KR100882476B1

KR100882476B1 - 음란성 이미지의 판별 방법과 그 장치

Info

Publication number: KR100882476B1
Application number: KR1020070058358A
Authority: KR
Inventors: 유성준
Original assignee: 유성준
Priority date: 2007-06-14
Filing date: 2007-06-14
Publication date: 2009-02-06
Also published as: KR20080110064A

Abstract

본 발명은 음란성 이미지의 판별 방법과 그 장치에 관한 것으로서, 보다 상세하게는, 서버와 연동된 데이터베이스에 저장되거나 이에 저장될 예정인 이미지 파일 또는 동영상 파일의 피부색을 추출하여 그 비율값을 계산하고, 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 상기 이미지 파일의 음란성 여부를 나타내는 분류값을 계산하고, 상기 피부색의 비율값과 상기 음란성 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여한 다음 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 최종 판단하는 것을 특징으로 하는 음란성 이미지의 판별 방법과 그 장치에 관한 것이다.

음란, 판별, 이미지, 동영상, 피부색, 분류, 음란성 레벨

Description

음란성 이미지의 판별 방법과 그 장치{METHOD FOR DISTINGUISHING OBSCENE IMAGE AND APPARATUS THEREFOR}

도 1 내지 도 3 은 본 발명 음란성 이미지의 판별 방법의 플로우챠트,

도 4 및 도 5 는 본 발명의 피부색 비율값에 따른 분류값 계산 방법의 개념도,

도 6 은 본 발명 음란성 이미지의 판별 장치의 구성도,

도 7 은 본 발명 음란선 이미지의 판별 장치의 분류부의 다른 실시예의 구성도이다.

* 도면의 주요 부분에 대한 부호의 설명 *

10; 본 발명 음란성 판별 장치

100; 서버 110; 데이터베이스

200; 입력부 210; 이미지 프레임 추출부

300; 피부색 비율 판단부 310; 얼굴 감지 모듈

320; 피부색 계산 모듈

400; 분류부 410; 피부색 기반 분류값계산모듈

420; 주제 기반 분류값계산모듈

430; 평균값 산출모듈

500; 음란성 레벨 판단부 510; 음란성 수준치 판단 모듈

520; 음란성 레벨 부여 모듈

600; 최종 음란성 판단부

최근 인터넷의 빠른 보급에 힘입어 많은 사람들은 세계 어느 곳에서든 인터넷에 쉽게 접근하여 이를 이용할 수 있게 되었다. 이러한 인터넷의 범용화에 따라서 인터넷 사용자들은 자신에게 필요한 정보를 인터넷으로부터 용이하게 얻을 수 있는 반면, 정보의 급속한 확산력과 익명성으로 대변되는 인터넷의 특성으로 말미암아 많은 사회적 문제점을 야기하는 것도 사실이다.

이러한 문제점중 특히, 인터넷으로 인한 대표적인 문제점으로 지적되고 있는 분야가 바로 인터넷을 매개로하는 음란성 정보의 확산이다. 인터넷 상에 무수히 존재하는 음란물 제공 사이트, P2P 사이트와 같은 웹 사이트에 접속함으로써 상업적 누드 사진과 같은 음란성 이미지 파일 및 포르노, 하드코어, 몰래카메라와 같은 음란성 동영상 파일들을 별도의 성인 인증 없이 손쉽게 다운로드 받을 수 있는 실정이며, 이러한 음란물은 성인의 정신 건강에 해악을 끼치며 사회적으로 불건전한 성문화를 부추기는 것은 물론, 특히 성장기에 있는 청소년들에게 왜곡된 성의식를 조장하는 역기능을 초래하고 있다.

상기와 같이 많은 문제점을 내포하고 있는 인터넷상의 음란물 중 특히 음란성 이미지 파일이나 동영상 파일을 차단하는 방법으로서, 대한민국 특허공개공보 제 10-2006-1830 호에 개시된 바와 같이 이미지 파일이나 동영상 파일의 정지 화면 파일에서 사람의 피부색 정보를 파악하여 피부색이 화면에 얼마만큼의 비율을 차지하는지를 판독하여 그 비율에 따라서 음란성 이미지 파일을 차단하는 기술이 공지된 바 있다.

그러나, 상기와 같이 사람의 피부색 정보만을 파악하여 음란성 이미지 파일을 판단하는 방법은 얼굴 영역이 대부분인 사진, 사람이 입고 있는 옷이 피부색을 포함하는 사진, 사람이 포함되어 있지는 않으나 피부색을 포함하는 사진 등을 정확하게 판독할 수 없는 문제점이 있어, 대한민국 특허공개공보 제 10-2006-28853 호에 개시된 바와 같이, 이미지의 음란성 판단시 피부 영역에서 피부색이 임계치 이상 존재하는지 여부를 판단한 다음, 피부색이 임계치 이하인 경우에는 음란성이 없는 것으로 판단하고, 피부색이 임계치 이상 존재할 경우에만 피부색 정보와 외형 정보를 포함하는 특징 벡터(feature vector)를 추출하고 이를 SVM(Support Vector Machine) 판별자로 활용하여 SVM 학습 모델과 비교하고 SVM 학습 모델을 통하여 분류된 이미지가 기설정된 특정 분류의 이미지에 해당하면 해당 이미지를 음란성 이미지로 판단하는 기술이 소개되어 있다.

그러나, 상기와 같은 방법은 피부색이 음란물로 여겨지는 임계치 이상으로 존재할 경우에만 이를 음란물로 추정하고 그 다음 단계인 SVM 을 이용한 음란물의 분류를 수행하기 때문에, 상술한 바와 같이 피부색 만으로는 음란성 이미지 파일로 정확하게 인식할 수 없는 문제점을 여전히 내포하고 있어 음란성 이미지를 판별하는 정확성이 떨어지는 문제점이 있었다.

본 발명은 상기와 같은 종래의 제반 문제점을 해소하기 위하여 창안된 것으로서, 음란성 이미지 파일과 동영상 파일의 음란성 여부의 판단을 피부색 판단 방법과 SVM 과 같은 기계 학습 방법을 이용하는 음란성 이미지의 분류 방법을 종합하여 판단하도록 함으로써 음란성 이미지 및 동영상 파일의 판별을 보다 정확하게 수행하는 음란성 이미지 판별 방법과 그 장치를 제공하는데 기술적 과제가 있다.

상기와 같은 목적을 달성하기 위한 본 발명 음란성 이미지 파일의 판별방법은, 이미지 파일로부터 피부색을 추출하여 그 비율값을 계산하는 단계와, 상기 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 이미지 파일에 대한 음란성 여부를 나타내는 음란성 분류값을 계산하는 단계와, 상기 피부색의 비율 값과 상기 음란성 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 단계와, 음란성 레벨에 기초하여 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 최종 판단하는 단계를 포함하여 구성되는 것을 특징으로 한다.

또한, 본 발명 음란성 이미지 파일의 판별 장치는, 서버와 연동된 데이터베이스에 저장되거나 이에 저장될 예정인 이미지 파일 또는 동영상 파일의 음란성 여부를 판별하는 장치에 있어서, 상기 서버로부터 적어도 1 개의 이미지 파일을 순차적으로 입력받는 입력부와, 상기 입력부에 입력된 이미지 파일로부터 피부색을 추출하여 그 비율값을 계산하는 피부색 비율 판단부와, 상기 이미지 파일 입력부로 입력된 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 상기 이미지 파일의 음란성 여부를 나타내는 분류값을 계산하는 분류부와, 상기 피부색 비율 판독부가 계산한 피부색의 비율값과 상기 분류부가 계산한 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 음란성 레벨 판단부와, 음란성 레벨에 기초하여 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 판단하여 그 판단 결과의 정보를 상기 서버에 전달하는 최종 음란성 판단부를 포함하여 구성되는 특징으로 한다.

이하, 첨부 도면에 의거하여 본 발명의 바람직한 실시예의 구성을 상세하게 설명한다.

도 1 은 본 발명 음란성 이미지의 판별 방법의 플로우챠트이다.

먼저, 본 발명에서 언급되는 이미지 파일은 JPG, BMP, TIF 등의 확장자를 가지는 전자 파일을 가리키며, 판별하려고 하는 대상이 AVI, MPG 등의 확장자를 가지는 동영상일 경우에는 동영상에서 정지 영상을 추출한 이미지 프레임이 판별 대상의 이미지 파일이 된다.

본 발명 실시예에 의한 음란성 이미지의 판별 방법은 먼저, 음란성의 여부를 판별하려고 하는 대상 이미지 파일로부터 피부색을 추출하여 피부색의 비율값을 계산하는 단계(단계 S 101)로부터 시작된다.

구체적으로 상기 S 101 단계는 도 2 에 도시된 바와 같이 상기 이미지 파일로부터 얼굴 부분 영역을 감지하고(단계 S 201), 감지된 얼굴 부분 영역을 전체 이미지 영역으로부터 제외한 다음(단계 S 202), 상기 감지된 얼굴 부분 영역을 제외한 전체 이미지 영역에서 피부색의 비율값을 계산하는(단계 S 203) 단계를 포함하여 구성된다.

여기서, 상기 대상 이미지 파일로부터 피부색을 추출하는 방법에는 전술한 대한민국 특허공개공보 제 10-2006-28853 호에 개시된 방법과 같이 공지된 추출 방법을 사용하면 되나, 본 발명 실시예에서는 다음과 같은 방법들이 채용 가능하며, 이들을 개조식으로 상세하게 설명하면 다음과 같다.

1) RGB 색상 공간 이용 방법 1 (RGB Colorspace 1)

상기 방법은 피부색을 분류하기 위한 한 가지 방법으로서 몇몇의 색상 공간(Colorspace) 안에서 명시적으로 피부색에 대한 경계(boundary)값을 설정하는 방 법이다. 예를 들어, RGB(Red, Green, Blue)로 이루어진 컬러 공간에서는 다음과 같은 조건식에 의해서 피부색을 분류할 수 있다.

R>95 and G > 40 and B > 20 and (1)

max{R,G,B} - min{R,G,B} > 15 and (2)

|R-G|>15 and R>G and R>B (3)

(1) Red 값이 95보다 크고, Green 값이 40보다 크며, Blue 값이 20보다 커야 한다.

(2) Red, Green, Blue 값 중에서 각각 최대값과 최소값을 구한다. 그리고, 최대값에서 최소값을 빼준 결과가 15보다 커야 한다.

(3) Red 값에서 Green 값을 빼준 값에 절대값을 취하고, 그 값이 15보다 커야 하고 Red값이 Green 값 보다 커야 하며 Red 값이 Blue 값 보다 커야 한다.

2) RGB 색상 공간 이용 방법 2 (RGB Colorspace 2)

R / G > 1.05

상기 방법은 Red 값을 Green 값으로 나눈 값이 1.05 보다 큰 경우 피부색으로 분류하는 방법이다.

3) 디지털 휘도신호와 색차신호(YCbCr) 색상 공간 이용 방법 (YCbCr Colorspace)

77≤Cb≤127 and 133≤Cr≤173

YCbCr 컬러 공간에서의 색차신호 중 하나인 Cb값이 77과 같거나 크고 127과 같거나 작고, 색차신호 중 하나인 Cr값이 133과 같거나 크고 173과 같거나 작은 경우 피부색으로 분류하는 방법이다.

4) 에이치에스(HS) 색상 공간 이용 방법 (HS Colorspace)

0.23≤S≤0.68 and 0≤H≤50

S(Saturation, 채도) 값이 0.23과 같거나 크고 0.68과 같거나 작고, H(Hue, 색조) 값이 0과 같거나 크고 50과 같거나 작은 경우 피부색으로 분류하는 방법이다.

본 발명 실시예에서는 전체 이미지 파일에서 차지하는 피부색의 비율값을 0 내지 1 사이의 값으로 계산한다.

다음으로, 상기와 같이 이미지 파일의 피부색의 비율값의 계산이 종료되면, 상기 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 이미지 파일에 대한 음란성 여부를 나타내는 음란성 분류값을 계산한다(단계 S 102).

상기와 같이 이미지 파일의 음란성 여부를 판단하는 방법으로서, 전술한 대한민국 특허공개공보 제 10-2006-28853 호에 공지된 바와 같은 SVM(Support Vector Machine)을 이용하는 기계 학습 방법이 본 발명에 이용 가능하다.

상기 SVM(Support Vector Machine)이란 주로 영상 인식 분야에서 사용되는 기계 학습 방법 중에 하나로서, 이미지를 이루고 있는 색깔(color), 모서리(edge), 윤곽선(shape) 등의 특징적 요소를 이미지로부터 추출하여 이를 수학적인 함수로서 표현하고, 이 함수를 컴퓨터 등의 장치를 통하여 수천번 내지 수만번을 반복 실행되도록 함으로써, 이 함수를 실행하는 컴퓨터 등의 장치가 기계적인 반복 학습을 통한 훈련을 통하여 자동적으로 이미지의 형태를 분석하고 파악하도록 하는 기계 학습 방법론이다.

예를 들어, 상기 SVM 을 이용한 기계 학습 방법은 카메라로 입력되는 얼굴의 영상을 인식하는 얼굴 인식 분야에서 많이 활용되고 있는데, 카메라로 입력되는 영상을 분석해서 사람의 얼굴로 추정되는 영역으로부터 얼굴 윤곽선을 검출하고 눈을 중심으로 코와 입술 등의 위치를 지정해서 정상적인 사람의 얼굴인지를 확인하는 얼굴 인식의 과정에서 사람의 얼굴 형상을 추출할 때 이러한 SVM 분석 방법론이 이용된다.

또한, 상기 SVM 이외에 본 발명 음란성 이미지 파일의 분류에 사용될 수 있는 기계학습 방법으로서, 에이디에이 부스트(ADA Boost) 알고리즘, 바이에시안 네트워크(Bayesian Network), 뉴럴 네트워크(Neural Network) 등의 공지된 기계학습 방법이 사용될 수 있다.

본 발명 실시예는 상기 SVM 을 이용한 기계학습 방법을 이용하여 음란성이 있는 것으로 판단되는 이미지 파일들을 분류하였으며, 구체적으로는, 이미지 파일이 가지고 있는 색깔(color), 이미지를 이루고 있는 각 영역들의 모서리(edge), 이미지를 이루고 있는 각 영역들의 윤곽선(shape) 등의 특징적 요소의 정보를 포함하는 특징 벡터(feature vector)를 이미지로부터 추출하고 SVM 판별자로 활용하여 SVM 학습 모델과 비교하고, SVM 학습 모델을 통하여 분류된 이미지가 기설정된 특정 분류의 이미지에 해당하면 해당 이미지를 음란성 이미지로 판단하여 음란성 분류값을 부여한다.

이때, 본 발명 실시예는 음란성이 있는 이미지 파일은 상기 음란성 분류값을 1 로 부여하고, 음란성이 없는 이미지 파일은 상기 음란성 분류값을 0 으로 부여한다.

또한, 본 발명 실시예에서는 상기 SVM 분석 방법에 다음과 같은 함수를 이용하여 컴퓨터 등의 장치를 통하여 반복 실행시킴으로써, 컴퓨터 등의 장치가 기계적인 반복 학습을 통한 훈련을 통하여 자동적으로 이미지 파일의 형태를 분석하고 파악하도록 하였다. 함수의 구체적인 내용은 다음과 같다.

상기 수학식 1 에서 w 와 b 는 분류 경계(Hyper plane)의 파라미터들이고, f(x)의 값은 ±1 을 가진다.

다만, 입력 백터(Input Vector)들은 항상 선형적(Linearly separable)이 아니므로 이를 위하여 SVM 는 낮은 차원의 입력 벡터 공간을 높은 차원으로 확장하기 위하여 매핑(Mapping) 함수(Φ)를 이용하고, 그 후 서포트 벡터(Support Vector)를 이용하여 최대한의 마진(Margin)을 찾아 분류한다. 이때, 다양한 종류의 커널(Kernel) 함수들을 적용한다.

상기 수학식 2 에서 커널(Kernel) 함수는 리니어(Linear), 알비에프(RBF) 등을 적용한다.

상기 수학식 2 에서 커널(Kernel) 함수는 상기 수학식 3 과 같이 순서대로 가우션 알비에프(Gaussian RBF), 시그모이드(Sigmoid), 다항식(Polynomial) 커널(Kernel) 등이 있으며, 본 발명에서는 선형 분류(Linear)와 비선형 분류에 있어서는 가우션 알비에프 커널(Gaussian RBF Kernel)등을 적용한다. 그리고, 수학식 3 는 판별 함수로써 주어진 벡터에 대한 클래스를 예측하게 된다.

그리고, 기계 학습(Machine Learning) 기법의 학습 형태는 크게 2가지로 나눌 수 있는데, 교사 학습(Supervised Learning)과 비교사 학습(Unsupervised Learning) 기법이 이에 해당된다. SVM은 교사 학습(Supervised Learning) 기법의 한 종류로써 교사 학습 기법은 훈련(Training)과 예측(Prediction)의 2단계를 거쳐 주어진 벡터에 대해서 클래스를 예측하게 된다. 반면에 비 교사 학습 기법은 훈련 단계가 필요 없고 벡터 값만을 이용하여 특정 알고리즘에 의해서 클래스를 판별하는 기법을 말한다.

SVM의 첫 번째 단계인 훈련(Training) 단계에서는 상기 수학식 4 와 같은 형태의 벡터 집합이 SVM의 입력값으로 사용되어진다.

상기 수학식 5 가 의미하는 바는 이미지 등의 데이터에 대해서 별도의 벡터 추출 알고리즘을 거쳐서 벡터 값(X_v)을 추출하고, 그 벡터 값에 사용자가 클래스(y)를 명시한 것을 말한다. 즉 어떠한 벡터 값에 대해서 미리 분류시켜 놓은 벡터 집합을 SVM에 입력하게 되면, 주어진 벡터 집합은 n차원 상에 놓이게 된다. 그런 후에 SVM 분류기는 서로 다른 클래스에 속해있는 n 차원 상의 벡터들 사이에 분류 경계면(hyperplane)을 설정하고 최대 마진을 구하면 주어진 입력 벡터 집합에 대한 분류 모델이 생성된다. 이 과정까지 거치게 되면 훈련 단계는 종료된다.

SVM의 두 번째 단계인 예측(Prediction) 단계에서는 훈련 단계에서 생성된 모델을 이용한다. 예측 단계에서도 수학식 5 와 같은 입력 벡터가 주어진다. 다만, 이 입력벡터는 훈련 단계에서 사용되지 않은 새로운 것이어야 한다. 예측 단계에서는 훈련 단계에서 생성된 모델을 이용하여 새로운 입력 벡터에 대해서 클래스를 예측하게 된다. 그리고, 다음과 같은 수학식 6 의 결정함수를 정의한다.

상술한 바와 같이 S 101 및 S 102 단계를 거쳐서 이미지 파일의 피부색의 비율값과 음란성 분류값이 계산되면, 이 두값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여한다(단계 S 103).

상기 음란성 레벨을 부여하는 단계는 본 발명이 종래 기술들과 비교되는 특징적인 부분으로서, 종래 기술들이 피부색만 가지고 음란성 이미지를 판별하거나 피부색을 판단하여 피부색이 임계치 이상 존재할 경우에만 그 다음 과정인 이미지의 분류 과정을 거치도록 하므로, 만일 피부색과 관련한 판단이 잘못됐을 경우 음란성 여부를 판단하는 분류 과정을 거치지 않고 곧바로 비음란성 이미지로 분류하는 문제점이 있어 판별력이 저하되는 문제점이 있는 반면, 본 발명은 피부색의 비율값과 음란성 분류값의 두 값을 모두 구한 다음, 이 값들을 종합하여 음란한 정도를 나타내는 음란성 레벨을 부여하므로, 설령 피부색과 관련한 판단이 잘못되었다 하더라도 해당 이미지 파일을 곧바로 비음란성으로 판별하지 않고, 여기에 음란성 분류값을 추가적으로 참조하여 최종 판단하게 함으로써, 음란성 이미지의 판별력을 보다 향상시킬 수 있게 되었다.

상기 이미지 파일의 피부색의 비율값과 음란성 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 단계는 구체적으로 도 3 에 도시된 바와 같은 단계들을 포함하고 있다. 즉, 피부색의 비율값의 전체 구간을 기설정된 비율값의 구간에 따라서 적어도 2 개 이상의 비율값의 구간으로 나누고(단계 S 301), 상기 피부색 비율값에 따라서 이미지 파일이 상기 비율값의 구간중 어느 구간에 속하는지 판단한다(단계 S 302). 그리고, 상기 이미지 파일의 음란성 분류값에 따라서 해당 이미지 파일의 음란성 수준치를 나타내는 음란성 레벨을 부여한다(단계 S 303). 위의 S 301 내지 S 303 의 단계를 표로서 정리하여 나타내면 다음과 같다.

피부색 비율값(→) 분류값(↓)	0 ≤x < θ(1)	θ(1)≤x<θ(2)	......	θ(n-1)≤ x ≤θ(n)
0 (음란성 없음)	1 (레벨 1)	2 (레벨 2)	......	n
1 (음란성 있음)	n+1 (레벨 n+1)	n+2 (레벨 n+2)	......	2n

* x : 피부색 비율값

n : 피부색 비율값의 구간 갯수

θ : 비부색 비율값의 설정구간

예를 들어, 피부색 비율값의 전체 구간을 2 개로 나눈다고 가정하면, 피부색 비율값의 구간 갯수(n)는 2 가 되며, 전체 레벨 갯수는 n+2 이므로 음란성 레벨의 전체 갯수는 4 가 된다. 또한, 피부색 비율값의 전체 구간중 제 1 구간은 θ(1)을 0.49, θ(2)를 1.00 으로 설정하여 2 개로 나누면 아래와 같은 표가 성립된다. 편의상 상기 피부색 비율값을 백분율로 환산하여 나타낸다.

피부색 비율값(→) (백분율로 환산) 분류값(↓)	0% ≤x < 49%	49% ≤x ≤ 100%
0 (음란성 없음)	레벨 1	레벨 2
1 (음란성 있음)	레벨 3	레벨 4

즉, 이미지 파일에서 백분율로 환산한 피부색 비율값이 0% 이상 내지 49% 미만일 경우에는 해당 음란성 분류값에 따라서 레벨 1 또는 레벨 3 의 음란성 수준치를 나타내는 음란성 레벨값이 부여되며, 백분율로 환산한 피부색 비율값이 49% 이상 내지 100% 이하인 경우에는 해당 음란성 분류값에 따라서 레벨 2 또는 레벨 4 의 음란성 레벨값이 부여된다.

따라서, 상기와 같이 부여된 레벨값은 종래 음란성이 있는가 없는가만을 판단하던 단순한 방법에서 벗어나 부여된 음란성 레벨값에 따라서 음란성의 유무를 판단하게 되므로, 음란성 판별 수준을 높게 적용하면 레벨 2 내지 4 에 해당하는 이미지 파일을 음란성이 있는 것으로 판단하여도 되고, 그 수준을 다소 낮게 적용하면 레벨 3 및/또는 레벨 4 에 해당하는 이미지 파일만 음란성이 있는 것으로 판단하여도 된다. 즉, 상기와 같이 부여된 음란성 레벨에 기초하여 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 최종 판단한다(단계 104).

한편, 상술한 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 이미지 파일에 대한 음란성 여부를 나타내는 음란성 분류값을 계산하는 과정(단계 S 102)을 보다 구체적으로 설명하면 다음과 같다.

첫째, 이미지 파일의 피부색 비율값에 따라서 음란성 분류값을 계산하는 방법으로서, 도 4 의 본 발명의 피부색 비율값에 따른 분류값 계산 방법의 개념도에 도시된 바와 같이, 피부색 비율값의 전체 구간을 기설정된 피부색 비율값의 구간에 따라서 적어도 2 개 이상의 구간으로 나누고, 상기 S 101 단계에서 계산된 해당 이미지 파일의 피부색 비율값에 기초하여 해당 이미지 파일이 상기 나뉘어진 피부색 비율값의 구간중 어느 구간에 속하는지 판단하고, 해당 이미지 파일이 속하는 구간별로 기계학습 기법을 각각 이용하여 해당 이미지 파일의 음란성 분류값을 계산하는 방법이다.

예를 들어, 피부색 비율값을 기설정된 피부색비율값(R)의 구간(편의상 백분율값)에 따라서 3 개의 구간, 즉, 0%≤ R < 33% (제 1 구간)과, 33%≤ R < 66% (제 2 구간)과, 66%≤ R ≤ 100% (제 3 구간)으로 나누어져 있고, 이미지 파일들의 각각의 피부색 비율값(R)이 각각 R1=24%, R2=56%, R3=92% 라고 가정할 때, 피부색 비율값이 R1 인 이미지 파일은 제 1 구간에 속하게 되고, 제 1 구간에 따른 기계학습 기법을 이용하여 피부색 비율값이 R1 인 이미지 파일의 음란성 분류값을 계산한다.본 발명 실시예의 경우, 음란성이 있는 이미지 파일은 상기 음란성 분류값을 1 로 계산하고, 음란성이 없는 이미지 파일은 상기 음란성 분류값을 0 으로 계산한다.

그리고, 피부색 비율값이 R2 및 R3 인 이미지 파일은 각각 제 2 구간과 제 3 구간에 속하게 되므로, 각각의 구간에 따른 기계학습 기법을 이용하여 피부색 비율값이 R2, R3 인 이미지 파일의 음란성 분류값을 계산한다.

이와 같이 해당 이미지 파일의 피부색 비율값이 속하는 구간별로 기계학습 기법을 이용하여 음란성 분류값을 계산함으로써, 이미지 파일의 음란성 여부를 보다 정밀하게 판별할 수 있게 된다.

둘째, 도 5 의 본 발명의 피부색 비율값에 따른 분류값 계산 방법의 개념도에 도시된 바와 같이, 상기 이미지 파일의 특징값을 기반으로 하는 적어도 2 개 이상의 주제별 기계학습 기법을 각각 이용하여 적어도 2 개 이상의 분류값을 계산하고, 계산된 분류값들의 평균값을 산출하여 산출된 평균값을 음란성 분류값으로 부여하는 방법이다.

즉, 이미지 파일을 각각의 주제별(수영복 차림의 이미지, 상반신 누드사진이 포함된 이미지, 하반신 누드사진이 포함된 이미지, 성행위가 포함된 이미지, 몰래카메라 이미지 등)로 분류하고, 이들 주제들 중 적어도 2 개 이상의 주제를 각각 전문적으로 기계학습 기법을 이용하여 훈련시킨 다음, 각각의 주제별로 계산된 음란성 분류값들의 평균값을 구하여 이를 음란성 분류값으로 부여하는 방법이다.

예를 들어 상기 음란성 분류값을 계산하는 단계에서 하나의 이미지 파일을 대상으로 상반신 누드사진이 포함된 이미지(주제 1), 하반신 누드사진이 포함된 이미지(주제 2), 성행위가 포함된 이미지(주제 3), 몰래카메라 이미지(주제 4)를 각각 전문적으로 기계학습 방법을 이용하여 훈련시킨 결과 각각 계산되는 분류값이 주제 1 = 0.35, 주제 2 = 0.73, 주제 3 = 0.69, 주제 4 = 0.92 일 경우, 해당 이미지 파일의 음란성 분류값은 상기 각각의 분류값들의 평균값인 0.67 (소수점 3 자리 이하 버림)이 된다.

이때, 이렇게 각각의 분류값들의 평균값으로 계산된 음란성 평균값을 이용하여 음란성 레벨을 부여하는 방법은, 음란성 분류값의 전체 구간을 기설정된 분류값의 구간에 따라서 적어도 2 개 이상의 분류값의 구간으로 나누어, 상기 이미지 파일이 상기 분류값의 구간중 어느 구간에 속하는지 판단하고, 여기에 피부색 비율값의 수치를 고려하여 해당 구간의 음란성 레벨을 부여하면 된다.

이와 같이 적어도 2 개 이상의 전문적인 기계학습 방법을 이용한 분류 방법을 이용하여 이미지를 분류하게 되면, 전술한 실시예와 같이 단순히 음란성 분류값을 0 또는 1 로 한정하는 방법과 비교하여 보다 많은 음란성 레벨값을 부여할 수 있게 되므로, 이미지의 음란성 판별이 더욱 세밀하게 이루어질 수 있는 장점이 있다.

다음으로, 도 6 을 참조하여 본 발명 음란성 이미지의 판별 장치의 구성을 설명한다.

본 발명 음란성 이미지의 판별 장치(10)는, 도면에 도시된 바와 같이 주로 서버(100)와 연동된 데이터베이스(110)에 저장되거나 데이터베이스(110)에 저장될 예정인 이미지 파일 또는 동영상 파일의 음란성 여부를 판별하는 장치로서, 상기 서버(100)로부터 적어도 1 개의 이미지 파일을 순차적으로 입력받는 입력부(200); 상기 입력부에 입력된 이미지 파일로부터 피부색을 추출하여 그 비율값을 계산하는 피부색 비율 판단부(300); 상기 이미지 파일 입력부로 입력된 이미지 파일의 특징값을 기반으로 하는 기계학습 기법을 이용하여 상기 이미지 파일의 음란성 여부를 나타내는 분류값을 계산하는 분류부(400); 상기 피부색 비율 판독부가 계산한 피부색의 비율값과 상기 분류부가 부여한 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 음란성 레벨 판단부(500); 음란성 레벨에 기초하여 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 판단하여 그 판단 결과의 정보를 상기 서버에 전달하는 최종 음란성 판단부(600);로 구성된다.

보다 상세하게는, 상기 피부색 비율 판단부(300)는 상기 이미지 파일로부터 얼굴 부분 영역을 감지하고, 감지된 얼굴 부분 영역을 전체 이미지 영역으로부터 제외하는 얼굴 감지 모듈(310)과, 상기 감지된 얼굴 부분 영역을 제외한 전체 이미지 영역에서 피부색의 비율값을 계산하는 피부색 계산 모듈(320)을 포함하여 구성된다.

또한, 상기 음란성 레벨 판단부(500)는 피부색의 비율값의 전체 구간을 기설정된 비율값의 구간에 따라서 적어도 2 개 이상의 비율값의 구간으로 나누어 상기 피부색 비율값에 따라서 이미지 파일이 상기 비율값의 구간중 어느 구간에 속하는지 판단하는 음란성 수준치 판단모듈(510)과, 상기 이미지 파일의 음란성 분류값에 따라서 해당 이미지 파일의 음란성 수준치를 나타내는 음란성 레벨을 부여하는 음란성 레벨 부여 모듈(520)을 포함하여 구성된다.

전술한 바와 같이 상기 분류부(400)는, 전술한 바와 같이 피부색 비율값의 전체 구간을 기설정된 피부색 비율값의 구간에 따라서 적어도 2 개 이상의 구간으로 나누고, 해당 이미지 파일의 피부색 비율값에 기초하여 해당 이미지 파일이 상기 나뉘어진 피부색 비율값의 구간중 어느 구간에 속하는지 판단하고, 해당 이미지 파일이 속하는 구간별로 기계학습 기법을 각각 이용하여 해당 이미지 파일의 음란성 분류값을 계산하는 피부색기반 분류값계산모듈(410)을 포함하여 구성된다.

또한, 도 7 의 본 발명의 분류부의 다른 실시예의 구성도에 도시된 바와 같이, 전술한 상기 이미지 파일의 특징값을 기반으로 하는 적어도 2 개 이상의 주제별 기계학습 기법을 각각 이용하여 적어도 2 개 이상의 분류값을 계산하기 위하여 이미지 파일을 각각의 주제별(수영복 차림의 이미지, 상반신 누드사진이 포함된 이미지, 하반신 누드사진이 포함된 이미지, 성행위가 포함된 이미지, 몰래카메라 이미지 등)로 분류하는 적어도 2 개 이상의 기계학습 기법이 각각 이용되는 적어도 2 개 이상의 주제기반 분류값계산모듈(420)과, 상기 주제기반 분류값계산모듈(420)들이 계산한 분류값들의 평균값을 산출하여 산출된 평균값을 음란성 분류값으로 부여하는 평균값 산출모듈(430)을 포함한다.

또한, 본 발명 음란성 이미지 파일의 판별 장치는 입력부(200)로 입력되는 파일이 동영상 파일일 경우 이의 정지영상을 얻기 위하여 동영상 파일의 각각의 이미지 프레임을 추출하여 추출된 이미지 프레임을 이미지 파일화하여 상기 입력부로 전달하는 이미지 프레임 추출부(210)을 더 포함한다.

한편, 상기 피부색 비율 판단부(300) 및 분류부(400)가 이용되는 피부색 판단에 대한 방법과 분류부에서 이용되는 음란성 분류에 대한 방법은 상세하게 전술한 바와 같으므로, 여기서는 이의 상세한 설명을 생략한다. 다만, 본 발명 실시예에서는 상기 분류부(400)가 상기 분류부가 이용하는 기계학습 기법으로서, SVM(Support Vector Machine)을 이용하는 기계학습 기법을 사용한다.

상기와 같은 구성을 가진 본 발명 음란성 이미지의 판별 방법 및 장치는, 피부색의 비율값과 음란성 분류값의 두 값을 모두 구한 다음, 이 값들을 종합하여 음란한 정도를 나타내는 음란성 레벨을 부여하므로, 종래 만일 피부색과 관련한 판단이 잘못됐을 경우 음란성 여부를 판단하는 분류 과정을 거치지 않고 곧바로 비음란성 이미지로 분류하는 문제점으로 인한 판별력이 저하되는 문제점을 해소하고 보다 정확하고 신뢰성 높은 판별 능력을 보이는 효과를 가진다.

Claims

이미지 파일의 음란성 여부를 판별하는 방법에 있어서,

상기 이미지 파일로부터 피부색을 추출하여 피부색의 비율값을 계산하는 단계;

기계학습 기법을 이용하여 상기 이미지 파일에 대한 음란성 여부를 나타내는 음란성 분류값을 계산하는 단계;

상기 피부색의 비율값과 상기 음란성 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 단계;

기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 최종 판단하는 단계;

를 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항에 있어서,

상기 이미지 파일로부터 피부색을 추출하여 그 비율값을 계산하는 단계는,

상기 이미지 파일로부터 얼굴 부분 영역을 감지하고, 감지된 얼굴 부분 영역을 전체 이미지 영역으로부터 제외하는 단계;

상기 감지된 얼굴 부분 영역을 제외한 전체 이미지 영역에서 피부색의 비율값을 계산하는 단계; 를 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항에 있어서,

상기 피부색의 비율값과 상기 음란성 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 단계는,

피부색의 비율값의 전체 구간을 기설정된 비율값의 구간에 따라서 적어도 2 개 이상의 비율값의 구간으로 나누는 단계;

상기 피부색 비율값에 따라서 이미지 파일이 상기 비율값의 구간중 어느 구간에 속하는지 판단하는 단계;

상기 이미지 파일의 음란성 분류값에 따라서 해당 이미지 파일의 음란성 수준치를 나타내는 음란성 레벨을 부여하는 단계; 를 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항에 있어서, 상기 이미지 파일의 음란성 여부를 나타내는 음란성 분류값을 부여하는 단계는,

피부색 비율값의 전체 구간을 기설정된 피부색 비율값의 구간에 따라서 적어도 2 개 이상의 구간으로 나누고, 계산된 해당 이미지 파일의 피부색 비율값에 기초하여 해당 이미지 파일이 상기 나뉘어진 피부색 비율값의 구간중 어느 구간에 속 하는지 판단하고, 해당 이미지 파일이 속하는 구간별로 기계학습 기법을 각각 이용하여 해당 이미지 파일의 음란성 분류값을 계산하는 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항에 있어서, 상기 이미지 파일의 음란성 여부를 나타내는 음란성 분류값을 부여하는 단계는,

적어도 2 개 이상의 주제별 기계학습 기법을 각각 이용하여 적어도 2 개 이상의 분류값을 계산하고, 계산된 분류값들의 평균값을 산출하여 산출된 평균값을 음란성 분류값으로 부여하는 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항 내지 제 5 항중 어느 한 항에 있어서,

상기 이미지 파일은 동영상 파일로부터 추출된 이미지 프레임인 것을 특징으로 하는 음란성 이미지의 판별 방법.
제 1 항 내지 제 5 항중 어느 한 항에 있어서,

상기 기계학습 기법은,

SVM(Support Vector Machine)을 이용하는 기계학습 기법인 것을 특징으로 하는 음란성 이미지의 판별 방법.
서버와 연동된 데이터베이스에 저장되거나 이에 저장될 예정인 이미지 파일 또는 동영상 파일의 음란성 여부를 판별하는 장치에 있어서,

상기 서버로부터 적어도 1 개의 이미지 파일을 순차적으로 입력받는 입력부;

상기 입력부에 입력된 이미지 파일로부터 피부색을 추출하여 그 비율값을 계산하는 피부색 비율 판단부;

기계학습 기법을 이용하여 상기 이미지 파일 입력부로 입력된 이미지 파일의음란성 여부를 나타내는 분류값을 계산하는 분류부;

상기 피부색 비율 판독부가 계산한 피부색의 비율값과 상기 분류부가 부여한 분류값에 기초하여 상기 이미지 파일의 음란성 레벨을 부여하는 음란성 레벨 판단부;

음란성 레벨에 기초하여 기설정된 음란성 판단 기준에 따라서 상기 음란성 레벨이 부여된 이미지 파일의 음란성 여부를 판단하여 그 판단 결과의 정보를 상기 서버에 전달하는 최종 음란성 판단부;

를 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항에 있어서, 상기 피부색 비율 판단부는,

상기 이미지 파일로부터 얼굴 부분 영역을 감지하고, 감지된 얼굴 부분 영역을 전체 이미지 영역으로부터 제외하는 얼굴 감지 모듈;

상기 감지된 얼굴 부분 영역을 제외한 전체 이미지 영역에서 피부색의 비율값을 계산하는 피부색 계산 모듈; 을 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항에 있어서, 상기 음란성 레벨 판단부는,

피부색의 비율값의 전체 구간을 기설정된 비율값의 구간에 따라서 적어도 2 개 이상의 비율값의 구간으로 나누어 상기 피부색 비율값에 따라서 이미지 파일이 상기 비율값의 구간중 어느 구간에 속하는지 판단하는 음란성 수준치 판단모듈;

상기 이미지 파일의 음란성 분류값에 따라서 해당 이미지 파일의 음란성 수준치를 나타내는 음란성 레벨을 부여하는 음란성 레벨 부여 모듈;

을 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항에 있어서, 상기 분류부는,

피부색 비율값의 전체 구간을 기설정된 피부색 비율값의 구간에 따라서 적어도 2 개 이상의 구간으로 나누고, 해당 이미지 파일의 피부색 비율값에 기초하여 해당 이미지 파일이 상기 나뉘어진 피부색 비율값의 구간중 어느 구간에 속하는지 판단하고, 해당 이미지 파일이 속하는 구간별로 기계학습 기법을 각각 이용하여 해당 이미지 파일의 음란성 분류값을 계산하는 피부색기반 분류값계산모듈; 을 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항에 있어서, 상기 분류부는,

상기 이미지 파일의 주제별로 분류된 기계학습 기법이 각각 이용되는 적어도 2 개 이상의 주제기반 분류값 계산모듈;

상기 주제기반 분류값계산모듈들이 계산한 분류값들의 평균값을 산출하여 산출된 평균값을 음란성 분류값으로 부여하는 평균값 산출모듈; 을 포함하여 구성되는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항 내지 제 12 항중 어느 한 항에 있어서,

상기 서버에 저장된 동영상 파일로부터 각각의 이미지 프레임을 추출하여 추출된 이미지 프레임을 이미지 파일화하여 상기 입력부로 전달하는 이미지 프레임 추출부;

를 더 포함하는 것을 특징으로 하는 음란성 이미지의 판별 장치.
제 8 항 내지 제 12 항중 어느 한 항에 있어서,

상기 분류부가 이용하는 기계학습 기법은,

SVM(Support Vector Machine)을 이용하는 기계학습 기법인 것을 특징으로 하는 음란성 이미지의 판별 장치.