تشخيص تصاوير ديجيتال حاوي برهنگي با استفاده از شبكه عصبي و ماشين بردار پشتيبان

Detection of Pornographic Digital Images Using Support Vector Machine and Neural Network

در اين مقاله رويكرد جديدي براي تشخيص تصاوير با محتواي غيراخلاقي ارايه شده است. سيستم پيشنهادي شامل سه گام است، در گام اول تصوير به صورت پيكسل به پيكسل توسط يك شبكه عصبي به نواحي پوستي و غيرپوستي بخش‌بندي مي‌شود. پس از اين بخش مجموعه‌اي از ويژگي‌ها از جمله نسبت پيكسل‌هاي پوستي به كل پيكسل‌هاي تصوير استخراج مي‌شوند. در پايان از ماشين بردار پشتيبان براي طبقه‌بندي تصوير به عنوان يك تصوير سالم يا غيراخلاقي بر حسب ويژگي‌هاي استخراج شده استفاده مي‌شود. در اين تحقيق از يك مجموعه شامل 400 تصوير براي آموزش و تست سيستم استفاده شده است. نرخ بخش‌بندي تصوير به نواحي پوستي و غير پوستي 8/91 درصد است و نرخ تشخيص تصاوير غيراخلاقي توسط روش پيشنهادي 9/89 درصد است. لازم به ذكر است نرخ مثبت صحيح و نرخ مثبت كاذب براي روش پيشنهادي به ترتيب 92% و 125/0 % به‌دست آمد.

In this paper a new approach for detecting explicit content or pornographic images is proposed. The suggested system contains three phases. In the first phase, the image is segmented into skin region and non-skin region by an ANN in a pixel-wise manner. After image segmentation, a set of discriminative features including the ratio of skin pixels to total image pixels, the number of faces in the image, the area of largest skin area are extracted. Finally, support vector machines are used to classify the image in two normal image and explicit image using the extracted feature vector. A set of 400 images is used to learn and test the system. The detection rate for classifying pixels in skin and non-skin is 91.8 and as the result, the proposed system could obtain 89.9 accuracy in classifying images based on their content. Furthermore, the true positive rate and false positive rate for the proposed system are 92% and 0.125%, respectively.