随着互联网应用的快速普及，互联网上充斥着海量的图片和视频信息，这在繁荣人民文化生活的同时，也带来大量违规、低俗、文化污染、网络暴力等问题。对于互联网平台来说，如何及时对上传的图片和视频进行分类、甄别，进而采取有效的监管措施，已经成为十分紧迫的问题。

常规方式的内容审核主要靠人工进行鉴别，非常费时费力，已经无法满足市场的需要。尤其对于视频来说，视频由成千上万个连续的图像帧组成的，进行分类鉴别更为困难。

传统的图像分类方法是通过特征学习法对图像进行分割描述，使用分类器进行物体类别判断，采用如基于词袋（Bag of Words)模型等方式进行物体分类，但存在特征抽取、特征编码特别繁琐的问题。

近年来基于卷积神经网络(Convolution Neural Network, CNN)的深度学习算法，在图像领域获得了广泛应用，它能够以图像像素信息作为输入，最大程度上保留了输入图像的信息，通过卷积操作进行特征提取和高层抽象，基于模型输出图像识别结果。

网达软件基于卷积神经网络CNN算法进行不断改进，不断提高识别的准确度和识别效率，能够实现基于视频内容的快速分类判别技术。

视频是由多个连续的图像帧组成的，图像帧之间存在时间和空间冗余度，即某一时刻的图像帧与其下一时刻的图像帧在视觉特征和内容上差别不是很大。关键帧是用于描述一个镜头的关键图像帧，连续的关键帧序列通常反应了视频的主要内容。关键帧的提取在视频识别中具有十分重要的地位。

为了降低视频处理时图像帧之间的冗余度，通常使用关键的图像帧来表示整个视频内容，这样更加简洁，这也是在对视频进行特征提取前提取视频关键帧的原因之一。

在对视频进行关键帧提取后，即可通过图像特征提取来实现对视频的内容分析。图像特征是图像中物体所具有的物理性质，可从多个角度反应图像中的内容信息，主要包括形状、颜色、纹理等特征。

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。

图像分类可以从给定的分类集合中为指定图像进行标签标注，也即分析一个输入图像并返回一个将图像分类的标签。如上图所示，神经网络图像分类模型可以识别图像上的主要物体，可以对不同类别进行识别，也能够对对图像扰动进行扛干扰，如视角、光照、背景、变形或部分遮挡等，最终达到像聪明的人类一样，在有扰动的情况下也能够正确识别。

03.应用场景扩展

基于图像分类和鉴别，可以在视频应用领域中实现多场景的应用，如图像或视频的涉黄鉴定：基于图像分类能力，智能识别图片和视频中的色情和性感内容，帮助视频网站进行高效率的自检和审核，维护网站内容健康度。

另外，还可以对图像或视频中的涉暴内容进行归类和分级，并自动提醒内容审核人员进行关注审核。

♦ 武装分子识别：识别视频中出现的携带武装器械的人物。

图像分类标签库中，可对于如警察部队、血腥、尸体、爆炸火灾、杀人、暴乱、暴恐人物、军事武器、暴恐旗帜、车祸等暴力因素，进行标签标注，在碰到类似图像中自动进行归类。示例如下：

♦ 武装器械识别：识别视频中包含枪支，刀具在内的常见武装器械。

♦ 血腥画面识别：识别视频中出现的流血画面。

♦ 暴恐旗帜识别：识别视频中出现的反动武装和邪教组织的旗帜。

感谢大家的关注本期网达软件AI+视频应用系列文章，网达软件继续研发更多AI+视频应用，提供更好的AI技术服务。