计算机论文：图片与文本过滤技术在信息监控中的计算机应用研究

本文是一篇计算机论文,

电涌耐受能力第1 章绪论

1.1 研究背景和意义

1.1.1 研究背景

本课题为导师指导下自选，主要是基于图片分类过滤和文本分类过滤技术，同时实现图片与文本不良信息的监控过滤，属于理论研究与应用相结合的课题。

21 世纪是信息时代，随着互联网的迅速发展，移动互联网水平也得到了显著的提高，现在的信息科技正在逐渐的加速影响并改变着传

统的通讯方式，提高了人们沟通的效率，实现了沟通方式多元化，提升了生活水平。与此同时，多元化多种类的信息发布工具也应运而生，如短信、微博、彩信、QQ、等均被广泛应用。它们具有很多优点如操作便捷，即时迅速等。其中，除短信之外的其它工具都可以同时携带图片信息和文本信息，从而使信息传播的载体呈现多样化，带给人们更好的视觉体验和获取信息的效率，从而得到广泛应用。然而，

由于信息来源的多样化与随意性，其所携带的内容往往包含有不良的图片与文本信息。为此，必须采用基于内容的信息过滤手段，对图片与文本内容进行识别、提取、分析，实现不良信息的监测过滤。线材生产

传统的信息监控分析模式，一般是基于软件自动监测加人工审核来实现，其在响应速度、处理效率、人工成本等方面存在先天缺陷。现代自动监测分析技术主要是基于各种机器学习算法，可以较好地解决传统模式的问题但是面对如今更为复杂的海量信息以及特定的应用场景，它们在成本和性能方面也往往难以令人满意。此外，计算环境和自然语言处理技术的不断完善，为信息自动检测与过滤技术的深入研究与应用奠定了良好的基础。

伯努利方程实验1.1.2 研究意义

数控卧式滚齿机

随着微博、彩信、QQ、等多元化信息发布工具被广泛应用，信息来源日益多样与随意，其所携带的内容往往包含有不良的图片与

文本信息，例如涉黄、涉毒、涉赌、涉恐等信息。因此，研究基于内容的信息过滤方法与技术，对图片与文本内容进行识别、提取、分析，实现不良信息的监测过滤，成为当前研究热点之一。

...........................

1.2 国内外研究现状

1.2.1 图片内容识别研究现状

不良图片识别是计算机图像识别领域的一个研究热点问题，世界各国的很多学者提出了不同的解决方案。主要应用较多的方法有线性分类器，决策树，深度学习等。在深度学习取得巨大进展之前，不良图片识别方法一般基于颜和使用图像特征提取算法如梯度方向直方图(HOG,Histogram of Oriented Gradients)、尺度不变特征变换(SIFT,Scale-invariant feature transform) 、加速稳健特征(SURF,Speeded Up Robust Features)等提取的图像特征，使用分类方法对其进行分类。例如：基于肤区域和人体结构几何特征检测的专用分类方法，该方法能够在存在大范围阴影和皮肤颜的情况下有效识别裸体图像[1]；基于形状识别和模糊分类的裸体图像识别方法[2]；

制鞋>土豆切丝机使用基于肤的SVM(Support Vector Machine)模型对情敏感图像过滤的方法，但其仅考虑了图像中的颜特征，而可望有助于提高识别性能的纹理、形状等特征却没有考虑，性能仍有待于进一步改进[3]；基于Daubechies 小波变换和中心矩／颜直方图以及图像特征库匹配的敏感图像识别方法，该方法的主要不足在于，对作为判断标准的图像特征库的依赖性，而实际中难以形成非常有效的包含各种敏感图像特征的图像特征库。

总体来说，在大规模应用深度学习之前的相关研究成果，通常仅针对图像的颜、局部轮廓等部分特征进行分析。若所需分类的图片场景复杂、图片中物体较多的话，这些浅层特征一般不能很好地表达

图片的信息，例如监控视频中人脸匹配问题。而且一种对于特定的图像识别任务性能表现不错的方法，对于其他图片识别任务往往不能取得相同的性能表现。例如使用HOG 取图像特征结合SVM的方法识别道路中的行人取得了不错的效果，但其应用到玩具老鼠与真老鼠的识别任务中就不能取得很好的效果。因此传统方法存在识别任务中图片复杂性高时识别精度不足和对于一个新的分类任务不能简单套用已有方法，需要精心选择测试特征提取算法和分类算法的问题.

.........................

第2 章相关理论与技术

2.1 图片内容识别

2.1.1 概述

图像识别指利用信息处理与计算机技术，对图像进行处理、分析和理解的过程，它是近20 年发展起来的一门新兴技术科学。近几年来深度学习技术在越来越多的领域取得了突破性的进展。而其中CNN 受生物视觉系统启发，将深度学习思想引入到神经网络之中，在图像识别领域其性能远远超出传统方法。

在传统方法中图像的分类与识别一般分为两步，首先使用特征提取算法提取图片特征，然后再使用分

类算法对提取出的特征进行分类。在实际应用中，一般使用基于局部特征描述子的方式提取图像特征，如HOG、SIFT 等；使用SVM、随机森林、XGBoost(eXtreme Gradient Boosting)等分类算法进行分类。这些方法具有坚实的理论基础，能够针对具体问题对算法进行有效调整；但这些模型所使用的特征缺少图

本文发布于:2024-09-21 20:51:29，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/4/149070.html

上一篇：基于全景图像的室内物体分类检测

下一篇：基于人工智能技术的内容识别系统设计

标签：信息特征方法

留言与评论（共有 0 条评论）