不良图片检测

OpenNSFW模型简介

OpenNSFW是一个由 Yahoo 研究院开源的深度学习模型，用于识别和区分网络上的正常内容与不适宜内容（Not Safe For Work）。

项目地址：https://github.com/yahoo/open_nsfw

OpenNSFW主要基于Caffe框架实现，采用有监督的学习方式，对不良图片和正常图片进行标识，然后投入Caffe模型进行分类学习和计算。NSFW模型先用了ImageNet 1000数据集做了预训练，然后采用“finetune”工具，对NSFW的数据集进行再训练，微调了权重值。采用ResNet 50 框架用于预训练的网络并引入残差网络对模型进行修正。

在具体的模型实现过程中，雅虎的NSFW在具体实现过程中，引入了ResNet网络改善过拟合的问题，并在执行效率与精确性之间做了取舍权衡。在训练模型过程里，从下面的一些模型和框架做了评估和取舍，选择了ResNet-50-thin模型，在每一层只选择了一半的滤波器用于模型计算，兼顾效率和精确度。

流程如图所示

系统设计

1、视频预处理功能

对视频流进行抽帧处理，抽取I帧将要检测的图片序列。

2、图片预处理功能

对所抽取的I帧图片，进行肤色比例的快速检测，对于疑似不良图片进行筛选，进入二次待检序列。

基于YCbCr皮肤颜色比例的算法简述如下：由于在不同光照环境下，RGB颜色空间会因为其不同的明暗度，影响较大，在这个空间内做肤色识别，效果不好。而在YCbCr颜色空间中，Y代表亮度，Cb代表蓝色色度向量，Cr表示红色色度向量，具有亮度与色度分离的优点，肤色类聚度较好，可以取得较好的识别效果。

根据一般经验值，设置判断条件为：97.5≤Cb≤142.5 & 134≤Cr≤176。

基本分析过程如下：

● 遍历图片中的每个像素，按照上述约束条件检测像素颜色是否为肤色；

● 将相邻的肤色像素归为一个皮肤区域，得到若干个皮肤区域；

● 去除背景或其他特殊情景识别。

不良图片判定条件为：皮肤区域的像素与图像所有像素的比值大于30%。

3、不良图片检测 

采用Caffe的不良图片预训练模型，进行图片推理。将分值高于0.85的图片列出，根据图片的标签信息（含影片ID、时间戳）​，对目标影片做标识。

程序示例

肤色检测

import cv2
import numpy as np

def is_skin_pixel(y, cb, cr):
    return 97.5 <= cb <= 142.5 and 134 <= cr <= 176

def detect_skin_areas(image):
    # 转换为 YCbCr 颜色空间
    ycbcr_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
    
    # 创建掩膜，用于标记肤色区域
    skin_mask = np.zeros(ycbcr_image.shape[:2], dtype=np.uint8)
    
    # 遍历每个像素，判断是否为肤色
    for y in range(ycbcr_image.shape[0]):
        for x in range(ycbcr_image.shape[1]):
            Y, Cb, Cr = ycbcr_image[y, x]
            if is_skin_pixel(Y, Cb, Cr):
                skin_mask[y, x] = 255
    
    return skin_mask

def calculate_skin_ratio(image, skin_mask):
    total_pixels = image.shape[0] * image.shape[1]
    skin_pixels = np.sum(skin_mask == 255)
    return skin_pixels / total_pixels

def is_nsfw(image_path):
    # 读取图片
    image = cv2.imread(image_path)
    
    # 检测皮肤区域
    skin_mask = detect_skin_areas(image)
    
    # 计算皮肤区域比例
    skin_ratio = calculate_skin_ratio(image, skin_mask)
    
    # 判断是否为不良图片
    return skin_ratio > 0.30

# 示例用法
image_path = 'example.jpg'
if is_nsfw(image_path):
    print("图片可能包含不良内容")
else:
    print("图片内容正常")

推理检测

import caffe
import numpy as np
from PIL import Image

# 设置 Caffe 为 GPU 模式或 CPU 模式
caffe.set_mode_cpu()

# 加载模型
net = caffe.Net('deploy.prototxt', 'bvlc_nsfw.caffemodel', caffe.TEST)

# 加载图片
def preprocess_image(image_path):
    image = Image.open(image_path).resize((224, 224))
    image = np.array(image).astype(np.float32)
    image = image - 127.5
    image = image * 0.007843
    return image

# 进行推理
def classify_image(image_path):
    image = preprocess_image(image_path)
    net.blobs['data'].data[...] = image
    output = net.forward()
    score = output['prob'][0][1]
    return score

image_path = 'example.jpg'
score = classify_image(image_path)
print(f'NSFW score: {score}')