网络信息安全技术概论(第二版) 作者 吕林涛 第十三章 网络信息审计技术.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 基于肤色和纹理的不良图像过滤 纹理分析方法通常被分为两类： 基于统计模型的方法 基于信号处理的方法。 基于统计模型的方法通过分析纹理图像中的灰度层的空间依存关系，从而建立统计模型对纹理进行描述。 基于信号处理的方法通过对一组带通滤波器响应的分析，得到相应纹理图像在频域中的表示模型。 基于肤色和纹理的不良图像过滤 这里主要介绍基于统计方法的纹理分析方法，下面给出纹理对比度和粗细度的定义，并利用这两个量来进行纹理检测。 对比度（C）依赖于像素的灰度分布，可以测量图像中局部的灰度变化，其计算公式为 其中， 是图像灰度的标准方差； 是图像灰度的四阶中心矩。 基于肤色和纹理的不良图像过滤 粗细度（R）是测量纹理的间隔尺寸/粒度，其计算公式为 其中，k能使X和Y方向的 最大化，k的取值在0～5之间。 实验表明，对正常图像和含敏感内容图像的纹理分析表明，正常图像的粗细度较小且分布分散，敏感图像的粗细度较大且分布相对集中。利用这个特点可以进行图像过滤。 * 13.4 不良图像识别技术 压缩域肤色和纹理检测 基于肤色和纹理的不良图像过滤 压缩域肤色和纹理检测 采用基于压缩域视频内容的识别技术，就是直接在数据包层次上，对视频压缩域的内容进行肤色和纹理检测。在压缩域，拟采取的方法是计算图像块的颜色均值和纹理特征，然后按照Bayes决策方法推断该图像块是否为皮肤。 计算一个图像块中所有像素在某颜色分量的强度平均值为 压缩域肤色和纹理检测 其中， 通常的肤色检测方法采用固定的分类阈值 但是阈值 如果选得太小，会导致很多非皮肤图像块被误认为是皮肤；相反，如果阈值 选得太大，会导致皮肤图像块被误认为是非皮肤。考虑在视频画面中人体皮肤区域具有光滑纹理的特性，皮肤周围的背景尽管可能在颜色上和皮肤相类似，但是如果把这些背景也当作皮肤，那么整个皮肤区域在纹理上会不一致。 压缩域肤色和纹理检测 根据Bayes后验规则，一个颜色特征为color，纹理特征为texture的图像块，其属于人体皮肤的后验概率为 其中，S 代表skin，C代表color，T代表texture； 是皮肤类的颜色、纹理概率函数，即类条件概率； 是颜色、纹理的先验概率，为了消去该项，同时计算该图像块属于非皮肤的后验概率为 压缩域肤色和纹理检测 计算这两个后验概率的比值为 当这个比值大于一定阈值时，该图像块为人体皮肤，则 压缩域肤色和纹理检测 在以上的方法中，为了在压缩域直接识别，就必须构造出这样的空间域指标，它由DCT域内容表达的式子是较规范的，只有这样，用于判断肤色的指标才能在DCT域直接表达出来。所以这种在压缩域直接识别不良图像的方法是受到一定限制的。 * 13.5 视频过滤技术 在本地网络中，对网络不良视频进行识别的前提是获得网络中所有的网络视频数据，然后根据视频自身的特征，采用适当的识别技术，判断出所获得的视频数据中是否含有不良视频信息。网络视频数据传输被封装在一定的媒体传输协议中，然后再封装网络层协议（TCP或UDP协议）、传输层协议（IP协议），最后封装链路层和物理层协议，形成一个正常的网络数据包后被发送出去。 视频过滤技术 而通常情况下，某一时刻本地网络中会存在大量的各种类型网络数据包。如何从这些众多的数据包中，快速获取含有视频数据的网络数据包，并提取视频数据，以为后续的判别提供基本数据源，是研究的重点问题之一，其主要包括数据包获取和数据包重组两个方面。 在数据包层次上的DCT数据快速定位及提取方面，由于后续模块的处理是基于压缩域上DCT数据信息的，如何从众多数据包中快速定位DCT数据并提取DCT数据相关信息也是研究的关键问题之一。 视频过滤技术 下面讨论网络视频、音频数据包的快速获取与重组。以经过网络关键点处转发的所有网络数据包为输入数据源，通过执行高效的视／音频数据包快速提取算法