تشخیص تصاویر دیجیتال حاوی برهنگی با استفاده از شبکه عصبی و ماشین بردار پشتیبان

نویسندگان

دانشگاه یزد

چکیده

در این مقاله رویکرد جدیدی برای تشخیص تصاویر با محتوای غیراخلاقی ارائه شده است. سیستم پیشنهادی شامل سه گام است، در گام اول تصویر به صورت پیکسل به پیکسل توسط یک شبکه عصبی به نواحی پوستی و غیرپوستی بخش‌بندی می‌شود. پس از این بخش مجموعه‌ای از ویژگی‌ها از جمله نسبت پیکسل‌های پوستی به کل پیکسل‌های تصویر استخراج می‌شوند. در پایان از ماشین بردار پشتیبان برای طبقه‌بندی تصویر به عنوان یک تصویر سالم یا غیراخلاقی بر حسب ویژگی‌های استخراج شده استفاده می‌شود. در این تحقیق از یک مجموعه شامل 400 تصویر برای آموزش و تست سیستم استفاده شده است. نرخ بخش‌بندی تصویر به نواحی پوستی و غیر پوستی 8/91 درصد است و نرخ تشخیص تصاویر غیراخلاقی توسط روش پیشنهادی 9/89 درصد است. لازم به ذکر است نرخ مثبت صحیح و نرخ مثبت کاذب برای روش پیشنهادی به ترتیب 92% و 125/0 % به‌دست آمد.

کلیدواژه‌ها

مراجع

  1. H. Zhu, S. Zhou, J. Wang, and Z. Yin, “An algorithm of
  2. pornographic image detection,” In Fourth International
  3. Conference on Image and Graphics, 2007 .
  4. J. Basilio, G. Torres, G. Perez, L. Medina, and H. Meana,
  5. “Explicit image detection using YCbCr space color model as
  6. skin detection,” Applications of Mathematics and Computer
  7. Engineering, pp. 123-128, 2011 .
  8. Y. Chen, K. Hu, and S. Ruan, “Statistical skin color
  9. detection method without color transformation for real-time
  10. surveillance systems,” Engineering Applications of Artificial
  11. Intelligence , pp. 1331-1337, 2012 .
  12. C. Prema and D. Manimegalai, “Survey on skin tone
  13. detection using color spaces,” International Journal of
  14. Applied Information Systems, vol. 2, no. 2, pp. 18-26, 2012 .
  15. P. Viola and M. Jones, “Rapid object detection using a
  16. boosted cascade of simple features,” In IEEE Computer
  17. Society Conference on Computer Vision and Pattern
  18. Recognition, 2001 .
  19. H. Al-Mohair, J. Saleh, and S. Suandi, “Hybrid Human Skin
  20. Detection Using Neural Network and K-Means Clustering
  21. Technique,” Applied Soft Computing, pp. 337-347, 2015 .
  22. T. Jebara and A. Pentland, “Parametrized structure from
  23. motion for 3D adaptive feedback tracking of faces,” In IEEE
  24. Computer Society Conference on Computer Vision and
  25. Pattern Recognition, 1997 .
  26. R. Hsu, M.Abdel-Mottaleb and A.Jain, “Face detection in
  27. color images,” IEEE transactions on pattern analysis and
  28. machine intelligence, pp. 696-706, 2002 .
  29. J. Lee and S. Yoo, “An elliptical boundary model for skin
  30. color detection,” In International Conference on Imaging
  31. Science, Systems, and Technology, 2002 .
  32. A. Bosson, G. Cawley, Y. Chan, and R. Harvey, “Nonretrieval:
  33. blocking pornographic images,” Image and Video
  34. Retrieval, pp. 50-60, 2002 .
  35. M. Islam, P. Watters, and J. Yearwood “Real-time detection
  36. of children’s skin on social networking sites using Markov
  37. random field modelling,” Information Security Technical
  38. Report , pp. 51-58, 2011 .
  39. J. Marcial-Basilio, G. Aguilar-Torres, G. Sanchez-Perez, L.
  40. Toscano-Medina, and H. Perez-Meana, “Detection of
  41. pornographic digital images,” International journal of
  42. computers, pp. 298-305, 2011 .
  43. J. Shih, C. Lee, and C. Yang, “An adult image identification
  44. system employing image retrieval technique,” Pattern
  45. Recognition Letters, pp. 2367-2374., 2007 .
  46. M. Shin, K. Chang, and L. Tsap, “Does colorspace
  47. transformation make any difference on skin detection,” in
  48. Proceedings In Applications of Computer Vision, 2002 .
  49. K. Shaik, P. Ganesan, V. Kalist, B. Sathish, and J. Jenitha,
  50. “Comparative Study of Skin Color Detection and
  51. Segmentation in HSV and YCbCr Color Space,” in Procedia
  52. Computer Science, 2015 .
  53. R. Bhatt and A. Dhall, “Skin segmentation dataset,” UCI
  54. Machine Learning Repository, 2010 .
  55. S. Fekri-Ershad, M. Saberi, and F. Tajeripour, “An
  56. Innovative Skin Detection Approach Using Color Based
  57. Image Retrieval Technique,” in arXiv preprint arXiv, 2012 .
  58. C. Hsu, C. Chang, and C. Lin, “A practical guide to support
  59. vector classification,” 2003.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 17 دی 1394
  • تاریخ بازنگری: 05 اردیبهشت 1403
  • تاریخ پذیرش: 28 شهریور 1397

هم رسانی

ارجاع به این مقاله

آمار