TELKOM NIKA , Vol.13, No .3, Septembe r 2015, pp. 9 85~995   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i3.1476    985      Re cei v ed  Jan uary 21, 201 5 ;  Revi sed  Ap ril 29, 2015; Accepted Ma y  16, 2015   Pornographic Image Recognition Based on Skin  Probability and Eigenporn of Skin ROIs Images      I Gede Pasek Suta Wija y a * 1 , IBK Widi artha 2 , Sri Endang Arjar w a n i 3   Informatics Engineering Dept., Facult y  of  Engineering, Ma taram Universit y ,   Jl. Majapahit 62 Mataram,  Lombok, NT B-IN DONESIA  *Corres p o ndi n g  author, e-ma i l : gpsuta w i j a y a @ te.ftunram.a c.id 1 , w i di@ftunram.ac.id 2 ,  endang@ti.ftunram.ac.id 2       A b st r a ct   T he p aper  pr opos ed  a p o r nogr aph ic i m a ge rec o g n itio n  usin g ski n  p r oba bil i ty an d  princ i pl e  compo nent  an alysis (PCA)  o n  YCb C r col o r  space. T he  p o rno g rap h ic i m age r e cog n iti o n is d e fine d a s  a  process  to cl a ssify the  i m ag e co ntain i n g  a nd s how in g  g e n ital  el e m e n ts  of hu man  bo dy  from a n y ki nd s of   imag es. T h is  p r ocess is  har d  to be  p e rfor med  beca u se t h e i m a ges  hav e  larg e var i a b il ity du e to  pose s ,  lighti ng, a nd b a ckgro und v a ri ations. T he ski n pro bab ility a nd h o listic fe atur e, w h ich is e x tracted by YC b C r   skin se g m enta t ion a nd P C A, is e m pl oye d   to han dl e  tho s e vari abi lity  prob le ms. T h e  function  of s k in   seg m e n tatio n  i s  to deter mi ne  skin Re gi on of  Interest (R OI) ima ge  and sk in  prob abi lity. W h ile th e functio n   of  PCA is to extract eigenpor n of the  skin ROIs images and to  project the  skin ROI vector using the obtained  eig enp orns to  holistic fe ature s . T he ma in a i m  of th is res earch is to  op timi z e  the acc u racy an d fals e   rejecti on rate  of the skin pr oba bil i ty and f u sio n  descr ipt o r bas ed rec o gniti on syste m . The experi m enta l   result sh ow s that the pr op ose d   metho d  ca n i n creas e the  ac curacy by  ab o u t 4.0%  an d d e creas es the F P R   20.6%  of those  of porn ogra p h i c reco g n itio n u s ing fusi on  des criptors, resp e c tively. In ad dit i on, the  prop os ed  meth od  is  als o  ro bust for  la rge si z e   datas et that is  sho w n by g i vin g   similar  perf o rmance  to th e l a test   meth od  (Multi l a yer-Perc eptro n a nd  Neur o- F u zz y  (MP- N F )). T he pro pos ed  met hod  als o  w o rks fast for   recog n itio n, w h ich req u ires 0. 12 seco nds p e r  ima ge.      Ke y w ords : por nogr aph ic, pca ,  imag e reco gn ition,  skin pr ob abil i ty, and h o li stic features      Copy right  ©  2015 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Reje ction sy stem for acce ssi ng po rno g r aphi c  conten ts (text, image and video)  is a big   issue d e velo ping  count ry like Indo ne sia. It is  cau s ed by the weak  prote c tio n  of acce ssi ng  porn o g r aphi c content s, wh ich ca n lead t o  so cial pro b l e ms in comm unity. Nowad a ys, prote c tio n   for acce ssing  porn ographi c co ntents i s  done by blo cki ng the  site's dom ain na me indi cating  to   contai n po rno g rap h ic  co nte n ts seen fro m  the text  information of the  sites.  However, this meth o d   has so me  we akn e sse s : firstly, The fal s e po sitive  pe rforman c e  is  high b e cau s e  text informat ion  of porno grap hic site a r e  much  simila r to medi cal  sites a nd sit e s rel a ted to  human an atomy;  se con d ly, the gro w th of  p o rno g raphi c  sites i s  ve ry  fast not o n ly due to  exch a nging th e sit e ’s  domain  but   also  big  bu si ness; the  re st, this bl o cking m e thod   also  ha s  hig h  false n ega tive   perfo rman ce   becau se th e  sites containi ng le ss te xt b u t many p o rn ogra phi c ima ges an d vide os  can not be re cog n ized a s  negative site s. That m ean s peo ple can  easily acce ss site s co ntai ning   porn o g r aphi c image s or vi deo s. More over, the po rno g rap h ic  co nte n t also  can trigger th e so ci al  probl em  su ch  as a ddi ction  of porn o g r a phic  co ntent, sexual  hara s sment, and   early p r eg na ncy.  These soci al  probl em s will be hap pe n to child re n  and tee nag ers  wh o al ways a c cess t h e   porn o g r aphi c content with out much  kn owle dge of  sex education  includi ng th e disa dvanta ges  free sex.    Therefore, it  is  requi re d  a rej e ctio n  syst em th at  can  blo c k or reje ct of a c ce ssi ng  porn o g r aphi c content. Th e system wo rks like a fire wall that can  block or rej e ct of acce ssing   porn o g r aphi c conte n t based on its i n formatio n, su ch a s  text, image s an d video. The  sy stem   sho u ld  also b e  run  on  a va riety of g adg e t s  with differe nt platform.  T he  reje ction  system  con s i s ts  of many com p lex sub pro c e s ses in clud ing free pr ocessing, age nt extracto r, feature extra c tion,   and  recogniti on en gine. In  addition, the  reje ction  sy stem al so fa ce s ma ny ob stacl e s  su ch  as  large va riabili ty images du e to lighting, pose, co lo r variation s . It mean s, the rejectio n syst em  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  985 – 995   986 need s st ron g  re cog n itio n system th at can al mo st perfe ctly cla ssify the  input imag e  as  porn o g r aphi c  image o r  non -po r no gra phi c image.   In orde r to solve the men t ioned p r oble m , a porn ographi c image  recognitio n  u s ing  ski n   probability and principl e compon ent analysis  (PCA )  on YCbCr co lor space i s   proposed. The  porn o g r aphi c image  re co g n ition is defin ed a s  a  pr ocess to  cla ssif y  the image   contai ning  an d  sho w in g geni tal element s  of human  bo dy from any  kind s of ima ges. Th e ski n  pro bability  and  holisti c feature, which is ex trac ted by  YCbCr skin  seg m entation  an d PCA, is em ployed to han dle   large  vari abili ty porno grap hic im age  p r o b lems.  Th e  fu nction  of  ski n  segm entation  is to  dete r mi ne  ski n ROI ima ge and  skin  prob ability. While the fu n c tion of PCA  is to extract  eigen porns o f  the   ski n ROI s  image s and  the holistic features  a r e determi ne d by using  the eigenp orn s .   Theo retically, it can be realize d  becau se po rno g ra p h ic co ntent like photo s  an d videos can  be  cla ssifie d   by sha pe/po se, ski n colo r,  a n d   ge nita l info rmation.  However, p o rn ographi c  conte n t i s   gene rally a  color ima ge th at has la rg e  diversity  in te rms  of lightin g,  pose,  and backg rou nd. In   addition, tem p lates matchi ng al so  can  be a pplied  to   cla s sify wh ether th e p o se  of the o b je cts in   the input im a ge contain s   p o rno g raphi c  content.  He re,  template s of  pornog rap h i c   can  be g eni ta l  element s, su ch a s  b r ea st s, vagina,  an d/or pe nis. In  terms of the  text information, input me dia   su ch a s   web s ite can b e  classified a s  p o rno g r aphy from proba bility occurren ce s of word s  a n d   phra s e s  a s so ciated  with po rnog ra phi c su ch a s  a  hard-core, free sex, porn video s, and so fo rth.  This pa per,  whi c h i s  fo cu s o n  p o rnog raphi c ima g e   recognitio n ,  a po rn ograph ic im age   recognitio n  u s ing skin p r obability and  princi ple co mpone nt ana lysis (PCA ) on YCb C r color  spa c e,  i s  o r gani zed  as follows: the fi rst  se cti on d e scrib e s the  introdu ction   of this  work;  the  se con d  se cti on explain s  the pr evio us  works; the third se ction p r ese n ts ou r propo sed meth od   inclu d ing YCbCr  skin seg m entation, Eigenp orn  ex traction a nd  kNN m a tchi ng  pro c e ss; the f ourth   se ction explai ns expe rimen t al re sult an d discu ssi on; a nd the re st prese n ts con c lu sion a nd future  wor k .       2. Related Works  This  re sea r ch mostly re lates to pat tern recognit i on, whi c h  con s i s ts of  lighting   norm a lization ,  object dete c tion, intelligen ce sy stem s, and matchi ng  pro c e s ses.   Some dete c ti on of po rn ographi c imag es calle d  a s  co ntour-ba s e d  and regio n   b a se d  [1],  and h u man  ski n proba bili ty [2-4] had  been  perfo rmed by som e  re sea r che s . Those  met hod s   perfo rmed th e dete c tion  based o n  th e skin info rmation, whi c h we re extracted  by skin  segm entation .  In addition,  the po rno g ra phic imag e re cog n ition u s i ng fu sion  de scripto r s (FD)  [5]  also  had  be e n  propo se d. Ho wever, th o s e m e thod s l a ck of a c cu racy, high  fal s e  po sitive a n d   negative d a ta  due to la rg e  variability of  porn o g r aphi c image s. Reg a rdin g to  ski n  seg m entatio n ,   the skin  cla s sificatio n  mo dels th at we re impl ement ed for  se gm enting the  skin  regio n   were  threshold m o del in YCb C r, HSV, and RGB colo r  spaces a nd G aussia n  mixture mo del s [5-8].  The F D -ba s e d  metho d  i s   an imp r ovem ent of  ski n region   an d contour  ba se d  method s. T he  eigen porn of  ski n  segm e n ted ima ge  of HSV color cha nnel  also ha s be en  prop osed  wh ich   provide b e tter achi eveme n t than FD method on t he HSV colo r cha nnel [9]. However, it also   lacks  of a c cu racy  and fal s e re co gnition  rate. Th e  po rnographi c d e tection  usi ng l o cali zatio n  skin  ROI [10]  had  bee n p r op osed a nd  provi ded  better  achievement th an POESIA classifier. In th a t   method, the i m age featu r e s  that con s ist ed of ratio  of total ski n to n on-ski n pixel s  within conve x   hull, mean s and varia n ce  of RGB colo r cha nnel, se ven spatial in variant mom en, and ang e l  o f   prin ciple axi s  of convex hull versus  hori s ont al ax is, were extracted fro m  ROI image.  The  cla ssifi cation  wa s pe rform ed by  Ran d o m  Forest  tree  model.  Reg a r ding  to robu st po rno g ra p h ic  image  re co gn ition over la rg e si ze  data s e t, the  multi p e r ce ptro n a nd  neuro fu zzy  (MP-NF )  ba se d  method  h ad been pro p o s e d   whi c h provi ded  rea s on ab le  re sult (abo ut 87% in  TP  and 5.5% in  FN  on test data s et) com p a r ed  other rel a ted  work s. The  MP-NF m e th od used com p lex and 17  kinds  of feature s  [1 1] for re cog n i t ion, which a nalytic ally re quire d long  computation a l  time for featu r e   extraction s.   The i n telligence sy stem t hat had  succe ssfully  been devel oped and impl em ented i n   pattern  re co gnition  can  be group ed i n to thre e m a jor g r o u p s , namely: firstl y, feature-b a s ed   method  whi c h is comp reh ensive/h o listi c  (feature ex t r acte d u s in g  statistical a n a l ysis, texture,  and  freque ncy ) ; seco ndly, artifi cial intelli gen ce b a s ed  m e thod (Neural Networks,  Ge netic  Alg o rith ms,  and F u zzy L o g ic);  and  the  rest i s   combi n ation of  b o th  of them. Mo st ly, holistic fe a t ure  whi c h  wa s   extracted  by  sub s p a ce, ha d be en  su ccessfully imple m ented fo r fa ce  re cog n itio n such a s  fa ce   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Porno g ra phi c Im age Reco gnition Based  on Skin Prob ability an d… (I Gede Pasek Suta Wijaya )  987 recognitio n  u s ing  PCA  alg o rithm [1 2, 1 3 ], LD A [13 - 1 6 ], DCT+P C A [13, 15], an d DCT + PCA L DA   [15, 16].  Among them, th e PCA and L D A are ve ry popul ar be ca use of not o n l y  their simple ness  but also thei r easi n e ss to b e  impleme n te d.  In  term s  of feature extra c tion, some  te chni que s  known a s  h o l i stic fe ature,  sh ape  feature,  and f a cial  feature  (eyes,  no se,  and m outh )  e x traction  had   been  propo sed a nd  provi ded   rea s on able  a c hievem ent. All of these t e ch niqu es  were widely  i m pleme n ted to  determi ne   the  uniqu e patte rn of th e o b ject. Th e i m pleme n tatio n  exampl e  of holi s tic fe ature  extra c tion   techni que s a r e co ntent-b a s ed fe ature  u s ing frequ en cy analysi s  (F FT, DCT, an d Wavel e t) a n d   feature p o int descri p tor u s i ng SIFT [13], [15-17]. In  a ddition, the shape featu r e  that is extra c ted   by moment a nalysi s  co uld  increa se the  discrimi natory power of fa cial feature.  In this pap er, the alternat ive solution  of porn o g r ap hic ima ge re cog n ition u s i ng skin   probability and ski n ROI s  i m ages  is proposed to sol v e many obs tacles faced in pornographic  image  re co gn ition. In a ddition, this meth od i s   also  p r o posed to  imp r ove the  existi ng m e thod s [ 1 - 3], [5] and will be impleme n ted for reje ction syst em o f  pornog rap h i c  co ntents e s peci a lly imag es   and video bo th in standal one pe rsonal  compute r , tablet, sma r t phon e and t he intern et from   unexpe cted p eople.       3. Proposed  Metho d s   The p r op ose d  po rno g ra ph ic ima ge recognition  algo rithm is p r e s e n ted in th e F i gure  1,  whi c h co nsi s t s   of  trainin g  and re cog n ition  p r o c e s ses. Both processe s a r e  co nstructed  by p r e- pro c e ssi ng  (histog r am  eq ualization a n d  skin  segm entation),  eig enpo rn  extra c tion  usi ng P C A  and matching  process u s in g kNN sub proce s se s.  The functio n  of each  sub - pro c e ss of p o rn o g raphi c image recogn iti on diagram  block is  descri bed a s   follows:  a)  Histo g ra m e q ualization i s   a  pro c e s s to  re move  no n u n i f orm lig hting  effect on  ima ge  captu r ing   whi c h can decrease the large variability of por nographic images  due to lighting  variation.   b)  Skin segme n tation  is u s e d  to remove n on sk in pixel  of the input i m age s which  can d e cre a se  the large va ri ability porno g r aphi c ima g e s  due to ba ckgrou n d s .  c)  PCA is used  to extract th e  eigen po rn from  skin  seg m ented  po rn ogra phi c ima ges called  a s   ski n ROIs im age s. In this  ca se the  outp u t of th is process in the  eig enpo rn a nd t he proje c tion   matrix whi c h i s  nee ded in t he matchi ng  pro c e ss.   d)  The simila rity between the  query eig enp orn an d   the trainin g  set ei genp orn i s  determin ed by   kN N alg o rit h ms.           Figure 1. Pornographi c im age re co gniti on diag ram bl ock      In the trai nin g  process, training  set i s   norm a lized b y  histog ram  equali z ation,  next th e   histog ram eq ualization out put is seg m e n ted to  remo ve non-ski n pixels, next from the skin ROIs  image s of tra i ning set, the eigenp orns  are extra c te d  by PCA. Wh ile in re cog n ition process, the   query ima ge i s  treate d  a s  the same a s  i n  the tr aini ng  pro c e ss  but  until PCA pro j ection p r o c e ss,  next the similarity of query eigen porn an d the trai ning  set eige npo rn  by kNN al gorithms.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  985 – 995   988 3.1. YCbCr  Based Skin Segmentation   Skin is im port ant informatio n of porn o g r a phic im age s  becau se mo stly the porno grap hic  image s a r e  covered  by  ski n . The r efo r e,  non-skin  pi xe ls h a ve to  be  rem o ved f r o m  po rno g ra p h ic  image s by segmentatio n  algorith m s. Commonly,  the  ski n se gme n tation algo rit h m wo rks u s i ng  pixel-ba se d skin cl assification. Several a l gorithm s  reg a rdin g to pixe l base d  skin  classificatio n  [5- 8]  have bee n   ca rri ed out whi c h define  a  pixel s   a s   skin  or non -skin u s ing  thre shol d rule s.  The  threshold  rule s were  create d  ba sed  on t he hi stogram   informatio n of  colo ur  spa c e .  For exampl e,  a pixel in RG B color  spa c e  is defined a s  skin if it satisfies the following crite r ia [5,  7]:    R >95  and   G >40  and   B  > 20  and   Max(R,G,B)  -  m i n(R,G,B)>15  and         (1)   | R-G | > 15  an d   R > G   an d   R > B    In this ca se, the R, G,  and  B have 256 level in the ra ge of 0 to 255 .    The skin  cla s sificatio n  also  can b e  perfo rmed in Y C b C r  colo r space. The mo st popul ar  rule for  ski n classificatio n  in YCbCr colo r spa c e i s  def ined a s  follows [7].    77   C b ≤ 12 7  an d  133   C r ≤ 1 7 3         ( 2 )     In this case,  Y comp one nt has  200 l e vels  rangi ng from 16 to  235  and  Cb, Cr  have 22 5 lev e ls  rangi ng fro m  16 to 240. T hose levels  a r e extra c ted f o rm  RGB col o r spa c e u s i ng YCb C r  co lor  s p ac e  tr an s f or ma tio n .   In other ha nd , a pixel i s   cl assified a s   skin in  HSV col o r  spa c e  if it satisfie s th e followin g   c r iteria [2, 3].    0 < H  < 0.25  and  0.15 < S   < 0.90  and  0 . 2 < V  < 0.95        (3)    As mention e d  previou s ly, these rule s a l so  defin ed b a se d the hist ogra m  inform ation of  each colo r compon ents.  The pixel val ues of H,  S,  and V  are i n  the  ran ge  of 0-1,  whi c h  are   determi ned b y  the followin g  equatio n [2]:    cos      ⁄              ( 4 )      1 3   , ,            ( 5 )      1 3  ⁄          ( 6 )     The exam ple  of ski n seg m entation u s i ng the  Equ a tion (1 ), Equat ion (2 ), an d  Equation   (3) a r e p r e s e n ted in Figu re 2. From th ese al go rithm s , HSV had b een impl eme n ted to se gm ent  ski n col o r a n d  to extract skin p r ob ability for  pornog ra phic im age d e tection [2] a nd provided g ood   enou gh pe rfo r man c e. In a ddition, the Y C b C r al so  ha s be en impl e m ented fo r skin  segm enta t ion   and a pplie d  porn o g r aphi c image  re co g n ition [5]  an d  the YCbCr  skin  seg m enta t ion gave  bet ter   perfo rman ce.  Therefore, in this  pap er,  the  YCb C r based ski n segmentatio n is  em ployed for  extracting  ski n  ROIs im ag es  of traini ng  and  que ryin g sets. Th e  diagram bl ock of  ROI im a ge  extraction  is  sho w n  in Fi g u re  3. After  ski n  s egm ent ation, the  ROI extra c tion  is  starte d from  perfo rming t he vertical  (rows) dan h o risontal  (col umn) p r oje c t i on pro babilit y to know the  coo r din a tes  having large  of skin a n d  non-skin re gion. Second ly, the vertical and ho ri sontal  projection probability having less  than a defined threshol d  is removed. In this  case,  by trial and  error th e b e st threshold  can be  defie n d  a s  0.25   of  maximum vertical an d h o ri sontal  proje c tion   prob ability. T h irdly, the  ski n  tone  is  cro pped  u s ing  the  x  and   y  coordi nate s   where  the  verti c al   and  ho riso nta l  projectio n   probability a r e  thre shol ded.   F i nally, the  cro pped  skin  ton e  is ma ppe d t o   origin al imag e to get the skin ROI imag e.          Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 9 30       Porno g ra phi c Im age Reco gnition Based  on Skin Prob ability an d… (I Gede Pasek Suta Wijaya )  989 Input    Output of RG B rules    Output of HS V rules    Output of YCbCr  rule s    Figure 2. The  example of skin segme n ta ti on results u s ing  RGB, HSV, and YCbCr rule s           Figure 3. The  ROI image e x traction       Next, from th e ROI imag e, the ei genp orns  ar e  extra c ted by PCA  for im provin g  the ski n   prob ability (SP), ski n re gion (S R)  a nd fusi on  d e scripto r  [FD] base d  po rnographi c im age   recognitio n . The mai n  different of thi s   PCA to t hat of Referen c e  [5] is on its  function ality. The  traditional P C A wa s imp l emented fo r dimen s ion a l  redu ction  o f  FD to de crea se the ti me   compl e xity FD ba se d reco gnition  syste m , while th e  PCA on thi s   rese arch i s  n o t  only employ ed   for dime nsio nal re du ction  but also fo r extracti ng  ei genp orn  and  the holisti c  feature s  of b o th  training  set a nd qu eryin g  i m age s. In a d d ition, the m a in differen c e  of ou r eig e n p orn  to  cla ssi cal  PCA is o n  d e termini ng th e  global  covari ance a s   shown  in   Equatio n (9), whi c h   d o e s not usi ng  t h e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  985 – 995   990 global m ean  but usin g ea ch cla ss  mean . It wa s ch osen be cau s e t he data in put  only have two  cla s ses (po r n ogra phi c and  non-po rnog ra phic).     3.2. Eigenporn Extrac tio n   Suppo se, the r e a r e t w o d a t a cla s ses (p orn  and  non -porn )  d enote d  by X 1  and   X 2 . The X 1   has N 1  imag es an d X 2  has N 2  image s.  In this case, the images  are the ROIs having different  sizes. The r ef ore, the ROI s  have to be normali zed t he size to be 64 pixels with kee p ing  the  asp e ct  ratio.  The  ratio  is define d  a s   64 divid ed  b y  max of im age  width  a nd ima ge  he ight  (64/max(i m Width,imHeig ht)). By re si zin g  the im a ge usin g  the def ined ratio,  if the  input  im a ge  width i s   wid e r  tha n  the  hei ght, the im ag e wi dth i s   re sized  into  64  and th e im ag e hei ght follo ws  the ratio, and  vice versa. From these d a ta, the eigenp orn is extract ed as follo ws.  Step  1.  Conve r ting e a ch im age o f  the data cl asse s into column ve ctor using  ro w-o r de ring   p r oc es s .    Step  2.  Re sizi ng the  colu mn ve ct or into  si ze  4096  elem en ts by zero p addin g  in th e end  of   element s the  vector to provide the sa me vect or  si ze f o r P C A .   For in st an ce,  t he zer o   paddi ng i s  d one fro m  ind e x 4032 to  4 095 of in put  ROI havin g 6 4  x 63 pixel s  to rea c h  defined  colu mn vector 4 0 96 eleme n ts. In this  ca se, assumin g  the  index is start ed from 0   Step  3.  Determinin g t he me an  of e a ch  data  cl ass  a nd m ean   of all d a ta  sa mples u s ing   Equation  (7) a nd (8 ), re spe c tiv e ly .     ∑  ,  k=1,  2          ( 7 )      ∑∑            ( 8 )     Step  4.  By using the  mean of ea ch  cla ss  ( k ) and data  cla s ses, the gl o bal cova ria n ce matrix   ( C g ) i s  cal c ul a t ed by Equation (9 ).      ∑∑            ( 9 )     Step  5.  Performi ng t he eig en a n a lysis  of  C g  for obtai nin g  projectio n   matrix, W, u s ing th e   Equation (10).     , i = 1, 2, 3,  … ,  n         ( 1 0 )     The  w i  an d  λ i  is the  i -th ei genve c tor  an d eige nvalue  of  C g   respectively. While  n  is the   numbe r of eig en value s  whi c h is alm o st t he sam e  as d i mensi onal in put vector.    Step  6.  Selecting sm all  numbe r  of eigenve c tors ( m ) rep r e s ent ing eige npo rn  of data cla s ses an d  put them  into  matrix  W   =[ w 1 ,w 2 ,w 3 ,…,w m ]    n x  m  w h ic h h a v e to   s a tis f y the cr iter ia as   pre s ente d  in Euatiuon (11).      W C W max arg J g T W PCA          ( 1 1 )     In order to satis f y this  c r it eria, s m all  m  eigenvecto rs which  corre s po nd to the large s t  eigenvalu e s (i.e.  m< n ) are  sele cted a s  ei genp orn.   Step  7.  Proje c ting th e ea ch  inp u t  vectors  usin g   obtain ed  eig enpo rn  as ho listic fe ature  t hat can  be perfo rme d  by Equation (12 ) :     ) x ( W y k k j T k j            ( 1 2 )     Step 8.  Save sele ctin g eigen porn a nd proj ectio n  vector for  re cognition p r o c ess.  The exampl e of eigenp orn t hat is  extra c ted by this alg o rithm is  sho w n in Fig u re  4. In this  ca se, the inp u t data classes are 687 p o rno g r aphi c image s and t he sele cted e i genp orn s  are 18.  Theo retically, eigen po rn e x traction  usi n g PCA i s   la ck of the  po wer di scrimi nat ory compa r e  to   LDA (Li nea r  Discri mina nt Analysis) for  large  sam p le  size  data. It also  req u ire s  retraini ng of  all  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Porno g ra phi c Im age Reco gnition Based  on Skin Prob ability an d… (I Gede Pasek Suta Wijaya )  991 s a mples to  obtain the mo st favorabl e p r ojectio n  mat r i x . However, t he d a ta of  thi s   re sea r ch h a v e   two cl asse s  (po r n a nd n on-p o rn), the  power  discriminatory d o e s n o t give  much  effect  to  recognitio n  p e rform a n c e.  The small  sa mple si ze   dat a, the betwe en cl ass  scatter matrix of  LDA  clo s e to o r  be  sing ular,  whi c h me an s the  proje c tion  m a trix is not o p timum or  can not be o b tain ed  by eigen an al ysis.             Figure 4. The  18 eigen porn s  of PCA of the  training set   Figure 5. The  matching p r o c e ss u s in g kNN      3.3. Matchin g  Process   The mat c hin g  pro c e s s is perfo rmed   by  k-nea re st  neigh bors (kNN), whi c h   can be   illustrate d  usi ng Fi gure 5.   Suppo se  we   have two  cl a s se s  (A a nd B )  re pre s e n ted   by blue  delta   ( ∆ )  and re d squ a r e ( ), if the query (g ree n  diamond, ) ent er to the syst em the distan ce bet ween t he  query  and  th e trai ning  cl a s s a r e  determined  by Eu clide an  dista n ce.  Wh en th e  k  pa ram e te r i s  3,   the query i s   concl uded as  class  B, because the  nearest  neighbor  probability to  class B i s  hi hger  (2/3) tha n  to cla ss A (1/3 ). Howeve r, if the k pa ramet e r is set-up b y  7,  the query  is con c lud e d  as  the cl ass A  becau se th e  nearest  nei g hbor p r ob abil i ty  to cla s s B  is le ss (3/7) than  to  cla s s A  (4/7).       4. Results a nd Analy s is  Several expe riments were  carried out to  know the  performance  of proposed  metho d   usin g data s et  con s i s ting  of 1400  imag es [5, 19].  This dataset  is co mpos ed  of 6 87 po rn ograp hic    image s an d  715 n on-po rnographi c im age s, whi c h  were do wnl o aded from th e intern et using  download er t ools. Th e po rnog ra phi c image s cont a i n naked  sin g le, cou p le s, triples p e rsons  sho w in g hu man bo dy genitals a nd  sexual a c tivities. The p o rnographi c im age s are m o stly  females and   some  of ima ges  have  ski n like  ba ck ground s  su ch a s  sand,  woo d , etc. Whil e n on- porn o g r aphi c image s co ntain obje c ts t hat are  simil a r to hum an  ski n su ch flo w er,  woo d , tiger,   desse rt, etc. The expe rime nts we re pe rf or me d und er  the followin g  circum stan ce s [5]:  1)  50%  of  e a ch porn o g r aphi c and non -po r n ogra phi c  ima ges were  ran domly sele cte d  a s  trai nin g   s e t,  2)  testing imag e s  we re ove r l appe d with traini ng  set, beca u se the testing ima g e s  highly com e   from the sa m e  person a s  the trainin g  se t.  3)  the accu ra cy, false  neg ative ra te  (F NR),  and fal s e  po sitive rate  (F PR) p a ramet e rs were  u s e d   for perfo rma n c e indi cato rs,  and   4)  the evaluatio n wa s carried  out on pc  wi th spe c ificatio n Intel Core i3-23 70M, 2.4  GHz, 8 G B   RAM.  The a c curacy , false ne gati v e rate  (FNR), and fal s e  p o sitive rate (FPR)  we re  calcul ated  usin g the followin g  formul a:          100%         ( 1 3 )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 9 30   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  985 – 995   992   100%          ( 1 4 )        100%          ( 1 5 )     Whe r e the  T P  (true  po sitive) is th e p o rno g raphi c t e sting im age  that is truly  re cogni ze d  as  porn o g r aphi c imag e, T N   (true  ne gative) i s  th e n o n -po r n ograph ic te sting  im age th at i s  t r uly  recogni ze d a s  non -po r n o g r aphi c ima ge,  FN (false  ne gative) is the  porno g raphi c testing ima ge  that is fal s e l y re cogni ze d a s  n o n - p o rno g raphi c  image, FP  (false  po sitive) i s  th e n on- porn o g r aphi c testing imag e that is fals ely reco gni ze d as po rno g raphi c image,  N P  is  total of   porn o g r aphi c  testing imag e s , and N N  is t o tal of non-p o r nog ra phi c testing imag es.   The first exp e rime nt was perfo rme d  t o  find the  b e st  k  p a ra m e ter of  k N N  for the   prop osed me thod. The ex perim ent wa s done u s in g  18 eige npo r n s  an d the 0.1 5  skin p r ob ab ility  threshold, which means that t he images having skin probability le ss than given threshold were   con c lu ded  as false d e tecti on data. T h e  experim enta l  data (Fi g u r e 6)  sh ow t hat the be st   k   para m eter of  kNN fo r p e rfo r ming   the re cognition  i s  9 whi c h  i s   in di cated by the  hi ghe st a c cura cy  (86.99% ) a n d  small e st FP R a nd F N R (18. 81% a nd  9.05%, re sp e c tively). Thi s   k  pa r a me te r is   impleme n ted for the perfo rming the further evalu a tio n  to prove that the eigenp orn can be u s ed   for re cog n izi n g the porn o g r aphi c image s.  The second  experim ent was pe rformed  to fi nd the best num ber  o f  eigenpo rn s  of PCA  that is suita b le for the reco gnition. In th is ca se, the skin p r o bability threshold and the   k   para m eter of kNN we re setup 0.15 and 9  resp ective ly. The experi m e n tal data sho w  that the best   numbe rs of  e i genp orn s  th at is suitable  for  pe rformi ng the  recog n ition i s  2 0   e i genp orn s ,  which   are  shown  by high  en o ugh  accu ra cy and  sm all  FPR and   FNR (87.95 %, 13.71%, and   10.33%respe c tively), as shown in Fi gu re 7.  From thi s  a c hieve m e n t, the 20  eig enpo rn s a nd  k= 9   will be used f o r further pe rformances ev aluation in  the next experi m ents.             Figure 6. The   k  para m eter  of kNN versu s   perfo rman ce  of the propo sed method   Figure 7. The  performan ce s of our meth od  versu s  nu mb er of eigen po rns      The third exp e rime nt wa s carrie d out to kno w  the effect of ski n probability thre shol d to   porn o g r aphi c re co gnition   perfo rman ce.  In thi s   ca se,  the exp e rim ent was do n e  u s ing  the  same  data set a s  i n  the first an d se co nd  experim ent,  k=9 , 20 ei gen p o rn s of P C A, and th e  sa me  perfo rman ce i ndicators. Th e experime n tal results sh o w  that the best thre shold o f  skin proba bi lity  that provid e h i gh a c cura cy  and  small fal s e  re cog n iti on rate i s  0.1 5 .  By using thi s  skin  proba b ility  threshold, th e propo sed   method s p r o v ide ac cu ra cy by about 8 7 .02% and  F P R and  FNR by  about  14.13 % and  11.7 9 %, re spe c ti vely (se e  Fi gure  8 ) . Th ese  re sult s  sup port th at the   eigen porns from P C A  of YCb C r ROI s  im age s i s  re asonabl e  metho d  fo r re co gni zing  the  porn o g r aphi c image s. In  addition, fro m  the first a nd second  e x perime n ts a c hievem ent (20   eigenporn and skin probability 0.15) , the next experiment i s  perf ormed for  knowin g the further  perfo rman ce s.  The fourth  e x perime n t was carried o u t to kno w  the pe rform a nce of the p r opo se d  algorithm  compared to the existi ng m e thods (skin  probability (S P), skin  regi on (S R), fusi on  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 9 30       Porno g ra phi c Im age Reco gnition Based  on Skin Prob ability an d… (I Gede Pasek Suta Wijaya )  993 descri p tor  (F D) m e thod s [ 1 -3], [5], and  eigen porn of  HSV skin  se g e mentaio n  im age [16]. In t h is  experim ent,  k= 9 , 20 eige np orn fe ature s   and 0.1 5  thresh old of  ski n probability  were em ploy ed.  The exp e rim ental results (Fig ure  9)  sho w  th at propo sed  meth od ten d s to  provid e b e tter  perfo rman ce s than all exist i ng metho d s.  In detail,  the accuracy of  prop osed me thod in cre a se s  by about 4% (from 84 to 8 8 %) and de creases the  F N R 20.6% (fro m 28.8 to  8.2%) of those of  the be st met hod  (FD on  YCbCr),  re sp ectively. Ho wever, the FP R in crea se s  by about  12. 9% of  that of FD method. The  accuracy in cre m ent an d  FNR d e cre m ent are  hi gher th an F P R  increment, which  means t hat the proposed  method  still gives better perform a nce than that  of FD  method [5]. It can b e  a c h i eved be ca use the eig enp orn of  ski n  ROIs i m age s provide  holi stic  informatio n of porno graphi c data cla ss  which i s  re p r e s ented by som e  eigen porns  (se e  Figu re 4 ) .  In addition, the holisti c informatio n its self does  not  only come from eigen porns but al so come   from  ski n inf o rmatio n, wh ich  are  rep r ese n ted  by  s k i n  ROIs images . It is k n own from the   experim ental  results that th e a c curacy  of the  pro p o s ed  metho d  i s  hi gher tha n  tha t  of with out  ski n   probability (S P), and the  F N R and FP R  is less than t hose of  withou t SP, as  shown i n  Figure  10.  From the s e p e rform a n c e s , it can be co nclu ded that  the pro p o s ed  method is alt e rnative solut i on  for pornog rap h ic imag e re cognition.             Figure 8. The  performan ce s of the our  method for  so me skin prob ability variations  Figure 9. The  propo s e d  me thod com p a r e d   to exis ting methods            Figure 10. Th e comp utatio nal time of our  method comp ared to the ex isting metho d s   Figure 11. Th e perfo rman ce of our  method comp ared to the lat e st method       The fifth experime n t was  done to kn o w  com p utatio nal time of the pro p o s ed  method  comp are to that of existin g  method s.  The  comp uta t ional time is one imp o rta n t para meter for  evaluation s . It means the  best recogniti on syste m   m u st be  sho w n  by the highe s t accu ra cy, the  smalle st F NR and  FPR,  a nd the  sho r te st comp ut atio nal time  for  reco gnition. T he id eal  syst em  must have 1 00% of accuracy, 0%  of F NR, 0% of FPR, and al m o st 0 se con d s  com putatio nal  time. In this  ca se, the  co mputational  time i s  d e fi ned  as the tim e  t hat is requi re d for cl assifying  the input ima ge start s  fro m  loading th e input im ag e. The experi m ental re sult s sh ows that the   90. 68 5. 52 13. 03 90. 13 4. 93 14. 61 0 10 20 30 40 50 60 70 80 90 Acurracy FPR FNR Rate (%) Param e ters MP+NF [ 11] SP.+ E P ( S EP) Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  985 – 995   994 prop osed me thod nee ds  much l e ss co mputational  ti me than F D   method [5] a nd almo st as fast  as SP and SR based met hod s (see Fi gure 1 0 ). It  mean s that the pro p o s ed  method give s no t  only high e n ough a c cu ra cy and sm all FNR  and FP R but al so n eed s sh ort  computation a l  time   (0.12  se con d s ). Thi s  a c hi evement al so su ppo rts t he previou s   achi evement s that propo sed  method i s  alternative  solu tion for po rn ogra phi c ima ge re co gnitio n . In additio n , the pro p o s ed   method  also  an im prove m ent of th e  FD-ba s e d  p o rno g raphi c i m age  re co gn ition which  can   improve the a c cura cy, false  reco gnition,  and computat ional time.  In order to know the robust  performance of ou r proposed method over large  variability   porn o g r aphi c image s, the  last expe rim ent wa s  ca rri ed out o n  large si ze d a ta set [11, 18]  and  usin g the be st variation of eigen porns.  This d a taset con s i s ts of 1 8354 im age s whi c h 92 95  and   9059 ima g e s  are pornog raphi c and no n-po rn ograph ic,  respe c tively. The images of this data s et   were al so d o w nlo aded f r o m  Internet u s i ng some d o wnload er tool s.  The po rn ographi c imag es of  have larg e variability in terms of peo pl e, pose,  skin.  Similar to UNRAM data s et[5,18], the  non- porn o g r aphi c images  cont ain obje c ts  which a r e  ski n  like su ch a s  flower, woo d , tiger, dessert,  etc. The trai ning ima g e s  also  setu p  the sa me a s  ca rrie d  out  in the Refe ren c e [11].  The   experim ental  re sult indi cates that  ou r propo se d method  te nd s  to  give al most  the sa me   achi evement  as th e late st  existing m e th od (M P+NF) about almo st  90.13% of  a c cura cy,  4.93 %  and 14.6 1 % of FPR and FNR, resp ectively, as  sho w n in Fi gure 1 1 . It re-p rove s that the   prop osed me thod can   giv e   go od eno u gh  a c hi evem ents and   the eigen porn  of YCbCr skin ROI  image i s  sui t able co ncep t for recogni zing p o rnog raphi c image s. The s e ca n be a c hiev ed,  becau se the  eigenpo rn p r ovide s  holi s tic inform atio n of porno g pahi c image  such as ge nital  informatio n, sexual activityies, etc a s  sh own in Fig u re  4.      5. Conclusio n  and Futu r e  Works   The p r op ose d  method  can imp r ove  the  existing method s  of porn o g r aphi c  image   recognitio n  such a s  skin  prob ability, skin re gi on a nd the fusio n  descri p tor.  This metho d  is  alternative so lution for dev elopin g  the rejectio n of porno graphy i m age s.  The holisti c  features  that is extracted by eig enpo rn s of ski n ROI s  image s is suitable featu r es  con c e p t for  porn o g r aphi c image re cog n ition. It is known by  better accu ra cy and less F N R and FPR t han  existing m e th ods. In  detail ,  the propo se d metho d  in crea se s the  a c cura cy of th e late st existi ng   method  (F D)  by about  4.0 %  and  de cre a se s th e F N R  a nd  com p utational time  by abo ut 20. 6%  and 2 08 milli se con d s,  re spectively. Ho wever, th e F P R in cre a ses by about 1 2 .9%. In additi on,  the prop osed  method ha s a l most the sa me perfo rma c e a s  MP-NFfor large si ze  dataset.   This m e thod  need s to b e  improve d   by adding  n o t only ROIs image s fro m  intensity  comp one nts  but al so f r om   the chromina nce  comp one nt su ch  a s   Cb an d  Cr com pone nts i n  o r der  to inc r ease the acc u rac y .        Ackn o w l e dg ements   This re se arch  is  su ppo rted   and fu nde d b y  Mi niste r  of   Comm uni cati on a nd Info rmation  of  Rep ubli c  of In done sia. In  a ddition, o u r great t han k is a l so to  Imag e  Media  Lab ora t ory Kumam o to  Univers i ty for disc us s i ons  to this  res e arch.      Referen ces   [1 ]  H u  W, Wu  O,  C h en  Z, Fu  Z,  May b an k S. R e cog n i tio n   o f  Po rn og ra ph i c  We b  Pa ge s by  Cl a ssi fy ing  T e xts and Ima ges.  IEEE Transactio n s on  Pattern Ana l ys is and M a chi n e Intelli ge nce . 29(6): 10 19- 103 4.  [2]  Marcial-B a sil i o  JA, Agui lar- T o rres G, Sa nchez-Pr e z G, T o scano-Med i na  LK, Prez- M ean a HM ,   Hern adez  E. E x p licit  Cont ent  Image D e tecti on.  Si gna l & I m a ge  Process i ng: An  Internat ion a l J ourn a l   (SIPIJ) . 2010; 1(2): 47-5 8 .  [3]  Marcial-B a sil i o  JA, Agui lar- T o rres G, Sa nchez-Pr e z G, T o scano-Med i na  LK, Prez- M ean a HM .   Detectio n of Porno g rap h ic Di gital Imag es.  Internatio nal J o u r nal of Co mput ers . 2011; 5( 2): 298-3 05.   [4]  Mustafa R, Z hu D. Objectio n abl e Image  Det e ction i n  Cl ou d  Computi ng P a radi gm-a R e vie w .   Jo urn a l of   Co mp uter Scie nce . 201 3, 9(1 2 ): 1715- 17 21.   [5]  Wijay a  I GPS,  Widiartha  I BK, Uchim u ra K, K outaki G.  Por n ogra phic  Imag e Rec o g n itio n  Using  F u sio n   of Scal e Invar i ant D e scriptor s . Procee din g s  of the  21st K o rea-J apa n j o i n t W o rksho p  o n  F r onti e rs o f   Comp uter Visi on (F CV 201 5) . Mokpo- South  Korea. 20 15.   Evaluation Warning : The document was created with Spire.PDF for Python.