近年来，随着高速有线和无线通信技术、大规模存储设备、轻便便携式移动设备的发展，图形用户界面的数字媒体播放器迅速发展。因此，照片、动画、高清晰视频等多种多媒体内容得以自由传播。 1- 3.］．由于包括智能手机或互联网的移动设备的计算和网络技术的显着增长，包括与现有的典型个人计算机相当，基于移动设备的多媒体内容已被广泛使用[ 4.- 7.］．

在任何人都可以通过连接互联网的高速有线和无线移动设备获取和回放多媒体数据的同时，色情视频、裸照或其他成人内容也很容易传播给青少年和儿童，造成巨大的社会问题[ 8.］．在这种情况下，在图像安全区域，对成人图像自动评估和过滤的需求越来越大，有意或无意地通过各种途径流入[ 9.］．

最近的图像处理和模式识别的文献描述了评估图像危害的现有技术。谢等人。搜索成人和非向量图像数据库的查询图像[ 10］．在相似的搜索结果中，如果成人图片超过一定的数量，就会被判定为有害图片。Zheng等使用多贝叶斯分类器识别皮肤区域，获得提取的皮肤区域的形状特征[ 11］．接下来，这些研究人员将识别出的形状特征应用到增强分类器中，以评估图像的危害性。Park等人利用灰度图像中的Hough变换来评估图像的危害性，检测乳房，包括乳头区域[ 12］．Lee等人预先定义了人类肤色模型，并利用该模型从输入图像中提取皮肤区域[ 13］．然后，根据提取的皮肤区域的形状特征，评估图像的危害性。除了这些方法外，还不断尝试新技术来自动评估图像的危害性[ 14］．

这些方法在某些图像数据库中可以保证一定的准确性。然而，这些方法的精度还不够高，无法拍摄到不同环境下的所有不同类型的图像。在这种情况下，我们提出了一种利用层次人工神经网络检测人乳头区域的方法来鲁棒地评估图像的危害性。在本文中，如果一个裸体女人的乳头被检测到，图像被认为是有害的。数字 1给出了本文提出的危害性评估算法的总体轮廓。

如图所示 1，所提出的算法首先通过修改的人口普查（MCT）方法从输入图像中检测人面积。基于颜色特征，该算法识别人体肤色区域并提取乳头的候选区域，人体元素之一。最后，使用层级人工神经网络，该算法从提取的候选乳头区域去除非极性区域，保持实际的乳头区域并评估图像有害性。

本文的其余部分安排如下。部分 2描述了现有的成人内容检测研究和多媒体区域的研究。部分 3.解释的方法来提取基于MCT特征的输入图像的面部的元件。部分 4.解释了一种利用颜色信息从图像中筛选出乳头候选区域的技术。部分 5.描述了一种技术通过验证与一个神经网络候选乳头区域，以评估图像危害性。部分 6.给出了实验结果，对所提方法的性能进行了比较和评价。部分 7.提出本研究的结论和未来的研究展望。

随着智能手机、上网平板电脑等移动设备的计算性能和网络功能的发展，裸照、成人视频等成人多媒体内容也在自由传播。在这种情况下，对自动屏蔽此类成人内容的技术的需求正在增加。相关文献介绍了成人内容自动检测的相关方法。

基于内容的图像检索方法[ 10通过利用肤色分布，首先从图像中删除背景区域并以方形形式获取感兴趣的区域。接下来，该方法从每个图像中提取颜色，纹理和形状特征，并从由成人和非向图像组成的图像数据库中搜索到输入图像的100个最相似的图像。如果搜索的图像包括多于 T. 广告 成人图像，将给定的图像视为成人图像。如果不是，则将给定的图像视为非成人图像。 T. 广告 是预定义的阈值。也就是说，基于图像检索的方法通过图像分类解决了成人图像的筛选问题。数字 2展示了基于图像检索方法的总体结构。

基于形状特征的方法[ 11]使用多贝叶斯分类器[ 15那 16]更精确地检测与人体皮肤颜色分布的区域。为了获得精确的皮肤检测，人体肤色检测程序由两个阶段组成：皮肤像素检测相和皮肤区域细化阶段。从检测到的皮肤区域，形状特征被提取并输入到提升分类器，以评估当输入皮肤区域是裸图像或没有。在本文中，所述形状特征，通过使用偏心，紧凑性和矩形的三个简单的形状描述符进行分析;胡[呈现7个正常变矩 17];和Zernike时刻[ 18那 19］．该方法利用不同的增强分类器和形状特征来比较和测试成人图像检测算法的性能。

基于乳房面积检测的新方法[ 12]采用均值强度滤波和Hough变换[ 20.那 21从图像中识别乳腺区域，筛选出成人图像。本文提出的成人图像识别方法主要由学习阶段、识别阶段和测试阶段组成。在学习阶段，通过学习乳头部分图像，系统形成一个乳头强度滤波器用于识别阶段。在识别阶段，对输入图像进行边缘提取，利用边缘密度提取连接元素。然后，通过考虑连接元件的长宽比，系统确定候选乳头区域。系统测量学习后的乳头强度滤波器与输入图像中候选乳头区域之间的相似度，以相似度最高的作为最终候选乳头区域。利用Hough变换检测图像中的胸线。在测试阶段，考虑在识别阶段学习到的乳房线和候选乳头区域的位置，以评估相应图像的最终危害性。

基于人类肤色模型的方法[ 13]利用适应性和可伸长的肤色分布模型，其能够持久地持久地延长由特殊照明效果引起的颜色铸造 y C B. C R. 空间 [ 22]到段人的皮肤颜色区域。除了使用预定义的肤色模型，这个模型得到人体肤色的颜色从输入图像本身，以更适应地更新它的模型。然后，多个特征应用于评估分割皮肤区域的真伪和是否输入图像是一个成人图像或没有。纹理平滑度在所抽取的肤色区域特别考虑。对于皮肤颜色分布的有效的学习中， K. 多层前馈神经网络[ 23那 24]采用。

除了上述方法之外，还开发了许多关于成年内容检测的其他技术[ 14］．虽然此类方法可以确保某些数据库中的一些准确性，但它们不足以处理在不同环境中拍摄的每个动态图像。

在本文中，以从输入图像检测面部区域，MCT特征被用来[ 25那 26］．MCT特征是在使用（0,1）的二进制信息的基于区域的特征 3. × 3. 内核。换句话说 3. × 3. 核，计算均值，如果核值大于均值，赋值为1;如果它小于平均值，则赋值为0。因此,在 3. × 3. 内核，共 2 9. - 1 或可生成511 MCT特征。总的来说，MCT特性利用了对光照变化不敏感的区域信息，并确保了简单的计算过程。因此，在多媒体区域的人脸检测中具有较高的检测率和快速的处理时间。

通常，MCT功能使用 3. × 3. 内核可以使用 （1） Γ X = ⨂ y ∈ N ' ⁡ ζ 一世 X ¯ 那 一世 y 。

在 （ 1）， 一世 （ X ） 表示的亮度 X 和 一世 （ X ） ¯ 为核中像素的平均亮度。 N ' 表示核和相邻像素的中心。 ζ （ ） 是一个比较函数。如果 一世 （ y ） 比平均亮度大 ζ （ ） 具有1的值;如果不， ζ （ ） 具有为0的值。 ⊗ 是十进制转换运算符。它改变了9位二进制的结果 ζ （ ） 进入十进制数。因此，本文中使用的MCT功能范围为0至510.图 3.示出了MCT变换的例子。

将输入图像中识别出的MCT特征应用于Adaboost learner生成的人脸检测分类器[ 27主要筛选面部区域。在检测到的面部区域内，使用EyeMap和LipMap提取眼睛和嘴唇区域[ 28那 29］．基于eyemap的方法是一种可使用的方法 y C B. C R. 颜色空间。它使用 y 基于通道EyeMapL和 C B. C R. 信道为基础的EyeMapC执行AND计算和产生眼部图。基于LipMap-方法是估计基于整个皮肤区域的颜色嘴唇区域的颜色。它计算 η. ，整个皮肤区域颜色的变化，并使用这个 η. 产生LipMap。

数字 4.显示了将EypMap和LipMap应用于使用MCT特征检测的面部区域的眼睛和嘴唇区域检测结果。数字 4（a）是眼部检测的一个例子，和图 图4（b）是唇形区域检测的一个例子。

选择包括检测到的眼睛和唇部区域的最小封闭矩形作为最终面部区域。在本文中，包括提取的眼睛和唇部区域，包括提取的眼睛和唇部区域，用于有效地滤除在随后的阶段中提取的候选乳头区域。换句话说，因为候选乳头区域不能存在于人面积内，所以如果面部区域存在这样的区域，则系统将其视为非极性区域并去除它。

本文为了评估不同输入图像的危害性，确定这些图像中是否存在女性乳头区域。为此，首先使用预定义的椭圆形人体皮肤颜色分布模型检测人体皮肤区域[ 28］．

然后，如（ 2)，利用定义的乳头映射从皮肤区域中提取候选乳头区域 y C B. C R. 颜色模型。在 （ 2）， y （ X 那 y ） 那 C B. （ X 那 y ） , C R. （ X 那 y ） 代表 y 那 C B. , C R. 在相应的颜色值 （ X 那 y ） 坐标。乳头图是通过利用所有的颜色要素的定义 y C B. C R. 颜色模型。( 2)在0到255之间标准化: （2） 乳头 X 那 y = C R. 2 X 那 y × C R. X 那 y C B. X 那 y + C R. X 那 y y X 那 y × 255 - y X 那 y 。

正常情况下，人类乳头区域有红色的颜色值和相对较暗的亮度值。基于这个事实，乳头图的定义， 乳头 X 那 y ,。在 （ 2）， C R. （ X 那 y ） / y （ X 那 y ） 强调与微红色和较低的亮度的像素。 C R. （ X 那 y ） / C B. （ X 那 y ） 强调乳头区域相对于皮肤区域。

表格 1的平均值和标准差的定量比较 y C B. C R. 皮肤及乳头区域颜色分布。如表所示 1，皮肤区，乳头区相比，具有较低的 C B. 平均值和更高的值 C R. 值。

在本文中，通过将乳头贴图施加到皮肤区域提取的乳头图图像被标记为更亮的乳头区域更高。作为乳头面积的机会越低，它们的标记越暗。接下来，提取的乳头图图像被二值化并标记以提取候选乳头区域。OTSU方法用于二值化乳头图图像[ 30.那 31］．当亮度直方图具有两种类型的概率密度函数时，这种方法可以提供最好的性能。Otsu二值化方法是在不具备先验知识的情况下，基于统计信息找到亮度直方图二值化的最佳临界值。它是图像处理和计算机视觉领域最常用的二值化算法之一。

通过二值化乳头地图图像检测出候选乳头区域后，采用形态学操作去除相对较小的区域，如噪声区域[ 32那 33］．形态学图像处理是与图像中特征的形状或形态相关的非线性操作的集合。形态学操作仅依赖于像素值的相对排序，而不是在其数值上，因此特别适用于二进制图像的处理。通常，在侵蚀过程之后开放形态操作进行扩张过程。它去除小于一定尺寸的区域，并将其他区域留下了与原来的尺寸相似的区域。剩余区域的界限变得更柔软。

在前一阶段提取候选乳头区域后，利用MCT特征和人工神经网络去除非乳头区域，得到真实的乳头区域。

换句话说，本文建立了一个具有乳头图像的学习数据库，其标准化 50 × 50 像素大小，了解乳头区域。然后，从每个乳头区域提取MCT特征，通过人工神经网络学习提取的MCT特征集，生成一个乳头分类器。尽管MCT对旋转非常敏感，但由于乳头是圆形的，这样的限制可以最小化。最后，利用生成的乳头区域学习分类器对候选乳头区域进行验证，对图像危害性进行最终评估。例如: 3.），如果女性的乳头区域观察被暴露，则系统就认为输入图像有害;如果不是，它认为输入图像为无害的： （3） 如果 R. 乳头 一世 ∈ 一世 T. X 那 y 那 然后 一世 T. X 那 y 是有害的 那 别的 一世 T. X 那 y 不是有害的 。

在 （ 3.）， R. 乳头 一世 代表了 一世 乳头区域包括在一个图像和 一世 T. （ X 那 y ） 表示当时的输入图像 T. 。

本文提出了一种通过使用分层分层人工神经网络学习后识别乳头区域的算法。人工神经网络的学习功能是错误反向验证算法[ 34］．还使用了一个隐藏层。激活函数是二元s型函数。层次人工网络由511个输入节点、128个隐藏节点和1个输出节点组成。

本文使用的层次人工神经网络通过一个阈值输入和重新学习检测到的样本，产生99%的检出率和50%的误检率。它在6层重复这个过程。候选乳头区域归一化为 50 × 50 并利用层次人工神经网络对其进行了测试。数字 5.概述层次人工神经网络的分类过程。

在此过程中提取的候选乳头区域可能包括多个乳头区域。因此，如果乳头候选区域的大小定义为( 4.)相对于整体图像的大小，我们的实验在候选区域内再次尝试乳头检测，将对应的候选区域划分得较小: （4） R. 尺寸 一世 = 海洋博物馆 W. R. 一世 × 海洋博物馆 H R. 一世 一世 W. × 一世 H 。

本文中使用的计算机具有英特尔核心 ™i7 2.93 Ghz CPU, 8gb内存。操作系统为Microsoft windows 7。实现所提出的危害检测方法的编程工具是Microsoft Visual c++和OpenCV。为了比较和评价所提算法的性能，我们采集了不同类型的成人图像和非成人图像，这些图像都是在正常的室外和室内环境下采集的，没有特定的约束条件。

数字 6(一)显示成人形象和图 6 (b)显示从输入图像中估计乳头映射的结果。

数据 7(一)和 7 (b)基于所提出的方法显示最终乳头面积检测的示例。

为了定性地评估所提出的图像有害评估方法的性能，采用精度标准，其定义为（ 5.）. N TP 在这些公式中，表示精确检测到的乳头区域的数量。 N FP. 指的是被误诊的乳头区域实际上是非乳头区域的数量。 N FN. 是未检测到乳头区的数量。 R. 精度 表示在输入图像中所有检测到的乳头区域中准确检测到的乳头区域的相对比例。 R. 回忆 表示在给定的图像中，准确检测到的乳头区域与实际存在的整个乳头区域的相对比率。在采用二元分类的模式识别和信息检索中，精度(也称为阳性预测值)是检索到的相关实例的比例，而召回率(也称为灵敏度)是检索到的相关实例的比例。因此，精确和回忆都是基于对相关性的理解和衡量[ 35]： （5） R. 精度 = N TP N TP + N FP. 那 R. 回忆 = N TP N TP + N FN. 。

本文将该方法与现有的基于强度滤波的方法和基于几何滤波的方法进行了比较，以检验其准确性。数据 8.和 9.通过( 5.）.在数据 8.和 9.，基于层次人工神经网络的方法降低了误检率，提高了图像危害性评估的准确性。

在三种方法中，基于强度滤波的方法准确率最低。由于没有充分利用颜色信息，该方法存在许多误差。基于几何滤波的方法首先检测候选乳头区域，然后利用关键几何特征去除非乳头区域。这种方法可能导致误检，因为更具体的过滤是困难的。该方法采用层次人工神经网络在检测前深入学习人乳头区域的主要特征，实现了较高的准确率。然而，如果在初始化过程中没有对所提出算法中使用的主要参数进行充分的调整，则图像有害检测的精度可能会有所降低。此外，当乳头区域包含在图像质量下降的部分时，该方法可能会降低图像有害检测的准确率。

本文提出的自动评估输入图像的基于人工神经网络的危害的新方法。所提出的方法首先通过使用MCT特征检测输入图像中的人脸区域。接下来，根据颜色的功能，该方法获取人体皮肤区域并提取候选乳头区。最后，候选乳头地区之间，nonnipple地区使用的是分层的人工神经网络和实际的乳头区域稳健检测，以最终评估图像危害性删除。

在实验中，将所提出的算法应用于在通常的室内和室外环境中捕获的不同类型的成人和非建癌图像，而没有特定的约束来测试其性能。结果，发现使用分层人工神经网络的所提出的方法提供比其他现有方法更强大的检测性能。换句话说，所提出的方法显示了更高的准确性，因为它首先通过神经网络学习乳头区域的特征，然后检测乳头区域。

本研究未来的工作将包括将不同类型输入图像的危害性从目前的有害和无害两种状态划分为多个级别，从而更有效地确定不同类型输入图像的危害性。我们还将尝试自适应地调整建议算法中使用的预定义参数，以提高整个系统的稳定性。此外，在评估图像的危害性时，如何考虑除乳头区域之外的其他人体部位，如肚脐、臀部、生殖器区域等，也将不断探索。