利用網(wǎng)頁(yè)特征識(shí)別不良圖像網(wǎng)頁(yè).pdf

1、在現(xiàn)在社會(huì)中，無(wú)論在國(guó)際上還是在國(guó)內(nèi)人們都普遍認(rèn)為色情網(wǎng)頁(yè)會(huì)毒害青少年，危害他們的身心健康，阻礙他們的健康發(fā)展，有的甚至?xí)虼硕呱戏缸锏牡缆?。因此有必要針?duì)色情網(wǎng)頁(yè)中的各種信息特點(diǎn)來(lái)區(qū)分正常信息和不良信息。結(jié)合本文作者研究方向，本文選擇了結(jié)合互聯(lián)網(wǎng)中的色情圖像網(wǎng)頁(yè)的特征來(lái)識(shí)別不良圖像網(wǎng)頁(yè)。
　　 針對(duì)網(wǎng)頁(yè)中內(nèi)容的特點(diǎn)和網(wǎng)站的規(guī)模，監(jiān)管力度，本文將含有不良圖像的網(wǎng)站分為三類：較大較熱的論壇，blog，他們監(jiān)管較為嚴(yán)格；規(guī)模較小，

2、或者監(jiān)管較松的論壇，blog；以及含有大量色情圖像的色情網(wǎng)站。本文選擇了幾個(gè)規(guī)模較大社區(qū)，例如國(guó)內(nèi)著名的貓撲和天涯社區(qū)，監(jiān)管較為松散的微軟中文Live社區(qū)，以及數(shù)十個(gè)色情網(wǎng)站作為研究對(duì)象。本文首先選取不同的網(wǎng)站URL作為爬蟲(chóng)爬行的種子，然后選取不同的爬行策略，抓取不同深度的網(wǎng)頁(yè)。提取網(wǎng)頁(yè)中的圖像數(shù)據(jù)，其他網(wǎng)頁(yè)數(shù)據(jù)，作為進(jìn)一步研究的資料。
　　 在上面數(shù)據(jù)的基礎(chǔ)上，本文研究了內(nèi)容包括色情圖像的內(nèi)容特征。研究從色情圖像裸露出大量的皮

3、膚區(qū)域這一特征出發(fā)，涉及的內(nèi)容有：膚色面積與圖像面積比，膚色所在矩形面積與，膚色連通區(qū)域的個(gè)數(shù)，最大連通區(qū)域與圖像面積的比，膚色平均方差，膚色平均概率值等等，同時(shí)也研究了色情圖像與周圍多媒體網(wǎng)頁(yè)內(nèi)容之間的關(guān)系，比如整個(gè)網(wǎng)站中色情圖像占圖像內(nèi)容的比重，色情文字網(wǎng)頁(yè)的特征。但是有時(shí)候在正常網(wǎng)站或者色情網(wǎng)站的主角臉部特寫時(shí)，也會(huì)被誤判為色情圖像。所以本文進(jìn)一步研究了能夠區(qū)分出的距常人臉比例特征。
　　 雖然在正常的網(wǎng)站中也有可能存在大

4、量的不良圖像，可是由于利用膚色特征判斷圖片是否為不良圖片存在誤判的情況，使得對(duì)正常網(wǎng)站的圖像檢測(cè)時(shí)，出現(xiàn)誤判的數(shù)量和機(jī)會(huì)大大增加。但是正常網(wǎng)站的不良圖像大部分都是常見(jiàn)頻率較高的圖像。可以對(duì)這些圖像進(jìn)行特征分析，判斷，從而得到很好的結(jié)果。在這里使用了經(jīng)過(guò)聚類的128維的SIFT特征對(duì)正常網(wǎng)站的圖片來(lái)進(jìn)行判斷，使得在正常網(wǎng)站中的誤判情況大大減小。
　　 最后本文給出了實(shí)驗(yàn)的環(huán)境，完整步驟，利用實(shí)驗(yàn)數(shù)據(jù)說(shuō)明了實(shí)驗(yàn)理論的正確性。本文對(duì)實(shí)