KR20090073420A

KR20090073420A - 오판별된 음란성 이미지의 검출 방법 및 그 장치

Info

Publication number: KR20090073420A
Application number: KR1020070141357A
Authority: KR
Inventors: 유성준
Original assignee: 유성준
Priority date: 2007-12-31
Filing date: 2007-12-31
Publication date: 2009-07-03

Abstract

본 발명은 오판별된 음란성 이미지의 검출 방법과 그 장치에 관한 것으로서, 보다 상세하게는 원본 데이터베이스로부터 비음란성 이미지를 판별하는 단계와, 비음란성 이미지로 판별된 이미지를 비음란성 데이터베이스에 저장하는 단계와, 상기 비음란성 데이터베이스에 저장된 비음란성 이미지를 그룹별로 분류하는 단계와, 그룹별로 분류된 비음란성 이미지를 각 그룹 이미지 데이터베이스에 저장하는 단계와, 각 그룹 이미지 데이터베이스에 저장된 이미지에서 음란성 이미지를 검출하는 단계와, 검출된 음란성 이미지를 별도의 데이터베이스에 저장하는 단계를 포함하여 구성되는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 방법과 그 장치에 관한 것이다.

음란, 오판별, 이미지

Description

오판별된 음란성 이미지의 검출 방법 및 그 장치{METHOD FOR DETECTING OBSCENE IMAGE WHICH FALSE DISTINGUISHED AND ITS APPARATUS THEREFOR}

최근 인터넷의 범용화에 따라서 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 동 영상 파일을 별도의 성인 인증 없이 손쉽게 다운로드 받을 수 있는 실정이며, 이러한 음란물은 성인의 정신 건강에 해악을 끼치며 사회적으로 불건전한 성문화를 부추기는 것은 물론, 특히 성장기 청소년들에게 왜곡된 성의식를 조장하는 역기능을 초래하고 있다.

상기와 같이 많은 문제점을 내포하고 있는 음란성 이미지나 동영상 파일을 차단하는 방법으로서, 종래에 서포트 벡터 머신(Support Vector Machine, 이하, 약칭하여 SVM 이라 함)이라 불리우는 기계적 학습 모델을 활용하는 방법이 공지되어 있다.

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 장치를 통하여 수천번 내지 수만번을 반복 실행되도록 함으로써, 이 함수를 실행하는 컴퓨터 장치가 기계적인 반복 학습을 통한 훈련을 통하여 자동적으로 이미지의 형태를 분석하고 파악하도록 하는 기계 학습 방법론이다.

구체적으로는, 상기 SVM 에 의하여 음란성 파일에 대하여 기계적인 학습이 이루어진 컴퓨터 장치가 대상 이미지의 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 활 용하여 SVM 학습 모델과 비교하고 SVM 학습 모델을 통하여 분류된 이미지가 기설정된 특정 분류의 이미지에 해당하면 해당 이미지를 음란성 이미지로 판단하는 방법이다. 이때, 동영상 파일은 이를 이루고 있는 각각의 이미지 프레임 파일을 대상으로 음란성 여부를 판단하게 된다.

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

도 4 는 상기와 같은 음란성 정보를 판단하는 방법이 적용된 종래의 음란성 이미지 파일의 판별 장치의 구성도이다. 도시된 바와 같이, 비음란성 또는 음란성의 이미지 파일이나 동영상 파일들이 저장되어 있는 원본데이터베이스(10)와, 상기 원본데이터베이스(10)로부터 공지된 음란성 이미지 분별 방법을 이용하여 음란성 이미지 파일과 비음란성 이미지 파일을 분류하는 음란성 이미지 판별부(20)와, 상기 음란성 이미지 판별부(20)가 음란한 것으로 분류한 음란성 이미지 파일을 저장하는 음란성 이미지 데이터베이스(30)와, 음란하지 않은 것으로 분류한 비음란성 이미지 파일을 저장하는 비음란성 이미지데이터베이스(40)로 구성되고, 데이터를 서비스하는 서버(미도시)는 상기 음란성 이미지데이터베이스(30)에 저장된 음란성 이미지는 폐기하고, 상기 비음란성 이미지데이터베이스(40)에 저장된 이미지만을 클라이언트 단말기(미도시)에 제공한다.

그러나, 상술한 기계 학습 방법을 이용한 음란성 이미지의 판별 방법이 완벽 하게 음란성 이미지 파일을 판별하는 것이 아니라 기계적 학습 방법의 알고리즘에 따라서 대게 70% 내지 90% 정도의 판별율을 가지고 있기 때문에, 상기 비음란성 이미지데이터베이스(40)에는 비음란한 것으로 오판별된 음란성 이미지가 여전히 저장되어 있게 된다.

따라서, 데이터를 제공하는 서버의 운용자는 비음란성 이미지데이터베이스(40)에 저장된 오판별된 음란성 이미지를 검색하여 제거함으로써 비음란성 이미지데이터베이스(40)를 검증하여야 하는데, 이러한 검증 방법은 비음란성 데이터베이스(40)에 저장된 이미지들을 일일이 하나씩 확인해보는 방법이외에는 다른 방법이 없기 때문에 검증 과정에서의 시간과 비용이 과다하게 소요되는 문제점이 있었다.

본 발명은 상기와 같은 종래의 문제점을 해소하기 위하여 창안된 것으로서, 이미지 판별부에 의하여 비음란성 이미지로 분류된 이미지중에서 잘못 분류된 음란성 이미지를 보다 쉽고 용이하게 검증하기 위한 오판별된 음란성 이미지의 검출 방법 및 그 장치를 제공하는데 기술적 과제가 있다.

상기와 같은 기술적 과제를 달성하기 위한 본 발명의 오판별된 음란성 이미지의 검출 방법 및 장치는, 원본 데이터베이스로부터 비음란성 이미지를 판별하는 단계와, 비음란성 이미지로 판별된 이미지를 비음란성 데이터베이스에 저장하는 단계와, 상기 비음란성 데이터베이스에 저장된 비음란성 이미지를 그룹별로 분류하는 단계와, 그룹별로 분류된 비음란성 이미지를 각 그룹 이미지 데이터베이스에 저장하는 단계와, 각 그룹 이미지 데이터베이스에 저장된 이미지에서 음란성 이미지를 검출하는 단계와, 검출된 음란성 이미지를 별도의 데이터베이스에 저장하는 단계를 포함하여 구성되는 오판별된 음란성 이미지의 검출 방법 및 그 장치의 구성을 특징으로 한다.

상기와 같이 구성되는 본 발명 오판별된 음란성 이미지의 검출 방법 및 장치는 이미지들을 카테고리별로 분류하고, 분류된 이미지들을 대표 이미지와의 유사성을 기반으로 나열하는 구성을 가지고 있으므로, 종래 이미지들을 무작위로 나열한 비음란성 데이터베이스에서 오분류된 음란성 이미지들을 검출하는 것과 비교하여, 오판별된 음란성 이미지를 검출하는 시간과 인력을 절감할 수 있게 되고 검색 효율도 극대화시키는 매우 진보한 발명인 것이다.

이하, 첨부 도면에 의거하여 본 발명의 오판별된 음란성 이미지의 검출 방법과 그 장치의 구성을 설명한다.

도 1 은 본 발명의 오판별된 음란성 이미지의 검출 방법의 플로우챠트이며, 이를 개조식으로 상세하게 설명한다.

1) 비음란성 이미지의 판별 단계(단계 S 100)

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 파일임을 전제로 하여 설명한다.

비음란성 이미지의 판별 단계(단계 S 100)는 SVM(Support Vector Machine), 에이디에이 부스트(ADA Boost) 알고리즘, 바이에시안 네트워크(Bayesian Network), 뉴럴 네트워크(Neural Network) 등의 공지된 기계학습 방법을 이용하여 원본 데이터베이스로부터 음란성 이미지 파일과 비음란성 이미지 파일을 분류하는 단계로서,전술한 바와 같이 음란성 이미지에 대하여 기계적인 학습이 이루어져 음란성 이미지에 대한 기계적 학습 모델이 생성된 컴퓨터 장치 등의 분류기가 판별 대상 이미 지 파일로부터 이미지의 외형 정보를 포함하는 특징 벡터(feature vector)를 추출하고, 이 특징 벡터들을 판별자로 활용하여 기학습된 기계적 학습 모델과의 비교를 수행하고, 해당 이미지가 음란성 이미지에 대한 기계적 학습 모델에 해당하면 해당 이미지를 음란성 이미지로 분류하고 그렇지 않으면 비음란성 이미지로 분류함으로써, 원본 데이터베이스로부터 음란성 이미지와 비음란성 이미지를 판별하는 단계이다.

2) 비음란성 데이터베이스로의 저장 단계(단계 S 110)

상기와 같이 음란성 이미지와 비음란성 이미지로 분류된 이미지들을 음란성 이미지는 음란성 이미지데이터베이스에 저장하고, 비음란성 이미지는 비음란성이미지데이터베이스에 각각 저장하는 단계이다.

3) 비음란성 이미지의 그룹별 분류 단계(단계 S 120)

상기 해당 이미지 파일이 상기 비음란성 이미지의 판별 단계(단계 S 100)에서 분류기에 의하여 음란하지 않은 것으로 판단되어 비음란성 이미지데이터베이스에 저장된 이미지를 각 카테고리별 그룹으로 분류하는 단계이다.

상기 카테고리별 그룹은 사람, 식물, 동물, 자동차, 건물 등 분류 가능한 모든 카테고리에 대한 그룹이며, 상술한 SVM(Support Vector Machine), 에이디에이 부스트(ADA Boost) 알고리즘, 바이에시안 네트워크(Bayesian Network), 뉴럴 네트워크(Neural Network) 등의 공지된 기계학습 방법을 이용하는 컴퓨터 등의 분류기 를 이용하여 해당 이미지의 카테고리별 그룹을 분류한다.

바람직하게는 상기와 같은 카테고리별 그룹 분류시, 동일한 카테고리에 속하는 이미지중에서 대표 이미지를 선택하고, 이 대표 이미지와 다른 이미지와의 유사한 정도를 측정하고, 측정된 유사도 정도를 기반으로 이미지들을 정렬시켜 분류하는 유사도 기반 이미지 정렬(Similarity Based Image Sorting) 단계(단계 S 130)를 더 포함하는 것이 좋다.

구체적으로는, 상기 유사도 기반 이미지 정렬 단계는 공지의 CBF(Cell Based Filtering)과 KNN(k-nearest neighbor)등의 정렬 방법을 사용하여 대상 이미지와 대표 이미지와의 유사도를 측정하고, 유사도 측정 결과에 따라서 각각의 대상 이미지들의 유사도의 순위(rank)를 부여하고, 이 순위대로 유사도가 가장 높은 순서부터 낮은 순서대로 정렬하는 방법을 실시한다.

4) 카테고리별 그룹으로 분류된 비음란성 이미지를 각 그룹별 이미지 데이터베이스에 저장하는 단계(단계 S 140)

이어서, 상기와 같이 각각의 카테고리별 그룹으로 분류되고 추가적으로 각 카테고리별 그룹에 속한 이미지들이 유사도 순위대로 정렬되면, 정렬된 이미지데이터들을 각 그룹 이미지 데이터베이스에 저장한다.

5) 카테고리별 그룹 이미지 데이터베이스에 저장된 음란성 이미지를 검출하는 단계(단계 S 150)

상기와 같이 각 카테고리별 그룹 이미지데이터베이스에 유사도 기반으로 정렬된 이미지데이터들을 검색하여 오분류된 음란성 이미지를 검출하는 단계로서, 상세하게는 상기 그룹 이미지 데이터베이스에 저장된 이미지들을 통상의 모니터 등의 디스플레이 수단에 표시하는 이미지 보기 프로그램이 실행되는 컴퓨터를 이용하여 카테고리 그룹별로 저장된 이미지들 중에서 음란성 이미지를 검출하는 단계이다.

바람직하게는, 상기 이미지 보기 프로그램은 상술한 유사도 기반 정렬 순위에 따라서 이미지들을 나열하여 보여주는 것이 좋은데, 이렇게 유사도 기반 정렬 순위대로 나열하여 보여주게 되면, 해당 카테고리별 그룹에서 대표 이미지와 가장 이질적인 이미지들이 각 카테고리별 그룹에서 가장 하위 순위로 정렬되므로, 오분류된 음란성 이미지들도 각각의 카테고리별 그룹에서 가장 하위 순위로 정렬되어 오분류된 음란성 이미지들을 보다 용이하게 검출할 수 있게 된다.

도 2 는 이러한 이미지 보기 프로그램의 화면 표시의 일례를 나타낸 도면으로서, 도시된 바와 같이 카테고리별 그룹 이미지들의 테마를 표시하는 테마부(A)와 대표 이미지와의 유사도가 가장 높은 순서대로 이미지들을 정렬하여 표시하는 이미지 표시부(B)를 포함하고, 상기 이미지 표시부(B)에는 대표 이미지와 유사도 순위가 적어 이미지표시부(B)의 하위 부분에 정렬된 음란성 이미지가 표시된다.

따라서, 데이터를 제공하는 서버의 운용자는 상기 이미지 표시부(B)의 하위 부분에 정렬된 부분만을 집중적으로 검색함으로써, 종래 이미지들을 무순(無順)으로 나열한 비음란성 데이터베이스에서 오분류된 음란성 이미지들을 검출하는 것과 비교하여, 시간과 인력을 절감할 수 있게 되고 검색 효율도 극대화시킬 수 있게 된 다.

6) 검출된 음란성 이미지를 별도의 데이터베이스에 저장하는 단계(단계 S 160)

상기와 같이 이미지 보기 프로그램이 수행되는 컴퓨터에 의하여 각 카테고리별 그룹 이미지데이터베이스의 이미지들중에서 음란성 이미지가 검출되면, 검출된 음란성 이미지를 별도의 데이터베이스에 저장하는 단계이다. 상기 오분류된 음란성 이미지들을 별도의 데이터베이스에 저장함으로써, 데이터를 제공하는 서버의 운용자가 운용 참고 사항으로 이를 관리할 수 있게 한다.

또한, 이와 같이 별도 데이터베이스에 저장된 음란성 이미지들을 전술한 비음란성 이미지의 판별 단계(단계 S 100)를 수행하는 분류기를 통하여 기계적인 학습을 시키도록 함으로써, 차후에 이루어지는 음란성 이미지의 분류시 보다 정밀한 분류가 수행되도록 하는 것도 바람직하다.

다음으로, 도 3 을 참조하여 본 발명 오판별된 음란성 이미지의 검출 장치의 구성을 설명하되, 종래 기술을 도시한 도 4 에 나타낸 부분과 동일한 구성 요소는 동일한 참조부호를 사용한다.

본 발명 오판별된 음란성 이미지의 검출 장치는, 도면에 도시된 바와 같이 비음란성 또는 음란성의 이미지 파일이나 동영상 파일들이 저장되어 있는 원본데이터베이스(10)와, 상기 원본데이터베이스(10)로부터 음란성 이미지에 대한 기계적 학습 모델이 생성된 컴퓨터 등의 분류기를 통하여 음란성 이미지 파일과 비음란성 이미지 파일을 분류하는 음란성 이미지 판별부(20)와, 상기 음란성 이미지 판별부(20)가 음란한 것으로 분류한 음란성 이미지 파일을 저장하는 음란성 이미지 데이터베이스(30)와, 음란하지 않은 것으로 분류한 비음란성 이미지 파일을 저장하는 비음란성 이미지데이터베이스(40)와, 상기 비음란성 이미지데이터베이스(40)에 저장된 비음란성 이미지로부터 이미지의 외형 정보를 포함하는 특징 벡터(feature vector)를 추출하고, 이 특징 벡터들을 판별자로 활용하여 기학습된 기계적 학습 모델과의 비교를 통하여 해당 이미지의 카테고리별 그룹을 분류하는 그룹 이미지 분류부(50)와, 상기 그룹 이미지분류부(50)에 의하여 각각의 카테고리별 그룹에 속한 이미지들을 저장하는 적어도 하나 이상의 그룹 이미지데이터베이스(60)와, 상기 그룹 이미지데이터베이스(60)를 검색하여 오분류된 음란성 이미지를 검출하는 검출부(70)와, 상기 검출부(70)에 의하여 검출된 음란성 이미지를 별도 저장하는 오판별 음란성 이미지 데이터베이스(80)를 포함한다.

상기 그룹 이미지 분류부(50)는 상술한 SVM(Support Vector Machine), 에이디에이 부스트(ADA Boost) 알고리즘, 바이에시안 네트워크(Bayesian Network), 뉴럴 네트워크(Neural Network) 등의 공지된 기계학습 방법을 이용하여 각 카테고리별로 기계적 학습 모델이 생성된 컴퓨터 장치이다.

상기 그룹 이미지분류부(50)는 동일한 카테고리에 속하는 이미지중에서 대표 이미지를 선택하고, 이 대표 이미지와 다른 이미지와의 유사한 정도를 측정하고, 측정된 유사도 정도를 기반으로 이미지들을 정렬시켜 분류하는 유사도 기반 이미지 정렬 모듈(51)을 더 포함하는 것이 바람직하다.

상기 유사도 기반 이미지 정렬 모듈(51)은 셀 기반 필터링(Cell Based Filtering, CBF) 측정 방법 또는 KNN(k-nearest neighbor) 측정 방법 등의 공지의 이미지 측정 방법을 사용하여 대상 이미지와 대표 이미지와의 유사도를 측정하고, 유사도 측정 결과에 따라서 각각의 대상 이미지들의 유사도의 순위(rank)를 부여하고, 이 순위대로 유사도가 가장 높은 순서부터 낮은 순서대로 정렬하는 모듈이다.

상기 검출부(70)는 상기 그룹 이미지 데이터베이스에 저장된 이미지들을 통상의 모니터 등의 디스플레이 수단에 표시하는 이미지 보기 프로그램이 실행되는 컴퓨터로서, 상기 이미지 보기 프로그램은 상술한 유사도 기반 정렬 순위에 따라서 이미지들을 나열하여 보여주는 프로그램이다.

상기 검출부(70)에 의하여 검출된 음란성 이미지를 별도 저장하는 오판별 음란성 이미지 데이터베이스(80)는 저장된 음란성 이미지들은 데이터를 제공하는 서버의 운용자가 운용 참고 사항으로 이를 별도 관리할 수 있게 하는 것을 가능함은 물론, 상기 오판별 음란성 이미지데이터베이스(80)를 음란성 이미지 판별부(20)와 연동시켜 음란성 이미지 판별부(20)가 오판별 음란성 이미지 데이터베이스(80)에 저장된 음란성 이미지들을 기계적으로 학습하게 함으로써, 차후에 이루어지는 음란성 이미지의 분류시에 보다 정밀한 분류가 수행되도록 하는 것도 바람직하다.

도 1 은 본 발명 오판별된 음란성 이미지의 검출 방법의 플로우챠트,

도 2 는 본 발명 그룹 이미지 데이터베이스의 이미지 보기 프로그램의 일례를 나타낸 도면,

도 3 은 본 발명 오판별된 음란성 이미지의 검출 장치의 구성도,

도 4 는 종래의 음란성 이미지의 판별 장치의 구성도이다.

* 도면의 주요 부분에 대한 부호의 설명 *

10; 원본 데이터베이스

20; 음란성 이미지 판별부

30; 음란성 이미지 데이터베이스

40; 비음란성 이미지 데이터베이스

50; 그룹 이미지 분류부

60; 그룹 이미지 데이터베이스

70; 검출부

80; 오판별 음란성 이미지 데이터베이스

Claims

음란성 이미지에 대한 기계적 학습 모델이 생성된 분류기가 음란성 이미지와 비음란성 이미지를 가진 원본데이터베이스로부터 비음란성 이미지를 판별하는 단계(단계 S 100); 및

상기 비음란성 이미지를 비음란성 이미지데이터베이스에 저장하는 단계(단계 S 110); 및

상기 비음란성 이미지데이터베이스에 저장된 이미지를 카테고리별 기계적 학습 모델이 생성된 분류기가 카테고리별 그룹으로 분류하는 단계(단계 S 120); 및

상기 카테고리별 그룹에서 대표 이미지를 선택하고, 상기 대표 이미지와 카테고리별 그룹에 다른 이미지들과의 유사도를 측정하고, 측정된 유사도에 따라서 카테고리별 그룹에 속한 이미지들을 정렬하는 단계(단계 S 130); 및

상기 유사도에 따라서 정렬된 상기 이미지들을 카테고리별 그룹 이미지데이터베이스에 저장하는 단계(단계 S 140); 및

상기 카테고리별 그룹 이미지데이터베이스에 저장된 유사도 기반으로 정렬된 이미지들을 디스플레이 수단에 표시하는 이미지 보기 프로그램이 실행되는 컴퓨터에 의하여 오분류된 음란성 이미지를 검출하는 단계(단계 S 150); 를 포함하여 구성되는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 방법.
제 1 항에 있어서, 상기 검출된 상기 오분류된 음란성 이미지를 별도의 데이터베이스에 저장하는 단계(단계 S 160); 를 더 포함하여 구성되는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 방법.
제 2 항에 있어서, 상기 별도의 데이터베이스에 저장된 오분류된 음란성 이미지들을 전술한 비음란성 이미지의 판별 단계(단계 S 100)를 수행하는 분류기를 통하여 기계적인 학습을 시키도록 하여, 차후 음란성 이미지의 분류시 보다 정밀한 분류가 수행되도록 하는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 방법.
비음란성 또는 음란성의 이미지 파일이나 동영상 파일들이 저장되어 있는 원본 데이터베이스(10)와,

상기 원본 데이터베이스(10)로부터 음란성 이미지에 대한 기계적 학습 모델이 생성된 분류기를 통하여 음란성 이미지 파일과 비음란성 이미지 파일을 분류하는 음란성 이미지 판별부(20)와,

상기 비음란성 이미지 파일을 저장하는 비음란성 이미지데이터베이스(40)와,

상기 비음란성 이미지데이터베이스(40)에 저장된 이미지를 카테고리별 기계적 학습 모델이 생성된 분류기를 통하여 카테고리별 그룹으로 분류하고, 상기 카테고리별 그룹에서 대표 이미지를 선택하고, 상기 대표 이미지와 카테고리별 그룹에 다른 이미지들과의 유사도를 측정하고, 측정된 유사도에 따라서 카테고리별 그룹에 속한 이미지들을 정렬하는 유사도 기반 이미지 정렬 모듈(51)을 가진 그룹 이미지 분류부(50)와,

상기 유사도 기반으로 정렬된 상기 이미지들을 저장하는 적어도 하나 이상의 그룹 이미지데이터베이스(60)와,

상기 그룹 이미지데이터베이스(60)에 저장된 유사도 기반으로 정렬된 이미지들을 디스플레이 수단에 표시하는 이미지 보기 프로그램이 실행되는 컴퓨터에 의하여 오분류된 음란성 이미지를 검출하는 검출부(70)를 포함하여 구성되는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 장치.
제 4 항에 있어서, 상기 검출부(70)에 의하여 검출된 음란성 이미지를 저장하는 오판별 음란성 이미지 데이터베이스(80)를 더 포함하는 것을 특징으로 하는 오판별된 음란성 이미지의 검출 장치.