Return to search

Classificação de imagens de pornografia e pornografia infantil utilizando recuperação de imagens baseada em conteúdo / Image classification of pornography and child pornography using content-based image retrieval

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2012. / Submitted by Elna Araújo (elna@bce.unb.br) on 2012-06-28T21:56:48Z
No. of bitstreams: 1
2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5) / Approved for entry into archive by Jaqueline Ferreira de Souza(jaquefs.braz@gmail.com) on 2012-07-09T12:13:42Z (GMT) No. of bitstreams: 1
2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5) / Made available in DSpace on 2012-07-09T12:13:42Z (GMT). No. of bitstreams: 1
2012_ItamarAlmeidadeCarvalho.pdf: 1644779 bytes, checksum: 48d744548a3c9691b7cf7c9ac0b057ab (MD5) / A disseminação de materiais de pornografia envolvendo crianças e adolescentes é um problema que vem crescendo nos últimos anos, especialmente através do uso da Internet. O volume de materiais e o número de meios através dos quais estes materiais são distribuídos atualmente é maior que a capacidade de análise visual feita por profissionais das forças da lei, sejam policiais, ONGs ou outros. Neste contexto faz-se necessário o uso de técnicas que automatizem a priorização dos materiais para análise. O método de classificação pelo conjunto de características visuais, com uso de descritores locais de pontos de interesse em imagens já tem sido estudado tanto para identificação de pornografia em geral quanto a de pornografia infantil. Este trabalho busca identificar uma combinação de detector de pontos de interesse, descritor local e classificador que ofereça melhor resultado que os já testados em outros trabalhos. Para isso, foram testados detectores Difference of Gaussians , Harris-Laplace e Amostragem Densa, os descritores SIFT, OpponentSIFT e WSIFT e os classificadores pLSA e Naive Bayes. O detector Amostragem Densa se destacou dos demais, apresentando melhores resultados para o problema aqui tratado, sendo que nas comparações mais complexas, envolvendo imagens de pornografia infantil, o detector Harris-Laplace obteve bons resultados. Entre os descritores, o WSIFT apresentou melhores resultados, porém OpponentSIFT teve resultados melhores nas comparações mais complexas, não podendo ser ignorado em estudos futuros. O classificador Naive Bayes foi usado nos experimentos de melhores resultados. _________________________________________________________________________________ ABSTRACT / The dissemination of pornographic material involving children and adolescents is a problem that has been growing in recent years, especially through the use of the Internet. The volume of material and the number of means by which these materials are distributed today is greater than the capacity of visual analysis done by law enforcement professionals, whether police, NGOs or others. In this context, it is necessary the use of automated techniques to prioritize the materials to be analyzed. The classification method using a set of visual features, with local descriptors of interest points in images has already been studied both for identification of pornography in general and of child pornography. This paper aims to identify a combination of detector of interest points, local descriptor and classifier that provides better results than those already tested in other studies. Thus, we tested the detectors Difference of Gaussians , Harris-Laplace and Dense Sampling, the descriptors SIFT, OpponentSIFT and WSIFT and the classifiers pLSA and Naive Bayes. The detector Dense Sampling, in comparison to the others, showed better results for the problem treated here, and in more complex comparisons involving images of child pornography, the detector Harris-Laplace had good results. Among the descriptors, WSIFT showed better results, but OpponentSIFT had better results in more complex comparisons and may not be ignored in future studies. The Naive Bayes classifier was used in the experiments with best results.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/10914
Date15 February 2012
CreatorsCarvalho, Itamar Almeida de
ContributorsBorges, Díbio Leandro
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0024 seconds