基于内容的敏感图像取证分析研究【摘要】基于内容的计算机取证技术是近年来兴起的一个新的研究领域。本文在充分分析敏感图像特征的基础上，从计算机取证中敏感图像分析技术的现状出发，提出了基于计算机视觉与模式识别的敏感图像查找方法。该方法将人体肤色模型、人脸模型以及感兴趣区域检测等多项图像特征识别技术相结合，实现针对敏感图像的取证搜索。我们利用统计阈值法评价了各个特征分类图像的能力强弱，并实现了一个敏感图像分类器。实现结果表明，该方法能够达到90.02%以上的准确率，具有较高的实用性和应用价值。【关键词】计算机取证；敏感图像；肤色检测；人脸检测文章编号：1673-0380（2013）012-0455-03近年来，随着互联网的普及，因特网用户的持续快速地增加，宽带网络的普及使许多计算机上都存放了成千上万的图像，而这些图像可能进行过缩放、旋转、降低质量等多种图像变换，因此寻找敏感图像信息的工作量十分巨大。基于内容的计算机敏感图像取证分析变得越来越重要。计算机敏感图像取证分析的关键任务之一是在目标机器上寻找敏感图像，而基于内容的图像检索技术（CBIR）是正确识别敏感图像的基础。2004年，Yi-xinChen等[1]提出了将基于内容的图像检索方法用于计算机取证调查，以达到让计算机自动识别和获取案件中的感兴趣图像的目的。但传统的基于图像内容的识别技术往往采取类似图像检索的方式，识别中所用的特征来自图像的低层语义，识别率不高。肤色检测是基于内容的敏感图像识别的关键技术之一。目前，人们在研究领域较常用的肤色检测算法有：贝叶斯分类器模型[2]；种子像素邻域扩展模型[3]；色度空间模型[4]。实验证明，色度空间模型肤色算法具有很好的强健性，检测效果也较其他两种方法好[5][6][7]。但是现有的肤色算法容易将图像中的非肤色区域检测为肤色，如眼睛区域，以及受光照影响严重。针对以上问题，我们将人体肤色模型、人脸模型以及感兴趣区域检测等多项图像特征识别技术相结合。首先在已有的色度空间模型的基础上采用了一种新的检测肤色像素的方法——基于亮度的色度空间模型肤色算法，采用YUV和YIQ以及KL变换相结合的方法。实验证明，该算法能取得很好地效果，提高了正检率。由于依靠肤色检测，还不能解决一些正常类图像的误检问题，如人脸面积占整个图像大小比例比较大的肖像类图像。为了有效降低这类正常类图像的误检率，我们对设计的基于AdaBoost的决策树分类器加入了特定的人脸机制。对上述两种技术已经可以将大多数的敏感图像检测到，但大量的混淆在所难免，例如具有近似肤色的物体。为了尽量降低误检率，在不牺牲查全率的前提下，我们增加了感兴趣区域检测（如乳房区域）来检测敏感图像。实验结果表明，使用简单的概率阈值判断规则，可以大量减少对敏感图像的误检，实现敏感图像的高准确率。本文接下来的安排如下：第1节是系统设计；第2节是人脸检测；第3节是感兴趣区域检测；第4节是肤色检测；第5节是构造基于AdaBoost方法[8][9]的决策树分类器；第6节是实验结果与分析；最后是结束语。一、系统设计基于内容的敏感图像取证分析系统可以分为两个部分：一是标准图像特征库的创建，一是图像的内容分析。我们整个系统设计最主要的部分是图像内容分析，其分析流程分为如下6个模块：图像预处理，人脸检测，肤色检测，特征提取和决策分类器，局部形态SIFT检测模块，如下图所示。图1图像内容分析流程图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。针对肖像类这一类特殊图像，它们的预处理还包括人脸扶正，人脸图像的增强等工作，以增加人脸检测机制的精度。同时通过图像预处理可以有效降低图像中人体肤色区域的高光及阴影部分对后续肤色检测的影响，以提高肤色检测精度。为了有效降低正常类图像的误检测率和提高敏感类图像的正检率，针对我们所设计的分类器，我们加入两个特定机制--人脸检测机制和感兴趣区域检测机制。肤色检测主要利用肤色的统计信息来获...