Journal of the Korea Academia-Industrial cooperation Society Vol. 12, No. 6 pp. 2807-2814, 2011 DOI : 10.5762/KAIS.2011.12.6.2807 컬러공간특성을이용한유해동영상식별방법에관한연구 김성균 1, 김창근 2, 정대율 3* 1 경상대학교대학원경영학과, 2 경남과학기술대학교융합기술공과대학컴퓨터융합공학과, 3 경상대학교경영대학경영정보학과 An Identification Method of Detrimental Video Images Using Color Space Features Soung-Gyun Kim 1, Chang-Geun Kim 2 and Dae-Yul Jeong 3* 1 Dept. of Business Adminstration, Graduate School, Gyeongsang National University 2 Dept. of Computer Engineering, College of Fusion Technology Engineering, Gyeongnam National University of Science and Technology 3 Dept. of MIS, College of Business Adminstration, Gyeongsang National University 요약본논문은컬러공간특성을이용하여유해동영상을식별하는알고리즘을개발하고, 실험을통하여알고리즘의효율성을검증한다. 유해동영상식별알고리즘은 2차원투영맵에기초하고있다. 비디오이미지의컬러특성을추출하는데있어 2차원투영맵은후보프레임을효과적으로추출하는데적용되어진다. 본연구에서는제시된유사도계산알고리즘을이용하여추출된프레임과기준이미지간의유사도를먼저계산하고, 유사도평가를통하여유해동영상후보프레임을식별해내고임계치를적용하여최종판단을내린다. 제시된알고리즘을적용한실험결과, 유해동영상을찾는데있어컬러히스토그램보다본연구에서제안한 2차원투영맵을이용한기법이계산속도와식별능력면에서더우수함을입증하였다. Abstract This paper proposes an identification algorithm that detects detrimental digital video contents based on the color space features. In this paper, discrimination algorithm based on a 2-Dimensional Projection Maps is suggested to find targeted video images. First, 2-Dimensional Projection Maps which is extracting the color characteristics of the video images is applied to extract effectively detrimental candidate frames from the videos, and next estimates similarity between the extracted frames and normative images using the suggested algorithm. Then the detrimental candidate frames are selected from the result of similarity evaluation test which uses critical value. In our experimental test, it is suggested that the results of the comparison between the Color Histogram and the 2-Dimensional Projection Maps technique to detect detrimental candidate frames. Through the various experimental data to test the suggested method and the similarity algorithm, detecting method based on the 2-Dimensional Projection Maps show more superior performance than using the Color Histogram technique in calculation speed and identification abilities searching target video images. Key Words : Detrimental video, 2-Dimensional Projection Maps, Color Histogram, Detrimental candidate frames, Similarity evaluation, Similarity calculation 1. 서론 인터넷은유용한정보의획득과손쉬운활용이라는많 은장점에도불구하고사회적으로통제를필요로하는유해한정보가인터넷을이용하는이용자들에게무분별하게제공함으로써역기능을발생시키고있다. 유해한내 * 교신저자 : 정대율 (dyjeong@gnu.ac.kr) 접수일 11 년 04 월 06 일수정일 11 년 05 월 23 일게재확정일 11 년 06 월 09 일 2807
한국산학기술학회논문지제 12 권제 6 호, 2011 용을담고있는동영상의유통은청소년뿐만아니라성인에게까지도정신적, 신체적으로많은문제를일으키고있으며, 이는인터넷의발달로인하여동영상의유통이급격히증가하면서문제의심각성을더해가고있는실정이다. 이러한인터넷의역기능에있어서가장큰문제로인식되고있는유해한영상을차단하기위한시스템 [1] 에대한연구는진행되고있으나, 대부분이정지영상을대상으로하고있고이는대용량의비구조화된동영상에적용하기에는비현실적이다 [2]. 기존시스템에동영상을적용할수있는기법에대한연구는건전한정보의유통을위해중요한일이라할수있다. 이에따라정보의유해성에대한관심이증폭되고그에따른유해정보방지기술에관한관련연구가활발히진행되고있다. 초기에는텍스트처리기술의연구가진행되어왔으며인터넷이발달함에따라이미지및동영상처리기술로발전하게되었다. 향후에는텍스트및이미지등멀티미디어정보를이용한멀티모달 (multimodal) 기술로발전할것으로예상된다 [3]. 유해이미지방지기술분류를살펴보면기존의시스템은주로정지영상의컬러값을입력하여그영상에대한유해성을판별하는시스템이다. 이러한기존의판별시스템을동영상에그대로적용하기위해서는초당 30프레임이상되는많은양의프레임을순차적으로판별하는데는한계가있다. 이경우영상자체로부터추출된정보나움직임에관한동영상의 I-프레임만을대표프레임으로추출하여사용자가의도하는내용으로동영상을판별할수있다. 이경우순차적인특성을가지는동영상의구조상내용중심의장면변화나프레임구조중심으로대표프레임화하기때문에많은수의대표프레임이생성된다. 이는정보의양이방대하여동영상의유해성판별에있어서많은시간과공간을필요로하게된다. 기존의대표프레임선정방법 [4-6] 으로동영상의유해성을판별하게되면동영상의구조상약간의차이는있을수있겠으나모든동영상의프레임을서로비교하여유해성을판단하므로연산에소요되는시간을크게증가시키게된다. 따라서유해성을판별하기위한기존의판별시스템의프레임선택은매우비효율적임을알수있다. 이러한대표프레임을선정하는방법으로시간적분할방법을이용한대표프레임선정등많은연구가되고있다. 따라서제한적인대표프레임만을선정하기위하여시간적표본화를이용할수있지만, 영상의정보나특성을고려하지않고무작위로대표프레임을선정한것과다르지않으므로이는프레임수는줄일수있으나유해성을판별하기위한대표프레임선정에는적합하지못하다. 대부분의동영상은순차적인구조의특성으로인하여연속된장면구성으로이루어져있기때문에각각의프레임마다중복된영상정보가연속된프레임속에많이분포되어있는것을알수있다. 특히, 유해성이짙은영상들은고정된배경과특정한컬러의분포, 정지된사물속에서제한된영역만이지속적인변화를가져오는특성을가지고있다. 이런특성을이용한 I-프레임을유해후보프레임으로선정하여유해성판별대상으로한다면기존의시스템보다비교프레임수를현저히줄일수있을것이다본연구에서는컬러히스토그램의컬러특성 [7] 을이용하기보다는영상의컬러특성추출기법인투영맵 [8] 이라는새로운컬러의특성을이용하여유해후보프레임을선정하고, 선정된유해후보프레임의유해성을판별하기위하여유해기준영상과의유사도측정을통하여유해영상의기준조건을충족시키면유해영상으로판단하고그렇지못하면비유해영상으로판단한다. 유해영상은독특한피부컬러와컬러의위치정보를가지고있는데이런피부의컬러특성을이용한유해후보프레임을추출하기에는컬러히스토그램보다투영맵을이용한방법이동영상의유해성판별에훨씬우수한것으로알려져있다 [2]. 본연구에서는투영맵의특징인컬러정보와위치정보의특성을이용하여유해후보프레임을추출하고, 추출된유해후보프레임의유해성을판단하기위하여유해기준영상과의유사도측정을통하여동영상의유해성을판별하는방법과시스템을제안한다. 2. 유해정보방지기술 유해정보방지기술은크게텍스트기반기술과이미지기반기술로나눌수가있다. 텍스트기반기술의분류는범주정형화, 특성추출, 그리고텍스트분류등 3단계로구성한다 [9]. 먼저범주정형화는분류대상이되는범주와각범주를구분하는기준을정하는단계로써분류대상이되는범주를미리정하고, 각범주를구분할수있는기준을정한다. 특성추출방법은형태소분석기반특성추출방법과구문분석기반특성추출방법이있다. 세번째텍스트분류단계는많은양의문서를관리하고이를효율적으로검색하기위한문서분류모델에는기계학습분야에서사용되는알고리즘들이사용되는데, 크게규칙기반모델과학습기반모델, 그리고유사도기반모델로분류된다. 유해이미지를추출하는기법에는여러가지기법들이연구되고있다 [10-12]. 유해이미지분류기술이란, 입력 2808
컬러공간특성을이용한유해동영상식별방법에관한연구 이미지가주어졌을때이미지처리기술을사용하여이미지의유해성을판단하고분류하는기술을의미한다. 유해이미지분류기술은 Fleck 등 [1] 이발표한 "Finding naked people" 이라는논문을시작으로하여계속발전되어오고있다. 초기에는내용기반이미지검색 (CBIR : Content Based Image Retrieval) 에사용되는이미지의특성과분류기술을가지고유해이미지를구분하려는시도가많이있었다. 하지만최근에는유해이미지에특화된특성을추출하고, 추출된특성을학습알고리즘의입력값을이용하여유해이미지를판단하려는시도가많이진행되고있다. 유해이미지분류기술의구성요소로는유해이미지전처리기술, 유해이미지특성추출기술, 유해이미지분류기술, 유해이미지분류시스템통합기술, 유해이미지분류시스템평가기술등이있다. 그중에서유해이미지특성추출기술과유해이미지분류기술이주로연구되고있는반면에, 다른요소에대한연구는부족한실정이다. 2.1 유해이미지특성추출기술 유해이미지특성추출기술은이미지로부터추출하는정보에따라서그림 1과같이구분할수있다. 제 1세대유해이미지특성추출기술은이미지에서피부색영역을찾은후, 피부색영역의크기, 이미지크기에대한상대적피부색영역의크기, 피부색영역의개수등피부색에관한몇가지정보만을추출하는기술을의미한다. 제 2세대유해이미지특성추출기술은이미지에서피부색영역의정보뿐만아니라, 이미지의컬러, 형태, 질감등과같은여러가지저수준특성 (Low level feature) 을추출하는기술을의미한다. 제 3세대유해이미지특성추출기술은이미지의컬러, 형태, 질감등의저수준특성들로부터새로운정보를추론하여의미를갖는고수준특성을추출하는기술을의미한다. 이미지에서피부색영역, 에지 (edge) 등의저수준특성을추출한후, 이를사용하여이미지속에존재하는사람의포즈 (pose) 를분석하고, 포즈의의미를분석하여유해성여부를분류하는방법이 3 세대유해이미지특성추출기술의한예라고할수있다. 1세대기술단일저수준특성 ( 피부색정보 ) 2세대기술다중저수준 특성 ( 컬러, 질감, 형태 ) 3세대기술고수준 특성 ( 저수준에서추론 ) [ 그림 1] 유해이미지특성추출기술발전도 [Fig. 1] The trend of characteristics extraction technology for detrimental images 2.2 유해이미지분류기술유해이미지분류기술이란유해이미지특성추출기술로부터추출된이미지의특성을입력값으로사용하여유해성여부를결정하는기술을의미한다. 유해이미지분류기술은검색기반분류기술과학습기반분류기술로나타낼수있다. 검색기반분류기술은모든기준데이터와유사도를측정해야하기때문에처리시간이오래소용되며, 메모리공간도많이차지하고, 기준이미지에따라서성능이좌우되는단점을가진다. 학습기반분류기술은유해및무해이미지학습샘플들로부터범주간의특성을추출하고이를사용하여분류모델을생성한후, 입력이미지에대해서생성된분류모델을사용하여이미지의유해성을판단하는방법을의미한다. 학습기반분류기술은검색기반분류기술에비해서처리속도가빠르며, 메모리공간도효율적으로사용할수있고, 사용자가임의로모델을정하지않고학습하는과정동안최적화된값을찾기때문에사용자의개입을최소로할수있는장점이있다. 유해정보분류기술은텍스트처리기술에서이미지및동영상처리기술로발전하고있으며, 향후텍스트와이미지등멀티미디어정보를이용한멀티모달 (multimodal) 기반의분류기술로발전할것으로예상된다 [3]. 3. 연구모형및판별알고리즘 3.1 목표시스템구성과유해성판별모형본논문에서는유해성판별을위한입력값으로쓰이게될 I-프레임중대표프레임을유해후보프레임으로선정한다. I-프레임을대표프레임으로추출하는이유는유해성판별을위한입력값으로쓰이게될값이기때문에시간적압축기술보다는공간적압축기술을사용한다. 이는연산을최소화하고단독복원할수있는영상의정보를가지고있으므로임의접근을기준으로할수있기때문이다. 그림 2는동영상유해성을판별하는절차를모형화한것이다. 그림 2의동영상유해성판별절차를살펴보면먼저질의영상으로부터 I-프레임을추출하여추출된 I-프레임을유사도측정을위하여 3차원공간에매핑시키고 2차원투영맵으로변환한다. 변환된투영맵의유사도계산을위하여 1차원벡터로바꾸고유사도가가까운순서로유해후보프레임을선정한다. 선정된유해후보프레임을기준유해영상과의유사도측정을통하여유해영상을판별한다. 2809
한국산학기술학회논문지제 12 권제 6 호, 2011 [ 그림 2] 동영상유해성판별모형 [Fig. 2] Research model for the discrimination of detrimental video images 3.1.1 1차후보프레임 (I-프레임) 추출동영상내의각프레임중유해성을판별하기위한첫번째단계는후보프레임을선정하는작업이다. 일반적인동영상은 I, B, P의세가지프레임으로구성되어있다. 이중 MPEG 스트림의 GOP를파싱 (parsing) 하여 1차후보프레임인 I-프레임만을추출한다. I-프레임은다른프레임과달리독자적으로단위영상을만들수있기때문이다. 단계 1 : MPEG 스트림중 GOP을파싱하여 I-프레임만을복호화한다. 각 I-프레임은단위공간에저장하고 1차후보프레임으로 2차후보프레임의대상이된다. 1차후보프레임추출은유해동영상과비유해동상으로나누어추출한다. 추출된 1차후보프레임을대상으로 2 차후보프레임을선정하기위하여각각컬러히스토그램과 2차원투영맵생성작업을수행한다. 생성된히스토그램과투영맵의유사도를비교하여 2차후보프레임을결정하게된다. 단계 2 : 1차후보프레임을대상으로각프레임별히스토그램과투영맵을생성한다. 단계 3 : I-프레임을이용한유사도계산과최종유해후보프레임을추출한다. 단계 4 : 기준유해영상과최종유해후보프레임간의유사도측정을통한유해성을판별한다. 3.1.2 유해성판별방안 동영상내에서유해성을판별하기위하여먼저 I-프레임을추출한후 I-프레임에대하여프레임간유사도를측정한다. 가장처음위치하는 I-프레임을기준프레임으 로하여다음프레임의유사도를계산하여, 임계값에미치지못하면, 즉첫프레임과비교하는프레임간의유사성이없다면, 그프레임을최종후보프레임으로선정하고그프레임을기준프레임으로하여같은과정을반복한다. 최종생성된대표프레임을유해후보프레임으로하고유해후보프레임에대한 2차원투영맵을생성한다. 이때 2차원투영맵을생성하기위하여 3차원공간에매핑시키고컬러정보를 2차원맵으로변환한다. 2차원투영맵은색상의분포외에도색상의위치정보도함께가지고있어영상의일부분만변하는특성을가지는유해영상은유사성있는프레임으로결정할수있다. 따라서 2차원투영맵을 1차원 2진벡터로전환하여유해후보프레임으로선정한다. 선정된유해후보프레임의유해성을판별하기위해서는기준유해영상과의유사도측정을통하여유해영상의기준조건을충족시키면유해영상으로판단하고그렇지못하면비유해영상으로판단한다. 3.2 유사도측정알고리즘 3.2.1 1차원벡터의형성 2차원투영맵의최종적인특성정보로변환하기위하여식 (3-1) 과같이 2차원맵내의컬러가존재하면 1로, 존재하지않으면 0으로두어 2진행렬을구성한다. P(R, G) = P(G, B) = P(B, R) = 식 (3-1) 2차원맵상의색상은명도값이존재하지만색상의위치정보와 1차원벡터로변환을위하여각위치의명도가 1부터 255까지의값만가지면색상정보가있는것으로간주한다. 이는실험이나응용분야에따라적절하게범위값을지정할수도있을것이다. 예를들어노을이지는자연영상의경우전체프레임이붉은계통을나타내므로 128부터 255까지의명도값만을색상정보의인식값으로결정할수도있다. 이렇게변환된 2진행렬정보는식 (3-2) 와같이유사성을쉽게계산하기위하여 1차원 2진벡터로전환한다. 2810
컬러공간특성을이용한유해동영상식별방법에관한연구. 식 (3-2) 1차원 2진벡터들을연결하여 1차원투영벡터의형성은식 (3-3) 과같다. 여기서 I는 1차원투영벡터이다. I = {RG(1, 1),..., RG(2q, 2q), GB(1, 1),..., GB(2q, 2q), BR(1, 1),..., BR(2q, 2q)} 식 (3-3) 1차원투영벡터의빈 (Bin) 수는식 (3-4) 를이용하여구할수있다. N2dm = 2q 2q 3 식 (3-4) 여기서 N2dm은 1차원투영벡터의빈 (Bin) 수, q는픽셀당양자화비트수를나타낸다. q=5인경우, 형성되는 1차원투영벡터의총빈수는 3,072 (25 25 3) 이다. 이것은 5 비트양자화의경우, RGB 컬러히스토그램의경우보다약 10.7 (32,768 / 3,072) 배만큼이나빈수를절약할수있어서처리속도에있어서도크게향상시킬수있음을보여준다. 3.2.2 투영맵을이용한 2차후보프레임선정 1차의벡터정보를이용하여 2차후보프레임을선정하기위하여유사도를비교하여야한다. 유사도비교는식 (3-5) 의거리계산공식으로유사도를측정한다. ED = 식 (3-5) 2 는각투영벡터의빈 (Bin) 수 Q(i) 는초기영상의 i번째빈수 T(i) 는이후영상의 i번째빈수 초기프레임을대상으로 1차후보프레임의유사도를측정하는것으로특정임계치내에있으면유사한프레 임으로간주하여새로운 2차후보프레임에서제외되고임계치범위를벗어나면상이한프레임으로간주하여 2 차후보프레임에선정되게된다. 3.3 유해영상판별분석 3.3.1 기준유해영상과의유사도측정분석동영상내의각프레임중유해성을판별하기위한첫번째단계는유해성의기준이되는유해영상프레임을선정하는작업이다. 유해기준영상은많은데이터를가지고통계학적인수치를통하여유해기준영상을정할수있으나, 본연구에서는유해기준영상을피부노출이많은누드위주의영상을유해성기준영상으로하였다. 따라서유해영상의기준에따라유해성은달라질수있겠으나일반적인유해이미지를가지는영상을선정한다. 단계 1 : 투영맵을통하여선정된유해후보프레임의유해성을판별하기위하여 5개의유해기준영상을선정한다. 학습기반분류기술의컬러공간특성추출기법인투영맵을이용하여유해후보프레임을선정하고, 선정된유해후보프레임과유해기준영상간의유사도를측정한다. 그리고유해기준영상과의유사도에따라유해프레임을판별한다. 단계 2 : 유해기준영상과유해후보프레임에대하여거리계산을통한유사도측정을한다. 3.3.2 유해영상의판별유해영상을판별하기위하여유해기준영상과의유사도측정을통하여임계값을구하고유해기준영상과유사도가가까운영상이며연속성을가질때유해동영상으로판정한다. 즉, 특정임계값이상이되는프레임과특정임계값이상이연속으로나오는프레임의횟수에따라서유해영상으로판별하는것이다. 유해성판별을위한기준영상간의유사도임계값을설정하기위하여 10 개의동영상으로부터추출한유해후보프레임 50프레임과비유해후보프레임 50프레임의데이터를통하여실험한결과기준영상과의유사도가가까운임계값은 0.80000이상으로설정하였으며, 0.80000이상이되는프레임이연속으로 5회이상나오는프레임을기준유해영상과의유사도가가까운유해동영상으로판별한다. 4. 실험및결과 4.1 실험방법및적용 2811
한국산학기술학회논문지제 12 권제 6 호, 2011 본논문에서제안한유해성판별알고리즘의실험환경으로는듀얼코어 2.0GHz 속도의 CPU와 1GB RAM, 160GB의 HDD를사용하는컴퓨터를이용하여 Windows XP 운영체제를바탕으로하였다. 영상의특성인컬러히스토그램, 3차원공간맵, 2차원투영맵, 1차원투영벡터를 Java 언어를이용하여구현하였다. 4.2 유해기준영상과유해후보프레임추출동영상의유해성판별을분석하기위하여 5개의유해동영상과비유해동영상으로부터유해후보프레임을추출하였다. 유해후보프레임추출은앞장에서밝혔듯이컬러히스토그램보다유사도가우수한결과를보인컬러공간특성추출기법인투영맵을사용하여각각의영상에서 10개의후보프레임을추출하였다. 또한유해후보프레임의유해성을판별하기위하여유해이미지를가지고있는기준유해영상 5프레임을선정하였다. 4.3 유사도측정분석 유해후보프레임과비유해후보프레임을추출하여각각의프레임을유해기준영상과유사도를구한다. 주어진기준영상을 1로보았을때비교하는프레임과의유사도를측정하여일정임계값을넘는유해후보프레임의개수와기준영상과의유사도가가까운유해후보프레임의연속성을파악하여유해프레임으로판별한다. 실험데이터는유해후보프레임 1부터 5까지비유해후보프레임 6부터 10까지측정분석하였다. [ 표 1] 유해후보프레임 1 의유사도측정값 [Table 1] The similarity values of candidate detrimental video image fame no. 1 기준영상 유해후보 D1 D2 D3 D4 D5 1 2 3 4 5 6 7 8 0.86 0.86 0.83 0.8.85 0.87 0.8.79 744 633 743 726 736 380 302 470 0.88 0.84 0.8.87 0.81 0.81 0.83 0.85 105 486 007 602 161 145 8627 0.78 0.81 0.88 0.8.83 0.88 0.8.80 850 156 068 149 112 381 092 492 0.87 0.84 0.79 0.88 0.8.82 0.81 0.84 051 788 208 710 866 428 188 337 0.8.88 0.87 0.82 0.78 0.84 0.85 0.85 727 562 905 143 828 586 435 443 9 0.80 895 0.85 629 0.95 188 0.82 637 0.81 560 10 0.80 494 0.86 221 0.79 079 0.88 325 0.83 666 프레연속임수성 9 7 10 10 8 8 9 7 9 5 [ 표 2] 유해후보프레임 6 의유사도측정값 [Table 2] The similarity values of candidate detrimental video image fame no. 6 비유해후보기준영상 D1 D2 D3 D4 D5 SA1 SA1 SA3 SA4 SA5 SA6 SA7 SA8 SA9 SA 10 0.59 0.59 0.65 0.61 0.65 0.68 0.61 165 105 189 845 572 562 461 0.61 0.61 0.7.71 0.72 0.67 0.70 461 606 160 557 992 355 171 0.63 0.65 0.7.67 0.67 0.69 0.64 786 438 622 812 342 527 359 0.69 0.62 0.67 0.7.64 0.69 0.64 213 471 667 227 917 133 316 0.64 0.62 0.61 0.7.62 0.63 0.61 319 596 874 498 684 859 939 4.4 동영상유해성판별 0.68 924 0.68 630 0.63 150 0.70 631 0.70 246 0.61 0.64 076 196 0.69 0.63 199 010 0.62 0.63 169 412 0.64 0.61 325 034 0.67 0.68 704 896 프레임수 연속성 유해후보프레임과비유해후보프레임을유해기준영상과유사도측정을통하여거리계산을하고그일정한임계값에값을비교하여전체프레임에대한유해후보프레임의연속성및개수에대하여분석한결과를유해영상과비유해영상으로나누어보았다. 앞의실험결과에서알수있듯이컬러히스토그램을통한결과보다투영맵을통한결과값이유해성을판별하는데우수한것을알수있으며, 비유해영상보다유해영상이훨씬유사도가가까워유해동영상으로판정될수있다. 유해프레임판단은기준영상과의유사도를측정하여임계값이 0.80000 이상이고임계값이 0.80000이상의프레임이연속해서 5개이상이면해당동영상은유해한영상으로판단한다. 유해성판별의결과를유해영상과비유해영상으로나누었다. 유해하지만비유해한것으로혹은비유해하면서유해한것으로판정이날수있겠으나이는임계값과가중치에따라달라질수있다. [ 표 3] 유해 / 비유해영상판별결과값 [Table 3] The result values of discrimination of detrimental/nondrimetal video image 동영상기준영상 유해후보프레임 비유해후보프레임 MB MC MD ME SA SB SC SD SE D1 9/7 10/10 10/10 10/10 10/1/////0 D1 10/10 10/10 10/10 10/10 10/1/////0 D3 8/8 10/10 10/10 10/10 10/1/////0 D4 9/7 10/10 10/10 10/10 10/1/////0 D5 9/9 10/10 10/10 10/10 10/1/////0 ( 유해프레임 / 연속성 ) 2812
컬러공간특성을이용한유해동영상식별방법에관한연구 표 3의유해성판별의결과를보면유해후보프레임과비유해후보프레임을유해기준영상과비교하면유해후보프레임은거의 0.80000이상의임계값과 7번이상의연속성을보여유해후보프레임모두유해한영상으로판정되었다. 비유해후보프레임은임계값이모두 0.80000 이하로나와모두유해하지않는영상으로판명되었다. 션 (motion) 정보나형상인지에대한연구를계속하여훨씬유사도가가까운영상내의물체를식별할수있는멀티모달 (multimodal) 기반기술로발전해나갈수있을것이다. 그리고최적의임계값설정을위한방법으로통계적 Ⅱ종오류 (β오류) 를최소화할수있는 OC곡선 ( 검사특성곡선 ) 이론을도입하여실험을할필요가있다. Ⅴ. 결론 References 일반적으로컬러히스토그램을통한영상의특성표현은유해영상을판별하는시스템에서는제한적인특성을가진다. 단순한색상정보의유무보다는위치정보를이용한유사성과붉은정도를보이기위한구분된정보가부족하기때문이다. 본논문에서는동영상의유해성을판별하기위하여영상의컬러특성추출기법인투영맵을사용한유해후보프레임선정과선정된유해후보프레임을유해기준영상과의유사도측정을통하여동영상의유해성을판별하는시스템을제안하였다. 이러한투영맵을이용한유사도측정기법이컬러히스토그램에비해컬러정보와계산속도를향상할수있음을보였다. 또한유해후보프레임선정시에도유사영상의식별성이우수하여판별하는프레임의최적화를기할수있었다. 히스토그램방식은영상의색상빈도만으로특성을표현하지만, 투영맵은빈도뿐만아니라색상의위치정보까지표현한다는특성을가진다. 이는동영상의대표프레임선정시유사도측정에서성능의우수함을보였다. 본논문에서의실험에서는유해한영상과유해하지않은영상에서각각유해후보프레임과비유해후보프레임을추출하고기준유해영상과의유사도를측정하여유해영상인지아닌지를판별하였다. 실험결과에서알수있듯이유해후보프레임은모두유해한영상으로판별되었으며비유해후보프레임은비유해한영상으로판별되었다. 표 1의유해후보프레임1의실험데이터결과를보면유해한영상으로판명되었지만다른유해후보프레임과는달리기준영상과의유사도측정에서결과값이 0.80000이하도일부있었으며연속성에서도약간떨어지는걸알수있다. 해당프레임을살펴보면유해영상은붉은색계통의컬러가많이존재하지만유해후보프레임1에서는검은색의컬러도일부나타나는것을알수있다. 따라서동영상의유해성판별의성능을한층높이기위해서는많은동영상의실험데이터를통해서임계값과프레임에따라가중치를조절하여성능의최적화를만들수있을것이다. 향후, 영상의이미지분류기술을투영맵을응용한모 [1] M. Fleck, D. Forsyth, and C. Bregler, Finding Naked People, European Conf. on Computer Vision, II, pp. 592-602, 1996. [2] S.G. Kim, M.C. Park, and S.W. Ha, "A Technique to Select Key-Frame for Identifying Harmful Video Images," The Journal of the Korean Institute of Maritime Information and Communication Sciences / Vol.10, No.10, pp.1822-1828, 2006. [3] Y.S. Kim, T.Y. Nam, and J.S Chang, "Technology of Detrimental Information Protection," The Journal of Korea Institute of Electronics Engineers, Vol.32, No.11, pp.90-101, 2005. [4] H. Aoki, S. Shimotsuji, and O. Hori, A Shot Classification Method of Selecting Effective Key-frames for Video Browsing, The 4th Int'l Conf. on Multimedia, ACM, Feb. 1997. [5] A. Komlodi and G. Marchionini, Key Frame Preview Techniques for Video Browsing, The Third Conf. on Digital Libraries, ACM, May 1998. [6] E. Yfantis, An Algorithm for Key-frame Determination in Digital Video, The 16th Symp. on Applied Computing (SAC-2001), ACM, March 2001. [7] L. Kotoulas and I. Andreadis, "Colour Histogram Content-based Image Retrieval and Hardware Implementation," IEEE Proceedings on Circuits, Devices and Systems, Vol.150, Issue5-6, pp.387-393, Oct. 2003. [8] S. W. Ha, A New Method for Color Feature Representation of Color Image in Content-Based Image Retrieval-2D Projection, " International Journal of MICS, Vol.2, No2, June.2004. [9] R.M. Haralick, K. Shammugam, and I. Dinstein," Texture Features for Image Classification," IEEE Trans. Sys., Man Cybernetics, Vol.3, pp.610-621, 1973. [10] P. Kakumanu, S. Makrogiannis, and N. Bourbakis, "A Survey of Skin-color Modeling and Detection 2813
한국산학기술학회논문지제 12 권제 6 호, 2011 Methods," Pattern Recognition, Vol.40, No.3, pp.1106-1122, 2007. [11] J.S. Lee, Y.M. Kuo and P.C. Chung, "Naked Image Detection Based on Adaptive and Extensible Skin Color Model," Pattern Recognition, Vol.40, No.8, pp.2261-2270, 2007. [12] J.L. Shih, C.H. Lee, and C.S. Yang, "An Adult Image Identification System Employing Image Retrieval Technique," Pattern Recognition Letters, Vol.28, No.16, pp. 2367-2374, 2007. 김성균 (Soung-Gyun Kim) [ 정회원 ] 정대율 (Dae-Yul Jeong) [ 정회원 ] 1988 년 8 월 : 부산대학교대학원경영학과 ( 경영학석사 ) 1996 년 2 월 : 부산대학교대학원경영학과 ( 경영학박사 ) 1998 년 3 월 ~ 현재 : 경상대학교경영대학경영정보학과교수 1998 년 3 월 ~ 현재 : 경상대학교경영경제연구센터책임연구원 < 관심분야 > 경영정보시스템, 객체지향설계, e- 비즈니스 2002 년 8 월 : 경상대학교정보과학대학원 ( 공학석사 ) 2008 년 8 월 : 경상대학교대학원컴퓨터과학과 ( 공학박사 ) 2009 년 5 월 : 경상대학교대학원경영학과 ( 박사과정 ) 2004 년 2 월 ~ 현재 : 경상대학교교수학습지원센터실장 < 관심분야 > 정보경영, 컴퓨터시스템, e-learning 김창근 (Chang-Geun Kim) [ 정회원 ] 1991년 2월 : 경남대학교대학원컴퓨터공학과 ( 공학석사 ) 1999년 2월 : 경남대학교대학원컴퓨터공학과 ( 공학박사 ) 1995년 9월 ~ 현재 : 경남과학기술대학교컴퓨터융합공학과교수 2010년 3월 ~ 현재 : 경남과학기술대학교컴퓨터정보센터소장 < 관심분야 > 컴퓨터네트웍, 데이터통신, e-비즈니스 2814