Yosua

Patents Application Grant English Chinese

Find prior art Discuss this patent View  PDF Dow nload PDF
 

Establishment method of pornographic Publication number CN101819638 B
detection model and pornographic detection Publication type Grant
Application number CN 201010143777
method  Publication date Jul 11, 2012
CN 101819638 B Filing date Apr 12, 2010
Priority date Apr 12, 2010
ABSTRACT Also published as CN101819638A

The invention provides an establishment method of a pornographic detection Inventors 刘毅志, 唐胜, 张勇东, 李锦涛, 谢呈
model, comprising the following steps: extracting video characteristics and audio Applicant 中国科学院计算技术研究所
characteristics from a sample audio­video object with marked information; Export Citation BiBTeX, EndNote, RefMan
according to the marked information, training respectively models for various audio
Classifications (1), Legal Events (3)
characteristics and video characteristics in the sample audio­video object, and
thencalculating fusion parameters among the models by virtue of a weighed External Links: SIPO, Espacenet

average fusion method based on seqencing; in the value interval of an ergodic
parameter orness of the weighed average fusion method based on seqencing, calculating corresponding fusion parameters for the values of the parameter orness;
calculating the effect of fusion parameters by the sample audio­video object; and then selecting the fusion parameters with the best effect as the fusion parameters
among the models. Compared with relevant methods in the prior art, the pornographic detection model of the invention synthetically uses the video characteristics and
the audio characteristics, thus greatly improving the detection accuracy.

DESCRIPTION  translated from Chinese CLAIMS (12)  translated from Chinese

Porn Detection modeling methods and pornography detection method A porn detection modeling method comprising the steps of: 1), to extract video
and audio features characteristic information from a sample labeled with the audio
Technical Field
and video objects; Step 2 ­), according to the label information for the sound
[0001] The present invention relates to the field of image detection, in particular to samples all kinds of video object audio features, video features are training model,
a pornographic detection modeling methods and pornography detection method. and then use the model to calculate the fusion parameters fusion method based
on the weighted average between the sort; wherein the traversal parameters taken
Background orness sorted based on the weighted average Fusion value range calculated for
each value of the parameter corresponding orness fusion parameters, and then
[0002] As the Internet and the rapid development of multimedia technology,
use the sample object computing integration of audio and video parameters for
especially digital video network video application has been widely known. In
each effect, the best fusion parameter selection effect parameter as a fusion
people free access to a variety of network data, while a large number of undesired
between the models; the parameters orness used to denote fusion "or" level.
information has increasingly become a public hazard of the Internet. In particular
the proliferation of Internet pornography video information, the Internet has not only 2. Erotic detection model according to claim 1, wherein the method for
problems, even becoming a global social issues. Because of these bad establishing, characterized in that said model SVM model.
information, pornography detection technology to achieve a harmonious and
healthy Internet environment is important. Erotic detection model according to 1 or claim 2, wherein the method for
establishing, characterized in that in said step 1), the video feature
[0003] The current of the primary means of Internet pornography detection there extraction comprising: step a), to make audio and video object image
are three: 1, looking for sensitive information via text keyword analysis; 2, simple color space conversion; steps b), extract color correlation chart from the
color detection model; 3, the image visual features single SVM model training. image, the histogram color and edge histogram.
Each of the above three methods have shortcomings. The first way to do just
pornography via text message detection, has a high rate of false positives in Erotic detection model according to claim 3, wherein the method for
actual use, a number of normal pages containing keywords is often easy to be establishing, characterized in that in said step a), the color space
blocked; and when the sexual content in a non­text appear such as pictures or conversion comprising the steps of: a­Ι), by shifting the color space
videos, such methods will become powerless. The second method detected only conversion calculated coefficient expressed by the formula to convert
by skin color feature pornography, false detection of this method is easy to have a floating­point to fixed­point; step a_2), the color space conversion
similar skin color mistakenly identified as a non­erotic images erotic images, formulas in the original color space values ​
for each dimension of an array

such as those containing a yellow door and wall images could easily be mistaken of storage; step a­3), the step a­Ι) obtained in coefficient and the
seized pornographic images. The third single SVM model method used in the procedures used to fixed­point representation a_2) array of values ​
used

image due to the impact of light and environmental diversity and poor adaptive to represent each dimension of the original color space conversion
defect, and the nature of machine learning makes such methods to promote low formula to be calculated in accordance with the color space; Step a­4),
performance. to step a_; calculated 3) The results make the shift, the shift­down ratio
and the same step a_l) the shift of magnification.

[0004] In summary.. / Ν. each section of [0008] Step 2 ~). poor adaptability defects. in the RGB color space of the image in color are divided into 36 contains test results pornographic content. k; where. extracting video and audio characteristic feature; magic step. to extract video and audio features with a marked characteristic dimensional color histogram; the 64­dimensional color histogram information from a sample audio and video objects; extraction comprises the steps of: b­2­l). thereby providing a high bin36; step b­1­2). wherein further [0021] Step b­1­2). .. the color correlation chart Cij is defined as is believed to contain pornography images from audio and video objects the interval bini Color Clkj distance of less than or equal probability. [0006] To achieve the above object. 7}. in said step b). the present invention provides a method for modeling erotic detection. W represents the fusion parameters. adaptability good porn detection method. the image in YUV color space was divided into four portions 11. the model SVM model. select a value of parameter space conversion comprising: orness; the step 2­2). Erotic detection model according to claim 3. .; 10. bin2 . related to the extraction of 144­ DISCLOSURE dimensional color map comprises the steps of: b­1­l). the color space conversion formulas in the original color space parameters as a unique fusion parameter value corresponding to the values ​ for each dimension of an array of storage; ​ orness; the hash value calculated by the following formula: Dispersion (W) = ­ Σ WjInffj where. select the calculation using Sobel operator edge direction and length; step b­3­2). and then fused to the fusion include: parameter using said model for each of the test results obtained.. bin36.. the value of the parameter orness reverse [0015] Step a­Ι). elected by false detection of pornographic images of image of 64 peacekeepers; the 64­dimensional color histogram extraction include: based on face detection and the texture feature recognition results.. [0012] The steps a). the lack of stage one detection accuracy rate. using said [0019] the above technical solution. the relevant figure includes detection model erotic respectively extracted characteristic video and 144 color dimension. in said step b). in said step a). the image in YUV color space was divided into four portions each interval; step b­2­2). the pixel features include: is not an edge as the first 73 dimensions.. video characteristics were trained is the number of pixel values ​ of i. the color fusion parameters include: Step 2­1 ). said step 1).3. characterized in that. wherein each interval; said step 4) comprises the steps of: 4­1). Ni various types of video object audio features. including the 64­ [0007] Step 1). related to the extraction of 144­dimensional color graphs audio characteristics to be tested. from audio and video objects to be detected step­down a_l same) is shifted magnification.2. RGB color space [0005] The object of the present invention to overcome the prior art testing in the color of the image is divided into 36 intervals in both bini. the relevant figure includes 144 color dimension. by the [0013] steps b). K is the size of the interval. representation a_2) array of values ​ used to represent each dimension of the ​ original color space conversion calculated in accordance with the color space A porn detection method comprising the steps of: 1) the use of claim 1­8 formula to calculate; pornography detection model to establish a method of establishing pornography detection model parameters to calculate the fusion between [0018] Step a­4). the histogram respective values ​ of the parameters orness calculate the corresponding ​ color and edge histogram. j [0017] Step a­3). wherein the method for [0009] The traversal sorted based on the weighted average value interval establishing. by shifting the color space conversion coefficient is calculated by calculation fusion parameters to obtain a plurality of sets corresponding converting floating point to fixed­point; to the parameter orness fusion parameters; Step 2­¾. comprising: Erotic detection model according to claim 3.7}. each section of the color histogram is defined as: h (i) = Force . statistics for each distance interval color Information: detection accuracy. intervals Mn1.3... which pixels point is not edge; step b­3­3). these images of life face detection and texture feature [0022] The above technical solution. and has a Porn detection model according to claim 3. [0014] In the above aspect. do color space for audio and video object image conversion; 8. establishing. according to test results taken audio and video to be detected object image is considered to contain [0024] Step b­2­2). the color correlation chart is defined as the probability of bini color range of distance or less. i = 1. characterized in that. said edge histogram parameters orness fusion method to calculate the appropriate integration comprises 73 dimensions; the 73­dimensional edge histogram extraction parameters for each value of the parameter orness and then use the sample audio comprises the steps of: b­3­l). [0023] Step b­2­l). N is the total number of pixels of the ​ model and the model based on the use of fusion calculated weighted average sort image. according to the test result in step magic selection Set four distance span dis = {1. edge. said step b) in the color histogram comprises recognition. from said plurality of sets Choose fusion parameters divergence the maximum set of [0016] Step a­2). according to the threshold which determines the image pixels is an [0010] the technical proposal. for each pixel grayscale images on a and video object computing integration parameters for each effect .5. best fusion parameters as a fusion parameters models. generating discrimination to be detected in the audio­video object [0020] Step b­1­l). characterized in that said step b).. extract color correlation chart from the image. fusion between parameter; wherein. wherein the method for strong adaptability and better promotion of pornographic detection method. to be detected. characterized in that said step 2). the coefficient Steps a­Ι) obtained in using fixed­point represents integration parameter j­th component. based on the labeling information for the audio samples of the color histogram is defined as: h (i) = Ν . the shift multiples of the the models; Step 2 . whereby the front edge of the 72­dimensional histogram. in said step b). step a_; 3) calculation results do shift. bin2. methods porn low accuracy. statistics from the information on the color for each interval: comprising: step 4). A method of detecting pornography according to claim 10.. determined as the edge pixels in accordance with section 5 of the interval is divided into 72 The above technical solution. A method of establishing a detection model according to pornographic or 2 of the preceding claims. set four distance span dis = {1. the said extraction [0011] The video parts. wherein the method for establishing.5. pornography detection method according to claim 9.

 k; wherein. skin color pixels on the adoption of regional connectivity algorithm and corrosion smoothing algorithm to determine possible skin area; . said step 4) comprises: [0042] Step 4­1). the step of the 4­¾ ​ include: ​ [0046] Step 4­3­1). the pixel is not an edge as the first 73 dimensions. possible skin area; Step 4­3­¾.. these images for face detection. according to test results taken audio and video objects to be detected is believed to contain pornographic images; [0043] Step 4­¾.2. extract video features and audio features from audio and video objects to be detected; [0038] Step magic. according to the test result in step magic selection is believed to contain pornographic images from the video and audio objects to be detected.. otherwise. select a value of the parameter orness; larger pixel texture features and experimentally determined threshold... Sobel edge computing possible color area. [0039] the technical proposal. whereby the front edge of the 72­dimensional connectivity algorithm and corrosion smoothing algorithm to determine histogram. make the image texture recognition. wherein said step of 4­¾ include: step 4­3­1). in said step b). M is the value of i is the number of pixels. W represents the fusion parameter. use skin color model image of skin color pixels; [0047] Step 4­3­¾. execution Next; [0044] Step 4­¾. or content that contains pornographic parameters to obtain multiple sets of fusion parameters corresponding to the images. [0045] In the above technical scheme. i = 1. if texture has a large proportion of the total [0026] Step b­3­l). make the dimensions; the 73­dimensional edge histogram extraction comprising: image texture recognition. the face area and found the entire image area is larger than the first threshold value. which also includes: [0040] Step 4). if the ratio of total number of pixels of the image. if texture has a large proportion of the total pixel pixel is greater than the second threshold value. the image contains sexually explicit content./ N. if the ratio of the face area and found the entire image area is larger than the first threshold value. N is the pornography; Step 4 ­¾. which is not an edge pixel; 12. may be that the image does not contain pornographic content face detection. [0027] Step b­3­2). according to the face detection and texture feature recognition The election results are false positives as pornography images. if the ratio is greater than the threshold value. [0041] In the above technical scheme. may be that the image does not contain pornographic [0025] In the above aspect. use skin color model image of skin color [0028] Step b­3­3). otherwise. said edge histogram comprises 73 content. select the maximum divergence of a set of parameters as a unique fusion parameter value corresponding to the orness fusion from multiple sets of parameters in the; the divergence value calculated by the following formula: [0033] Dispersion (W) = ­ Σ WjInffj [0034] wherein. the use of pornographic detection model respectively the extracted video and audio characteristic feature be tested. [0035] The present invention also provides a porn detection method comprising: [0036] Step 1). of these images for face detection. in the step of magic for each value of the have greater texture pixels total pixels;; step 4­3­4). skin color pixels on the adoption of regional with section 5 degrees into 72 parts. the image does not contain [0031] Step 2­2). The porn detection method according to claim 11. parameters orness; [0032] Step 2­¾. . these human face detection and image texture recognition. to be generated for determining the detecting audio and video object contains sexual content test results. it is considered that the image does not contain pornographic content. j represents the fusion parameter j­th component. for each pixel grayscale images on a calculation using Sobel pixel pixel is greater than the second threshold value. the next step in face detection; Step 4 ­¾. will [0029] The above technical solution. the value of the parameter orness reverse calculation fusion an image pornographic content. using the model of pornographic detection method to establish pornographic detection model parameters to calculate the fusion between the models; [0037] Step 2 . will be determined as the pixel edge spacing in accordance pixels; step 4­3 ­¾. but the color edge itself is not included The procedure of 4­3­¾. the image contains pornographic content . otherwise. according to the threshold which determines the image pixels is an edge. it is considered operator edge direction and length; that the image does not contain pornographic content. otherwise. according to the parameter orness calculate the corresponding fusion parameters include: number and the threshold value of the Sobel edge determined to have a [0030] Step 2­1). and then use the parameters to the fusion of fusion of the test results obtained for each model. K is the size of the interval.

 the image may be. Sobel edge computing possible color area. EH). [0056] porn detection method of the present invention is mainly for audio and video objects to be detected both video feature also has the audio feature. the following equation (1) given in the prior art to convert from RGB to YUV color space formula: ­η "0. Finally OWA integration algorithm parameters for multiple models.096 B [0062] The use of this formula can achieve the conversion from RGB to YUV color space. which is the edge histogram based on grayscale characteristic. the extraction process will be described video features. Advantages [0051] The present invention is: porn detection method of the present invention compared with the prior art method using a combination of video­related features and audio features. The following step by step method will be described in details. [0063] After completion of the color space conversion. but the method of the present invention. color correlation chart and color histograms these two types of video features on a different color space. it can determine whether the drama to be detected contain pornographic content. but the color edge itself is not included; Pixels [0049] Step 4­3­4). [0058] The training phase [0059] Step 1). Color space conversion of common knowledge in the art.29 0. based on the color histogram feature is the YUV color space. therefore.59 0. with reference to the methods . according to the number and the threshold determination of the Sobel edge with a larger texture features Points; [0050] Step 4­3­5). the color map is based on the feature associated RGB color space. and then SVM training separately for these features to obtain a plurality of These features correspond to SVM model. color histogram (Color Histogram.61 a 0. No matter what type of audio and video objects to be detected. it has greatly improved the detection accuracy. As can be seen from the above definition. but in the process of reading the image feature extraction video before. DETAILED DESCRIPTION [0055] below in conjunction with the accompanying drawings and specific embodiments of the present invention is further described below. often only get an image in a color space The information. in this embodiment. color histogram and edge histogram extraction. 3 porn detection method of the present invention and the prior art erotic detect the correct rate comparison chart. Brief Description [0052] FIG. 1 a flowchart of pornographic detection method of the present invention; [0053] FIG. to extract video feature. TV shows. you can achieve color correlation chart. 64 and 73­dimensional color histogram dimensional edge histogram.3 0.11" ­R [0061] ­0. The formula for the YUV to RGB color space conversion. The training phase. The following were associated with 144­dimensional color map. [0057] Referring to Figure 1. Those of ordinary skill should be understood that the video is a combination of multi­ frame image.[0048] Step 4­3­¾. the first marking information never to be tested in the drama were extracted video image information features and audio features. if the ratio is greater than the threshold value.52 ­0. the first label information from the band (the label information indicating whether an image contains explicit sexual content) of the image information extracted sample drama features are video and audio features. Therefore.15 ­0. the image does not contain sexual content image. so the following examples although an example in which the drama of the implementation process of pornographic detection method of the present invention will be described in detail. The same applies to other types of audio and video objects to be detected.44 GW 0. and then use the test feature multiple SVM model training phase to obtain a plurality of test results obtained. the final stage of the use of the training algorithm of OWA fusion parameters fusion results of these tests to get a result. if the sound of movies. for example. the porn detection process is basically the same. During the testing phase. CH) and edge histogram (Edge Histogram. will have a larger pixel texture of the ratio of the total pixel experimentally determined threshold. for example. [0060] The present invention is extracted video features include color correlation chart (Color CorrelogranuCC). to illustrate these videos feature extraction methods. before extracting the video feature needs to be extracted image information from one color space to another color space. pornography detection method of the present invention in two stages. can be obtained by the equation (1) is obtained by deforming. S Jie training and testing phase. In the present embodiment. video clips with audio. extracting the video feature on the TV series is essentially composed of drama on a single image for each frame of video features were extracted. or images containing pornographic content. 2 is OWA integration process of the invention used in the fusion with other types of fusion methods comparison chart; [0054] FIG.

 spectral centroid.known in the art combined with common sense.: set four distance span dis = {1. those skilled in the art would understand. the image in YUV color space for each of a portion (i. respectively. [0065] When the extraction of 64­dimensional color histogram. short­time energy. then the color of statistics within each interval distance information. 2. and the last one­dimensional image is to determine the total number of pixels is not the edge. and thus to get the final result. can produce high recognition accuracy. [0068] While in the present invention MFCC as to extract the audio features. the top surface of the test results.1].. . edge histogram and MFCC training SVM model. as long as the value of item 1 in the presence of the test results. [0064] In the extraction of 144­dimensional color correlation chart.3. such as the aforementioned sorted Results of the test results and the fusion parameters after the combination of 1X0 + 1X0 + 0X1 = 0 (non­pornographic). Said Mel frequency Cepstral (MFCC) audio feature was first put forward in the field of speech recognition research. sorting of these test results back as 1. the test results. the first color in the RGB color space images are divided into 36 intervals in bini. versatility and robustness strong.. formant. The test results and the integration of parameters corresponding to three. because of the test results has been done to sort. The linear frequency scale is converted to Mel frequency scale. FPBW (Feature ParameterBased on Wavelet analysis) Hekou LPCC (Linear Prediction Cepstrum Coefficient).0. Dimension obtained by the above operation color histogram is 6M4X4X4).1. then the use of the set of parameters to fusion Fusion sorted plurality of test results. / Ν. the binding annotation information for each of these features of the training SVM model and calculate these fusion parameters SVM model. the color of each portion the histogram is defined as: h (i) = Ν. when the integration parameter W = [0..1 a simplified. said. bin36. it is not repeated in the present invention described below will be explained the purpose of calculating the parameters of SVM model of integration. the dimension obtained by the above operations of the color correlation chart of 144 (36X4). W3 .. then the resultant plurality of detection The results to be integration. color histogram and edge histogram. For example.. MFCC­based extract of common knowledge in the field of technical personnel. bin2 . step page Domain Bandwidth. the color correlation chart Cij is defined as the interval within bini color of the distance is less than or equal to (probability Ikj. [0070] from the front step 1) and 2) the description already mentioned. u and V) were divided into four intervals. so when the integration parameter W = [1 0.. And can extract audio features include MFCC. i = l. therefore. and the consequences are fused with 0. Conversely. Nj is the number i of the pixel values.5. color histogram. for the video and audio features characteristic SVM model training that is specific to the color correlation chart. In the above example. and therefore the present invention is not repeated. the test result is 0 at the back.. respectively video features and audio features in step 1) and step 2).0. the core OWA integration method is how to determine the parameters. the image that can be extracted from the drama of video features include three categories: color correlation chart. it can also be used in the present invention.. need to use the color correlogram.e. k. an edge histogram and MFCC respective SVM model object to be detected video and audio features characteristic detected. said. then the final result will be 1 (ie presence sexual content).7}. numerical integration parameters. such as pitch. the value is generally between 0­1 . [0067] Step magic. And its parameters without any assumptions. Y.1 (1 for pornography). highlighting conducive to human ear identifiable information while shielding high­ frequency noise.. but in fact may have different values..0. the purpose of clarity of illustration. the prior art used for other types of audio features. the other is a compromise of these two extreme cases. emphasizing bass audio information. such as test results and the preceding sorted The result of this fusion parameters after the combination of 1X1 + 1X0 + 0X0 = 1 (pornography). so a value of 1. suppose you have three test results for 1. [0072] The method described above is essentially a fusion OWA study various pending integration of the relationship between the data of two extreme form of "pay" and "or". short­term zero rate .0]. K It is the interval size (i. since the YUV color space is linear. in the presence of channel noise and spectral distortion of the situation. "and" that is. etc. color histogram and edge histogram extraction. suitable as audio recognition features. k = 4). wherein WAWJW3 + . which focuses on hearing characteristics of the human ear (the human ear to hear the voice of the level and frequency of the sound into a non­linear relationship). = 1. In the present invention uses a fusion fusion method based on the weighted average sort (Ordered Weighted Average. whereby the front edge histogram dimension 72. After the [0069] Step magic. color histogram. On how to use video features. the same can be achieved on other dimension The color correlation chart. W2. [0071] In a subsequent test stage. OffA) to achieve a number of test results between. where. and then the threshold value is determined which pixels in the image which is an edge pixel not eventually identified as edge pixels in accordance with section 5 of the spacer 72 is divided into parts. OWA method of determining a first set of said convergence parameter W = [W1. since the fusion parameters are . "or" that is. audio features and label information to train SVM model method in the prior art has been described in detail.e.]. extract audio features. N is the total number of pixels of the image.. The present invention is extracted audio features include Mel Frequency Cepstral Coefficients (MFCC). As can be seen from the above description. only the test results are 1 items. [0066] In the extraction of 73­dimensional edge histogram. the final result will be 1. the first of each pixel grayscale image on Sobel operator to calculate the direction and length of the edge.

 The value of this parameter Range between 0­1. and therefore the present invention is also ​ defined Another parameter is called "orness" of. including TV shows contain sexual content object detection. Wi represents the i­th fusion parameters. in yet another embodiment of the present invention. So how to choose a group is a problem to be solved from multiple sets of fusion parameters. and then calculate the parameters of each effect fusion annotated based on test data. [0076] In the definition of parameters orness later. Clearly. the final test result shows the drama to be detected Porn extent. there may be more group different fusion parameters corresponding to the orness value. it can be seen from . and the use of space for time methods to improve efficiency. In the foregoing description has been given of the prior art conversion formula. Figure 2 is the experimental results on the data made TRECVID experiment. can be chosen arbitrarily set as a parameter. for all values ​ within ​ the interval orness calculate the corresponding fusion parameters. Similarly. choose divergence value Dispersion (W) = ­ Σ WdnWj largest group integration as the only parameter that parameter values ​ corresponding orness. η represents the total number of fusion fusion parameters contained in the parameter set. also according to Shannon entropy theory. [0083] In the present embodiment.1] into the formula to calculate the resulting orness is 0. from a value corresponding to a plurality of sets orness fusion parameters. when the value is 0. the fusion parameters Finally. in a preferred embodiment. Taking into account the convergence stability and robustness of the results. meaning orness value did not change before and after the calculations. the introduction of an implementation pornography detection method of the present invention. the ​ results showed that: 0WA effect fusion method was significantly higher than other methods.usually a set of data." From the Define the parameters of view. which is calculated as follows: [0073] [0074] In the above equation. it can be judged to be detected drama contains pornographic content. [0080] In the test phase to extract the video and audio features and characteristics of the type of extraction method and the same training phase. the skilled in the art can be achieved. the fusion parameters [0. we must first make the image color space conversion. Thus. so in one embodiment. accelerate color space conversion method includes shifting algorithm to convert floating point to fixed­point calculations. But in the process of calculation of the present applicants have found that: refer to the preceding equation (1) by a group of fusion parameters can be calculated only one orness value. The OWA method of the invention is to walk the entire (0. this argument is essentially used to represent the fusion of "or" level. after SVM model parameters of the model and the convergence between audio features calculated to extract video and audio characteristic features to be tested in the drama. and therefore will not be repeated. the color space conversion accelerated implementation in order to improve detection methods porn video feature extraction efficiency.1) orness value interval. affecting the timeliness entire porn detection method. but not traverse a variety of fusion of the real sense. but in the reverse calculation value by one orness fusion parameters. and this data set individual values ​ are many possibilities. the actual test results are similar. as long as the result of a set threshold are compared. the integration of these test results to get the final test results. in order to extract the color histogram feature required video RGB to YUV color space conversion. which means "cross". integration parameters. the use of this implementation can already be detected. Art fusion method using a variety of strategies to achieve find the best parameters. [0077] How orness value calculation method by the fusion parameters belong to the prior art. In the foregoing description has been mentioned before implementing video feature extraction. Suppose the image reading obtained when the RGB color space information. the parameter value of 1 means "or.0. but the art of the color space conversion method is often more time­consuming. select the most A good set of parameters as a fusion genuine use in the present invention. How SVM model to feature video and audio features to test. during the training phase to give more of the video feature. [0081] Color space conversion acceleration [0082] In the embodiments described above. [0075] The fusion parameters listed previously [1. and then using said multiple SVM model to test new features extracted from video and audio features. that formula (1).0.0] is substituted into the formula to calculate the resulting orness is 1. OWA integration process how to determine the parameters of the problem becomes a problem to find a set of best orness value­compliance (making fusion results with the highest accuracy) fusion parameters. [0078] beta [0079] Step 4). Through testing we found: For a particular value of orness fusion parameters corresponding to the different. and how to use fusion parameters fusion of multiple test results are known to those skilled in the art. a plurality of test results obtained.

 according to test results first remove the audio and video objects to be detected are considered to contain pornographic images. after IlOXi0 The foregoing equation (4) can be rewritten as the equation (5): [0088] Y = (YE [R] + Yg [G] + Yb [B]) >> 10 (5) [0089] In other words. the color space conversion acceleration method can significantly improve color space conversion speed. For larger face false detection picture. Those skilled in the art have found that. [256]. the Applicant has found 22% of false detections appear in the picture. so you need to do floating point calculations. Yet another embodiment of the present invention. YG [i] = 590ΧΪ. YB [i] = array defined above. employed in the present embodiment. if the coefficient matrix magnification of 1000. when the test results do after treatment. we can face detection to exclude; for class character color scene does not appear false detection picture. The aforementioned equation (1) after the conversion formula shown in Equation (3) below: [0084] [0085] The skilled person knows the range R. but the color edge itself is not included; . it is considered that the image does not contain pornographic content. the present invention is based on the rule of post­processing steps include face detection and texture distinguish two aspects. G. the calculation Sobel edge in the region of possible color. As calculated by the above equation variable (3) the resulting equation Y Equation (4) below: [0086] Y = (300XR + 590XG + 110XB) >> 10 (4) [0087] It can define an array of three­dimensional 256: YK [256]. continue to do texture image recognition; if the class has a large internal color texture pixels proportion of total pixels than the other threshold (the threshold test can also be set). it can be natural to think of the establishment of 256­dimensional array to save the results in advance multiplication. and it is difficult to improve by SVM model corrected). YJ256] and. the shift operation by the floating­point to fixed­point conversion. if found in Face Detection the proportion of the face area and the entire image area is greater than a threshold value (the threshold value can be set by experiment). older people face. because of its texture more (even in the skin color area). and 1000 and IOM is very close. SVM training method itself understandable poor defect (that they were false detection data SVM can not understand or explain. Those skilled in the art would understand. therefore. otherwise. [0093] The image of thousands of false detection by screening and statistics. the porn detection method of the present invention also includes rules­based post­processing step. and the result is 1000 times smaller can avoid floating­point operations. speed up real­time throughout the pornography detection method. Among them. while 37% of false detections pictures include scenes figure skin color does not appear Therefore. you can edge information threshold law to exclude. in this embodiment. then the results right 10 bit. use skin color model image of skin color pixels; [0097] steps b). for example. [0090] As can be seen from the above description. the reason for the coefficient matrix to be 1.the equation. Specifically. [0091] The results of post­processing [0092] In the first two examples. you can think that the image does not contain pornographic content. you can get the value of the YUV. which converts the floating­point calculations fixed­point calculations. of said skin color pixel using regional connectivity algorithm and corrosion smoothing algorithm to determine possible skin area; [0098] Step c). the coefficient matrix by 1024. Related Methods [0095] Face detection based common knowledge in the field of below used for texture feature­based recognition threshold edge information exclusion will be described. where = 300ΧΪ. the image is pornographic images. the original value of the operation at the time of the color space conversion less efficient multiplication converted into efficient direct addressing. based on the foregoing. and these images for face detection. on the computer to do floating­point operations than the fixed­point arithmetic takes more resources. faster conversion speed.000 times larger multiple selected take into account two main factors: First shift operations faster than division. B is usually an integer of 0­255 inside. the equation (1). [0094] Specifically. The method comprises the steps of: [0096] steps a). so. after the image of the face detection and recognition after texture is still believed to contain pornographic content. there are several decimal in the formula. If. it is a direct treatment to detect whether an object contains sexually explicit material to make judgments based on test results SVM model. and when the values ​ of these ​ variables within a limited range.

 Although the reference to the embodiment of the present invention has been described in detail. compared with the prior art detection methods pornography only using video feature on the accuracy is greatly improved. if the ratio is greater than the threshold value. it should be encompassed by the present invention Among the scope of the claims. and therefore have greater texture features based on (Sobel edge) pixels total pixels proportions and experimentally determined threshold to exclude non­ pornographic content type color image is justified . or images containing pornographic content. not limitation. Because less erotic scene color part of the internal texture characteristics. the present invention will be porn video feature detection methods and the integration of audio features compared with the prior art using only porn video feature detection methods improve on the accuracy of. should be noted that the above embodiments are merely provided for describing the technical solutions of the present invention. CLASSIFICATIONS International Classification G06K9/66 LEGAL EVENTS Date Code Event Description Sep 1.[0099] step d). those skilled in the art will appreciate. 2012 C14 Granted Google Home ­ Sitemap ­ USPTO Bulk Downloads ­ Privacy Policy ­ Terms of Service ­ About Google Patents ­ Send Feedback . [0101] The method of the present invention will be audio and video features do porn detection feature combined. and in the post­processing step is added. the image does not contain sexual content image. according to the number and the Sobel edge threshold pixel determined to have a larger texture features; [0100] Step e). without departing from the spirit and scope of the present invention the technical solution. further improved accuracy and more. 2010 C06 Publication Oct 20. Is given in Figure 3 of the ROC (Receiver Operating Characteristic curve) curve can be seen from the figure. the technical aspect of the present invention can be modified or equivalents. [0102] Finally. 2010 C10 Request of examination as to substance Jul 11. will have a larger texture (Sobel edge) pixels total pixel ratio experimentally determined threshold.