روشی نوین برای کاهش تغيير روشنايي در تصاویر غيراخلاقي بر پایه شبکه عصبی عمیق فازی
الموضوعات :ساسان کرمی زاده 1 , ابوذر عرب سرخی 2
1 - پژوهشگاه ارتباطات و فناوري اطلاعات(مركز تحقيقات مخابرات ايران) تهران ، ایران
2 - پژوهشگاه ارتباطات و فناوري اطلاعات(مركز تحقيقات مخابرات ايران) تهران ، ایران
الکلمات المفتاحية: تغييرات روشنايي, طبقه‌بندي رنگ پوست, تغيير چهره, تصاوير اخلاقی و غیراخلاقی, Gaussian-KNN, الگوریتم ماشین بردار پشتیبان,
ملخص المقالة :
در فضای اینترنت شناسایی عکس‌های غیراخلاقی امری ضروری در جهت حفاظت فیزیکی و ذهنی کودکان محسوب می شود؛ یکی از چالش های اصلی در تشخیص تصاوير غیر اخلاقی تغییرات روشنایی و رنگ پوست بدن است. به همین منظور در این مقاله روشی برای حل تغییرات روشنايي و بهبود تشخیص تصاویر غیراخلاقی ارایه شده‌است. در اين مقاله از شبکه عصبی عمیق فازی برای بهبود روشنایی تصاویر غیراخلاقی استفاده شده است. در روش پیشنهادی از مدل یادگیری عمیق xception جهت تقسیم تصویر براساس شدت روشنايي به بخش‌های مختلف بهره گرفته شده است. تقسیم کردن تصویر به قسمت‌های مختلف باعث بهبود تغییرات روشنايي با حفظ جزئیات تصویر و نهایتا شناسایی بهتر تصاویر غیراخلاقی شده است. به علاوه برای طبقه‌بندی رنگ پوست از ترکیب الگوریتم مبتنی بر Gaussian-KNN بهره گرفته شده است که روشی غیرپارامتری برای طبقه‌بندی‌ها و رگرسیون‌ها است؛ و در انتها از الگوریتم ماشین بردار پشتیبان براي طبقه‌بندی تصاویر استفاده شده است. به منظور پیاده سازی و ارزیابی روش پیشنهادی یک مجموعه شامل 33000 تصویر گردآوری شد، نتایج بدست آمده نشان می‌دهد که طرح پیشنهادی با دقت 7/99 درصد تصاویر غیراخلاقی را تشخیص می دهد.
1. Wang, H., and Fan, A.: ‘Pornographic information of Internet views detection method based on the connected areas’, in Editor (Ed.)^(Eds.): ‘Book Pornographic information of Internet views detection method based on the connected areas’ (International Society for Optics and Photonics, 2017, edn.), pp. 1032228
2.Wang, Y., Jin, X., and Tan, X.: ‘Pornographic image recognition by strongly-supervised deep multiple instance learning’, in Editor (Ed.)^(Eds.): ‘Book Pornographic image recognition by strongly-supervised deep multiple instance learning’ (IEEE, 2016, edn.), pp. 4418-4422
3.Adnan, A., and Nawaz, M.: ‘RGB and hue color in pornography detection’: ‘Information Technology: New Generations’ (Springer, 2016), pp. 1041-1050
4.Nian, F., Li, T., Wang, Y., Xu, M., and Wu, J.: ‘Pornographic image detection utilizing deep convolutional neural networks’, Neurocomputing, 2016, 210, pp. 283-293
5.Karamizadeh, S., Abdullah, S.M., Zamani, M., Shayan, J., and Nooralishahi, P.: ‘Face recognition via taxonomy of illumination normalization’: ‘Multimedia Forensics and Security’ (Springer, 2017), pp. 139-160
6.Brancati, N., De Pietro, G., Frucci, M., and Gallo, L.: ‘Dynamic Colour Clustering for Skin Detection Under Different Lighting Conditions’, in Editor (Ed.)^(Eds.): ‘Book Dynamic Colour Clustering for Skin Detection Under Different Lighting Conditions’, in Editor (Ed.)^(Eds.): ‘Book Dynamic Colour Clustering for Skin Detection Under Different Lighting Conditions’ (Springer, 2016, edn.), pp. 27-35
7.Karamizadeha, S., Mabdullahb, S., Randjbaranc, E., and Rajabid, M.J.: ‘A review on techniques of illumination in face recognition’, Technology, 2015, 3, (02), pp. 79-83
8.Surinta, O., and Khamket, T.: ‘Recognizing pornographic images using deep convolutional neural networks’, in Editor (Ed.)^(Eds.): ‘Book Recognizing pornographic images using deep convolutional neural networks’ (IEEE, 2019, edn.), pp. 150-154
9.Noh, Y., Koo, D., Kang, Y.-M., Park, D., and Lee, D.: ‘Automatic crack detection on concrete images using segmentation via fuzzy C-means clustering’, in Editor (Ed.)^(Eds.): ‘Book Automatic crack detection on concrete images using segmentation via fuzzy C-means clustering’ (IEEE, 2017, edn.), pp. 877-880
10.Md Noor, S.S., Ren, J., Marshall, S., and Michael, K.: ‘Hyperspectral image enhancement and mixture deep-learning classification of corneal epithelium injuries’, Sensors, 2017, 17, (11), pp. 2644
11.Gross, R., Baker, S., Matthews, I., and Kanade, T.: ‘Face recognition across pose and illumination’: ‘Handbook of face recognition’ (Springer, 2005), pp. 193-216
12. .Chen, Z., Liu, C., Chang, F., Han, X., and Wang, K.: ‘Illumination processing in face recognition’, International Journal of Pattern Recognition and Artificial Intelligence, 2014, 28, (05), pp. 1456011
13.Basilio, J.A.M., Torres, G.A., Pérez, G.S., Medina, L.K.T., and Meana, H.M.P.: ‘Explicit image detection using YCbCr space color model as skin detection’, Clustering for Skin Detection Under Different Lighting Conditions’, in Editor (Ed.)^(Eds.): ‘Book Dynamic Colour Clustering for Skin Detection Under Different Lighting Conditions’ (Springer, 2016, edn.), pp. 27-35
7.Karamizadeha, S., Mabdullahb, S., Randjbaranc, E., and Rajabid, M.J.: ‘A review on techniques of illumination in face recognition’, Technology, 2015, 3, (02), pp. 79-83
8.Surinta, O., and Khamket, T.: ‘Recognizing pornographic images using deep convolutional neural networks’, in Editor (Ed.)^(Eds.): ‘Book Recognizing pornographic images using deep convolutional neural networks’ (IEEE, 2019, edn.), pp. 150-154
9.Noh, Y., Koo, D., Kang, Y.-M., Park, D., and Lee, D.: ‘Automatic crack detection on concrete images using segmentation via fuzzy C-means clustering’, in Editor (Ed.)^(Eds.): ‘Book Automatic crack detection on concrete images using segmentation via fuzzy C-means clustering’ (IEEE, 2017, edn.), pp. 877-880
10.Md Noor, S.S., Ren, J., Marshall, S., and Michael, K.: ‘Hyperspectral image enhancement and mixture deep-learning classification of corneal epithelium injuries’, Sensors, 2017, 17, (11), pp. 2644
11.Gross, R., Baker, S., Matthews, I., and Kanade, T.: ‘Face recognition across pose and illumination’: ‘Handbook of face recognition’ (Springer, 2005), pp. 193-216
12.Chen, Z., Liu, C., Chang, F., Han, X., and Wang, K.: ‘Illumination processing in face recognition’, International Journal of Pattern Recognition and Artificial Intelligence, 2014, 28, (05), pp. 1456011
13.Basilio, J.A.M., Torres, G.A., Pérez, G.S., Medina, L.K.T., and Meana, H.M.P.: ‘Explicit image detection using YCbCr space color model as skin detection’, Applications of Mathematics and Computer Engineering, 2011, pp. 123-128
14.Karamizadeh, S., and Arabsorkhi, A.: ‘Methods of pornography detection’, in Editor (Ed.)^(Eds.): ‘Book Methods of pornography detection’ (2018, edn.), pp. 33-38
15.Sufyanu, Z., Mohamad, F.S., Yusuf, A.A., and Mamat, M.B.: ‘Enhanced Face Recognition Using Discrete Cosine Transform’, Engineering Letters, 2016, 24, (1)
16.Liu, Z., Zhao, H., Pu, J., and Wang, H.: ‘Face recognition under varying illumination’, Neural Computing and Applications, 2013, 23, (1), pp. 133-139
17.Anagha, K., and Ram, A.R.: ‘Pose Tolerant Face Recognition: A Review’, in Editor (Ed.)^(Eds.): ‘Book Pose Tolerant Face Recognition: A Review’ (IEEE, 2020, edn.), pp. 0147-0152
18.Jin, X., Wang, Y., and Tan, X.: ‘Pornographic Image Recognition via Weighted Multiple Instance Learning’, IEEE transactions on cybernetics, 2018, 49, (12), pp. 4412-4420
19.Lopes, A.P., de Avila, S.E., Peixoto, A.N., Oliveira, R.S., and Araújo, A.d.A.: ‘A bag-of-features approach based on hue-sift descriptor for nude detection’, in Editor (Ed.)^(Eds.): ‘Book A bag-of-features approach based on hue-sift descriptor for nude detection’ (IEEE, 2009, edn.), pp. 1552-1556
20.Moustafa, M.: ‘Applying deep learning to classify pornographic images and videos’, arXiv preprint arXiv:1511.08899, 2015
21.Ding, X., Li, B., Li, Y., Guo, W., Liu, Y., Xiong, W., and Hu, W.: ‘Web Objectionable Video Recognition Based on Deep Multi Instance Learning with Representative Prototypes Selection’, IEEE Transactions on Circuits and Systems for Video Technology, 2020
