본 논문은 입력된 영상으로부터 적응적 피부색 검출 방법으로 생성된 피부색 영역과 에지 정보의 결합을 특정 벡터로 이용하여 입력 영상의 유해(누드, 성인물) 여부를 판별하는 방법을 제안한다. 제안하는 방법은 네 단계의 과정으로 이루어져 있다. 첫 번째 단계에서는 입력 영상으로부터 기존의 피부색 검출 방법들을 적용하여 얻은 모든 결과 영상들에 대해서 논리곱 연산을 통해 초기 피부색 영역을 검출한다. 두 번째 단계에서 초기 피부색 영역의 화소 정보를 기반으로 피부색 확률 분포 모델을 생성하고 이를 통해 피부색 확률 영상을 생성한다. 그리고 피부색 확률 영상에 임계값을 적용하여 이진화 한다. 세 번째 단계에서 이진 피부색 영역과 에지의 결합 영상을 생성하고 피부색 영역을 확산하여 최종 피부색 영역을 검출한다. 마지막 단계에서 최종 피부색 영상과 최종 피부색 영역 안에 있거나 인접한 에지들의 결합 영상을 특정 벡터로 생성한다. 생성된 특정 벡터를 support vector machine(SVM) 학습을 통해 생성된 분류 모텔로 입력 영상의 유해 여부를 판별하여 유해 혹은 무해 영상으로 분류한다. 실험 결과를 통하여 제안하는 방법이 기존의 유해 영상 분류 방법에 비해 분류 성능이 9.6% 향상된 것을 확인하였다.
본 논문은 입력된 영상으로부터 적응적 피부색 검출 방법으로 생성된 피부색 영역과 에지 정보의 결합을 특정 벡터로 이용하여 입력 영상의 유해(누드, 성인물) 여부를 판별하는 방법을 제안한다. 제안하는 방법은 네 단계의 과정으로 이루어져 있다. 첫 번째 단계에서는 입력 영상으로부터 기존의 피부색 검출 방법들을 적용하여 얻은 모든 결과 영상들에 대해서 논리곱 연산을 통해 초기 피부색 영역을 검출한다. 두 번째 단계에서 초기 피부색 영역의 화소 정보를 기반으로 피부색 확률 분포 모델을 생성하고 이를 통해 피부색 확률 영상을 생성한다. 그리고 피부색 확률 영상에 임계값을 적용하여 이진화 한다. 세 번째 단계에서 이진 피부색 영역과 에지의 결합 영상을 생성하고 피부색 영역을 확산하여 최종 피부색 영역을 검출한다. 마지막 단계에서 최종 피부색 영상과 최종 피부색 영역 안에 있거나 인접한 에지들의 결합 영상을 특정 벡터로 생성한다. 생성된 특정 벡터를 support vector machine(SVM) 학습을 통해 생성된 분류 모텔로 입력 영상의 유해 여부를 판별하여 유해 혹은 무해 영상으로 분류한다. 실험 결과를 통하여 제안하는 방법이 기존의 유해 영상 분류 방법에 비해 분류 성능이 9.6% 향상된 것을 확인하였다.
In this paper, we propose a novel method of adult image classification by combining skin color regions and edges in an input image. The proposed method consists of four steps. In the first step, initial skin color regions are detected by logical AND operation of all skin color regions detected by th...
In this paper, we propose a novel method of adult image classification by combining skin color regions and edges in an input image. The proposed method consists of four steps. In the first step, initial skin color regions are detected by logical AND operation of all skin color regions detected by the existing methods of skin color detection. In the second step, a skin color probability map is created by modeling the distribution of skin color in the initial regions. Then, a binary image is generated by using threshold value from the skin color probability map. In the third step, after using the binary image and edge information, we detect final skin color regions using a region growing method. In the final step, adult image classification is performed by support vector machine(SVM). To this end, a feature vector is extracted by combining the final skin color regions and neighboring edges of them. As experimental results, the proposed method improves performance of the adult image classification by 9.6%, compared to the existing method.
In this paper, we propose a novel method of adult image classification by combining skin color regions and edges in an input image. The proposed method consists of four steps. In the first step, initial skin color regions are detected by logical AND operation of all skin color regions detected by the existing methods of skin color detection. In the second step, a skin color probability map is created by modeling the distribution of skin color in the initial regions. Then, a binary image is generated by using threshold value from the skin color probability map. In the third step, after using the binary image and edge information, we detect final skin color regions using a region growing method. In the final step, adult image classification is performed by support vector machine(SVM). To this end, a feature vector is extracted by combining the final skin color regions and neighboring edges of them. As experimental results, the proposed method improves performance of the adult image classification by 9.6%, compared to the existing method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
피부색 검출 방법들의 성능은 피부색과 비슷한 배경영역을 얼마나 최소화하고 실제 피부 영역내의 조명 등에 의한 영향을 배제하고 강건하게 검출하느냐에 따라 결정된다. 따라서 본 논문에서는 그림 2(f)의 결과와 같이 기존의 피부색 검출 방법들의 결과들의 논리곱 연산을 통해 초기 피부색 영역에서 배경을 효과적으로 제거 할 수 있는 방법을 제안한다.
따라서 본 논문에서는 입력 영상의 정보 및 상태를 중분히 반영하는 적응적 피부색 검출 방법과 유해 영상을 효과적으로 분류하기 위한 방법을 제안한다. 제안하는 방법은 입력 영상에서 기존의 피부색 검출 방법들을 이용하여 초기 피부색 영역을 검출하고, 검출한 초기피부색 영역을 이용하여 적응적 피부색 분포 모델을 생성한 후, 해당 분포에 기반하여 최종 피부색 영역을 검출한다.
하지만 이러한 피부색 검출 방법들은 기존에 획득된 정보 또는 모델만을 이용함으로써, 입력 영상의 정보및 상태를 충분히 반영하지 못하여 피부색 영역을 효과적으로 검출하지 못하는 문제점이 있다. 본 논문에서는 입력 영상의 정보 및 상태를 충분히 반영하여 효과적으로 피부색을 검출하기 위하여, 적응적 피부색 검출 방법을 제안한다. 제안하는 방법은 우선 기존의 피부색검출 방법인 HSV, RGB, YCbCr, 그리고 YUV-YIQ 색상 공간에서의 임계값을 사용한 피부색 검출 방법을 이용하여 피부색 영역을 검출한다.
제안 방법
제안하는 방법은 입력 영상에서 기존의 피부색 검출 방법들을 이용하여 초기 피부색 영역을 검출하고, 검출한 초기피부색 영역을 이용하여 적응적 피부색 분포 모델을 생성한 후, 해당 분포에 기반하여 최종 피부색 영역을 검출한다. 그리고 최종 검출된 피부색 영역과 에지 정보를 결합하여, 유해 영상을 효과적으로 기술할 수 있는 특징 정보를 생성한 후, support vector machine(SVM) 을 통해 유해 및 무해 영상을 분류한다.
기존의 색상 임계값을 이용한 피부색 검출 방법들은 각각 피부색 검출을 하는데 상호보완적인 관계가 성립하기 때문에, 본 논문에서 제안하는 초기 피부색 영역검출 방법은 기존의 방법들의 논리곱 연산을 통해 피부색이 아닌 배경 부분은 최소화 하고, 피부색일 확률이 높은 부분만을 포함하도록 한다. 그림 2는 초기 피부색영역 검출의 예를 보여주고 있다
첫 번째 단계는 입력된 영상에서 기존의 피부색 검출 방법들을 적용하여 얻은 모든 결과 영상들에 대해서 논리곱연산을 통해 초기 피부색 영역을 검출 한다. 두 번째 단계에서 초기 피부색 영역의 화소 정보를 기반으로 피부색 확률 분포 모델을 생성하고 이를 통해 피부색 확률영상을 생성한다. 그리고 피부색 확률 영상에 임계값을 적용하여 이진화 한다.
본 논문에서 제안하는 피부색 분포 모델을 생성하는 방법은 입력 영상의 초기 피부색 영역으로부터 RGB 색상 공간에서 컬러 벡터 X 의 평균 /X 와 공분산 행렬 S 을 이용한 정규 분포 모델로 입력 영상의 초기 피부색 영역에 따라 확률 분포 모델이 적응적으로 생성된다. RGB 컬러 벡터의 확률 분포 모델은 식 ⑸와 같다.
본 논문에서는 검줄된 최종 피부색 영역과 피부색 영역에 인접한 에지 정보를 이용하여 유해 영상을 분류한다. 유해 영상 분류를 위한 분류기로는 $2~却을 이용하며, SVM 학습과 분류에 사용되는 특징벡터는 최종 피부색 검출 영역과 피부색 영역에 인접한 에지의 결합 영상을 80x&)의 크기로 정규화한 영상을 특징 벡터로 사용한다.
본 논문에서는 제안한 방법의 유해 영상 분류 성능을 평가하기 위하여 인터넷과 동영상에서 획득한 유해 영상 2, 000장과 기타 영상 2, OS장 중 각각 1, 000장씩 SVM 학습과 성능 평가를 위해 사용하였다⑸ 실험을 통해 먼저 입력 영상에서의 적응적 피부색 검출 결과를 보이고 기존의 여러 가지 피부색 검출 방법들을 이용한 결과와 비교한 후, 제안한 방법의 유해 영상 분류 성능과 Duan⑶의 방법과의 성능을 비교 분석한다.
본 논문은 입력 영상에서 기존의 피부색 검출 방법들을 이용하여 초기 피부색 영역을 검출하고, 초기 피부색 영역을 이용하여 생성된 적응적 피부색 분포 모델을 통해 피부색 확률 영상을 생성한다. 피부색 확률 영상의 이진화된 영상에 피부색 확산 알고리즘을 적용하여 얻어진 최종 피부색 영역과 최종 피부색 영역과 인접한 에지를 특징벡터로 하여 SVM 학습을 통해 생성된 분류 모델로 유해 영상 여부를 판별하는 방법을 제안한다.
마지막 단계는 최종 피부색 영상과 최종 피부색 영역 안에 있거나 인접한 에지들의 결합 영상을 특징 벡터로 생성한다. 생성된 특징 벡터를 SVM 학습을 통해 생성된 분류 모델로 입력 영상의 유해 여부를 판별하여 유해 혹은 무해영상으로 분류한다.
위와 같이 생성된 적응적 피부색 분포 모델을 이용하여 입력 영상의 각각 화소의 피부색 확률 값으로 피부색 확률 영상을 생성한다. 그림 3은 생성된 피부색 확률 영상을 보여주고 있다.
영역을 얻기 위한 과정이다. 입력 영상에 대해 소벨 연산을 이용한 에지 영상과 피부색 확률 영상에 임계값을 적용하여 생성된 이진 피부색 확률 영상을 생성하고, 이를 이용한 피부색 확산 알고리즘을 적용하여 최종 피부색 영역을 구한다.
본 논문에서는 입력 영상의 정보 및 상태를 충분히 반영하여 효과적으로 피부색을 검출하기 위하여, 적응적 피부색 검출 방법을 제안한다. 제안하는 방법은 우선 기존의 피부색검출 방법인 HSV, RGB, YCbCr, 그리고 YUV-YIQ 색상 공간에서의 임계값을 사용한 피부색 검출 방법을 이용하여 피부색 영역을 검출한다. 검출된 각각의 피부색 영역을 논리곱 연산을 통하여 초기 피부색 영역으로 설정한다.
제안하는 방법은 입력 영상에서 기존의 피부색 검출 방법들을 이용하여 초기 피부색 영역을 검출하고, 검출한 초기피부색 영역을 이용하여 적응적 피부색 분포 모델을 생성한 후, 해당 분포에 기반하여 최종 피부색 영역을 검출한다. 그리고 최종 검출된 피부색 영역과 에지 정보를 결합하여, 유해 영상을 효과적으로 기술할 수 있는 특징 정보를 생성한 후, support vector machine(SVM) 을 통해 유해 및 무해 영상을 분류한다.
최종 피부색 영역을 검출하기 위해 이진화된 피부색확률 분포 영상과 소벨(Sobel) 에지 영상을 결합한다. 피부색 영역에서 4-이웃 화소를 순차적으로 검사하여 각각의 색차와 에지 여부로 피부색 영역을 확산하는 피부색 확산 알고리즘을 적용한다.
피부색 확률 영상을 생성한다. 피부색 확률 영상의 이진화된 영상에 피부색 확산 알고리즘을 적용하여 얻어진 최종 피부색 영역과 최종 피부색 영역과 인접한 에지를 특징벡터로 하여 SVM 학습을 통해 생성된 분류 모델로 유해 영상 여부를 판별하는 방법을 제안한다. 제안한 방법은 입력 영상에 따라 적응적으로 피부색 영역을 검출하고 특징 벡터로 피부색 영역과 에지의합 영상을 사용함으로써, 기존의 유해 영상 분류 방법보다 유해 영상 분류 성능을 향상 시킬 수 있었다.
피부색 확산 알고리즘을 통하여 최종 피부색 영역을 검출한다.
데이터처리
적응적 피부색 검출을 통한 유해 영상 분류 성능을 비교 분석하기 위하여, YUV-YIQ 색상 공간에서 피부색을 검출하여 SVM 학습을 통해 생성된 분류 모델로 실험을 한 Duan의 방법과 비교를 수행하였다. 실험 결
보여주고 있으며, 4단계로 구성되어 있다. 첫 번째 단계는 입력된 영상에서 기존의 피부색 검출 방법들을 적용하여 얻은 모든 결과 영상들에 대해서 논리곱연산을 통해 초기 피부색 영역을 검출 한다. 두 번째 단계에서 초기 피부색 영역의 화소 정보를 기반으로 피부색 확률 분포 모델을 생성하고 이를 통해 피부색 확률영상을 생성한다.
이론/모형
결합한다. 피부색 영역에서 4-이웃 화소를 순차적으로 검사하여 각각의 색차와 에지 여부로 피부색 영역을 확산하는 피부색 확산 알고리즘을 적용한다. 그림 4는 최종 피부색
성능/효과
과 제안한 방법이 기존의 방법에 비해 유해 영상에서 9.6%, 무해 영상에서 10.9% 향상된 분류율을 보였고, 이를 통해 본 논문에서 제안한 적응적 피부색 검출 모델로 검출된 피부색 영역과 에지의 결합 영상을 특징 벡터로 사용하는 것이, 유해 영상 분류에 더 적합함을 확인 할 수 있었다. 표 1은 제안한 방법과 Duan의 방법의 분류 결과 비교를 보여준다.
기존의 피부색 검출 방법들과의 비교에서 제안된 적응적 피부색 검출 방법의 결과는 배경에 피부색과 비슷한 색상이 있는 경우에 기존 방법들과 비교하여 더 좋은 성능을 보여준다. 그림 6과 같이 제안한 방법이 기존의 방법들과는 달리 피부색과 비슷한 배경 부분을 배제하는 결과를 확인 할 수 있다.
피부색 확률 영상의 이진화된 영상에 피부색 확산 알고리즘을 적용하여 얻어진 최종 피부색 영역과 최종 피부색 영역과 인접한 에지를 특징벡터로 하여 SVM 학습을 통해 생성된 분류 모델로 유해 영상 여부를 판별하는 방법을 제안한다. 제안한 방법은 입력 영상에 따라 적응적으로 피부색 영역을 검출하고 특징 벡터로 피부색 영역과 에지의합 영상을 사용함으로써, 기존의 유해 영상 분류 방법보다 유해 영상 분류 성능을 향상 시킬 수 있었다. 향후과제로는 유해 영상을 분류하는데 사용되는 유해 정보를 명확하게 구분할 수 있는 특징에 대한 연구가 진행되어야 할 것이다.
후속연구
이러한 방법들은 고정된 임계값과 학습 데이터를 사용하기 때문에 입력 영상의 정보를 중분히 반영하지 못하는 단점이 있다. 영상에서 피부색 영역을 검출하는 방법의 성능 향상은 유해 영상분류 성능을 높이는 것이기 때문에, 입력 영상의 정보를 충분히 반영할 수 있는 좋은 성능의 피부색 검출 방법에 대한 개발과 피부색 영역 이외에 유해 영상 분류성능을 향상시키기 위한 유해 영상의 특징에 대한 연구가 필요하다.
제안한 방법은 입력 영상에 따라 적응적으로 피부색 영역을 검출하고 특징 벡터로 피부색 영역과 에지의합 영상을 사용함으로써, 기존의 유해 영상 분류 방법보다 유해 영상 분류 성능을 향상 시킬 수 있었다. 향후과제로는 유해 영상을 분류하는데 사용되는 유해 정보를 명확하게 구분할 수 있는 특징에 대한 연구가 진행되어야 할 것이다.
참고문헌 (15)
P. Y. Lee, S. C. Hui, and A. C. M. Fong, "Neural networks for web content filtering," IEEE Intelligent Systems, Vol. 17, No. 5, pp. 48-57, September 2002.
H. Zheng, H. Liu, and M. Daoudi, "Blocking objectionable images: adult images and harmful symbols," in Proc. of IEEE Conf. on Multimedia and Expo, pp. 1223-1226, Taipei, June 2004.
L. Duan, G. Cui, W. Gao, and H. Zhang, "Adult image detection method base-on skin color model and support vector machine," in Proc. of Asian Conf. on Computer Vision, pp. 797-800, Melbourne, Australia, January 2002.
S. Tsekeridou and I. Pitas, "Facial feature extraction in frontal views using biometric analogies," in Proc. of European Signal Processing, pp. 315-318, 1998.
J. Kovac, P. Peer, and F. Solina, "2D versus 3D colour space face detection," in Proc. of EURASIP Conf. focused on Video/Image Processing and Multimedia Communications, pp. 449-454, July 2003.
D. Chai and K. N. Ngan, "Face segmentation using skin colour map in videophone applications," IEEE Trans. on Circuits and Systems for Video Technology, Vol. 9, No. 4, pp. 551-564, June 1999.
P. Kakumanu, S. Makrogiannis, and N. Bourbakis, "A Survey of skin-color modeling and detection methods," Pattern Recognition, Vol. 40, No. 3, pp. 1106-1122, March 2007.
C. Hsu, C. Chang, and C. Lin, "A practical guide to support vector classification," www.csie.ntu.edu.tw/-cjlin/libsvm.
N. Cristianini and J. Tylor, "An introduction to support vector machines and other kernel-based learning methods," Cambridge University Press, 2000.
B. Moghaddam and M. H. Yang, "Gender classification with support vector machines," in Proc. of IEEE Conf. on Automatic Face and Gesture Recognition, pp. 306-311, 2000.
V. N. Vapnik, "The nature of statistical learning theory," Springer Press, 1995.
R. Fan, P. Chen, and C. Lin, "Working set selection using second order information for training support vector machines," Journal of Machine Learning Research, Vol. 6, pp. 1889-1018, December 2005.
T. Joachims, "Support vector and kernel methods," Special Interest Group on Information Retrieval 2003 Tutorial, 2003.
T. Howley and M. G. Madden, "The genetic kernel support vector machine: description and evaluation," Artificial Intelligence Review, Vol. 24, No. 3-4, pp. 379-395, 2005.
윤종원, 박찬우, 문영식, "에지 특징을 이용한 포르노그래피 영상 분류 방법," 대한전자공학회 추계학술대회 제31권 2호, 805-806쪽, 2008년.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.