DE102014207032A1 - Computer-implemented method and computer system for recognizing semantic content in image data of an image - Google Patents
Computer-implemented method and computer system for recognizing semantic content in image data of an image Download PDFInfo
- Publication number
- DE102014207032A1 DE102014207032A1 DE102014207032.5A DE102014207032A DE102014207032A1 DE 102014207032 A1 DE102014207032 A1 DE 102014207032A1 DE 102014207032 A DE102014207032 A DE 102014207032A DE 102014207032 A1 DE102014207032 A1 DE 102014207032A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- shapes
- recognized
- classification
- predefined
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
Die Erfindung betrifft ein computerimplementiertes Verfahren und ein Computersystem zur Erkennung eines semantischen Inhalts in Bilddaten eines Bildes. Das Verfahren umfasst die Schritte: Erkennen von Formen in den Bilddaten des Bildes; Bestimmen relativer Positionen der erkannten Formen zueinander; Prüfen, ob die relativen Positionen der erkannten Formen zueinander eine oder mehrere vordefinierte Regeln erfüllen, die jeweils geometrische Beziehungen zwischen Formen betreffen; und Klassifizieren des Bildes nach einem semantischen Inhalt in Abhängigkeit davon, ob und welche der vordefinierten Regeln erfüllt sind.The invention relates to a computer-implemented method and a computer system for recognizing a semantic content in image data of an image. The method comprises the steps of: detecting shapes in the image data of the image; Determining relative positions of the detected shapes to each other; Checking that the relative positions of the detected shapes to each other satisfy one or more predefined rules relating respectively to geometrical relationships between shapes; and classifying the image for a semantic content depending on whether and which of the predefined rules are met.
Description
Die Erfindung betrifft ein computerimplementiertes Verfahren und ein Computersystem zur Erkennung eines semantischen Inhalts in Bilddaten eines Bildes sowie ein Computerprogramm mit Programmcode zur Durchführung des Verfahrens. Die Erfindung ermöglicht insbesondere die Erkennung unerwünschter, beispielsweise pornografischer Inhalte in Bildern. The invention relates to a computer-implemented method and a computer system for recognizing a semantic content in image data of an image and to a computer program with program code for carrying out the method. In particular, the invention makes it possible to detect unwanted, for example pornographic contents in pictures.
Filtersysteme für Netzwerkverkehr, die unerwünschte Inhalte filtern, sind allgemein bekannt. Die Mehrzahl solcher Systeme basiert auf zwei Methoden. Eine erste Methode prüft anhand der URL, ob eine Webseite sich auf einer Sperrliste befindet und sperrt die Webseite für diesen Fall. Eine solche Methode setzt voraus, dass Domains mit unerwünschten, beispielsweise pornografischen Inhalten bekannt sind. Neue Domains mit solchen Inhalten können nur verzögert – ex post – hinzugefügt werden. Network traffic filtering systems that filter unwanted content are well known. The majority of such systems are based on two methods. A first method uses the URL to check if a webpage is on a blacklist and locks the webpage for that case. Such a method assumes that domains are aware of unwanted, such as pornographic content. New domains with such content can be added only delayed - ex post.
Eine zweite Methode nimmt eine Prüfung auf unerwünschte Inhalte anhand von Schlüsselwörtern („keywords“) vor. Diese Methode überprüft den textlichen Inhalt einer Seite und entscheidet anhand dieser Prüfung, ob es sich um einen unerwünschten Inhalt handelt oder nicht. Bei einer solchen Methode wird der Bildinhalt jedoch außer Acht gelassen. A second method checks for unwanted content using keywords ("keywords"). This method checks the textual content of a page and uses this check to decide whether it is unwanted content or not. However, such a method disregards the image content.
Die zusätzliche Verbreitung von mobilen Endgeräten stellt angesichts der eingeschränkten Ressourcen solcher Systeme eine weitere Einschränkung von lokalen Filtersystemen dar. The additional proliferation of mobile devices, in view of the limited resources of such systems, further limits local filtering systems.
Weiter ist es bekannt, Bildmaterial im Hinblick auf die Farbverteilung zu analysieren. Dies ermöglicht es beispielsweise, den Anteil von Haut in einem betrachteten Bild festzustellen. Allerdings funktioniert ein solches Analyseverfahren bei anspruchsvollem Bildmaterial nur sehr eingeschränkt. Als Beispiel sei die Unterscheidung von Urlaubsbildern am Strand (mit Bikini und Badehose) einerseits und von pornografischen Bildern andererseits genannt. In beiden Bilderarten ist der Hautanteil überdurchschnittlich hoch und sind Körperteile teilweise unbedeckt. Allerdings ist der „semantische Kontext“ offensichtlich unterschiedlich. Eine Differenzierung mit einfachen Modellen, die auf Farben basieren, ist somit nicht ausreichend. It is also known to analyze image material with regard to the color distribution. This makes it possible, for example, to determine the proportion of skin in a viewed image. However, such an analysis method works only very restrictedly with sophisticated image material. As an example, the distinction of holiday pictures on the beach (with bikini and swimming trunks) on the one hand and of pornographic images on the other hand called. In both types of images, the proportion of skin is above average and body parts are partially uncovered. However, the "semantic context" is obviously different. A differentiation with simple models based on colors is therefore not sufficient.
Dementsprechend liegt der vorliegenden Erfindung die Aufgabe zugrunde, ein computerimplementiertes Verfahren, ein Computersystem und ein Computerprogramm bereitzustellen, die es ermöglichen, semantische Inhalte in Bildern zu erkennen, ohne auf die Verwendung von statischen Sperrlisten oder explizit festgelegten Stichwortlisten zurückgreifen zu müssen. Accordingly, it is an object of the present invention to provide a computer-implemented method, a computer system and a computer program which make it possible to recognize semantic contents in images without having to resort to the use of static CRLs or explicitly defined keyword lists.
Diese Aufgabe wird erfindungsgemäß durch ein computerimplementiertes Verfahren mit den Merkmalen des Anspruchs 1, ein Computersystem mit den Merkmalen des Anspruchs 20 und ein Computerprogramm mit den Merkmalen des Anspruchs 22 gelöst. Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben. This object is achieved by a computer-implemented method having the features of
Danach basiert die erfindungsgemäße Lösung auf der technischen Lehre, dass Formen in den Bilddaten eines Bildes erkannt werden. Solche Formen können beispielsweise Körperteile eines menschlichen Körpers sein, jedoch auch beliebige andere Formen. Erfindungsgemäß werden die relativen Positionen der erkannten Formen zueinander bestimmt, d.h. die Anordnung der einzelnen Formen innerhalb des zu analysierenden Bildes erfasst. Anschließend erfolgt eine Prüfung, ob die relativen Positionen der erkannten Formen zueinander eine oder mehrere vordefinierte Regeln erfüllen, wobei die Regeln jeweils geometrische Beziehungen zwischen Formen betreffen. Beispielsweise kann eine vordefinierte Regel das Merkmal betreffen, ob zwei betrachtete Formen einen Mindestabstand unterschreiten oder nicht. Thereafter, the solution according to the invention is based on the technical teaching that forms are recognized in the image data of an image. Such forms may be, for example, body parts of a human body, but also any other shapes. According to the invention, the relative positions of the detected shapes are determined relative to each other, i. recorded the arrangement of the individual forms within the image to be analyzed. Then, a check is made to see if the relative positions of the detected shapes to each other satisfy one or more predefined rules, each of the rules pertaining to geometric relationships between shapes. For example, a predefined rule may concern the feature as to whether two considered shapes are below a minimum distance or not.
Nach dieser Prüfung erfolgt ein Klassifizieren des Bildes nach einem semantischen Inhalt in Abhängigkeit davon, ob und welche der vordefinierten Regeln erfüllt sind. Beispielsweise kann ein Bild dahingehend klassifiziert werden, dass es einen unerwünschten Inhalt einer bestimmten Kategorie besitzt, wenn ein oder mehrere der vordefinierten Regeln erfüllt sind, beispielsweise die erkannten Formen primärer Geschlechtsorgane einen Mindestabstand unterschreiten. After this check, the image is classified according to a semantic content depending on whether and which of the predefined rules are met. For example, an image may be classified as having an undesirable content of a particular category if one or more of the predefined rules are met, for example, the detected forms of primary genitalia are a minimum distance.
Die erfindungsgemäße Lösung beruht somit auf dem Gedanken, zur Erfassung des semantischen Inhaltes Formen in dem Bild zu erkennen, deren Position zu erfassen und zu prüfen, ob die relativen Positionen bestimmte Regeln erfüllen, aus denen sich ein bestimmter semantischer Inhalt ergibt. The solution according to the invention is therefore based on the idea of recognizing forms in the image for the detection of the semantic content, of detecting their position and of checking whether the relative positions fulfill certain rules from which a certain semantic content results.
Die vordefinierten Regeln und ggf. weitere Parameter (wie z.B. bestimmte vordefinierte Formen) sind dazu vorgesehen, einen bestimmten semantischen Inhalt zu erkennen, der auch als „Konzept“ bezeichnet wird. Die Summe der Parameter (z.B. die vordefinierten Regeln, zu erkennende Formen, und ggf. weitere Parameter), die einem Konzept zugeordnet sind, bilden ein Modell und sind beispielsweise in einer Datenbank abgespeichert. Dabei kann das erfindungsgemäße Verfahren selbstlernend ausgebildet sein, d.h. während seiner Anwendung auf verschiedene Bilder werden Parameter verfeinert und/oder hinzugefügt. The predefined rules and possibly other parameters (such as certain predefined forms) are intended to recognize a particular semantic content, also referred to as a "concept". The sum of the parameters (e.g., the predefined rules, forms to be recognized, and possibly other parameters) associated with a concept form a model and are stored, for example, in a database. In this case, the inventive method can be self-learning, i. while applying to different images, parameters are refined and / or added.
Es wird darauf hingewiesen, dass der Begriff „Bild“ im Sinne der vorliegenden Erfindung für einen bildlichen Inhalt beliebigen Ursprungs und beliebiger Art steht. Beispielsweise kann ein Bild eine Fotografie, ein Einzelbild eines Videos oder eines Films, eine Werbedarstellung oder eine computergenerierte Grafik sein. Das Bild liegt in elektronischer Form vor und besitzt dementsprechend Bilddaten oder Pixel, die die einzelnen Farbwerte des digitalisierten oder von vornherein digitalen Bildes angeben. It should be noted that the term "image" for the purposes of the present invention for a visual content of any origin and any Art stands. For example, an image may be a photograph, a still image of a video or a movie, an advertisement, or a computer-generated graphic. The image is in electronic form and accordingly has image data or pixels indicating the individual color values of the digitized or a priori digital image.
Eine Ausgestaltung der Erfindung sieht vor, dass das Verfahren den weiteren Schritt des Erkennens unterschiedlicher Farbwerte in dem Bild umfasst. Die erkannten Farbwerte werden beispielsweise dazu verwendet, das Erkennen von Formen in dem Bild nur in solchen Bildbereichen vorzunehmen, die bestimmte Farbwerte aufweisen. Dadurch wird der Rechenaufwand beim Schritt des Erkennens von Formen in den Bilddaten reduziert. Weiter kann vorgesehen sein, dass die erkannten Farbwerte dazu verwendet werden, die erkannten Formen dahingehend zu gewichten, dass Formen, die bestimmte Farbwerte aufweisen, stärker gewichtet werden als andere. Die Gewichtung erfolgt beispielsweise dahingehend, dass höher gewichtete Formen nach der Prüfung des Vorliegens vordefinierter Regel in das Klassifizieren des Bildes mit einem größeren Faktor eingehen. An embodiment of the invention provides that the method comprises the further step of recognizing different color values in the image. For example, the detected color values are used to make recognizing shapes in the image only in those image areas that have certain color values. This reduces the amount of computation involved in the step of recognizing shapes in the image data. It can further be provided that the recognized color values are used to weight the recognized shapes in such a way that shapes which have specific color values are weighted more heavily than others. The weighting is done, for example, in that higher weighted shapes after examining the existence of a predefined rule enter into classifying the image with a larger factor.
Eine weitere Ausgestaltung der Erfindung sieht vor, dass zusätzlich Entitäten des Bildes erkannt werden, denen jeweils mindestens eine der erkannten Formen zugehört. Das Prüfen umfasst für diesen Fall des Weiteren die Prüfung, ob die Entitäten zueinander eine oder mehrere vordefinierte Regeln erfüllen, die jeweils geometrische Beziehungen betreffen. Eine Entität kann sich beispielsweise aus einer Mehrzahl von erkannten Formen zusammensetzen. Eine Entität kann ein zusammenhängender Gegenstand im Bild, beispielsweise der Körper einer Person sein. A further embodiment of the invention provides that additionally entities of the image are recognized, to each of which at least one of the recognized forms belongs. In this case, the checking further includes checking whether the entities satisfy one another or more predefined rules relating respectively to geometrical relationships. For example, an entity may be composed of a plurality of recognized forms. An entity may be a contiguous object in the image, such as a person's body.
Eine weitere Ausgestaltung der Erfindung sieht vor, dass im Prüfschritt überprüft wird, ob die erkannten Formen bestimmte vordefinierte Formen enthalten (beispielsweise primäre Geschlechtsorgane im Falle der Untersuchung eines Bildes mit möglicherweise pornografischem Inhalt), und diese Prüfung bei der Klassifikation des Bildes berücksichtigt wird. Beispielsweise kann vorgesehen sein, dass Bilder, die bestimmte vordefinierte Formen nicht enthalten, von vornherein einer bestimmten Klassifikation zugeordnet werden (z. B. der Klassifikation „nicht pornografisch“). Andererseits kann vorgesehen sein, dass, sofern vordefinierte Formen in dem untersuchten Bild erkannt werden, diese bei der Klassifikation eine stärkere Berücksichtigung finden. Auch kann vorgesehen sein, dass die vordefinierten Regeln des Prüfschritts solche enthalten, die sich auf bestimmte vordefinierte Formen beziehen, so dass diese Regeln überhaupt nur zum Einsatz kommen, wenn zuvor vordefinierte Formen in dem Bild erkannt wurden. A further embodiment of the invention provides that it is checked in the checking step whether the recognized shapes contain certain predefined shapes (for example, primary genitals in the case of examining an image with possibly pornographic content), and this check is taken into account in the classification of the image. For example, it may be provided that images that do not contain certain predefined shapes are assigned to a specific classification from the outset (eg, the classification "non-pornographic"). On the other hand, it can be provided that, if predefined shapes are recognized in the examined image, they are given more consideration in the classification. It can also be provided that the predefined rules of the checking step contain those which relate to certain predefined shapes, so that these rules are only used if previously predefined shapes were recognized in the picture.
Die bereits erwähnten vordefinierten Regeln betreffen geometrische Beziehungen zwischen den Formen. Insbesondere kann vorgesehen sein, dass die vordefinierten Regeln prüfen, in welcher paarweisen geometrischen Beziehung mindestens zwei der erkannten Formen stehen. Dabei kann vorgesehen sein, dass die vordefinierten Regeln mindestens eine der folgenden geometrischen Beziehungen betreffen: Den Abstand zwischen zwei Formen und die Frage, ob die Formen oder bestimmte der Formen auf vordefinierten Linien liegen. The predefined rules already mentioned relate to geometrical relationships between the forms. In particular, it can be provided that the predefined rules check in which paired geometric relationship at least two of the recognized shapes are. It can be provided that the predefined rules relate to at least one of the following geometric relationships: the distance between two shapes and the question of whether the shapes or certain of the shapes lie on predefined lines.
Der Abstand zwischen zwei Formen kann dabei beispielsweise über den Flächenschwerpunkt der Formen oder den Abstand der einander am nächsten liegenden Punkte zweier betrachteter Formen bestimmt werden. Grundsätzlich kann eine beliebige Abstandsmetrik vorgesehen sein. Ob die erfassten Formen oder einige der erfassten Formen auf vordefinierten Linien liegen, beispielsweise auf vordefinierten Strecken, Kurven oder Polygonzügen, kann beispielsweise ebenfalls darüber bestimmt werden, ob die Flächenschwerpunkte der Formen zumindest näherungsweise auf solchen Linien liegen. Ein anderes Beispiel zur Feststellung, ob die erfassten Formen oder einige der erfassten Formen auf vordefinierten Linien liegen, besteht darin zu prüfen, inwieweit die Formen oder bestimmte Teile der Formen auf einer vordefinierten Linie liegen, d.h. diese überdecken. Über die vordefinierten Linien können semantische Bedeutungen im Hinblick auf die Position von Gegenständen im Bild abgeleitet werden. The distance between two shapes can be determined, for example, via the area centroid of the shapes or the distance between the closest points of two considered forms. In principle, any distance metric can be provided. Whether the detected shapes or some of the detected shapes lie on predefined lines, for example on predefined lines, curves or polygons, can also be determined, for example, as to whether the centroids of the shapes lie at least approximately on such lines. Another example of determining whether the detected shapes or some of the detected shapes are on predefined lines is to examine to what extent the shapes or certain parts of the shapes lie on a predefined line, i. cover them up. Using the predefined lines, semantic meanings can be derived with regard to the position of objects in the image.
Sofern das vorliegende Verfahren auch Entitäten in einem Bild erkennt, kann des Weiteren vorgesehen sein, dass die vordefinierten Regeln die Positionen jeweils zweier Entitäten zueinander und/oder den Verlauf der geometrischen Erstreckung mindestens einer Entität betreffen. Die geometrische Erstreckung einer Entität betrifft die geometrische Form der Entität insgesamt, beispielsweise die Körperhaltung, sofern es sich bei der Entität um einen menschlichen Körper handelt. If the present method also recognizes entities in an image, it may further be provided that the predefined rules relate to the positions of two entities in each case and / or the course of the geometric extent of at least one entity. The geometric extent of an entity relates to the geometric shape of the entity as a whole, for example the posture, if the entity is a human body.
Zur einfachen programmiertechnischen Nutzung der erfassten Informationen kann vorgesehen sein, dass zu einer erkannten Form eine Hüllfläche der erkannten Form sowie die Position der Hüllfläche ermittelt und der weiteren Auswertung zugrunde gelegt werden. Hierdurch kann davon abgesehen werden, möglicherweise vorhandene gesonderte Strukturen innerhalb einer erkannten Form gesondert auszuwerten. For simple programming-technical use of the acquired information, it may be provided that, for a recognized shape, an envelope surface of the recognized shape and the position of the envelope surface are determined and based on the further evaluation. As a result, it is possible to refrain from separately evaluating possibly existing separate structures within a recognized form.
Ein weiterer Aspekt der vorliegenden Erfindung ermöglicht es, dass bei mindestens einem der durchgeführten Schritte mehrere Verfahren eingesetzt und die Ergebnisse der mehreren Verfahren gemittelt werden. Beispielsweise kann vorgesehen sein, dass zu einer Formenerkennung eine Mehrzahl an sich bekannter Mustererkennungsverfahren eingesetzt wird (wie z.B. Cluster-Algorithmen (beispielsweise k-Means-Algorithmen), selbstorganisierende Karten und Hauptkomponentenanalysen). Auch beim Klassifikationsschritt können verschiedene Klassifikationsmodelle eingesetzt werden, beispielsweise neuronale Netze, Stützvektormaschinen („Support vector machine“) und logistische Regression. Durch die Kombination mehrerer Verfahren wird es ermöglicht, eine Modell-Mittelung vorzunehmen, wodurch die Genauigkeit des Gesamtergebnisses verbessert wird. Another aspect of the present invention allows for at least one of the performed steps to employ multiple methods and to average the results of the multiple methods. For example, it may be provided that to form recognition a plurality of per se known pattern recognition methods is used (such as cluster algorithms (for example, k-means algorithms), self-organizing maps and principal component analyzes). Different classification models can also be used in the classification step, for example neural networks, support vector machines and logistic regression. The combination of several methods makes it possible to model-averify, thereby improving the accuracy of the overall result.
Eine weitere Ausgestaltung der vorliegenden Erfindung sieht vor, dass zusätzlich in dem Bild enthaltener Text semantisch ausgewertet und bewertet wird und das Ergebnis der Bewertung in die Klassifikation einfließt. Dabei erfolgt eine kombinierte Gesamtwertung von Text und Bild. Diese Erfindungsvariante sieht somit vor, zusätzlichen Text zu erkennen und zu extrahieren und diesen dann mit dem Bildinhalt in Verbindung zu setzen. A further embodiment of the present invention provides that text additionally contained in the image is semantically evaluated and evaluated, and the result of the evaluation is included in the classification. Here, a combined overall evaluation of text and image. This variant of the invention thus provides for recognizing and extracting additional text and then associating it with the image content.
Gemäß einer Ausführungsvariante der Erfindung sind Schwellwerte einstellbar und/oder mittels Vorlagen änderbar, wobei diese Schwellwerte die Klassifikation beeinflussen. Beispielsweise kann durch Schwellwerte festgelegt werden, inwieweit eine erkannte Form mit einer vordefinierten Form übereinstimmen muss, damit die erkannte Form mit der vordefinierten Form als identisch angesehen und bei der Klassifikation berücksichtigt wird. Auch kann über einen Schwellwert beispielsweise eingestellt werden, in welchem Umfang bestimmte Farbwerte (die beispielsweise das Vorliegen von „Haut“ signalisieren) vorliegen müssen, um die Klassifikation zu beeinflussen. Zusammen mit einem Schwellwert kann des weiteren ein Konzept gespeichert werden, dem der Schwellwert zugeordnet ist. Beispielsweise sind die Schwellwerte bei den Konzepten „jugendfrei“ und „pornografisch“ unterschiedlich. According to an embodiment variant of the invention, threshold values can be set and / or changed by means of templates, wherein these threshold values influence the classification. For example, threshold values can be used to determine to what extent a recognized shape must match a predefined shape so that the recognized shape is considered to be identical to the predefined shape and taken into account in the classification. It is also possible to use a threshold value to set, for example, to what extent certain color values (which for example signal the presence of "skin") must be present in order to influence the classification. Furthermore, together with a threshold value, a concept to which the threshold value is assigned can be stored. For example, the thresholds for the concepts of "adult" and "pornographic" are different.
Es ist bevorzugt vorgesehen, dass das Ergebnis der Klassifikation zusammen mit dem Bild in einer Datenbank abgespeichert wird. Die Ergebnisse des erfindungsgemäßen Verfahrens, die in einer Klassifikation von Bildern liegen, werden in einer finalen „Wissens-Datenbank“ abgespeichert. Diese stellt sämtliche Informationen für eine Klassifikation bereit und kann somit als ein endgültiges Modell mit sämtlichen Parametern verstanden werden. Dieses Modell ist eigenständig und hängt nicht von anderen Parametern ab, so dass es möglich ist, es beispielsweise auf einen Client zu transferieren, um von einem Server unabhängig Inhalte zu bewerten. Eine solche Übertragung an einen Client kann beispielsweise für eine Anwendung auf Mobilgeräten oder für eine Lastverteilung erfolgen. It is preferably provided that the result of the classification is stored together with the image in a database. The results of the method according to the invention, which are in a classification of images, are stored in a final "knowledge database". This provides all the information for a classification and thus can be understood as a final model with all the parameters. This model is self-contained and does not depend on other parameters, so it is possible to transfer it, for example, to a client to rate content independently from a server. Such a transmission to a client may, for example, be for an application on mobile devices or for a load distribution.
Eine Ausgestaltung der Erfindung sieht wie bereits erwähnt vor, dass mit dem erfindungsgemäßen Verfahren unerwünschte Inhalte in Bilddaten eines Bildes erkannt werden, insbesondere solche pornografischen Inhalts. Die unterschiedlichen Formen, die das erfindungsgemäße Verfahren in den Bilddaten eines Bildes erkennt, betreffen dabei Körperteile mindestens eines im Bild enthaltenen menschlichen Körpers. Solche Körperteile sind beispielsweise Hand, Kopf, Beine, Arme, Brust und Genitalien. As already mentioned, one embodiment of the invention provides that unwanted contents in image data of an image are recognized by the method according to the invention, in particular such pornographic content. The different forms which the method according to the invention recognizes in the image data of an image relate to body parts of at least one human body contained in the image. Such body parts are for example hand, head, legs, arms, chest and genitals.
Das Erkennen von Farbwerten und deren Auswertung betrifft im Falle des Erkennens von Bildern mit pornografischen Inhalt das Erkennen solcher Farbwerte, die die menschliche Haut charakterisieren. Eine solche Hauterkennung kann in zwei Stufen erfolgen. In einer ersten Stufe werden Farbraumwerte (z.B. RGB-Werte) der einzelnen Bilddaten des Bildes geprüft. In einer zweiten Stufe werden anhand angelernter und definierter negativer Beispiele hautähnliche Bereiche, die tatsächlich keine Haut betreffen (sogenannte „false positives“) eliminiert. The recognition of color values and their evaluation in the case of recognizing images with pornographic content relates to the recognition of such color values that characterize the human skin. Such skin identification can be done in two stages. In a first stage, color space values (e.g., RGB values) of the individual image data of the image are checked. In a second step, on the basis of learned and defined negative examples, skin-like areas that actually do not affect the skin (so-called "false positives") are eliminated.
Gemäß einer weiteren Ausgestaltung kann vorgesehen sein, dass durch einen Nutzer ein Feedback zu bestimmten Bewertungen, beispielsweise zu erkannten Formen und/oder erkannten Farbwerten erfolgt. Ein solches Feedback kann beispielsweise dazu dienen, um die erwähnten „false-positives“ zu behandeln bzw. diese im System über ein Feedback seitens des Nutzers zu korrigieren, sofern das System sie nicht sogleich als richtig erkennt. Hierdurch kann die Gewichtung einzelner Bilder angepasst werden, was zu einer Verbesserung des gesamten Modells beitragen kann. In accordance with a further embodiment, it can be provided that feedback is provided by a user on specific ratings, for example, on recognized forms and / or recognized color values. Such feedback can be used, for example, to treat the mentioned "false-positives" or to correct them in the system via feedback from the user, unless the system immediately recognizes them as correct. This allows the weighting of individual images to be adjusted, which can contribute to an improvement of the entire model.
Die Erfindung betrifft auch ein Computersystem zur Erkennung eines semantischen Inhalts in Bilddaten eines Bildes. Das Computersystem weist folgende Merkmale auf:
- – Mittel zum Erkennen von Formen in den Bilddaten des Bildes,
- – Mittel zum Bestimmen relativer Positionen der erkannten Formen zueinander,
- – Mittel zum Prüfen, ob die relativen Positionen der erkannten Formen zueinander eine oder mehrere vordefinierte Regeln erfüllen, die jeweils geometrische Beziehungen zwischen Formen betreffen, und
- – Mittel zum Klassifizieren des Bildes nach einem semantischen Inhalt in Abhängigkeit davon, ob und welche der vordefinierten Regeln erfüllt sind.
- Means for recognizing shapes in the image data of the image,
- Means for determining relative positions of the recognized shapes,
- Means for checking whether the relative positions of the detected shapes to each other satisfy one or more predefined rules relating respectively to geometric relationships between shapes, and
- - means for classifying the image according to a semantic content depending on whether and which of the predefined rules are met.
Das Computersystem ist beispielsweise auf einem Server implementiert. Die jeweiligen Mittel werden durch einen Prozessorbaustein, notwendige Hardware wie beispielsweise Speicherbausteine und Programmcode realisiert, der bei Ausführung im Prozessorbaustein die jeweilige Funktion realisiert. The computer system is implemented, for example, on a server. The respective means are realized by a processor module, necessary hardware such as memory modules and program code, which realizes the respective function when executed in the processor module.
Gemäß einer Ausgestaltung ist vorgesehen, dass das Computersystem zusätzlich eine Datenbank enthält, die die bereits klassifizierten Bilder aufweist, wobei die bereits klassifizierten Bilder dem Computersystem in einem Lernmodus zugeführt werden können. Solche in einer Datenbank enthaltenen klassifizierten Bilder, die aufgrund ihrer Klassifikation zusammen mit einer Bewertung abgespeichert sind, können beispielsweise zum Trainieren eines Modells eingesetzt werden. According to one embodiment, it is provided that the computer system additionally contains a database which has the images already classified, wherein the already classified images can be supplied to the computer system in a learning mode. Such classified images contained in a database, which are stored on the basis of their classification together with a rating, can be used, for example, to train a model.
Auch kann eine Datenbank vorgesehen sein, die Parameter enthält, die ein inhaltliches Konzept definieren. Ein inhaltliches Konzept entspricht einem bestimmten semantischen Inhalt. Die Parameter, die ein inhaltliches Konzept definieren, sind z.B. Prototyp-Masken für Körperteile, Schwellenwerte, Parameter für (Klassifikations-)Algorithmen, und Fälle (Positionen von Körperteilen, welche verwendet werden, etc.). Die Summe dieser Parameter wird als Modell bezeichnet. Die Parameter erlauben, Klassifikationen für ein Konzept durchzuführen. Des Weiteren können Parameter für unterschiedliche Konzepte in der Datenbank gespeichert sein. Also, a database can be provided which contains parameters that define a content-related concept. A content-related concept corresponds to a certain semantic content. The parameters defining a contentual concept are e.g. Prototype masks for body parts, threshold values, parameters for (classification) algorithms, and cases (positions of body parts used, etc.). The sum of these parameters is called a model. The parameters allow to carry out classifications for a concept. Furthermore, parameters for different concepts can be stored in the database.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogram mit Computercode zur Durchführung des erfindungsgemäßen Verfahrens. Dabei kann vorgesehen sein, dass das Computerprogramm als Anwendungssoftware auf einem Mobilgerät ausführbar ist. Unter einem Mobilgerät wird dabei jedes portable Gerät verstanden, das nicht fest installiert ist. Es handelt sich beispielsweise um Smart-Phones, Tablet-Computer oder andere tragbare Computer. Another aspect of the invention relates to a computer program with computer code for carrying out the method according to the invention. It can be provided that the computer program can be executed as application software on a mobile device. A mobile device is any portable device that is not permanently installed. These are, for example, smart phones, tablet computers or other portable computers.
Eine weitere Ausgestaltung der Erfindung sieht vor, dass ein solches Computerprogram dazu ausgebildet ist, zusätzlich auf eine Fingerabdruck-Datenbank zuzugreifen, die Identifikationen von bereits bekannten Bildern zusammen mit einer Klassifikation enthält. Solche Identifikationen sind beispielsweise Hash-Werte. Generell wird zunächst geprüft, ob ein zu untersuchendes Bild bereits bekannt ist, d.h. in der Fingerabdruck-Datenbank enthalten ist. Nur wenn dies nicht der Fall ist, folgt eine Klassifikation gemäß der vorliegenden Erfindung. A further embodiment of the invention provides that such a computer program is designed to additionally access a fingerprint database which contains identifications of already known images together with a classification. Such identifications are, for example, hash values. In general, it is first checked whether an image to be examined is already known, i. contained in the fingerprint database. Only if this is not the case, a classification according to the present invention follows.
Die Erfindung wird nachfolgend unter Bezugnahme auf die Figuren der Zeichnung anhand mehrerer Ausführungsbeispiele näher erläutert. Es zeigen: The invention will be explained in more detail with reference to the figures of the drawing with reference to several embodiments. Show it:
Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen beschrieben, die das Erkennen und Filtern unerwünschter pornografischer Inhalte in Bilddaten eines Bildes betreffen. Die Prinzipien der vorliegenden Erfindung sind jedoch auf beliebige semantische Inhalte übertragbar. Beispielsweise kann das erfindungsgemäße Verfahren in entsprechender Weise alternativ dazu eingesetzt werden, Inhalte in Bildern zu erfassen, die Strukturen in karzinomen Zellen einer Zellkultur oder in Mikrorissen eines untersuchten Materials betreffen. Auch können beispielsweise im Rahmen der visualisierten Datensammlung in der Geoanalyse Rohstoffe und deren Vorkommen im Boden als Muster dargestellt und das System entsprechend angelernt werden. Auf diese Weise können dann entsprechende Rohstoffmuster zu den jeweiligen Analysen (prozentual) zugeordnet und wahrscheinliche Muster erkannt werden. The invention will be described below with reference to embodiments relating to the detection and filtering of unwanted pornographic content in image data of an image. However, the principles of the present invention are transferable to any semantic content. For example, the method according to the invention can similarly be used alternatively to capture contents in images which relate to structures in carcinoma cells of a cell culture or in microcracks of a material under investigation. Also, for example, in the context of the visualized data collection in geoanalysis, raw materials and their occurrence in the soil can be represented as a pattern and the system can be trained accordingly. In this way, corresponding raw material patterns can be assigned to the respective analyzes (percentage) and probable patterns can be identified.
Gemäß dem Ausführungsbeispiel der
In einem zweiten Schritt
Die erste Stufe verwendet einfache Bereichs-Regeln, welche die Farbraumwerte (z.B. RGB-Werte) prüfen, um eine Aussage im Hinblick auf das Vorliegen von Haut zu treffen. Eine nachgelagerte Stufe eliminiert hautähnliche Farben, sogenannte „false-positives“ (zum Beispiel Leder, orangefarbene Farbmuster etc.), anhand angelernter und definierter negativer Beispiele. Dies kann mittels einer nicht-linearen Klassifizierung mit einem SVM-Algorithmus erfolgen. The first stage uses simple range rules that check the color space values (e.g., RGB values) to make a statement as to the presence of skin. A downstream level eliminates skin-like colors, so-called "false-positives" (for example, leather, orange color patterns, etc.) on the basis of learned and defined negative examples. This can be done by means of a non-linear classification with an SVM algorithm.
Das Verfahren ist adaptiv, d.h. es ist jederzeit möglich, das Modul nachträglich mit negativen/positiven Beispielen manuell zu erweitern. Das Verfahren gibt als letzten Schritt dann eine Liste von X-/Y-Koordinaten der Hautpixel aus dem Bild zurück. Die Grundannahme dabei ist es, dass in jedem Bild, das pornografischen Inhalt besitzt, zumindest eine kleine Menge an Haut vorhanden ist. Eine leere Rückgabemenge kann als Indiz gewertet werden, dass ein pornografischer Inhalt nicht vorhanden oder nur schwach ausgeprägt ist. The method is adaptive, ie it is possible at any time to extend the module manually with negative / positive examples. The method then returns as the last step a list of X / Y coordinates of the skin pixels from the image. The basic assumption is that there is at least a small amount of skin in every image that contains pornographic content. An empty return can be taken as an indication that pornographic content is missing or weak.
In einem weiteren Schritt
Jedes dieser Körperteile besitzt eine Maske, die ein Prototyp des Körperteils darstellt und einen vordefinierten Mittelpunkt, der für die spätere Gewichtung verwendet wird. Eine Erweiterung um neue Körperteile ist durch die Definition neuer Masken und Mittelpunkte jederzeit möglich. Each of these body parts has a mask that is a prototype of the body part and a predefined midpoint that will be used for later weighting. An extension to new body parts is possible at any time by the definition of new masks and midpoints.
Da die Körperteile aus Haut bestehen, profitiert der Algorithmus zur Durchführung des Schritts
Sollte der vorherige Schritt
Nach der erfolgten Erkennung von Körperteilen werden die erkannten Formen bzw. Körperteile in einer Ausführungsvariante nach dem folgenden Schema weiterverarbeitet. Zum einen wird eine erkannte Form bzw. ein erkannter Körperteil in Grauwerte konvertiert und der Kontrast normalisiert, um unwichtige Details auszublenden. Zum anderen wird mittels der vordefinierten Masken für jedes Körperteil eine Übereinstimmungsprüfung durchgeführt, welche versucht, die Übereinstimmungen von Maske und detektiertem Körperteil zu maximieren. After the recognition of body parts recognized forms or body parts are processed in a variant according to the following scheme. On the one hand, a recognized form or body part is converted to gray values and the contrast normalized to hide unimportant details. On the other hand, by means of the predefined masks, a match check is carried out for each body part which attempts to maximize the matches of the mask and the detected body part.
Das Ergebnis eines entsprechenden Algorithmus besteht darin, dass für jedes gefundene Körperteil eine Hüllfläche (auch als „bounding-box“ bezeichnet) sowie ein Konfidenzwert bereitgestellt werden, der beispielsweise zwischen Null und Eins liegt und angibt, wie stark ein Bereich zu einer Maskenart bzw. einem Körperteil passt. Das Ergebnis des Verfahrensschrittes
Eine entsprechende Detektion von Körperteilen ist anhand der
Im folgenden Schritt
So ist ein gewichtiges Kriterium für die umfassende Beurteilung möglicherweise pornografischen Inhalts eines Bildes die Stellung der Personen und die relative Position der einzelnen Körperteile der Personen zueinander. Die
Dabei besteht die Möglichkeit, eine Gewichtung im Hinblick auf die Ergebnisse der Schritte
Im Schritt
Nach Schritt
Im Schritt
Der Schritt
Es wird darauf hingewiesen, dass der Verfahrensschritt
Beispielsweise ergibt sich aus der Analyse eines pornografischen Bildes, dass folgende Körperteile als relevant markiert sind: Hand, Mund, Brust, Genitalien. Die Hautpartien in diesen Bereichen wurden des Weiteren gewichtet. Damit liegen nun die hinreichenden Voraussetzungen vor, um im folgenden Schritt
Damit ein bestimmter Inhalt, im betrachteten Beispiel ein pornografischer Inhalt, angenommen wird, müssen bestimmte Regeln erfüllt sein, die sich darauf beziehen, ob und welche Körperteile erkannt wurden, gegebenenfalls wie diese gewichtet sind, welche relative Position die Körperteile zueinander besitzen und ob die Körperteile oder die Körper insgesamt bestimmte geometrische Formen besitzen. Um dies abzuprüfen, sind einzelne Regeln vordefiniert. In Abhängigkeit davon, welche und wie viele dieser Regeln erfüllt sind, erfolgt eine Klassifizierung des Bildes nach seinem semantischen Inhalt. In order for a particular content, in the example considered a pornographic content, to be accepted, certain rules must be fulfilled which relate to whether and which body parts were recognized, if so how they are weighted, what relative positions the body parts have and whether the body parts or the bodies as a whole possess certain geometrical shapes. To check this out, individual rules are predefined. Depending on which and how many of these rules are met, the image is classified according to its semantic content.
Die folgenden Regeln können dabei beispielsweise eingesetzt werden. Eine erste Regel prüft, ob Körperteile, die einen pornografischen Inhalt implizieren (primäre und sekundäre Geschlechtsmerkmale), vorhanden sind. Diese Regel prüft somit, ob bestimmte Formen in dem Bild überhaupt erkannt worden sind. The following rules can be used, for example. A first rule checks for body parts that imply pornographic content (primary and secondary sexual characteristics). This rule thus checks whether certain forms have ever been recognized in the image.
Eine weitere Regel untersucht, ob erkannte Körperteile paarweise in einer Beziehung zueinander stehen. Dies kann beispielsweise über die Bestimmung des Abstands zwischen den Körperteilen erfolgen. Another rule examines whether recognized body parts are pairwise related. This can be done, for example, by determining the distance between the body parts.
Die Art der Beziehung zwischen Körperteilen kann durch weitergehende Regeln weiter präzisiert werden. Solche Regeln können den Abstand zwischen bestimmten Körperteilen, beispielsweise zwischen Hand und Genitalien oder Kopf und Genitalien oder zwischen männlichen und weiblichen Genitalien betreffen. Solche Regeln können auch betreffen, ob bestimmte Körperteile bzw. Formen auf bestimmten geometrischen Linien liegen, beispielsweise ob Kopf, Hand und Genitalien auf einer vordefinierten geraden oder gebogenen Linie sind. The nature of the relationship between body parts can be further specified by further rules. Such rules may refer to the distance between certain parts of the body, for example, between the hand and genitals or the head and genitals, or between male and female genitals. Such rules may also concern whether certain body parts or shapes lie on certain geometric lines, for example, whether the head, hand and genitals are on a predefined straight or curved line.
Eine weitere Regel kann die Relativposition der Köpfe zweier involvierter Personen betreffen. Weitere Regeln können sich auf die Körperhaltung der involvierten Personen beziehen, wobei beispielsweise der geometrische Verlauf der Erstreckung der Körper erfasst und ausgewertet wird, sowie die sich daraus ergebende relative Position der Körper zueinander. Another rule may relate to the relative position of the heads of two persons involved. Other rules may relate to the posture of the persons involved, for example, the geometric course of the extension of the body is detected and evaluated, and the resulting relative position of the body to each other.
Wenn beispielsweise das Ergebnis der Anwendung der vordefinierten Regeln ist, dass die Körperteile Kopf und Genitalien in dem analysierten Bild vorhanden sind, diese Körperteile einen geringen relativen Abstand besitzen, der unterhalb eines Schwellwerts liegt, und Kopf und Genitalien auf einer im wesentlichen horizontalen Linie liegen, so kann hieraus auf den pornografischen Inhalt „Oralverkehr“ geschlossen werden. For example, if the result of applying the predefined rules is that the body parts head and genitals are present in the analyzed image, these body parts have a small relative distance that is below a threshold, and the head and genitals lie on a substantially horizontal line, so it can be concluded from the pornographic content "oral sex".
Das beschriebene System ist adaptierbar, indem Schwellenwerte angepasst oder mittels Vorlagen geändert werden. Ein solcher Schwellwert kann beispielsweise den Anteil von Haut in einem detektierten Körperteil betreffen. Wenn beispielsweise in einem bestimmten Körperteil, beispielsweise der weiblichen Brust, der Anteil an Haut unterhalb eines bestimmten Schwellwerts liegt, so kann angenommen werden, dass mit einer gewissen Wahrscheinlichkeit kein pornografischer Inhalt vorliegt. Durch Anheben oder Herabsetzen des Schwellwertes kann die Bewertung beeinflusst werden. The described system is adaptable by adjusting thresholds or changing templates. Such a threshold may, for example, relate to the proportion of skin in a detected body part. For example, if, in a particular body part, such as the female breast, the proportion of skin is below a certain threshold, it can be assumed that there is, with a certain probability, no pornographic content. By raising or lowering the threshold, the rating can be influenced.
Im optionalen Schritt
Am Ende des Verfahrens der
Das beschriebene Verfahren ermöglicht eine adaptive Filterung auf Bildebene, ohne die Verwendung von statischen Sperrlisten oder explizit festgelegten Stichwortlisten zu benötigen. Es nutzt dabei zur Erkennung eines semantischen Inhaltes den Umstand, dass bestimmte Körperteile oder Formen des Bildes und deren relative Position zueinander einen semantischen Inhalt indizieren, sofern sie bestimmten Regeln unterliegen. Diese Erkenntnis wird zur Klassifikation eingesetzt. Dabei können flexibel Fälle vordefiniert werden, die elementare Parameter (Hautanteil, Körperteile, Position der Körperteile, Abstand der Körperteile, etc.) nutzen, um eine Entscheidungsfunktion zu definieren. Dabei wird insbesondere die Position der einzelnen Körperteile zueinander nach einer vorangegangenen Formenerkennung automatisiert ausgewertet. The method described allows adaptive filtering at the image level without the need for static CRLs or explicitly defined keyword lists. It uses to recognize a semantic content the fact that certain parts of the body or forms of the image and their relative position to each other indicate a semantic content, if they are subject to certain rules. This knowledge is used for classification. In this case, cases can be predefined flexibly, which use elementary parameters (skin proportion, body parts, position of the body parts, distance of the body parts, etc.) to define a decision function. In particular, the position of the individual body parts relative to each other after a previous mold recognition is evaluated automatically.
Die
Dabei wird vorab Folgendes zu den Begriffen „Konzept“ und „Modell“ angemerkt. Ein „Konzept“ gibt einen semantischen Kontext an, z.B. „pornografisch“ oder „jugendfrei“. Ein Konzept geht einher mit bestimmten Klassifikationen. Ein „Modell“ bezeichnet sämtliche Parameter, um Klassifikationen für ein Konzept durchzuführen, z.B. Prototyp-Masken für Körperteile, Schwellenwerte, Parameter für Klassifikations- oder andere Algorithmen, und Fälle (Position Körperteile, welche verwendet werden, ...). Es können mehrere Konzepte und zugehörige Modelle bereitgestellt werden und durch einen Nutzer zwischen diesen auswählbar sein. The following is noted in advance on the terms "concept" and "model". A "concept" indicates a semantic context, e.g. "Pornographic" or "adult". A concept goes along with certain classifications. A "model" refers to all parameters to perform classifications for a concept, e.g. Prototype masks for body parts, threshold values, parameters for classification or other algorithms, and cases (position body parts that are used, ...). Several concepts and associated models may be provided and selectable by a user between them.
Das System der
Serverseitig umfasst das System eine Bilder-Datenbank
Im Einzelnen enthält die Bilder-Datenbank
Das Modul
Im Modul
Das Modul
Das Verfahren kann iterativ erfolgen in dem Sinne, dass die Ausgangswerte des Moduls
Das Modul
Die Wissensdatenbank
(Bild-Hash_1, Wert der Klassifikation)
(Bild-Hash_2, Wert der Klassifikation)
...
(Bild-Hash_n, Wert der Klassifikation) The
(Image hash_1, value of the classification)
(Image hash_2, value of classification)
...
(Image hash_n, value of the classification)
Des Weiteren speichert die Wissensdatenbank die Daten für die Modelle der unterstützten Konzepte. The knowledge base also stores the data for the models of the supported concepts.
Des Weiteren ist es möglich, neue Bilder zu hashen und bei der Existenz in der Wissensdatenbank
Ein weiterer Zweck der Wissensdatenbank
Die Funktion des Trainings eines Modells kann auch von der Datenbank
Die Wissensdatenbank
Darüberhinaus enthält die Wissensdatenbank
(Bild-Hash_1, Konzept_Ref_1, Klassifikation)
(Bild-Hash_1, Konzept_Ref_2, Klassifikation) In addition, the knowledge base contains
(Image hash_1, concept_ref_1, classification)
(Image hash_1, concept_ref_2, classification)
Ohne die Angabe eines Konzepts würde es teilweise schwer fallen, z.B. den Unterschied zwischen den Konzepten „kindertauglich“ und „leichte Erotik“ sinnvoll darzustellen. Denn falls ein Bild irgendwelche nackten Körperteile enthalten würde, so soll es als nicht kindstauglich abgewiesen werden. Dagegen ist das Bild solange zulässig, bis es explizit nackte Geschlechtsteile zeigt. Im letzteren Fall wäre es unzulässig (–1), im ersten Fall der leichten Erotik zulässig (+1). Durch gemeinsames Speichern von Bild, Klassifikation und Konzept kann auf solche Feinheiten in einfacher Weise eingegangen werden. Without an indication of a concept, it would sometimes be difficult, e.g. make sense of the difference between the concepts of "child-friendly" and "light eroticism". Because if an image would contain any naked body parts, then it should be rejected as not suitable for children. By contrast, the picture is permissible until it explicitly shows naked genitals. In the latter case, it would be inadmissible (-1), in the first case of light eroticism allowed (+1). By storing the image, classification and concept together, such subtleties can be dealt with in a simple way.
Als Client
Ein „Modell“ bezeichnet dabei wie erwähnt sämtliche Parameter, um Klassifikationen für ein Konzept durchzuführen, z.B. Prototyp-Masken für Körperteile, Schwellenwerte, Parameter für (Klassifikations-)Algorithmen, und Fälle (Position Körperteile, welche verwendet werden, ...). As mentioned, a "model" refers to all parameters to perform classifications for a concept, e.g. Prototype masks for body parts, threshold values, parameters for (classification) algorithms, and cases (position body parts that are used, ...).
Für den Fall, dass das komplette Modell für ein Konzept auf dem Server bereits berechnet wurde, reicht es aus, das eigentliche Modell ohne die Wissensdatenbank
Die zweite Möglichkeit, d.h. Übertragen des Modells auf den Client
Die Filteranwendung
Weiterhin kann vorgesehen sein, dass die Anwendungssoftware zusätzlich dazu ausgebildet ist, auf eine Fingerabdruck-Datenbank
Claims (24)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014207032.5A DE102014207032A1 (en) | 2014-04-11 | 2014-04-11 | Computer-implemented method and computer system for recognizing semantic content in image data of an image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014207032.5A DE102014207032A1 (en) | 2014-04-11 | 2014-04-11 | Computer-implemented method and computer system for recognizing semantic content in image data of an image |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102014207032A1 true DE102014207032A1 (en) | 2015-10-15 |
Family
ID=54193193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102014207032.5A Ceased DE102014207032A1 (en) | 2014-04-11 | 2014-04-11 | Computer-implemented method and computer system for recognizing semantic content in image data of an image |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102014207032A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6904168B1 (en) * | 2001-03-29 | 2005-06-07 | Fotonation Holdings, Llc | Workflow system for detection and classification of images suspected as pornographic |
WO2009063164A2 (en) * | 2007-11-13 | 2009-05-22 | Messagelabs Limited | Scanning images for pornography |
-
2014
- 2014-04-11 DE DE102014207032.5A patent/DE102014207032A1/en not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6904168B1 (en) * | 2001-03-29 | 2005-06-07 | Fotonation Holdings, Llc | Workflow system for detection and classification of images suspected as pornographic |
US7103215B2 (en) * | 2001-03-29 | 2006-09-05 | Potomedia Technologies Llc | Automated detection of pornographic images |
WO2009063164A2 (en) * | 2007-11-13 | 2009-05-22 | Messagelabs Limited | Scanning images for pornography |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69734855T2 (en) | Apparatus and method for extracting an object in an image | |
DE60213032T2 (en) | Facial detection device, face paw detection device, partial image extraction device, and method for these devices | |
DE60109278T2 (en) | Method and device for locating characters in images from a digital camera | |
DE102017220307B4 (en) | Device and method for recognizing traffic signs | |
WO2000021021A1 (en) | Methods and system for recognizing people with model-based face detection | |
DE19634768A1 (en) | Face identification system using video image analysis | |
DE112013002740T5 (en) | Human detection apparatus | |
EP1062640A1 (en) | Method for verifying the authenticity of an image recorded during a personal identification process | |
DE102019127282A1 (en) | System and method for analyzing a three-dimensional environment through deep learning | |
DE102007050568A1 (en) | Method and device for object recognition in an image | |
WO2021175517A1 (en) | Method and device for optical seatbelt detection | |
DE102019209644A1 (en) | Method for training a neural network | |
DE112016006921T5 (en) | Estimation of human orientation in images using depth information | |
DE102005025220B4 (en) | Apparatus, method and program for removing pores | |
DE102020209024A1 (en) | Method for generating a surveillance image | |
DE102014207032A1 (en) | Computer-implemented method and computer system for recognizing semantic content in image data of an image | |
DE10313019A1 (en) | Single handed operation of a mobile terminal by gesture recognition, whereby movement of the terminal relative to the user is measured and used to control the positioning of input selection means | |
EP1402460B1 (en) | Automatic identification and/or verification of line textures such as fingerprints | |
EP0981802B1 (en) | Method for identifying fingerprints | |
WO2021063572A1 (en) | Device and method for processing data from a neural network | |
WO2021074121A1 (en) | Attack-deterrent generator, method for preventing an attack on an ai unit and computer-readable storage medium | |
DE102019207580A1 (en) | Method for operating a deep neural network | |
DE102014214851A1 (en) | Computer-implemented method and computer system for carrying out a similarity analysis | |
DE60313041T2 (en) | METHOD FOR BINARIZING LINEAR STRUCTURES CONTAINING IMAGES | |
DE102021205842A1 (en) | Method and device for the correspondence formation of image features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R082 | Change of representative |
Representative=s name: MUELLER, WOLFRAM, DIPL.-PHYS. DR.IUR., DE Representative=s name: MUELLER, WOLFRAM, DIPL.-PHYS. DR. JUR., DE |
|
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |