匹配度大于所述匹配阔值，确 定所述目标视频为不良视频。
[0040] 优选地，所述构建单元，用于确定各个不良视频中的图像样本;从各个图像样本中 提取至少一种特征样本，确定所述至少一种特征样本中每种特征样本的体态像素中屯、坐 标;每一种特征样本作为当前特征，执行：
[0041 ]根据下述公式，优化所述当前特征样本的体态特征；
[0042]
[0043] 其中，T表征优化后体态特征值，（xi，yi)表征第i个图像样本中当前特征样本的体 态像素中屯、坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，《表征拟合 当量，b表征校准量；
[0044] 根据下述公式，计算当前特征样本的特征权值和偏移量；
[0045]
[0046] ^了表征当前特征样本的特征权值;表征当前特征样本的偏移量； dm oh
[0047] 利用所述特征权值和所述偏移量构建当前特征样本的特征模型。
[0048] 优选地，所述采集解析单元，进一步用于设置采集时间间隔和采集视频区间，根据 所述采集时间间隔，在目标视频的采集视频区间中，采集各个图像。
[0049] 优选地，所述计算确定单元，用于将特征集中每一种特征与对应的特征模型进行 匹配，根据下述公式，计算每一个图像对应的特征集的匹配度；
[(K)加]
[0051] 其中，0表征匹配度;a表征特征集中与特征模型相匹配的特征个数;e表征特征集 中特征总个数。
[0052] 优选地，所述计算确定单元，进一步用于设置不良阔值，当至少一个图像对应的特 征集的匹配度大于所述匹配阔值，确定该至少一个图像为不良图像;根据下述公式，计算不 良图像的比重；
[0化3]
[0054] 其中，带表征不良图像的比重;A表征不良图像的个数;B表征采集的目标视频中图 像的总个数；
[0055] 当所述不良图像的比重大于所述不良阔值时，确定所述目标视频为不良视频。 [0化6] 优选地，
[0057] 所述计算确定单元，进一步用于将不良图像发送给所述构建单元；
[005引所述构建单元，进一步用于接收所述计算确定单元发送的不良图像，并将所述不 良图像添加到图像样本中，利用不良图像对应的特征集中的各个特征，优化所述特征模型。
[0059]本发明实施例提供了一种视频鉴别的方法和装置，该方法通过构建特征模型，该 特征模型能够比较准确的定位出不良视频的特征，并设置匹配阔值，采集目标视频中各个 图像;解析各个图像中每一个图像的像素点，确定每一个图像对应的特征集，相比于一部一 部查看视频、一帖一帖的查看图像，在采集过程中目标视频可W不止一部，即可同时对多部 视频进行鉴别，另外，采集过程能够比较快速的确定图像。
[0060] 通过图像特征集中的特征与特征模型的匹配，表明图像特征集中的特征为不良特 征，通过计算每一个图像对应的特征集与特征模型之间的匹配度，当至少一个图像对应的 特征集的匹配度大于匹配阔值，确定目标视频为不良视频，实现了不良视频的智能鉴别，相 比于人工审查方式，计算能够同时对多个图像进行鉴别，能够有效地提高视频鉴别效率。
【附图说明】
[0061] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据 运些附图获得其他的附图。
[0062] 图1是本发明一个实施例提供的一种视频鉴别的方法的流程图；
[0063] 图2是本发明另一个实施例提供的一种视频鉴别的方法的流程图；
[0064] 图3是本发明实施例提供的一种视频鉴别的装置所在架构的结构示意图；
[0065] 图4是本发明一个实施例提供的一种视频鉴别的装置的结构示意图。
【具体实施方式】
[0066] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067] 如图1所示，本发明实施例提供了一种视频鉴别的方法，该方法可W包括W下步 骤：
[0068] 步骤101:构建特征模型，并设置匹配阔值；
[0069] 步骤102:采集目标视频中各个图像；
[0070] 步骤103:解析各个图像中每一个图像的像素点，确定每一个图像对应的特征集；
[0071] 步骤104:计算每一个图像对应的特征集与特征模型之间的匹配度；
[0072] 步骤105:当至少一个图像对应的特征集的匹配度大于匹配阔值，确定目标视频为 不良视频。
[0073] 在本发明一个实施例中，为了保证特征模型的准确性，步骤101的【具体实施方式】， 包括:确定各个不良视频中的图像样本;从各个图像样本中提取至少一种特征，确定至少一 种特征中每种特征的体态像素中屯、坐标;每一种特征作为当前特征，执行:根据下述公式， 优化当前特征的体态特征；
[0074]
[0075] 其中，T表征优化后体态特征值，（xi，yi)表征第i个图像样本中当前特征的体态像 素中屯、坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，《表征拟合当量， b表征校准量；
[0076] 根据下述公式，计算当前特征的特征权值和偏移量；
[0077]
[0078] 其中，表征当前特征的特征权值;表征当前特征的偏移量； OW OD
[0079] 利用特征权值和偏移量构建当前特征的特征模型。
[0080] 在本发明一个实施例中，为了实现采集图像的自动性，提高采集图像效率，上述方 法进一步包括:设置采集时间间隔和采集视频区间；步骤102的【具体实施方式】，包括:根据采 集时间间隔，在目标视频的采集视频区间中，采集各个图像。
[0081] 在本发明一个实施例中，为了保证匹配度计算的准确性，步骤104的具体实施方 式，包括:将特征集中每一种特征与对应的特征模型进行匹配;根据下述公式，计算每一个
图像对户故喊钉隹故nr耐時.
[0082]
[0083] 其中，0表征匹配度;a表征特征集中与特征模型相匹配的特征个数;0表征特征集 中特征总个数。
[0084] 在本发明一个实施例中，上述方法进一步包括:设置不良阔值;步骤105的具体实 施方式，包括：当至少一个图像对应的特征集的匹配度大于匹配阔值，确定该至少一个图像 为不良图像;根据下述公式，计算不良图像的比重；
[0085]
[0086] 其中，中表征不良圍像的比重;A表征不良图像的个数;B表征采集的目标视频中图 像的总个数；
[0087] 当不良图像的比重大于不良阔值时，确定目标视频为不良视频，即当一个视频中 不良图像的比重达到不良阔值的时候才确定视频为不良视频，从而保证了不良视频的确定 的准确性。
[0088] 在本发明一个实施例中，该方法进一步包括:将计算获得的不良图像添加到图像 样本中，不断扩充图像样本量，利用不良图像对应的特征集中的各个特征，优化特征模型， 从而进一步提高特征模型的准确性。
[0089] 为使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体实施例对本 发明作进一步地详细描述。
[0090] 如图2所示，本发明实施例提供了一种视频鉴别的方法，该方法可W包括W下步 骤：
[0091] 步骤200:设置匹配阔值、采集时间间隔、采集视频区间和不良阔值；
[0092] 在该步骤中，用户可W根据自己的需求进行匹配阔值、采集时间间隔、采集视频区 间和不良阔值的设置，匹配阔值主要是为判断图像是否是不良图像提供参考值，不良阔值 主要是为了判断视频是否为不良视频提供参考值，而采集时间间隔和采集视频区间主要是 为采集视频中图像做准备。
[0093] 步骤201:确定各个不良视频中的图像样本；
[0094] 在该步骤中，尽可能多的收集不良视频，在不良视频中采集不良图像作为图像样 本，例如:在该步骤中从各个不良视频中采集出1000个图像样本。
[00M]步骤202:从各个图像样本中提取至少一种特征样本，确定至少一种特征样本中每 种特征样本的体态像素中屯、坐标.
[0096] 例如:从1000个图像样本中，提取头像表情特征样本、四肢特征样本、体型轮廓特 征样本等等，头像表情特征样本在1000个图像样本中的坐标。
[0097] 步骤203:优化每一种特征样本的体态特征；
[0098] 例如:优化头像表情特征的过程主要是，根据公式(1)，优化头像表情的体态特征；
[0099] T=min乙if (yi'yi, W ,b) + E I I W I 12, (I)
[0100] 其中，T表征优化后体态特征值，（xi，yi)表征第i个图像样本中当前特征的体态像 素中屯、坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，《表征拟合当量， b表征校准量；
[0101] 对于1000个图像样本来说，m=1000,通过该步骤的优化，使得头像表情特征样本、 四肢特征样本、体型轮廓特征样本等等更加合理。
[0102] 步骤204:根据体态特征，计算每一种特征样本的特征权值和偏移量；
[0103] 在该步骤中，根据公式(2)，计算当前特征的特征权值和偏移量；
[0104]
(2)
[01化]其中，表征当前特征的特征权值;表征当前特征的偏移量； OW Sb
[0106] W头像表情特征样本为例，根据拟合后的头像表情的体态特征，在该步骤中，计算 出头像表情的特征权值和偏移量。
[0107] 步骤205:利用特征权值和偏移量构建每一种特征样本的特征模型；
[0108] 上述步骤201至步骤205是特征模型构建的过程，通过特征权值和偏移量构建特征 模型，进一步提高了拟合准确性，从而提高后续判断图像是否为不良图像的准确性。
[0109] 步骤206:根据采集时间间隔，在目标视频的采集视频区间中，采集各个图像；
[0110] 例如:在前面设置采集时间间隔为Is，采集视频区间为5min到40min，那么，在该步 骤中，从视频开始计时，当到第5min中的时候，每Is采集一个图像，该过程实现了自动采集 图像，保障了图像采集的完整性。
[0111] 步骤207:解析各个图像中每一个图像的像素点，确定每一个图像对应的特征集；
[0112] 在该步骤中，特征集中包括:各个特征如面部特征、四肢特征、身体特征等等。该步 骤的解析过程主要是对像素点进行解码，解码为一定格式的数据，W为后续步骤提供运些 数据。
[0113] 步骤208:将特征集中每一种特征与对应的特征模型进行匹配；
[0114] 步骤209:计算每一个图像对应的特征集与特征模型之间的匹配度；
[0115] 步骤208和步骤209的实现过程主要是，例如:将面部特征与头像表情特征模型进 行匹配，根据公式(3)，计算每一个图像对应的特征集的匹配度；
[01161
(3)
[0117] 其中，0表征匹配度;a表征特征集中与特征模型相匹配的特征个数;0表征特征集 中特征总个数。
[0118] 例如:在特征集中一共有5个特征，其中，面部表情与头像表情特征模型相匹配，四 肢特征与四肢特征模型相匹配，通过计算公式计算得匹配度为50%。
[0119] 步骤210:每一个图像对应的特征集作为当前特征集，判断当前特征集的匹配度是 否大于匹配阔值，如果是，则执行步骤211，否则，执行步骤212;
[0120] 该步骤主要是通过匹配度判断采集的每个图像是否为不良图像，只有具有不良图 像的视频才有可能为不良视频。例如:设置的匹配阔值为40%，那么，当计算出某一图像特 征集与特征模型匹配度为50%，则可W确定该图像为不良图像。
[0121] 步骤211:确定该当前特征集对应的图像为不良图像，并执行步骤213;
[0122] 步骤212:确定该当前特征集对应的图像为正常图像，并结束当前流程；
[0123] 步骤213:计算不良图像占采集的所有图像的比重；
[0124] 在采集的目标视频所有图像中，只有当不良图像达到一定比例的时候才能确定该 视频为不良视频，例如:从目标视频中，采集10000个图像，其中只有2个图像为不良图像，即 不良片段占目标视频的五千分之一，完全不会影响用户观感，该目标视频不能确定为不良 视频。
[0125] 该步骤的计算过程主要是，根据公式(4)，计算不良图像的比重；
[01 (4)
[0127] 其中，华表征不良图像的比重;A表征不良图像的个数;B表征采集的目标视频中图 像的总个数；
[0128] 步骤214:判断比重是否大于不良阔值，如果是，则执行步骤215;否则执行步骤 216;
[0129] 例如:设置不良阔值为5 %，即在1 OOmin的视频区间中，每Imin采集1个图像，只要 有5个图像为不良图像，该目标视频即为不良视频。
[0130] 步骤215:确定目标视频为不良视频，并对不良视频进行标注；
[0131] 步骤216:将不良视频中不良图像添加到图像样本中，执行步骤202;
[0132] 通过该步骤可W扩展图像样本，W继续对特征模型进行优化，从而进一步提高特 征模型的准确性，更有效的隔离不良视频，本发明实施例通过构建黑名单，将不良视频加入 黑名单或者直接删除不良视频的方式避免不良视频在网络上的流传和播放。
[0133] 步骤217:确定目标视频为合格视频，并将合格视频放入正式视频库供用户访问。
[0134] 如图3、图4所示，本发明实施例提供了一种视频鉴别的装置。装置实施例可W通过 软件实现，也可W通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图3所示，为本 发明实施例提供的视频鉴别的装置所在设备的一种硬件结构图，除了图3所示的处理器、内 存、网络接口、W及非易失性存储器之外，实施例中装置所在的设备通常还可W包括其他硬 件，如负责处理报文的转发忍片等等。W软件实现为例，如图4所示，作为一个逻辑意义上的 装置，是通过其所在设备的CP闲尋非易失性存储器中对应的计算机程序指令读取到内存中 运行形成的。本实施例提供的一种视频鉴别的装置，包括：
[0135] 构建单元401、采集解析单元402和计算确定单元403,其中，
[0136] 构建单元401，用于构建特征模型，并将特征模型发送给计算确定单元403;
[0137] 采集解析单元402,用于采集目标视频中各个图像，解析各个图像中每一个图像的 像素点，确定每一个图像对应的特征集，并将每一个图像对应的特征集发送给计算确定单 元403;
[0138] 计算确定单元403,用于设置匹配阔值，接收构建单元401发送的特征模型和采集 解析单元402发送的每一个图像对应的特征集，计算每一个图像对应的特征集与特征模型 之间的匹配度，当至少一个图像对应的特征集的匹配度大于匹配阔值，确定目标视频为不 良视频。
[0139] 在本发明另一个实施例中，构建单元401，用于确定各个不良视频中的图像样本； 从各个图像样本中提取至少一种特征样本，确定至少一种特征样本中每种特征样本的体态 像素中屯、坐标;每一种特征样本作为当前特征，执行：
[0140] 根据下述公式，优化当前特征样本的体态特征；
[0141]
[0142] 其中，T表征优化后体态特征值，（xi，yi)表征第i个图像样本中当前特征样本的体 态像素中屯、坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，《表征拟合 当量，b表征校准量；
[0143] 根据下述公式，计算当前特征样本的特征权值和偏移量；
[0144]
[0145] 表征当前特征样本的特征权值;表征当前特征样本的偏移量； 00) 抹b
[0146] 利用特征权值和偏移量构建当前特征样本的特征模型。
[0147] 在本发明又一实施例中，采集解析单元402,进一步用于设置采集时间间隔和采集 视频区间，根据采集时间间隔，在目标视频的采集视频区间中，采集各个图像。
[0148] 在本发明又一实施例中，计算确定单元403,用于将特征集中每一种特征与对应的 特征模型进行匹配，根据下述公式，计算每一个图像对应的特征集的匹配度；
[0149]
[0150] 其中，0表征匹配度;a表征特征集中与特征模型相匹配的特征个数;e表征特征集 中特征总个数。
[0151] 在本发明又一实施例中，计算确定单元403,进一步用于设置不良阔值，当至少一 个图像对应的特征集的匹配度大于匹配阔值，确定该至少一个图像为不良图像;根据下述 公式，计算不良图像的比重；
[0152]
[0153] 其中，啤表征不良图像的比重;A表征不良图像的个数;B表征采集的目标视频中图 像的总个数；
[0154] 当不良图像的比重大于不良阔值时，确定目标视频为不良视频。
[0155] 在本发明另一实施例中，计算确定单元403,进一步用于将不良图像发送给构建单 元 401;
[0156] 构建单元401，进一步用于接收计算确定单元403发送的不良图像，并将不良图像 添加到图像样本中，利用不良图像对应的特征集中的各个特征，优化特征模型。
[0157] 上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施 例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再寶述。
[0158] 根据上述方案，本发明的各实施例，至少具有如下有益效果：
[0159] 1.通过构建特征模型，该特征模型能够比较准确的定位出不良视频的特征，并设 置匹配阔值，采集目标视频中各个图像;解析各个图像中每一个图像的像素点，确定每一个 图像对应的特征集，相比于一部一部查看视频、一帖一帖的查看图像，在采集过程中目标视 频可W不止一部，即可同时对多部视频进行鉴别，另外，采集过程能够比较快速的确定图 像。
[0160] 2.通过图像特征集中的特征与特征模型的匹配，表明图像特征集中的特征为不良 特征，通过计算每一个图像对应的特征集与特征模型之间的匹配度，当至少一个图像对应 的特征集的匹配度大于匹配阔值，确定目标视频为不良视频，实现了不良视频的智能鉴别， 相比于人工审查方式，计算能够同时对多个图像进行鉴别，能够有效地提高视频鉴别效率。 [0161 ] 3.通过设置采集时间间隔和采集视频区间，根据采集时间间隔，在目标视频的采 集视频区间中，采集各个图像，实现了对图像的自动智能的采集，另外，通过构建特征模型， 将图像特征集中的特征与特征模型进行匹配，从而找出不良视频，无须人工的参与，实现了 智能鉴别视频。
[0162] 4.通过确定各个不良视频中的图像样本;从各个图像样本中提取至少一种特征样 本，确定至少一种特征样本中每种特征样本的体态像素中屯、坐标;通过优化每一种特征样 本的体态特征，构建特征模型，另外，将确定的不良视频中的不良图像添加到图像样本中， 增加图像样本量，从而提高特征模型的准确性。
[0163] 5.通过设置匹配阔值和不良阔值，当至少一个图像对应的特征集的匹配度大于所 述匹配阔值，确定该至少一个图像为不良图像，即特征集中的各个特征与对应的特征模型 进行匹配，只有当匹配度大于匹配阔值才确定图像为不良图像，避免了对图像的错误判断； 计算不良图像的比重，当所述不良图像的比重大于所述不良阔值时，确定目标视频为不良 视频，从而进一步提高了确定不良视频的准确性。
[0164] 需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体 或者操作与另一个实体或操作区分开来，而不一定要求或者暗示运些实体或操作之间存在 任何运种实际的关系或者顺序。而且，术语"包括"、"包含"或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素， 而且还包括没有明确列出的其他要素，或者是还包括为运种过程、方法、物品或者设备所固 有的要素。在没有更多限制的情况下，由语句"包括一个 ....."限定的要素，并不排 除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
[0165] 本领域普通技术人员可W理解:实现上述方法实施例的全部或部分步骤可W通过 程序指令相关的硬件来完成，前述的程序可W存储在计算机可读取的存储介质中，该程序 在执行时，执行包括上述方法实施例的步骤;而前述的存储介质包括:R〇M、RAM、磁碟或者光 盘等各种可W存储程序代码的介质中。
[0166] 最后需要说明的是：W上所述仅为本发明的较佳实施例，仅用于说明本发明的技 术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、 等同替换、改进等，均包含在本发明的保护范围内。
【主权项】
1. 一种视频鉴别的方法，其特征在于，构建特征模型，并设置匹配阈值，还包括： 采集目标视频中各个图像； 解析所述各个图像中每一个图像的像素点，确定每一个图像对应的特征集； 计算所述每一个图像对应的特征集与所述特征模型之间的匹配度，当至少一个图像对 应的特征集的匹配度大于所述匹配阈值，确定所述目标视频为不良视频。2. 根据权利要求1所述的方法，其特征在于，所述构建特征模型，包括： 确定各个不良视频中的图像样本； 从各个图像样本中提取至少一种特征样本，确定所述至少一种特征样本中每种特征样 本的体态像素中心坐标； 每一种特征样本作为当前特征样本，执行： 根据下述公式，优化所述当前特征样本的体态特征；其中，T表征优化后体态特征值，（X1，/)表征第i个图像样本中当前特征样本的体态像 素中心坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，ω表征拟合当量， b表征校准量； 根据下述公式，计算当前特征样本的特征权值和偏移量；表征当前特征样本的特征权值;^：Γ表征当前特征样本的偏移量； αω do 利用所述特征权值和所述偏移量构建当前特征样本的特征模型。3. 根据权利要求1或2所述的方法，其特征在于，进一步包括:设置采集时间间隔和采集 视频区间； 所述采集目标视频中各个图像，包括:根据所述采集时间间隔，在目标视频的采集视频 区间中，采集各个图像。4. 根据权利要求1所述的方法，其特征在于，所述计算所述每一个图像对应的特征集与 所述特征模型之间的匹配度，包括： 将特征集中每一种特征与对应的特征模型进行匹配； 根据下述公式，计算每一个图像对应的特征集的匹配度；其中，Θ表征匹配度;α表征特征集中与特征模型相匹配的特征个数;β表征特征集中特 征总个数。5. 根据权利要求1、2或4所述的方法，其特征在于，进一步包括:设置不良阈值； 所述当至少一个图像对应的特征集的匹配度大于所述匹配阈值，确定所述目标视频为 不良视频，包括： 当至少一个图像对应的特征集的匹配度大于所述匹配阈值，确定该至少一个图像为不 良图像； 根据下述公式，计算不良图像的比重；其中，φ表征不良图像的比重;a表征不良图像的个数;b表征采集的目标视频中图像的 总个数； 当所述不良图像的比重大于所述不良阈值时，确定所述目标视频为不良视频。6. 根据权利要求5所述的方法，其特征在于，进一步包括： 将不良图像添加到图像样本中； 利用不良图像对应的特征集中的各个特征，优化所述特征模型。7. -种视频鉴别的装置，其特征在于，包括:构建单元、采集解析单元和计算确定单元， 其中， 所述构建单元，用于构建特征模型，并将所述特征模型发送给所述计算确定单元； 所述采集解析单元，用于采集目标视频中各个图像，解析所述各个图像中每一个图像 的像素点，确定每一个图像对应的特征集，并将所述每一个图像对应的特征集发送给所述 计算确定单元； 所述计算确定单元，用于设置匹配阈值，接收所述构建单元发送的特征模型和所述采 集解析单元发送的每一个图像对应的特征集，计算所述每一个图像对应的特征集与所述特 征模型之间的匹配度，当至少一个图像对应的特征集的匹配度大于所述匹配阈值，确定所 述目标视频为不良视频。8. 根据权利要求7所述的装置，其特征在于， 所述构建单元，用于确定各个不良视频中的图像样本;从各个图像样本中提取至少一 种特征样本，确定所述至少一种特征样本中每种特征样本的体态像素中心坐标;每一种特 征样本作为当前特征，执行： 根据下沭公忒，优仆.所沭卑前特征烊太的体杰特征，其中，T表征优化后体态特征值，（X1，/)表征第i个图像样本中当前特征样本的体态像 素中心坐标，m表征图像样本数，f (X)表征图像样本的神经网络代价函数，ω表征拟合当量， b表征校准量； 根据下述公式，计算当前特征样本的特征权值和偏移量；Γ表征当前特征样本的特征权值;I： Γ表征当前特征样本的偏移量； Βω 3 b 利用所述特征权值和所述偏移量构建当前特征样本的特征模型； 和/或， 所述采集解析单元，进一步用于设置采集时间间隔和采集视频区间，根据所述采集时 间间隔，在目标视频的采集视频区间中，采集各个图像； 和/或， 所述计算确定单元，用于将特征集中每一种特征与对应的特征模型进行匹配，根据下 述公式，计算每一个图像对应的特征集的匹配度；其中，Θ表征匹配度;α表征特征集中与特征模型相匹配的特征个数;β表征特征集中特 征总个数。9. 根据权利要求7或8所述的装置，其特征在于， 所述计算确定单元，进一步用于设置不良阈值，当至少一个图像对应的特征集的匹配 度大于所述匹配阈值，确定该至少一个图像为不良图像;根据下述公式，计算不良图像的比 重；其中，φ表征不良图像的比重;Α表征不良图像的个数;Β表征采集的目标视频中图像的 总个数； 当所述不良图像的比重大于所述不良阈值时，确定所述目标视频为不良视频。10. 根据权利要求9所述的装置，其特征在于， 所述计算确定单元，进一步用于将不良图像发送给所述构建单元； 所述构建单元，进一步用于接收所述计算确定单元发送的不良图像，并将所述不良图 像添加到图像样本中，利用不良图像对应的特征集中的各个特征，优化所述特征模型。
【文档编号】G06K9/00GK105956550SQ201610280111
【公开日】2016年9月21日
【申请日】2016年4月29日
【发明人】李有超
【申请人】浪潮电子信息产业股份有限公司