[發明專利]一種移動終端“敏感”信息識別方法

在審

• 申請號: 201611116654.6
• 申請日: 2016-12-07
• 公開（公告）號: CN106778581A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 趙婧;魏彬
• 申請（專利權）人: 西京學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46
• 代理公司: 西安西達專利代理有限責任公司61202
• 代理人: 高亦哲

1.一種移動終端“敏感”信息識別方法，分為畫面掃描和特征提取及匹配兩個階段，其特征在于，包括以下步驟：

1)畫面掃描階段是將移動終端動態畫面到靜態圖片的轉換：

畫面掃描以16×16為單位，30s/次掃描當前畫面，初步提取畫面特征，當畫面出現兩個或兩個以上符合敏感信息特征時，截圖至終端內存，通過存放在內存里，實現動態畫面到靜態圖片的轉換；

2)特征提取及匹配階段是對圖片進行分析并得出是否為“敏感”信息，特征提取及匹配階段由倒雙三角雙重判別算法、PCA面部識別、Sobel邊緣檢測算法及KNN算法組成，詳細步驟如下：

①將步驟1)處理的圖片通過倒雙三角雙重判別算法以膚色可分性作為依據，在確定的顏色空間內，定義出膚色的邊界，進而把膚色劃分在一個確定的區域內部，以下式所定義：

$\begin{array}{c}(R,G,B)isclassifiedasskinif:\\ R\>95andG\>40andB\>20and\\ \max \{R,G,B\}-\min \{R,G,B\}\>15and\\ |R-G|\>15andR\>GandR\>B\end{array};$

②在YC_bC_r顏色空間，經試驗發現驗C_bC_r平面上一個像素的顏色如果落入下公式所表示的矩形區域內，則被認為屬于膚色像素；

133≤C_r≤177；

29≤C_b≤127；

③由RGB與YC_bC_r的轉換公式可知，我們可以在RGB空間中構造一個和YC_bC_r空間具有相同分類性能的皮膚檢測器,以下式所示，

$\begin{array}{c}133\≤0.439R-0.368G-0.071B+128\≤177\\ 77\≤-0.148R-0.291G+0.439B+128\≤127\end{array};$

④將膚色在YUV和YIQ的色度空間上的分布進行了分析，通過YUV空間的相位角和YIQ空間的I分量聯合的方法來確定膚色在色度信息上的分布范圍，在YUV空間中，U和V是平面上兩個相互正交的矢量，稱為色度信號矢量，每一種顏色對應一個色度信號矢量，它的飽和度由模值Ch表示，色調由相位角θ表示；

$\begin{array}{c}Ch\sqrt{|V{|}^2+|U{|}^2}\\ \mathrm{\θ}={\tan }^{-1}\left(\right|V|/|U\left|\right)\end{array};$

⑤接下來判定符合人體膚色特征C_r分量所在區域，進而分割人臉，通過人面部各個特征部位識別眉毛、下巴、鼻尖等之間的坐標，計算瞳孔與鼻尖θ，瞳孔與嘴唇I；滿足下式范圍條件的幾何圖形初步認為是人臉；

$\begin{array}{c}100\≤\mathrm{\θ}\≤150\\ 20\≤I\≤90\end{array};$

⑥PCA面部識別將所定位臉部特征高維圖像空間經PCA變換后得到一組新的正交基，對這些正交基做一定的取舍，保留其中的一部分生成低維的人臉空間，也即是人臉的特征子空間,利用PCA變換的生成矩陣Q,首先計算訓練集的協方差矩陣X，其中x₁,x₂,...,x_n為第i副圖像的描述,即x₁為一個列向量；

$X=\left[\begin{array}{cccc}{x}_1-\stackrel{\‾}{x}& x_2-\stackrel{\‾}{x}& \mathrm{...}& x_n-\stackrel{\‾}{x}\end{array}\right];$

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_n\end{array}\right];$

$Q={\mathrm{XX}}^T=\left[\begin{array}{cccc}{x}_1-\stackrel{\‾}{x}& x_2-\stackrel{\‾}{x}& \mathrm{...}& x_n-\stackrel{\‾}{x}\end{array}\right]\left[\begin{array}{c}{(x_1-\stackrel{\‾}{x})}^T\\ {(x_2-\stackrel{\‾}{x})}^T\\ .\\ .\\ .\\ {(x_n-\stackrel{\‾}{x})}^T\end{array}\right];$

式中，e是矩陣P的特征值λ對應的特征向量，則有：

$\begin{array}{c}Pe=\mathrm{\λ}l\\ x^{T}Xl=\mathrm{\λ}l\\ Q\left(Xe\right)=\mathrm{\λ}\left(Xe\right)\end{array};$

⑦計算生成矩陣P的特征值和特征向量，并挑選合適的特征值和特征向量，構造特征子空間變化矩陣，把訓練圖像和測試圖像投影到特征空間中，每一幅人臉圖像投影到子空間以后，就對應于子空間的一個點，同樣，子空間中的任一點也對應于一副圖像。將重構的臉稱為特征臉Eigenface，接下來，分別讓樣本集和測試集的圖像投影到該子空間中，即：eigenvector'*X等等，然后得到一組坐標系數，把投影到特征子空間中的測試圖像和樣本集進行比較，判斷人臉特征及所在位置；

⑧Sobel邊緣檢測算法通過人臉部定位服裝所在坐標方位，利用Sobel邊緣檢測算法及KNN算法判斷服裝涉及敏感信息，并報警提示。