detecci n de piel en im genes en la web - dc.uba.ar · piel en la web color color el color es una...

Piel en la Web

Deteccion de Piel en Imagenes en la Web

Alejandro C. Frery Heitor Ramos

Instituto de ComputacaoCPMAT & LCCV

Universidade Federal de Alagoas

ECImage30 de julio de 2008

1 / 59

Piel en la Web

Introduccion

Estructura1 Introduccion

2 Arquitectura

3 Preprocesador de Imagenes

4 Procesador de Imagenes

5 ColorCorreccion de ColorReduccion de Dimension

6 ClasificadoresTecnicasEvaluacion

7 Resultados

8 Conclusiones

2 / 59

Piel en la Web

Introduccion

Motivacion

Con el crecimiento de Internet aumentaron los problemas quedevienen de la exposicion a material inadecuado.

Tal exposicion acarrea congestionamientos en la red.

Uno de los “contenidos inadecuados” que mas preocupa es lapornografıa que, por ser un concepto cultural difuso y noposeer fronteras bien definidas, es difıcil de tratar.

No trataremos aquı los problemas de “pornografıa” ni decensura bajo aspectos eticos, polıticos, religiosos o legales.

El volumen, la variabilidad y la naturaleza dinamica de lasinformaciones disponibles por Internet conforman lasprincipales dificultades para el desarrollo de sistemas debloqueo de imagenes inadecuadas.

Las soluciones mas frecuentes son listas negras y filtros detexto.

3 / 59

Piel en la Web

Introduccion

Propuesta

Desarrollar estrategias automaticas o asistidas para apoyo a lacensura de imagenes pornograficas: un sistema decategorizacion de imagenes en funcion de su potencialcontenido ofensivo.

Usar tecnicas de procesamiento de imagenes, computaciongrafica, vision computacional, inteligencia artificial, estadısticae ingenierıa de software.

La nota dada a cada imagen sera en funcion de atributos, quedependen fuertemente de la identificacion de piel humana.

4 / 59

Piel en la Web

Introduccion

Objetivos

Ofrecer mecanismos de bloqueo de imagenes utilizandocriterios bien definidos y ajustables

Especificar y desarrollar algoritmos para realizar esa tarea enun ambiente Web de produccion (restricciones de tiempo y depoder computacional)

Integrar los algoritmos en un sistema de apoyo a laadministracion de sistemas Web

5 / 59

Piel en la Web

Introduccion

Estructura de Funcionamiento

retrieves the page

userand shows it to

Web server

retrieves the page

userand shows it to

Web server

(Apache)

User requests a web page

Web Server

yes

no

Analyze the

and put the information in cache

no

yes

yes

no

The image is incache?

Notify the user

Block the Image

Is a pornography image?

Are thereimages in the page?

image

6 / 59

Piel en la Web

Arquitectura


2 Arquitectura





7 Resultados

8 Conclusiones

7 / 59

Piel en la Web

Arquitectura

Arquitetura

gif, png)

Image Analyzer Module

Image (jpg,

Pre−Processor

Processor

FeatureExtractor

Qualifier

Output

Input

Abstraction(RGB)

SomeExtractedFeatures

Graphic

Skin SegmentedImage

ImageEvaluation

8 / 59

Piel en la Web

Preprocesador de Imagenes


2 Arquitectura





7 Resultados

8 Conclusiones

9 / 59

Piel en la Web

Preprocesador de Imagenes

Preprocesamento de imagenes

Objetivos

Hacer una abstraccion del formato grafico, y

detectar y evitar ataques al sistema.

10 / 59

Piel en la Web

Procesador de Imagenes


2 Arquitectura





7 Resultados

8 Conclusiones

11 / 59

Piel en la Web

Procesador de Imagenes

Procesamiento de Imagenes

Responsable por la deteccion de piel humana

Deteccion de Piel

Toda la calificacion depende de la deteccion de piel humana.

Fallas en esta etapa se propagaran, pudiendo llevar a erroresgroseros de clasificacion.

12 / 59

Piel en la Web

Color


2 Arquitectura





7 Resultados

8 Conclusiones

13 / 59

Piel en la Web

Color

Deteccion de piel

El principal atributo utilizado es el color.

Una vez identificadas las posiciones de colores que pueden serde piel, otros atributos pueden extraerse (textura, formas etc.)

La falta de control sobre la iluminacion de las escenas, lavariabilidad de la calidad de las imagenes y las infinitasposibilidades de contenido imponen un desafıo importante.

14 / 59

Piel en la Web

Color

Color

El color es una sensacion visual que solo ocurre en presenciade la luz.

La ciencia que estudia los colores es la colorimetrıa, yesta fuertemente relacionada con la psicometrıa.

Para los seres humanos, los colores se especifican con tresvalores reales (vectores en R

3).

Hay varias formas de organizar los colores en espacios 3D:CIE-RGB, HSV, HSB, CIE-LAB etc.

15 / 59

Piel en la Web

Color

Analisis de Datos I

Figura: Base de entrenamiento: pixels marcados.

Se monto un banco de datos con los pixels rotulados deaproximadamente mil imagenes: ≈ 90 · 106 pixels marcadoscomo no-piel y ≈ 4 · 106 como piel.

16 / 59

Piel en la Web

Color

Analisis de Datos II

Desafıo: construir modelos matematicos expresivos y tratablespara esos datos.

Primera constatacion: necesidad de controlar el balance decolor automaticamente.

Segunda constatacion: necesidad de reducir la dimension delos datos.

17 / 59

Piel en la Web

Color

Correccion de Color

Correccion de Color

Busqueda de una homogeneidad en los datos de entrada.

La literatura ofrece muchos algoritmos, pero pocos soncompatibles con los tiempos y las informaciones disponibles.

Dos solucions simples, basadas en la hipotesis de Von Kries:

Gray World AssumptionWhite Patch

La = KLL Ma = KMM Sa = KSS

18 / 59

Piel en la Web

Color

Correccion de Color

Gray World Assumption

Hipotesis

El valor medio de las componentes R, G y B de la imagen es unvalor de gris medio

KR =GrayR

RavgKG =

GrayG

GavgKB =

GrayB

Bavg

19 / 59

Piel en la Web

Color

Correccion de Color


Figura: Imagen original

20 / 59

Piel en la Web

Color

Correccion de Color


Figura: Algoritmo Gray World Assumption

21 / 59

Piel en la Web

Color

Correccion de Color



22 / 59

Piel en la Web

Color

Correccion de Color


Figura: Algoritmo Gray World Assumption

23 / 59

Piel en la Web

Color

Correccion de Color

White Patch

Hipotesis

Tomar como referencia un punto brillante y calcular loscoeficientes de Von Kries para que sea blanco

KR =WhiteR

RMax

KG =WhiteG

GMax

KB =WhiteB

BMax

24 / 59

Piel en la Web

Color

Correccion de Color

White Patch

Figura: Imagenes original y corregida por White Patch

25 / 59

Piel en la Web

Color

Correccion de Color

White Patch


26 / 59

Piel en la Web

Color

Correccion de Color

White Patch

Figura: Corregida por White Patch

27 / 59

Piel en la Web

Color

Correccion de Color

¿Cuando fallan?


Imagenes con pocos colores

Puede distorsionar los colores de imagenes con grandes areasclaras

White Patch

Imagenes con poca variabilidad de iluminacion

Propuesta

Una heurıstica basada en estadısticos de cada componente decolor

Excelentes resultados

28 / 59

Piel en la Web

Color

Correccion de Color

Heurıstica

Primero, detectar candidatos a “color blanco”, despues

Correcion =

GrayWorld , si Nwhite < 3%

WhitePatch si L(q95) > 120

nada, caso contrario,

donde Nwhite es la proporcion de pixels detectados como“blancos”, y L(q95) es el percentil 95 de su luminosidad en espaciode color CIELAB.

29 / 59

Piel en la Web

Color

Reduccion de Dimension


2D

3D Data

PCAColour

Space

Change

Gaussian Model

Histogram Smoothed Histogram

Gaussian Mixture

Figura: Posibles tecnicas de reduccion de la dimension30 / 59

Piel en la Web

Color


Componentes principales

Encontrar algun plano que corte el espacio RGB que contengael maximo de informaciones.

Los datos resultantes son combinaciones lineales de losoriginales.

Eficaz, pero no interpretable.

31 / 59

Piel en la Web

Color


Cambios en el espacio de color

Figura: Datos de entrenamiento en el plano HS

32 / 59

Piel en la Web

Clasificadores


2 Arquitectura





7 Resultados

8 Conclusiones

33 / 59

Piel en la Web

Clasificadores

Tecnicas

Tecnicas de deteccion de piel

Tecnicas Supervisadas

Umbral de Clasificacion

Estadıstica - Histograma de colores

Estadıstica - Parametrica

34 / 59

Piel en la Web

Clasificadores

Tecnicas

Umbral de Clasificacion

Regla de Asociacion

Se obtuvo con tecnicas de data mining

R > 95 AND G > 40 AND

B > 20 AND max {R ,G ,B} − mın {R ,G ,B} > 15 AND

|R − G | > 15 AND R > G AND R > B .

35 / 59

Piel en la Web

Clasificadores

Tecnicas

Estadıstica – Histograma de Colores

Histograma y Probabilidades

Los valores del histograma son estimadores de probabilidades

Se usan dos histogramas – piel y no–piel

Pr(c | piel)

Pr(c | piel)≥ Θ,

36 / 59

Piel en la Web

Clasificadores

Tecnicas

Problemas con los Histograma de ColoresEl formato JPG usa compresion con perdidas. Algunos coloresnunca estan presentes. Se producen “agujeros” en el histograma,que perjudican la regla.

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

��

Color (RGB)

Frequency

Θ0

Θ1

Θ2

Θ3

Θ4

Θ5

Θ6

Θ7

Θ8

Θ9

Aumentar los intervalosSuavizar los histogramas 37 / 59

Piel en la Web

Clasificadores

Tecnicas

Histograma de colores – Suavizado

Suavizado del Histograma

38 / 59

Piel en la Web

Clasificadores

Tecnicas

Estadıstica – Parametrica

Usamos una mezcla de distribuciones gaussianas bivariadaspara modelar los colores de los pixels marcados como piel.

Usamos el espacio HSV.

39 / 59

Piel en la Web

Clasificadores

Tecnicas

Modelo de Mezcla de Gaussianas Bivariadas

Mezcla de gaussianas bivariadas

Pr(c | piel) =k

∑

i=1

wi Pri(c | piel),

Cada componente de la mezcla es una gaussiana bivariada:

Pr(x1, x2) =1

2πσ1σ2

√

1 − ρ2exp

{

z

2(1 − ρ2)

}

,

donde:

z =(x1 − µ1)

2

σ21

−2ρ(x1 − µ1)(x2 − µ2)

σ1σ2+

(x2 − µ2)2

σ22

40 / 59

Piel en la Web

Clasificadores

Tecnicas

Nueve componentes (k = 9)

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

H

V

Figura: Muestra de colores de piel descripta por nueve componentes

41 / 59

Piel en la Web

Clasificadores

Tecnicas

Dos componentes (k = 2)

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

H

V

Figura: Muestra de colores de piel descripta por dos componentes

42 / 59

Piel en la Web

Clasificadores

Evaluacion

Veinte estrategias de clasificacion evaluadas

Datos de entrada cuatro tipos:

RC Datos brutosGW Correccion Gray WorldWP Correccion White PatchCC Correccion heurıstica

Clasificadores cinco procedimientos:

PC2 Componentes principales y mezcla dedos gaussianas

PC9 Componentes principales y mezcla denueve gaussianas

HS2 Plano HS y mezcla de dos gaussianasHS9 Plano HS y mezcla de nueve gaussianasB64 Histograma con intervalos de tamano

6443 / 59

Piel en la Web

Clasificadores

Evaluacion

Evaluacion

Las tecnicas de classificacion se evaluan con medidas derivadas dela matriz de confusion: vij denota la proporcion de observacionesque, viniendo de la clase i fueron clasificadas en la clase j .Tecnicas ideales producen matrices identidad.De esa matriz pueden calcularse errores de comision, de omision, laprecision y otras cantidades importantes.Cuando la tecnica es parametrizada, en vez de tener una infinidadde matrices se puede visualizar la Curva ROC (Receiver Operating

Characteristic): probabilidad de acierto vs. probabilidad de falsopositivo, en funcion del parametro de control.

44 / 59

Piel en la Web

Resultados


2 Arquitectura





7 Resultados

8 Conclusiones

45 / 59

Piel en la Web

Resultados

Resultados

Analisis Cuantitativo

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

Probabilidade de Detecção Falha

Pro

babi

lidad

e de

Det

ecçã

o C

orre

ta

Histograma (Bin 1)Histograma (Bin 64)Histograma (Linearizado)2 Gaussianas9 Gaussianas2 Gaussianas CC (Heurística)

Figura: Curvas ROC de los metodos evaluados46 / 59

Piel en la Web

Resultados

Estrategias vencedoras I

Area bajo la ROC

PC2 PC9 HS2 HS9 B64

RC 0.894 0.874 0.656 0.845 0.825GW 0.891 0.872 0.592 0.878 0.602WP 0.924 0.918 0.669 0.870 0.710CC 0.934 0.916 0.688 0.880 0.871

ROC al 20%

PC2 PC9 HS2 HS9 B64

RC 0.915 0.920 0.762 0.772 0.831GW 0.844 0.742 — 0.820 —WP 0.942 0.937 0.801 0.809 —CC 0.937 0.951 0.857 0.856 0.870

47 / 59

Piel en la Web

Resultados

Estrategias vencedoras II

Segundos de CPU

PC2 PC9 HS2 HS9 B64

RC 62 161 70 172 33

GW 150 256 158 255 133WP 150 256 158 255 133CC 150 260 159 261 143

48 / 59

Piel en la Web

Resultados

AVISO

Aviso

A seguir se mostraran imagenes de nudez que algunas personaspueden considerar ofensivas.Quien prefiera hacerlo, puede retirarse ahora.

49 / 59

Piel en la Web

Resultados

Analisis Cualitativo

50 / 59

Piel en la Web

Resultados

Poca variabilidad, compresion, baja resolucion

51 / 59

Piel en la Web

Resultados

Color corregido no es necesariamente mejor color

52 / 59

Piel en la Web

Resultados

Confusion con el fondo

53 / 59

Piel en la Web

Resultados

Tonos de piel diferentes

54 / 59

Piel en la Web

Resultados

Varias razas

55 / 59

Piel en la Web

Conclusiones


2 Arquitectura





7 Resultados

8 Conclusiones

56 / 59

Piel en la Web

Conclusiones

Conclusiones

La calificacion de imagenes con objetos antropomorficos enposiciones arbitrarias en un ambiente de administracion deservicios Web es posible y viable.

Se necesita un tratamiento multidisciplinario (procesamientode imagenes, computacion grafica, vision computacional,inteligencia artificial, estadıstica e ingenierıa de software)

El sistema esta en desarrollo, con otras posibles aplicaciones(forense, movil etc.)

La plataforma R (www.r-project.org) fue esencial tantopara los prototipos como para el sistema.

57 / 59

www.r-project.org

Piel en la Web

Contactos

Contactos

Alejandro C. [email protected]

http://acfrery.googlepages.com

Heitor S. Ramos [email protected]

Mestrado em Modelagem Computacional de ConhecimentoUniversidade Federal de Alagoas

58 / 59

http://acfrery.googlepages.com

Piel en la Web

Contactos

59 / 59

detecci n de piel en im genes en la web - dc.uba.ar · piel en la web color color el color es una...

Documents