CN103208014A - 影像辨识系统及其操作方法 - Google Patents

Abstract

本发明提供了一种影像辨识系统及其操作方法，主要是用于过滤色情影像，该系统包含至少一终端辨识模块以及云端学习模块，终端辨识模块中除了影像分析单元外，更包含确认单元、错误回报单元及第一更新单元，该云端学习模块包含第二更新单元、学习单元及云端数据库，藉由错误回报能使系统不断改进，使得过滤色情影像更加精确，另外以特征向量撷取的方式来运算来找出特征点进行分类，在全局影像分析时同时达到局部分析的功能。

Description

影像辨识系统及其操作方法

技术领域

本发明涉及一种影像辨识系统及其操作方法，尤其是能够自动更新及学习，使过滤色情图片更加精确。

背景技术

对于家中有未成年子女的家庭，为了避免色情网络的问题，通常会选择安装阻挡性软件来判断，利用阻挡多媒体数据的方式来阻挡色情图片、影片，有些是利用防火墙来阻挡网页或IP，例如，中华电信的色情守门员。

在先前的专利案，中华民国专利号I262416的专利中，已经说明利用色情图片库的方式进行全图比对，而中华民国专利公开号201115481的文献中，也提出了利用局部分析的方式，进行判断。

然而，利用防火墙的方式，在业者轻易转换网页或是IP，效果不彰，为了过滤色情图片可能导致其他正常的网页或是数据串流被阻挡，而造成不便，而全图比对的方式，目前常以迭图方式来比对，错误机会高。另外，用多重局部的方式，由于脸部、特定器官的判断方式复杂，而容易导致网页延迟等问题，都为使用者所诟病，因此，需要一种能够改善现用技术的系统及方法。

发明内容

本发明的主要目的在于提供一种影像辨识系统，主要是用于过滤色情影像，该系统包含：至少一终端辨识模块，安装于一用户的终端机上；以及一云端学习模块，安装于一云端服务器上，透过网络与各该终端辨识模块信号连接，其中各该终端辨识模块包含一监测单元、一影像分析单元、一分类单元、一确认单元、一回报单元以及一第一更新单元，该监测单元接收来自外部的一多媒体数据，并从该多媒体数据中撷取至少一影像，该影像分析单元与该监测单元、该分类单元及该确认单元连接，接收由该监测单元所撷取的该至少一影像，并依据该分类单元中所储存的一分类判断基准来判定该至少一影像是否为色情影像，如果判定是色情影像时，该影像分析单元将该至少一影像传送至该确认单元，而如果判定不是色情影像时，将该多媒体数据输出；该确认单元再次判定该至少一影像是否为色情影像，若是色情影像则阻挡该多媒体数据，若不是色情影像，则将该至少一传送至该回报单元，该回报单元与该确认单元及该第一更新单元连接，用以接收该至少一影像，在传送至该第一更新单元，进而透过该第一更新单元将该至少一传送至与该第一更新单元信号连接的该云端学习模块。

该云端学习模块包含一基础数据库、一云端数据库、一第二更新单元、一辨识单元以及一学习单元，该基础数据库储存一初始图案数据，该云端数据库用以建立一补充图案数据，该第二更新单元与该第一更新单元、该云端数据库以及该辨识单元连接，用以接收来该第一更新单元该至少一影像，该辨识单元与该云端数据库、该第二更新单元及该学习单元连接用以判定该影像分析单元是否判定错误，如果判定该影像分析单元判定错误时，发出一判定错误讯号至该学习单元，并将该至少一影像传送至该云端数据库，而如果判定该影像分析单元并未判定错误，发出一判定无误讯号给该第二更新单元，该学习单元在接收到该判定错误讯号，依据该云端数据库中的该至少一影像的与该基础数据库的该初始图案数据比对，并产生一更新档，再透过该第二更新单元及该第一更新单元将该更新文件传送至该分类单元，以重新设定该分类判断基准。

其中各该终端辨识模块进一步包含一回馈单元，该回馈单元与该回报单元连接，用以侦测该影像分析单元所输出的该多媒体数据，当该多媒体数据时存在色情影像时，撷取该色情影像并传送至该回报单元。

其中该云端数据库进一步建立一用户数据库，以对于不同的用户提供不同的分类判断基准。

本发明的另一目的在于提供一种影像辨识系统的操作方法，该影像辨识系统包含安装于至少一使用者终端的至少一终端辨识模块，以及安装于一云端服务器的云端学习模块，该操作方法包含：一影像撷取步骤，各该终端辨识模块的一监测单元从来自外部的多媒体数据撷取至少一影像；一全局影像判断步骤，各该终端辨识模块中的一影像分析单元依据一分类器中的一分类判断基准，对该至少一影像进行分析，判断是否具有色情影像；一影像输出步骤，当该全局影像判断步骤中判断该至少一影像不具有色情影像时，将该多媒体数据输出；一人工判断步骤，当该全局影像判断步骤中判断该至少一影像具有色情影像时，藉由各该终端辨识模块的一确认单元，而由安装该影像辨识系统的用户进行双重确认，判定该至少一影像是否具有色情影像；一阻挡影像输出步骤，当该人工判断步骤判定该至少一具有色情影像时，阻挡该多媒体数据输出；一错误回报步骤，当该人工判断步骤判定该至少一不具有色情影像时，将该至少一影像传送至各该终端辨识模块的一第一更新单元，再藉由该第一更新单元，传送至该云端学习模块；一辨识判断步骤，在该错误回报步骤后，该云端学习模块的一第二更新单元将所撷取的影像传送至该云端学习模块的一辨识单元，进行判定是否为错误回报；一更新云端数据库步骤，如果该辨识判断步骤判定不是错误回报，该辨识单元发出一判定错误讯号至该云端学习模块的一学习单元，同时将该至少一影像传送至云端数据库以建立该补充图案数据；一计算差异值步骤，该学习单元依据该云端数据库的该补充图案数据与一基础数据库的初始图案数据比对，而计算出一差异值，该学习单元并依据该差异值产生一更新档，再透过该第二更新单元及该第一更新单元将该更新文件传送至该分类单元；以及一更新分类单元步骤，依据该更新档重新设定储存于该分类单元中的分类判断基准。

其中该辨识判断步骤中，如果该辨识单元判定该影像分析单元并未判定错误，则执行一判定恶意回报步骤，该辨识单元发出一判定无误讯号给该第二更新单元，而不执行任何修正的动作。

其中该更新云端数据库步骤中该云端数据库进一步建立一用户数据库，以对于不同的用户提供不同的分类判断基准。

所述的操作方法，进一步包含一输出监控步骤，各该终端辨识模块的一回馈单元监控输出的该多媒体数据，若发现输出的该多媒体数据具有色情图案时，则撷取该图案，再进行该错误回报步骤。

其中该全局影像判断步骤包含：一尺度空间极限值侦测步骤，对于所撷取的该制少一影像的每一点，进行一高斯运算，接着将处理的影像的邻近两点的运算值进行至少两次相减，而可以计算出一高斯值差，而找出高斯值差的至少一极大值和至少一极小值；

一特征点定位步骤，对于该尺度空间极限值侦测步骤所得到的该极大值和该极小值，以一展开式逼近，以订出复数个特征点；

一方向分配步骤，对于该等特征点进行方向及梯度的计算，而计算出该等特征点邻近周围的方向与梯度；

一特征点描述步骤，依据该分类器中的分类判断准基准，对于每一特征点的相关位置进行方向及梯度加权，而建立出复数个特征向量；以及

一特征向量判断步骤，依据该等特征向量值，确认该等特征点，如果该等特征向量值在一特征向量范围内，则判定为色情图片，而进行该人工影像判断步骤，而如果该等特征向量值在该特征向量范围外，则判定不是色情图片，进行该影像输出步骤。

其中该高斯运算依据方程式(1)：

方程式(1)，其中L为处理后的影像、I为初始影像、σ为标准偏差，G(x，y，σ)为高斯运算函数，以方程式(2)表示：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$ 方程式(2)；

该高斯值差以方程式(3)表示：

$D(x,y,\mathrm{\σ})=(G(x,y,{\mathrm{\σ}}_1)-G(x,y,{\mathrm{\σ}}_2))\⊗I(x,y)=L(x,y,k{\mathrm{\σ}}_1)-L(x,y,{\mathrm{\σ}}_2)$

方程式(3)，其中σ1为第一次相减的标准偏差，而σ2为第二次相减的标准偏差；

该展开式以方程式(4)表示：

$D\left(X\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^2\frac{{\∂}^{2}D}{\∂X^2}X$ 方程式(4)，

其中D为高斯值差，而X＝(x，y，σ)^T，T为移项；

该方向的计算方式如同方程式(5)，而该梯度m(x，y)的计算方式如同方程式(6)，

$\mathrm{\θ}(x,y)={\tan }^{-1}\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}$ 方程式(5)，

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$ 方程式(6)，

其中θ(x，y)表示方向，而m(x，y)表示梯度。

本发明利用多重确认机制及错误回报功能，而能以云端数据库中的档案，使计算机机制自动地学习、更新，使判断更加准确，此外，本发明利用特征向量撷取的方式来运算来找出特征点进行比对，在全局影像分析时，同时达到局部分析色块面积比例、色块散布、器官特征等的功能，而改善了习用技术上全局影像迭加方式的不足。进一步地，藉由云端数据库的用户数据库档案，在面对各个国家、各个家庭的判断标准不同时，能够达到客制化的效果。

附图说明

图1为本发明影像辨识系统的单元示意图；

图2为本发明影像辨识系统的操作方法的流程图一；

图3为本发明影像辨识系统的操作方法的流程图二；

图4为本发明全局影像判断步骤的详细流程图。

【主要组件符号说明】

1  影像辨识系统

10 终端辨识模块

11 监测单元

13 影像分析单元

15 分类单元

17 确认单元

19 回报单元

21 第一更新单元

23 回馈单元

30 云端学习模块

31 基础数据库

33 云端数据库

35 第二更新单元

37 辨识单元

39 学习单元

S1 影像辨识系统的操作方法

S10、S20、S21、S23、S25、S27、S29、S30、S40、S50、S60、S70、S80、S90、S100、S110、S120 步骤

具体实施方式

以下配合图式及组件符号对本创作的实施方式做更详细的说明，俾使熟习该项技艺者在研读本说明书后能据以实施。

参阅附图1，本发明影像辨识系统的单元示意图。如附图1所示，本发明影像辨识系统1，主要是用于过滤色影像，该系统包含至少一终端辨识模块10(图中仅以一者表示)以及一云端学习模块30，终端辨识模块10安装于用户的终端机上，终端辨识模块10包含一监测单元11、一影像分析单元13、一分类单元15、一确认单元17、一回报单元19以及一第一更新单元21以及一回馈单元23。

监测单元11接收来自外部(例如，因特网)的一多媒体数据，并从该多媒体数据中撷取至少一影像。影像分析单元13与监测单元11、分类单元15及确认单元17连接，接收由监测单元11所撷取的影像，并依据分类单元15中所储存的分类判断基准来判定所撷取的影像是否为色情影像，当判定是色情影像时，将所撷取的影像传送至确认单元17，而当判定不是色情影像时，将该多媒体数据输出；确认单元17再次判定所撷取的影像是否为色情影像，若是则阻挡该多媒体数据，若不是，则将所撷取的影像传送至回报单元19。回报单元19与确认单元17及第一更新单元21连接，接收所撷取的影像，并传送至第一更新单元21，再由第一更新单元21传送至云端学习模块30。回馈单元23与该回报单元19连接，用以侦测由影像分析单元13输出的多媒体数据，当该多媒体数据时存在色情图片时，撷取图片并传送至回报单元19。

云端学习模块30安装于一云端服务器上，透过网络与终端辨识模块10信号连接，云端学习模块30包含一基础数据库31、一云端数据库33、一第二更新单元35、一辨识单元37以及一学习单元39，基础数据库31储存初始图案数据，云端数据库33用以建立补充图案数据，第二更新单元35与第一更新单元21、云端数据库33以及辨识单元37连接，接收来第一更新单元21的所撷取的影像，该辨识单元35与该云端数据库33、该第二更新单元35及该学习单元39连接用以判定影像分析单元13是否判定错误，当影像分析单元13判定错误时，发出一判定错误讯号至该学习单元39，并将该所撷取的影像传送至云端数据库33，但如果辨识单元37判定影像分析单元13并未判定错误，发出一判定无误讯号给第二更新单元35。学习单元39在接收到判定错误讯号，依据云端数据库33中由所撷取的影像的与基础数据库31的档案比对，并产生一更新档，接着透过第二更新单元35及第一更新单元21传送至分类单元15，以重新设定分类判断基准。进一步地，该云端数据库进一步建立一用户数据库，以对于不同的用户提供不同的分类判断基准。本发明的影像辨识系统，依此可以不断的更新，使过滤色情影像更加精确，进一步地，由于每个家庭、每个国家的保守程度不同，可以对于各个终端的分类器产生不同的分类判断基准。

参阅附图2及附图3，本发明影像辨识系统的操作方法的流程图。如附图2及附图3所示，本发明影像辨识系统的操作方法S1包含影像撷取步骤S10、全局影像判断步骤S20、影像输出步骤S30、人工判断步骤S40、阻挡影像输出步骤S50、错误回报步骤S60、辨识判断步骤S80、更新云端数据库步骤S90、计算差异值步骤S100、更新分类单元步骤S110、判定恶意回报步骤S120。

影像撷取步骤S10中，监测单元11从来自外部的多媒体数据撷取至少一影像；全局影像判断步骤S20中影像分析单元13依据分类器15的分类判断基准，对于所撷取的影像进行分析，判断是否具有色情影像，如果判断所撷取的影像不具有色情影像，进行影像输出步骤S30而将多媒体数据输出，若是判断所撷取的影像具有色情影像，将进行人工判断步骤S40。人工判断步骤S40是藉由确认单元17由安装影像辨识系统的用户进行双重确认，判定是否为色情影像，若是判断确实是色情影像，则进行阻挡影像输出步骤S50阻挡多媒体数据输出，若发现不具有色情影像，则进行错误回报步骤S60，将所撷取的影像传送至第一更新单元21，再传送至云端学习模块30。

在错误回报步骤S60后，所撷取的影像透过第一更新单元21传送至云端学习模块30的第二更新单元35，辨识判断步骤S80中，第二更新单元35将所撷取的影像传送至一辨识单元37，进行判定是否为错误回报，若判定回报无误，辨识单元37发出判定错误讯号至该学习单元39，并接着进行更新云端数据库步骤S90，将该所撷取的影像传送至云端数据库33，以建立补充图案数据，进一步建立用户数据库，但如果辨识单元37判定影像分析单元13并未判定错误，则执行判定恶意回报步骤S120，辨识单元37发出一判定无误讯号给第二更新单元35，而不执行任何修正的动作。

更新云端数据库步骤S90之后，进行计算差异值步骤S100，学习单元39依据云端数据库33中的该补充图案数据的以及基础数据库31的初始图案数据比对，而计算出一差异值，学习单元39依据该差异值产生一更新档，再透过第二更新单元35及第一更新单元21传送该更新文件至分类单元15。最后进行更新分类单元步骤S110，依据该更新档重新设定储存于分类单元15的分类判断基准。

进一步地，如附图2所示，本发明影像辨识系统的操作方法还包括输出监控步骤S70，输出监控步骤S70是由回馈单元23监控输出的影像，若发现输出的多媒体数据具有色情图案时，则撷取该图案，进行错误回报步骤S60。

参阅附图4，本发明全局影像判断步骤的详细流程图。如附图4所示，全局影像判断步骤S20包含尺度空间极限值侦测步骤S21、特征点定位步骤S23、方向分配步骤S25、特征点描述步骤S27，以及特征向量判断步骤S29。尺度空间极限值侦测步骤S21首先对于所撷取的影像的每一点，进行高斯运算，运算的方式如同方程式(1)表示：

方程式(1)，其中L为处理后的影像，I为初始影像，σ为标准偏差，且G(x，y，σ)为高斯运算函数，以方程式(2)表示：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$ 方程式(2)。

接着将处理的影像的邻近两点的L值至少两次相减，而可以计算出高斯值差(DoG：Difference of Gaussian)，而两点的高斯值差可以表示为D(x，y，σ)，而以下方方程式(3)表示：

$D(x,y,\mathrm{\σ})=(G(x,y,{\mathrm{\σ}}_1)-G(x,y,{\mathrm{\σ}}_2))\⊗I(x,y)=L(x,y,k{\mathrm{\σ}}_1)-L(x,y,{\mathrm{\σ}}_2)$

方程式(3)，其中σ1为第一次相减的标准偏差，而σ2为第二次相减的标准偏差，如此找出高斯值差的至少一极大值和至少一极小值。

接着，进行特征点定位步骤S23，对于由尺度空间极限值侦测步骤S21所得到的极大值和极小值进行以方程式(4)该展开式逼近，以订出复数个特征点，

$D\left(X\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^2\frac{{\∂}^{2}D}{\∂X^2}X$ 方程式(4)，其中D(X)为高斯值差，X＝(x，y，σ)T，T为移项(transpose)。接着，进行方向分配步骤S25，对于该等特征点进行方向及梯度的计算，方向θ(x，y)的计算方式如同方程式(5)，而梯度m(x，y)的计算方式如同方程式(6)，而计算出该等特征点邻近周围的方向与梯度，

$\mathrm{\θ}(x,y)={\tan }^{-1}\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}$ 方程式(5)，

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$ 方程式(6)。

接着进行特征点描述步骤S27，依据该分类器15中的分类判断准基准中的数据，对于每一特征点的相关位置进行方向及梯度加权，而建立出特征向量，最后建立此特征点的特征向量，进行特征向量判断步骤S29，如果特征向量值在一特征向量范围内，则判定为色情图片，而进行人工影像判断步骤S40，而如果特征向量值在该特征向量范围外，则判定不是色情图片，进行影像输出步骤S30。

本发明的特点在于，利用特征向量撷取的方式来运算来找出特征点进行比对，在全局影像分析时，同时达到局部分析色块面积比例、色块散布、器官特征等的功能，而改善了习用技术上全局影像迭加方式的不足，另外，本发明利用多重确认机制及错误回报功能，而能以云端数据库中的档案，使计算机机制自动地学习、更新，使判断更加准确，进一步地，藉由云端数据库的用户数据库档案，在面对各个国家、各个家庭的判断标准不同时，能够达到客制化的效果。

以上所述者仅为用以解释本发明的较佳实施例，并非企图据以对本发明做任何形式上的限制，是以，凡有在相同的发明精神下所作有关本发明的任何修饰或变更，皆仍应包括在本发明意图保护的范畴。

Claims (9)

1.一种影像辨识系统，主要是用于过滤色情影像，该系统包含：

至少一终端辨识模块，安装于一用户的终端机上；

以及一云端学习模块，安装于一云端服务器上，透过网络与各该终端辨识模块信号连接，

其中各该终端辨识模块包含一监测单元、一影像分析单元、一分类单元、一确认单元、一回报单元以及一第一更新单元，该监测单元接收来自外部的一多媒体数据，并从该多媒体数据中撷取至少一影像，该影像分析单元与该监测单元、该分类单元及该确认单元连接，接收由该监测单元所撷取的该至少一影像，并依据该分类单元中所储存的一分类判断基准来判定该至少一影像是否为色情影像，如果判定是色情影像时，该影像分析单元将该至少一影像传送至该确认单元，而如果判定不是色情影像时，将该多媒体数据输出；该确认单元再次判定该至少一影像是否为色情影像，若是色情影像则阻挡该多媒体数据，若不是色情影像，则将该至少一传送至该回报单元，该回报单元与该确认单元及该第一更新单元连接，用以接收该至少一影像，在传送至该第一更新单元，进而透过该第一更新单元将该至少一传送至与该第一更新单元信号连接的该云端学习模块，

该云端学习模块包含一基础数据库、一云端数据库、一第二更新单元、一辨识单元以及一学习单元，该基础数据库储存一初始图案数据，该云端数据库用以建立一补充图案数据，该第二更新单元与该第一更新单元、该云端数据库以及该辨识单元连接，用以接收来该第一更新单元该至少一影像，该辨识单元与该云端数据库、该第二更新单元及该学习单元连接用以判定该影像分析单元是否判定错误，如果判定该影像分析单元判定错误时，发出一判定错误讯号至该学习单元，并将该至少一影像传送至该云端数据库，而如果判定该影像分析单元并未判定错误，发出一判定无误讯号给该第二更新单元，该学习单元在接收到该判定错误讯号，依据该云端数据库中的该至少一影像的与该基础数据库的该初始图案数据比对，并产生一更新档，再透过该第二更新单元及该第一更新单元将该更新文件传送至该分类单元，以重新设定该分类判断基准。

2.如申请专利范围第1项所述的系统，其中各该终端辨识模块进一步包含一回馈单元，该回馈单元与该回报单元连接，用以侦测该影像分析单元所输出的该多媒体数据，当该多媒体数据时存在色情影像时，撷取该色情影像并传送至该回报单元。

3.如申请专利范围第1项所述的系统，其中该云端数据库进一步建立一用户数据库，以对于不同的用户提供不同的分类判断基准。

4.一种影像辨识系统的操作方法，该影像辨识系统包含安装于至少一使用者终端的至少一终端辨识模块，以及安装于一云端服务器的云端学习模块，该操作方法包含：

一影像撷取步骤，各该终端辨识模块的一监测单元从来自外部的多媒体数据撷取至少一影像；

一全局影像判断步骤，各该终端辨识模块中的一影像分析单元依据一分类器中的一分类判断基准，对该至少一影像进行分析，判断是否具有色情影像；

一影像输出步骤，当该全局影像判断步骤中判断该至少一影像不具有色情影像时，将该多媒体数据输出；

一人工判断步骤，当该全局影像判断步骤中判断该至少一影像具有色情影像时，藉由各该终端辨识模块的一确认单元，而由安装该影像辨识系统的用户进行双重确认，判定该至少一影像是否具有色情影像；

一阻挡影像输出步骤，当该人工判断步骤判定该至少一具有色情影像时，阻挡该多媒体数据输出；

一错误回报步骤，当该人工判断步骤判定该至少一不具有色情影像时，将该至少一影像传送至各该终端辨识模块的一第一更新单元，再藉由该第一更新单元，传送至该云端学习模块；

一辨识判断步骤，在该错误回报步骤后，该云端学习模块的一第二更新单元将所撷取的影像传送至该云端学习模块的一辨识单元，进行判定是否为错误回报；

一更新云端数据库步骤，如果该辨识判断步骤判定不是错误回报，该辨识单元发出一判定错误讯号至该云端学习模块的的一学习单元，同时将该至少一影像传送至云端数据库以建立该补充图案数据；

一计算差异值步骤，该学习单元依据该云端数据库的该补充图案数据与一基础数据库的初始图案数据比对，而计算出一差异值，该学习单元并依据该差异值产生一更新档，再透过该第二更新单元及该第一更新单元将该更新文件传送至该分类单元；以及

一更新分类单元步骤，依据该更新档重新设定储存于该分类单元中的分类判断基准。

5.如申请专利范围第4项所述的操作方法，其中该辨识判断步骤中，如果该辨识单元判定该影像分析单元并未判定错误，则执行一判定恶意回报步骤，该辨识单元发出一判定无误讯号给该第二更新单元，而不执行任何修正的动作。

6.如申请专利范围第4项所述的操作方法，其中该更新云端数据库步骤中该云端数据库进一步建立一用户数据库，以对于不同的用户提供不同的分类判断基准。

7.如申请专利范围第4项所述的操作方法，进一步包含一输出监控步骤，各该终端辨识模块的一回馈单元监控输出的该多媒体数据，若发现输出的该多媒体数据具有色情图案时，则撷取该图案，再进行该错误回报步骤。

8.如申请专利范围第4项所述的操作方法，其中该全局影像判断步骤包含：一尺度空间极限值侦测步骤，对于所撷取的该制少一影像的每一点，进行一高斯运算，接着将处理的影像的邻近两点的运算值进行至少两次相减，而可以计算出一高斯值差，而找出高斯值差的至少一极大值和至少一极小值；

一特征点定位步骤，对于该尺度空间极限值侦测步骤所得到的该极大值和该极小值，以一展开式逼近，以订出复数个特征点；

一方向分配步骤，对于该等特征点进行方向及梯度的计算，而计算出该等特征点邻近周围的方向与梯度；

一特征点描述步骤，依据该分类器中的分类判断准基准，对于每一特征点的相关位置进行方向及梯度加权，而建立出复数个特征向量；以及

一特征向量判断步骤，依据该等特征向量值，确认该等特征点，如果该等特征向量值在一特征向量范围内，则判定为色情图片，而进行该人工影像判断步骤，而如果该等特征向量值在该特征向量范围外，则判定不是色情图片，进行该影像输出步骤。

9.如申请专利范围第8项所述的操作方法，其中该高斯运算依据方程式(1)：

方程式(1)，其中L为处理后的影像、I为初始影像、σ为标准偏差，G(x，y，σ)为高斯运算函数，以方程式(2)表示：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$ 方程式(2)；

该高斯值差以方程式(3)表示：

$D(x,y,\mathrm{\σ})=(G(x,y,{\mathrm{\σ}}_1)-G(x,y,{\mathrm{\σ}}_2))\⊗I(x,y)=L(x,y,k{\mathrm{\σ}}_1)-L(x,y,{\mathrm{\σ}}_2)$

方程式(3)，其中σ1为第一次相减的标准偏差，而σ2为第二次相减的标准偏差；

该展开式以方程式(4)表示：

$D\left(X\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^2\frac{{\∂}^{2}D}{\∂X^2}X$ 方程式(4)，

其中D为高斯值差，而X＝(x，y，σ)^T，T为移项；

该方向的计算方式如同方程式(5)，而该梯度m(x，y)的计算方式如同方程式(6)，

$\mathrm{\θ}(x,y)={\tan }^{-1}\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}$ 方程式(5)，

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$ 方程式(6)，

其中θ(x，y)表示方向，而m(x，y)表示梯度。

Images