基于BP神经网络和多重特征的色情图像检测方法.docVIP

基于BP神经网络和多重特征的色情图像检测方法 摘 要：本文提出了一种基于BP神经网络和多重特征的色情图像检测方法。用已知色情图像块作为BP神经网络的训练样本，再对待检测图像进行分块操作，并提取每个图像块的纹理、形状和颜色特征信息，并使用神经网络进行分类检测。经matlab实验仿真，本算法对色情图像的检测精度可以达到85%。 关键词：神经网络；多重特征；色情图像 中图分类号：TP391.41 随着网络的高速发展，互联网已极大地改变了人们的生活，成为人们生活中不可或缺的一部分。而如今网络上的色情图像越来越多，色情图像会对青少年身心造成了极大的伤害，急需加强对色情图像的管控力度。而基于特征的图像检索技术正是正确识别色情图像的基础，Forsyth[1]小组将人体看做符合一定规则的若干柱状区域组合，通过颜色和纹理特征确定图像中的皮肤区域，再在皮肤区域中寻找柱状投影区，从而识别人体，但该算法的识别率不高且处理速度较慢。eVe是eVision[1]公司开发的图像搜索引擎，用于对不良图像信息进行检测和过滤，它通过肤色过滤、分割图像和特征比较三个阶段，但该引擎在判定相似度为40%至70%时需人工干预，不能完全实现自动化。胡冠宇提出了一种人体特定部位的敏感图像过滤器，该过滤器可以检测到裸露人体的胸前部位和私处部位，再通过结合脸部特写分类器，可以达到较好的检测效果。 先将色情图像的敏感区域图像块作为训练图像，供BP神经网络学习。再确定出待检测图像中的皮肤区域，根据皮肤区域对图像进行分块操作，提取每个块的多重特征，再通过BP神经网络检测该图像所对应的块中是否包含敏感图像块，若存在敏感图像块，则判定该检测图像为色情图像。 1 色情图像的特征提取 形状、颜色、纹理是色情图像最为突出的三个特征。本算法通过提取这三种特征构成多重特征对色情图像进行检测。 本算法中提取的多种特征中使用Hu矩对图像的形状信息进行描述。Hu矩是Hu提出的基于代数不变的矩不变量。通过对几何矩的非线性组合，利用二阶和三阶中心矩得出7个不变矩，具有较好的旋转不变性。多重特征中还包括图像的纹理特征。本算法采用灰度共生矩阵来描述图像的纹理信息。灰度共生矩阵通过对图像上保持某距离的两像素分别具有的灰度的状况进行统计得到的，本算法通过下面四个灰度共生矩阵的能量、对比度、逆差距和相关度四个属性对图像纹理信息进行描述： 颜色特征也是色情图像重要的特征之一。本算法选取HSV颜色空间，HSV颜色空间较为直观。其中H指色相，即颜色名称；S指的是饱和度，即色彩的纯度，饱和度越高表示色彩越纯，越低则色彩越灰；V指的是色调，即色彩的明度。在本算法中，颜色特征主要用于检测皮肤区域，将原图像转换到HSV空间后，按照阈值的设定，将满足要求的区域作为皮肤区域。 2 检测算法设计 2.1 BP神经网路分类器设计 BP神经网络的学习过程分为正向传播和误差的反向传播，其主要思想是在网络结构搭建之后，通过正向传播获取整个网络的误差，然后通过反向传播根据具体的误差情况调整网络中的各个权值，最终确定网络中输入与输出的映射关系。本算法将神经网络设为两层，一层为隐含层，另一层为输出层。将训练图像块分为4类，分别为胸部图像、肚脐图像、敏感区域图像和皮肤图像。所以输出层设为4个神经元，而隐含层神经元的个数暂设置为20。隐含层的激活函数为对数S型转移函数，而输出层的激活函数则为线性函数。 2.2 BP神经网络检测算法步骤 图1 BP神经网络检测算法流程图 本算法分为训练和测试两个阶段： 训练阶段： （1）通过人工的手段获取已确认的色情图像中敏感区域，将敏感区域划分为100*100的块，每一个块都要包含较一个明显色情的特征，如女性胸部、肚脐、腋窝等。 （2）分别提取每一个图像块的纹理、形状、颜色特征，其中纹理特征用灰度共生矩阵的能量、相关度、逆差距、对比度四个参数来描述，而形状特征则用Hu矩来描述，颜色特征则通过判断不同颜色占图像块的比例来描述。对每一个图像块形成一个与之对应的14维的特征列向量。 （3）将不同图像块的特征列向量构成特征矩阵，作为训练样本供BP神经网络中进行学习。 测试阶段： （1）将待检测图像从RGB空间转换至HSV空间，按照对皮肤区域的颜色设定选取图像中皮肤区域。 （2）对图像先进行闭操作，再填充连通区域中的“空洞”区域，使获取的的皮肤区域为个数较少的连通区域。将图像裁剪为只包含连通区域，以n*100为边长的最小块，对边缘区域则以镜像的形式补全。将裁剪后的图像以100为边长分为n*n个小图像块，若小图像块中的皮肤区域面积大于三分之一，则提取该图像块的多种特征信息，生成14维特征列向量。 （3）将该图像所生成的特征列向量构成特征矩阵，用已经训练完成的BP神经网络对该特征矩阵进行测试，判定每个小图像是否为色情图像块，若从该图像