基于內(nèi)容的WEB圖像過濾技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)發(fā)展和普及，人們可以在網(wǎng)絡(luò)上獲得各種信息，怎樣防止青少年接觸到色情內(nèi)容是一個嚴(yán)肅的社會問題。要防止色情內(nèi)容的蔓延，除了從法律角度采取措施外，從技術(shù)角度考慮的網(wǎng)絡(luò)過濾技術(shù)是一種有效的手段。目前網(wǎng)絡(luò)的過濾技術(shù)主要有三種，它們是基于 URL 過濾方式、基于文本的過濾方式和基于圖像內(nèi)容的過濾方式。其中基于圖像內(nèi)容的過濾方式比前兩種過濾方式具有更廣泛的適應(yīng)性，它可以應(yīng)付變化的情況，是一種更為徹底、有效的過濾方式，也是本文研究的方式。本文

2、的過濾系統(tǒng)由皮膚過濾、臉部為重點的圖像識別、特征提取和圖像分類四部分組成。 皮膚檢測的作用是利用皮膚檢測器從圖像中檢測出皮膚區(qū)域，將無關(guān)的背景清除掉，方便后續(xù)處理。皮膚檢測的準(zhǔn)確性直接影響到后續(xù)處理的精度。傳統(tǒng)的膚檢測方法由于僅僅利用了像素級上的顏色信息，因而容易把在顏色上和膚色相近的非皮膚內(nèi)容錯誤地識別為皮膚。為此，我們提出了一個在 SPM 方法的基礎(chǔ)上的改進的皮膚檢測算法，改進有兩點：一是利用 Gabor 小波提取出的紋理信

3、息，把一些顏色接近人類皮膚但紋理特征明顯的內(nèi)容過濾掉，從而降低錯檢率；二是利用鄰域信息，將通過顏色和紋理檢測之后的像素點作為種子點，進行擴散操作，從而提高正檢率。皮膚檢測后，我們利用數(shù)學(xué)形態(tài)學(xué)的開閉運算對皮膚檢測的輸出進行濾波，有效地去除噪聲、孔洞及假目標(biāo)。 將人臉檢測引入過濾系統(tǒng)的作用有三點：一是識別以人臉為重點的圖像；二是利用人臉檢測的結(jié)果進行白平衡校正以提高皮膚檢測精度；三是為特征提取階段提供一個特征量?；ヂ?lián)網(wǎng)上有相當(dāng)部分

4、的圖像是以人臉為重點的圖像，在處理的早期把這種圖像識別出來的話，可以免去后續(xù)階段可能發(fā)生的錯誤分類和不必要的處理。為此，需要在過濾系統(tǒng)中引入人臉檢測技術(shù)。出于對精度和速度的綜合考慮，我們采用了基于Adaboost的人臉檢測算法。由于基于Adaboost的人臉檢測算法只利用了灰度特征，它會將某些在灰度變化上具有人臉特征的目標(biāo)識別成人臉，為了提高檢測精度，我們在Adaboost的人臉檢測算法的基礎(chǔ)上，提出了改進的帶了膚色驗證和幾何驗證的人臉

5、檢測方法?；ヂ?lián)網(wǎng)上的圖像來源不一，有著復(fù)雜的背景和照明條件差別。膚色模型是利用皮膚顏色信息建立起來的，存在嚴(yán)重顏色偏差的圖像必然會導(dǎo)致皮膚檢測的精度的下降，進而影響到后續(xù)處理的性能。人臉檢測后以人臉膚色作為白平衡校正的參照顏色對圖像進行白平衡校正，然后重新對圖像進行皮膚檢測，可以進一步提高皮膚檢測的精度。特征提取的作用是從圖像中尋找出一組對分類最有效的屬性。雖然裸體圖像含有大量的裸露肌膚，但僅僅以皮膚區(qū)域的面積比例來判斷裸體圖像是不夠的

6、。為了更可靠地識別裸體圖像，需要引入機器學(xué)習(xí)技術(shù)，為此需要從圖像中提取能夠區(qū)分裸體和非裸體圖像的特征量。裸體圖像的表現(xiàn)形式多種多樣，很難用一個統(tǒng)一的模型把所有的特征表示出來。因此需要從顏色、紋理及形狀等信息中提取多種特征，本文從皮膚檢測器輸出掩碼提取了皮膚特征；從顏色信息中提取了顏色矩、色度矩和顏色相關(guān)圖特征；利用小波包技術(shù)提取了紋理特征。利用Hu不變矩和在Hu不變矩上改進的基于邊緣信息的不變矩，提取了形狀特征。這些特征組合在一起形成一

7、個能夠把握圖像整體特性的特征向量。 分類器的任務(wù)是將圖像識別為裸體圖像或非裸體圖像，雖然圖像的低級特征在某一個方面刻畫了圖像的特性，但都有一定的局限性，無法直接描述裸體圖像和非裸體圖像這種高層語義概念。圖像的低級可視特征與高層語義概念之間存在著一道語義鴻溝。通過機器學(xué)習(xí)手段，可以連接這道鴻溝，實現(xiàn)圖像的語義分類。將圖像分為裸體和非裸體是一個二類分類問題。SVM是一個在特征空間中構(gòu)造最優(yōu)分類超平面的二類分類器，分類性能有理論保證，

8、正好適于解決我們的分類問題。分類器的分類性能在訓(xùn)練結(jié)束后也就固定下來了，如果訓(xùn)練數(shù)據(jù)不能很好地刻畫出樣本空間的總體分布特性，那么分類器的性能是有待提高的?；诰W(wǎng)絡(luò)圖像復(fù)雜多變的特點，在分類器訓(xùn)練階段就收集到完備的具有豐富代表性和多樣性的訓(xùn)練樣本是不實際的，因此我們希望找出一種機器學(xué)習(xí)方法，它可以在測試過程中，長期主動地進行學(xué)，不斷提高自己的分類性能。通過對SVM主動學(xué)習(xí)、SVM增量學(xué)習(xí)、SVM增量式主動學(xué)習(xí)以及SVM直推式學(xué)習(xí)的介紹，結(jié)