在互联网上堵截色情图像与不良信息的系统

1、一种在互联网上堵截色情图像与不良信息的系统，含有IP地址过滤和关 键字过滤，其特征是：系统含有色情图像检测器和多功能管理平台，标准色情 图像特征库和并行高速运算的图像处理卡，其中色情图像检测器建立了对肤色 与姿态进行特征分析、特征提取与特征的相似性匹配判决的数学模型核心算法， 核心算法嵌入到所述图像处理卡中，图像处理卡插在网络服务器扩展槽中，标 准色情图像特征库有十万张标准图像特征作为判决依据，多功能管理平台含有 服务器端和客户机端，多功能管理平台负责管理服务器与多客户机进程间的通 信与交互，多功能管理平台在服务器端完成对浏览的色情图像的检测进程，多 功能管理平台在客户机端完成对HTTP的解析、还原和重组，在客户机端完成 网址过滤和关键字过滤，多功能管理平台整合操作系统、浏览器、HTTP协议与 图像处理卡之间的关系，实现色情图像和不良信息检测过滤与浏览器无关，通 过Winsock2或XP的SPI接口获取发送和接收的数据，然后对这些数据进行分 析，获取HTTP数据，将HTTP数据解协议后，在客户机端进行可靠的URL检 测、不良URL检测和关键字过滤，并根据检测结果决定是否需要使用色情图像 检测器，如果需要则请求服务器调用图像处理卡对不良图像进行检测，服务器 收集图像检测结果，堵截色情与不良图像，将正常图像传回客户机，并将新发 现的不良网址自动加入黑名单网址数据库中，黑名单网址数据库中一段时间不 用的网址自动删除，使黑名单数据库一直处在动态变化中。
2、根据权利要求1所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：所述的色情图像检测器含有皮肤颜色检测器和姿态检测器，
皮肤颜色检测器通过分析网络图像的颜色组成以及对图像颜色空间的实验 比较，采用HSV颜色空间建立肤色模型，确定人的皮肤颜色在所选取的HSV 颜色空间的分布情况，
首先将网络图像的像素转换为HSV颜色空间并量化，划分成L个颜色子空 间，然后通过统计分析确定样本皮肤颜色像素的总数shin_count以及样本皮肤颜 色像素在这L个子空间中的频次sub_count_i，其中满足i＝1，…，L，
$\underset{i=1}{\overset{L}{\Sigma }}\mathrm{sub}\_\mathrm{count}\_i=\mathrm{shin}\_\mathrm{count}$
以归一化的频次作为皮肤颜色像素分布于该子空间的可能性，
vi＝sub_count_i/skin_count
设定一个皮肤颜色分布概率的可能性阈值T_vi，如果满足vi≥T_vi，则 wi＝vi；否则，wi＝0；这样最终得到
A＝{A1，A2，…，AL}
W＝{w1，w2，…，wL}
其中，wi表示对应子空间Ai的隶属度，即Ai中的颜色是皮肤颜色的可能性， i＝1，2，…，L，参数L＝72，聚类得到皮肤颜色的分布子空间集合值A以及集合 值A的隶属度集合W；计算图像肤色暴露程度：
对任意图像F(x，y)，x＝1，…，M；y＝1，…，N，将每一个皮肤颜色像素(x，y)转 换到HSV颜色空间并量化，得到该每一个皮肤颜色像素的颜色子空间标号，使 整幅图像F(x，y)就转化成了一个M×N的标号点阵G(m，n)，m＝1，…，M；n＝1，…， N，统计G(m，n)的归一化直方图Hue[k]，k＝1，…，L，通过下式计算图像的皮肤 颜色暴露程度，式中，wk表示对应子空间Ak的隶属度，
$\mathrm{Ratio}=\underset{k=1}{\overset{L}{\Sigma }}\mathrm{Hue}\left[k\right]\times w_k$
然后利用图像的皮肤颜色暴露程度Ratio区分正常图像和色情图像，采取硬 判决方式或软判决方式：(1)硬判决方式：确定一个阈值T_Valve，比较Ratio 和T_Valve进行判决：如果一幅图像满足Ratio≥T_Valve，则判决此图像为色情 图像；否则为正常图像，T_Valve的值取在[0.10，0.15]之间；(2)软判决方式： 确定一个低阈值T_Low，一个高阈值T_High，比较Ratio和这两个阈值进行判决： 如果一幅图像满足Ratio≥T_High，则判决此图像为色情图像；如果满足 Ratio≤T_Low，则判决此图像为正常图像；其他情况下认为此图像为可疑图像， 皮肤颜色检测器不做判决，转送姿态检测器；
所述的姿态检测器，对皮肤颜色检测器不做判决的网络可疑图像进行姿态 分析识别，首先
挑选出十万张具有代表性的标准色情图像进行特征分析，建立以准确的色 情图像数学模型为特征的标准色情图像特征库，作为判决网络图像是否为色情 图像的相似性匹配判决的依据，姿态检测器核心算法主要含有小波边缘检测、 图像分割、形态学滤波、形状描述和相似度匹配判决几部分：
(1)小波边缘检测，采用Daubechies-4小波基对网络上的原始可疑图像 进行塔式小波分解，得到LL低频子带和LH，HL，HH三个高频子带，利用如下公式
$E[i,j]={(E_1{[i,j]}^2+E_2{[i,j]}^2+E_3{[i,j]}^2)}^{\frac{1}{2}}$
将高频子带LH，HL和HH所包含的边缘合成为一个边缘图E(i，j)，其中，E1[i，j] 为高频子带LH的边缘子图，E2[i，j]为高频子带HL的边缘子图，E3[i，j]为 高频子带HH的边缘子图；
(2)图像分割，首先，对小波边缘图像进行分析，提取最左、最右、最上、 最下四个边缘点，并以此确定物体的外接矩形，然后
擦除原彩色图像中位于物体外接矩形外的像素点，对矩形内的像素点依据 皮肤颜色模型进行分割，对任意像素点p(x，y)，将其转换到HSV空间并量化得 到量化标号k∈{1，...，L}，如果wk≠0，则保留此像素点；否则，擦除此像素 点，得到初步分割的皮肤区域图像，wk表示对应子空间Ak的隶属度；
(3)形态学滤波，采用数学形态学来对初步分割的图像进行处理，过滤掉 不属于物体区域的噪声像素；
(4)形状描述，在得到物体的区域图像之后，利用图像的二阶及三阶矩得 出图像的7个不变Hu矩：
φ1＝η20+η02
${\phi }_2={({\eta }_{20}-{\eta }_{02})}^2+4{\eta }_{11}^2$
φ3＝(η30-3η12)2+(3η21-η03)2
φ4＝(η30+η12)2+(η21+η03)2
φ5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η03+η21)2]
+(3η21-η03)(η21+η03)[3(η30+η12)2-(η03+η21)2]
φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η03+η21)2]
 +(3η12-η30)(η21+η03)[3(η30+η12)2-(η03+η21)2]
采用图像的二阶至五阶归一化中心矩的18个特征值和Hu矩的7个特征值来 描述一幅分割以后的皮肤区域图像的形状特征；
(5)相似度匹配判决，采用加权Euclidean距离来进行相似度度量，设权值 向量为Wj，当前要判决的图象特征为Φj，其中j＝1，2，...，25；标准色情图像 特征库的特征为φij′，i＝1，2，...，N；j＝1，2，...，25，其中N表示标准色情图 像特征库的特征个数，定义相似度di为
$d_i=1-{\left(\underset{j=1}{\overset{25}{\Sigma }}{W}_j{({\phi }_j-{\phi }_{\mathrm{ij}}^{\prime })}^2\right)}^{\frac{1}{2}}$
得到N个特征相似度di后，设定阈值T_shape，如果特征相似度落在阈值区 间[T-shape，1]内，则认为要当前判决的图像特征与标准色情图像特征库中的特 征相似，并统计相似特征的个数Num，如果Num满足条件：Num＞T_num，其中 T_num为要判决的图象特征与标准色情图像特征库中N个特征相似个数的阈 值，就认为当前要判决的图像是色情图像；否则，判决当前要判决的图像为正 常图像。
3、根据权利要求1所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：所述的图像处理卡含有数字信号处理电路和PCI总线接口电路，色情 图像检测器核心算法存储在通过外部存储器接口和数字信号处理电路的中央处 理器连接的存储器内，数字信号处理电路的中央处理器的主处理器接口连接可 编程逻辑器件，可编程逻辑器件通过PCI驱动电路连接图像处理卡，所述的图 像处理卡通过PCI插槽和计算机服务器连接，数字信号处理电路的中央处理器 采用TMS320C6711，频率合成器时钟电路和上电复位硬件狗电路与中央处理器 的对应端口连接，SDRAM外部存储器和闪存FLASH通过总线接口和中央处理 器的I/O端口连接，可编程逻辑器件选用PLX9054、PLX9052、AMCC的S5920 或S5933中的任一种。
4、根据权利要求1所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：多功能管理平台的服务器端含有检测进程管理、图像检测API和图像 处理卡模块，服务器端通过通讯模块实现和客户机端的通讯和数据交互，服务 器一方面完成与客户机的通信，同时监听客户机图像检测的连接请求，并在收 到客户机端的连接请求后，启动一个线程调用图像检测API和图像处理卡模块 对网络图像进行检测，并将检测结果传回客户机；色情判断是在服务器的应用 层，将多个IP数据包解析后构成图像帧进行，为了连接不间断，采用“存储转 发”方法，对Web站点发端，堵截色情图像与不良信息的系统伪装成收方，对 作为真正的接收者的浏览图像的客户机端，堵截色情图像与不良信息的系统又 伪装成发方。
5、根据权利要求4所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：多功能管理平台客户机端包括：
数据过滤接口，提供网络数据的获取和回送接口；
解协议模块，从数据过滤接口提取HTTP协议对网络信息进行处理，实现 应用层与IP包数据的分解与重组；
可信URL检测模块，完成可信URL检测；
不良URL检测模块，完成不良URL检测；
不良文字过滤模块，完成不良信息的关键字过滤；
图像检测进程模块；
自动更新模块，自动从因特网上更新应用程序和数据；
系统在客户机端通过将获取的HTTP数据和系统中的黑名单网址数据库的 网址进行对比，检测出不良URL并进行拦截，然后进入第二层次的关键字比对， 若浏览的关键字在色情与不良信息关键字库内则拦截，然后根据检测结果在服 务器端对可疑网络图像信息进行检测。
6、根据权利要求5所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：操作系统采用Windows2K或XP，数据过滤接口为由Winsock2提供的 供客户机应用程序访问网络服务的Windows socket应用程序编程接口，以及由 传输服务提供者和名字解析服务提供者实现的Winsock服务提供者接口SPI和 ws2_32.dll，Winsock服务提供者接口SPI是开放的标准的接口函数，能够在服 务提供者之间插入一层，实现SPI HOOK。
7、根据权利要求6所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：数据过滤接口截获到发送数据后，首先检查数据合法性，判断HTTP 头是否为图像请求头，如果是图像请求则判断数据包是否是浏览器发出的，若 是则复制socket并将“发送的数据”发送到目的HTTP服务器，同时向服务器 发出图像检测请求，由服务器启动一个图像检测线程，调用图像处理卡，在图 像处理卡进行运算判决，将处理结果返回多功能管理平台客户机端，根据图像 处理卡的处理结果处理浏览器的“发送的数据”，如果是正常数据则直接放行， 如果是不良图像则将数据替换成预先设定的图像数据。
8、根据权利要求1～7任一项所述的在互联网上堵截色情图像与不良信息 的系统，其特征是：多功能管理平台服务器端含有其它辅助线程，其它辅助线 程包括数据分析服务，用以分析系统日志，进行不良网址的记录与分析，处理 不良的URL列表；自动更新服务，定期检查版本是否已经更新，自动从因特网 上进行更新；用户应用界面，通过界面为用户增加信任URL，不良URL和显示 系统日志。
9、根据权利要求8所述的在互联网上堵截色情图像与不良信息的系统，其 特征是：色情图像检测器还含有其它不良图像检测器，将特定的其它不良图像 的特征样本在RGB色彩空间中进行PCA变换，建立PCA色彩空间，结合神经 网络对PCA色彩空间中的肤色样本进行训练，得到一个稳定的特征检测器，经 过图标检测器和文本检测器获得的可疑图像通过和该特征检测器的比较，检测 出的不良网络图像被输入到皮肤颜色检测器进行下一步的判断处理。

一、技术领域：本发明涉及互联网应用技术领域，特别是涉及一种在互联 网上堵截色情图像与不良信息的系统。\n二、背景技术：当今社会是信息化飞速发展的时代，互联网作为一种完全 开放的现代化通信技术，在世界范围内迅速普及，网络传播途径遍布世界的每 一个角落。由于网络世界是一个虚拟空间，在实际生活中的所有数据、声音、 影像等信息都可以换成计算机位元型态随计算机信息流穿梭于全球，目前越来 越多的人在网络上从事娱乐、研究及商务活动，从而形成一个网络上的虚拟社 会，网络使用者不需批露自己的真实身份即可畅游其间，人与人之间也少有了 日常社会的道德、伦理约束，因此网络世界比现实社会更加复杂、可怕，形形 色色的人物夹杂其间，各自怀有不同的目的，正义、邪恶难辨。由于暴力的驱 使，近年来色情网站与色情网页疯狂增长，特别是对感官刺激强烈的色情图像 等有害信息泛滥成灾，诱发青少年犯罪，严重影响未成年人的健康成长，引起 家长的极大愤慨与担忧，也引起社会与政府的关注，甚至发出“救救孩子”的 呼声，致使花巨资建立的中、小学校园网关闭了通向网络教育的通道，为孩子 购买的家用电脑也被禁用，极大的浪费了投资，不得不舍弃网上优越的教育资 源。\n为了过滤色情等网上有害信息，近年来市场上也出现了大量的过滤软件与 系统，可以统称为“黑名单软件”，其技术手段是用人工手段将已知的色情网址 或域名归入“黑名单”地址数据库中，通过地址比对与关键词比对，封锁浏览 者登陆的“黑名单”中所列的网址与相关信息。这种方法的缺点是：对于大量 未发现的和新增加的以及变换面貌的色情网址无能为力，不能实时的智能的发 现并归入黑名单，而且文字比对时也受不同国家文字的限制，始终处于被动过 滤状态。中国发明专利ZL0112132.7的一种色情文件判断系统与方法，先在系 统中输入标记文件，将分离出的被检网页中的文字部分和图片部分分别传送到 文字比较引擎和色情图片识别引擎，通过计算文字和图片的色情指数并和色情 辨别指数比较，判断出色情文件：ZL0112127.0的一种色情图片检查系统，通 过双重引擎过滤待检查图片，引入了色情图片数据库和数据库比较引擎，提高 了色情图片识别的准确度；专利申请200410053683.3的一种网络内容过滤系 统，由内容过滤代理、查询服务器和内容分析与管理服务器，内容过滤代理存 储有黑名单和白名单，查询服务器拥有一个具有分类和分级信息的URL库，内 容分析与管理服务器对intemet中的资源进行分类与分级评估，系统具有自学习 能力，可提高系统分类精度，可以主动过滤互联网中存在的各类媒体数据；但 它们主要的过滤途径仍然是基于对URL的自动更新和拦截，缺乏深层次的、彻 底的、基于实质内容的过滤。到目前市场上还没有发现完全基于内容的识别、 过滤软件并将软件和硬件相结合，与计算机操作系统整合，实现“扫黄”应用 系统与网络浏览器无关的特点、具有不可卸载和抗毁性的该类产品。\n三、发明内容：\n本发明所要解决的技术问题：针对背景技术目前互联网色情图像和不良信 息检测过滤系统存在的缺陷，提出一种基于内容的、多层次的、综合的互联网 上色情图像与不良信息的堵截系统。\n本发明所采用的技术方案：\n一种在互联网上堵截色情图像与不良信息的系统，含有IP地址过滤和关键 字过滤，色情图像检测器和多功能管理平台，标准色情图像特征库和并行高速 运算的图像处理卡，其中色情图像检测器建立了对肤色与姿态进行特征分析、 特征提取与特征的相似性匹配判决的数学模型核心算法，核心算法嵌入到所述 图像处理卡中，图像处理卡插在网络服务器扩展槽中，标准色情图像特征库有 十万张标准图像特征作为判决依据，多功能管理平台含有服务器端和客户机端， 多功能管理平台负责管理服务器与多客户机进程间的通信与交互，多功能管理 平台在服务器端完成对浏览的色情图像的检测进程，多功能管理平台在客户机 端完成对HTTP的解析、还原和重组，在客户机端完成网址过滤和关键字过滤， 多功能管理平台整合操作系统、浏览器、HTTP协议与图像处理卡之间的关系， 实现色情图像和不良信息检测过滤与浏览器无关，通过Winsock2或XP的SPI 接口获取发送和接收的数据，然后对这些数据进行分析，获取HTTP数据，将 HTTP数据解协议后，在客户机端进行可靠的URL检测、不良URL检测和关键 字过滤，并根据检测结果决定是否需要使用色情图像检测器，如果需要则请求 服务器调用图像处理卡对不良图像进行检测，服务器收集图像检测结果，堵截 色情与不良图像，将正常图像传回客户机，并将新发现的不良网址自动加入黑 名单网址数据库中，黑名单网址数据库中一段时间不用的网址自动删除，使黑 名单数据库一直处在动态变化中。\n所述的色情图像检测器含有皮肤颜色检测器和姿态检测器，\n皮肤颜色检测器通过分析网络图像的颜色组成以及对图像颜色空间的实验 比较，采用HSV颜色空间建立肤色模型，确定人的皮肤颜色在所选取的HSV 颜色空间的分布情况，\n首先将网络图像的像素转换为HSV颜色空间并量化，划分成L个颜色子空 间，然后通过统计分析确定样本皮肤颜色像素的总数shin_count以及样本皮肤颜 色像素在这L个子空间中的频次sub_count_i，其中满足i＝1，…，L，\n$\underset{i=1}{\overset{L}{\Sigma }}\mathrm{sub}\_\mathrm{count}\_i=\mathrm{shin}\_\mathrm{count}$\n以归一化的频次作为皮肤颜色像素分布于该子空间的可能性，\n            vi＝sub_count_i/skin_count\n设定一个皮肤颜色分布概率的可能性阈值T_vi，如果满足vi≥T_vi，则 wi＝vi；否则，wi＝0；这样最终得到\n                        A＝{A1，A2，…，AL}\n                        W＝{W1，W2，…，WL}\n其中，wi表示对应子空间Ai的隶属度，即Ai中的颜色是皮肤颜色的可能性， i＝1，2，…，L，参数L＝72，聚类得到皮肤颜色的分布子空间集合值A以及集合 值A的隶属度集合W；计算图像肤色暴露程度：\n对任意图像F(x，y)，x＝1，…，M；y＝1，…，N，将每一个皮肤颜色像素(x，y)转 换到HSV颜色空间并量化，得到该每一个皮肤颜色像素的颜色子空间标号，使 整幅图像F(x，y)就转化成了一个M×N的标号点阵G(m，n)，m＝1，…，M；n＝1，…， N，统计G(m，n)的归一化直方图Hue[k]，k＝1，…，L，通过下式计算图像的皮肤 颜色暴露程度，式中，wk表示对应子空间Ak的隶属度，\n$\mathrm{Ratio}=\underset{k=1}{\overset{L}{\Sigma }}\mathrm{Hue}[k]\times w_k$\n然后利用图像的皮肤颜色暴露程度Ratio区分正常图像和色情图像，采取硬 判决方式或软判决方式：(1)硬判决方式：确定一个阈值T_Valve，比较Ratio 和T_Valve进行判决：如果一幅图像满足Ratio≥T_Valve，则判决此图像为色情 图像；否则为正常图像，T_Valve的值取在[0.10，0.15]之间；(2)软判决方式： 确定一个低阈值T_Low，一个高阈值T_High，比较Ratio和这两个阈值进行判决： 如果一幅图像满足Ratio≥T_High，则判决此图像为色情图像；如果满足 Ratio≤T_Low，则判决此图像为正常图像；其他情况下认为此图像为可疑图像， 皮肤颜色检测器不做判决，转送姿态检测器；\n所述的姿态检测器，对皮肤颜色检测器不做判决的网络可疑图像进行姿态 分析识别，首先挑选出十万张具有代表性的标准色情图像进行特征分析，建立 以准确的色情图像数学模型为特征的标准色情图像特征库，作为判决网络图像 是否为色情图像的相似性匹配判决的依据，姿态检测器核心算法主要含有小波 边缘检测、图像分割、形态学滤波、形状描述和相似度匹配判决几部分：\n(1)小波边缘检测，采用Daubechies-4小波基对网络上的原始可疑图像 进行塔式小波分解，得到LL低频子带和LH，HL，HH三个高频子带，利用如下公式\n$E[i,j]={(E_1{[i,j]}^2+E_2{[i,j]}^2+E_3{[i,j]}^2)}^{\frac{1}{2}}$\n将高频子带LH，HL和HH所包含的边缘合成为一个边缘图E(i，j)，其中，E1[i，j] 为高频子带LH的边缘子图，E2[i，j]为高频子带HL的边缘子图，E3[i，j]为 高频子带HH的边缘子图；\n(2)图像分割，为了对图像中物体的形状进行描述，需要从图像中分割出 物体，首先，对小波边缘图像进行分析，提取最左、最右、最上、最下四个边 缘点，并以此确定物体的外接矩形，然后\n擦除原彩色图像中位于物体外接矩形外的像素点，对矩形内的像素点依据 皮肤颜色模型进行分割，对任意像素点p(x，y)，将其转换到HSV空间并量化得 到量化标号k∈{1，…，L}，如果wk≠0，则保留此像素点；否则，擦除此像素 点，得到初步分割的皮肤区域图像，wk表示对应子空间Ak的隶属度；\n(3)形态学滤波，采用数学形态学来对初步分割的图像进行处理，过滤掉 不属于物体区域的噪声像素；\n(4)形状描述，在得到物体的区域图像之后，利用图像的二阶及三阶矩得 出图像的7个不变Hu矩：\nφ1＝η20+η02\n${\phi }_2={({\eta }_{20}-{\eta }_{02})}^2+{4\eta }_{11}^2$\nφ3＝(η30-3η12)2+(3η21-η03)2\nφ4＝(η30+η12)2+(η21+η03)2\nφ5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η03+η21)2] +(3η21-η03)(η21+η03)[3(η30+η12)2-(η03+η21)2]\nφ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)\nφ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η03+η21)2] +(3η12-η30)(η21+η03)[3(η30+η12)2-(η03+η21)2]\n采用图像的二阶至五阶归一化中心矩的18个特征值和Hu矩的7个特征值来 描述一幅分割以后的皮肤区域图像的形状特征；\n(5)相似度匹配判决，采用加权Euclidean距离来进行相似度度量，设权值 向量为Wj，当前要判决的图象特征为φj，其中j＝1，2，…，25；标准色情图像 特征库的特征为φij′，i＝1，2，…，N；j＝1，2，…，25，其中N表示标准色情图 像特征库的特征个数，定义相似度di为\n$d_i=1-{\left(\underset{j=1}{\overset{25}{\Sigma }}{W}_j{({\phi }_j-{\phi }_{\mathrm{ij}}^{\prime })}^2\right)}^{\frac{1}{2}}$\n得到N个特征相似度di后，设定阈值T_shape，如果特征相似度落在阈值区 间[T-shape，1]内，则认为要当前判决的图像特征与标准色情图像特征库中的特 征相似，并统计相似特征的个数Num，如果Num满足条件：Num＞T_num，其中 T_num为要判决的图象特征与标准色情图像特征库中N个特征相似个数的阈 值，就认为当前要判决的图像是色情图像；否则，判决当前要判决的图像为正 常图像。\n所述的在互联网上堵截色情图像与不良信息的系统，图像处理卡含有数字 信号处理电路和PCI总线接口电路，色情图像检测器核心算法存储在通过外部 存储器接口和数字信号处理电路的中央处理器连接的存储器内，数字信号处理 电路的中央处理器的主处理器接口连接可编程逻辑器件，可编程逻辑器件通过 PCI驱动电路连接图像处理卡，所述的图像处理卡通过PCI插槽和计算机服务器 连接，数字信号处理电路的中央处理器采用TMS320C6711，频率合成器时钟电 路和上电复位硬件狗电路与中央处理器的对应端口连接，SDRAM外部存储器和 闪存FLASH通过总线接口和中央处理器的I/O端口连接，可编程逻辑器件选用 PLX9054、PLX9052、AMCC的S5920或S5933中的任一种。\n所述的在互联网上堵截色情图像与不良信息的系统，多功能管理平台的服务 器端含有检测进程管理、图像检测API和图像处理卡模块，服务器端通过通讯 模块实现和客户机端的通讯和数据交互，服务器一方面完成与客户机的通信， 同时监听客户机图像检测的连接请求，并在收到客户机端的连接请求后，启动 一个线程调用图像检测API和图像处理卡模块对网络图像进行检测，并将检测 结果传回客户机；色情判断是在服务器的应用层，将多个IP数据包解析后构成 图像帧进行，为了连接不间断，采用“存储转发”方法，对Web站点发端，堵 截色情图像与不良信息的系统伪装成收方，对作为真正的接收者的浏览图像的 客户机端，堵截色情图像与不良信息的系统又伪装成发方。\n所述的在互联网上堵截色情图像与不良信息的系统，多功能管理平台客户 机端包括：数据过滤接口，提供网络数据的获取和回送接口；\n解协议模块，从数据过滤接口提取HTTP协议对网络信息进行处理，实现 应用层与IP包数据的分解与重组；\n可信URL检测模块，完成可信URL检测；\n不良URL检测模块，完成不良URL检测；\n不良文字过滤模块，完成不良信息的关键字过滤；\n图像检测进程模块；\n自动更新模块，自动从因特网上更新应用程序和数据；\n系统在客户机端通过将获取的HTTP数据和系统中的黑名单网址数据库的 网址进行对比，检测出不良URL并进行拦截，然后进入第二层次的关键字比对， 若浏览的关键字在色情与不良信息关键字库内则拦截，然后根据检测结果在服 务器端对可疑网络图像信息进行检测。\n操作系统采用Windows2K或XP，数据过滤接口为由Winsock2提供的供客 户机应用程序访问网络服务的Windows socket应用程序编程接口，以及由传输 服务提供者和名字解析服务提供者实现的Winsock服务提供者接口SPI和 ws2_32.dll，Winsock服务提供者接口SPI是开放的标准的接口函数，能够在服 务提供者之间插入一层，实现SPI HOOK。\n所述的在互联网上堵截色情图像与不良信息的系统，数据过滤接口截获到 发送数据后，首先检查数据合法性，判断HTTP头是否为图像请求头，如果是 图像请求则判断数据包是否是浏览器发出的，若是则复制socket并将“发送的 数据”发送到目的HTTP服务器，同时向服务器发出图像检测请求，由服务器 启动一个图像检测线程，调用图像处理卡，在图像处理卡进行运算判决，将处 理结果返回多功能管理平台客户机端，根据图像处理卡的处理结果处理浏览器 的“发送的数据”，如果是正常数据则直接放行，如果是不良图像则将数据替换 成预先设定的图像数据。\n所述的在互联网上堵截色情图像与不良信息的系统，多功能管理平台服务 器端含有其它辅助线程，其它辅助线程包括数据分析服务，用以分析系统日志， 进行不良网址的记录与分析，处理不良的URL列表；自动更新服务，定期检查 版本是否已经更新，自动从因特网上进行更新；用户应用界面，通过界面为用 户增加信任URL，不良URL和显示系统日志。\n所述的在互联网上堵截色情图像与不良信息的系统，色情图像检测器还含 有其它不良图像检测器，将特定的其它不良图像的特征样本在RGB色彩空间中 进行PCA变换，建立PCA色彩空间，结合神经网络对PCA色彩空间中的肤色 样本进行训练，得到一个稳定的特征检测器，经过图标检测器和文本检测器获 得的可疑图像通过和该特征检测器的比较，检测出的不良网络图像被输入到皮 肤颜色检测器进行下一步的判断处理。\n本发明的积极有益效果：\n1、本发明堵截系统既在应用层进行信息内容过滤，又在IP层采用网址过 滤，能直接拦截色情图像信息，并实时将色情网址自动加入黑名单，更新URL 数据库，由过去被动的网址过滤跳跃到主动的内容过滤，显著的提高了过滤效 果，可过滤JPAG、GIF、BMP、TIF各种图像格式，对互联网色情图像的整体识 别过滤成功率大于99％，误判率低于5％，对其它不良信息过滤效果大于80％。\n2、本发明堵截系统独具的多功能管理平台，整合了操作系统、浏览器、因 特网协议和图像检测器之间的复杂关系，解决了客户机和服务器之间的进程交 互和色情图像检测任务的分工和数据重组问题，并实现了与浏览器无关的特点。\n3、在国内率先将“基于内容的图像识别检索”技术应用于互联网色情图像 的检测过滤方面，创造了基于内容的不良图像检测模型核心算法，结合聚类与 神经网络方法，融合了图标检测、文本检测和色情图像等多层次智能检测技术， 实现了快速运算与准确表达的综合，核心算法嵌入到高速并行运算图像处理卡 中，既加速了算法的运算速度，同时保护了算法，提高了判决精度和判决速度， 对色情图像的平均识别时间小于0.5秒，不影响上网速度。\n4、将系统核心算法嵌入高速DSP硬卡，装入计算机，拔掉硬卡，电脑便与 互联网断开，软硬结合，具有抗毁性，不象其它软件容易被卸载，并解决了单 纯软件系统运行速度慢的问题。\n5、在国内率先建立了10万张标准色情图像特征数据库，解决了判决标准 问题。\n四、附图说明：\n图1：互联网色情图像与不良信息堵截系统的功能方框图\n图2：互联网色情图像与不良信息堵截系统的组成方框图\n图3：互联网色情图像与不良信息堵截系统的工作流程方框图\n图4：色情图像检测器整体结构模式及应用流程\n图5：高速并行运算的图像处理卡原理框图\n图6：多功能管理平台组成及工作流程方框图\n图7：多功能管理平台服务器端工作流程方框图\n图8：多功能管理平台客户机端结构组成方框图\n图9：多功能管理平台客户机端数据接口组成示意图\n图10：多功能管理平台图像检测模块工作流程方框图\n图11：确保TCP不断链的存储转发过程示意图\n五、具体实施方式：\n实施例一：参见图2，本发明色情图像与不良信息堵截系统由多功能管理平 台和嵌入基于内容的图像识别核心算法的高速并行运算的图像处理卡(DSP处 理PCI卡)与标准色情图像特征库组成，即色情图像检测子系统嵌入到图像处 理卡上的存储器中，图像处理卡安装在服务器计算机上，图5为图像处理卡电 路原理框图，色情图像检测子系统嵌入到图像处理卡上，所述的图像处理卡含 有高速并行数字信号处理电路和PCI总线接口电路，色情图像检测系统功能软 件核心算法存储在通过外部存储器接口和数字信号处理电路的中央处理器连接 的存储器内，中央处理器的主处理器接口连接可编程逻辑器件，可编程逻辑器 件通过PCI驱动电路连接图像处理卡，图像处理卡通过PCI插槽和计算机服务 器连接，其中数字信号处理电路的中央处理器采用TMS320C6711，频率合成器 时钟电路和上电复位硬件狗电路和中央处理器的对应端口连接，SDRAM外部存 储器和闪存FLASH通过总线接口和中央处理器的I/O端口连接，中央处理器的 主处理器接口连接可编程逻辑器件，可编程逻辑器件选用PLX9054，或者选用 PLX9052，或者采用AMCC的S5920，或S5933。\n参见图1、图3，本发明在互联网上堵截色情图像与不良信息的系统，含有 IP地址过滤子系统，IP地址过滤子系统含有动态的黑名单网址数据库，系统首 先提取客户机要求登陆的网页的网址，和系统中的黑名单网址数据库的网址进 行网址对比，若该网址属于黑名单数据库中的地址，即进行拦截，然后进入第 二层次的关键字比对，若浏览的关键字在色情与不良信息关键字库内则拦截， 系统含有色情图像检测子系统，系统通过多次判决反馈建立准确的色情图像数 学模型：挑选出十万张具有代表性的标准色情图像进行特征分析，提取其特征， 建立色情标准图像特征库，作为判决网络图像是否为色情图像的依据；建立相 似性匹配判决模型；对通过关键字对比的网络信息进行第三层次的基于内容的 图像判决，通过分析提取网络图像特征数据，与色情标准图像数据库中的特征 图像对比，若与色情图像库中的某些图像匹配相似则拦截，并将该网页地址自 动加入黑名单网址数据库中，黑名单网址数据库中一段时间不用的网址自动删 除。HTTP协议解析模块从数据过滤接口提取HTTP协议对网络信息进行处理， 实现应用层与IP包数据的分解与重组；数据检测模块，含有正常URL检测、不 良URL检测、关键字检测和图像检测进程，在客户机端进行不良文字过滤，可 信URL检测、不良URL检测，调用图像检测进程在服务器端对网络图像进行 检测；自动更新模块，自动从因特网上更新应用程序和黑名单HTTP数据。\n参见图11。由于色情判断是在服务器的应用层，多个IP数据包拆包后构成 图像帧时进行，为了TCP连接不断链，采用“存储转发”方法，过滤系统先存 下完整的数据报文，再发给客户端。对Web发端，过滤系统伪装成收方，对真 正的接收者过滤系统又伪装成发方。由于过滤系统连接处理的是多个客户机的 多个完整报文，任何一个设备都无此连接能力，为此我们在精确计算超时时间 内要丢掉一些无关大局的报文，确保连接不断链。\n图4为本发明互联网上色情图像与不良信息堵截系统的色情图像检测器结 构模式及流程框图。\n图中的图标检测器主要通过图像的尺寸比例对网络图像进行判别，主要目 的是检测那些类似网站广告的图像，同时过滤掉太小的图像。一般地，网页上 存在着大量的广告LOGO及图标。由于这些图像大多呈现为一个很窄的长条， 或者图像整体的尺寸比较小，从内容上来讲一般不构成危害，因此我们在图像 判断的过程中首先对这类图像做判别。\n(1)根据图像的大小判别：对图像的宽度与高度设定阈值，小于这个阈值的 图像认为是属于图标一类。(2)根据图像的高度与宽度的比例判别：设定高度与 宽度的比例阈值，这样可以把横向或者纵向的窄条图像筛选出来，\nmin(image_width，image_height)＜T_size，\n则判决为不良图像，它们一般多为网站广告之类。\nif(image_width＞image_height)Rs，＝image_width/image_height；\nelseRs＝image_height/image_width。\nif(Rs＞Tlogo)，则判决为正常图像。\n在实践中，根据经验，我们选取阈值T_size＝32，T_logo＝10。\n文本检测器对网络图像进行文本/图像判别，检测由大量文本信息组成的图 像，例如以图像形式存在的网络传真、网络文字广告等。由文本组成的图像与 一般的图像(连续色调图像)有着很大的不同，这主要体现在颜色的组成上。我们 采用分析图像的灰度分布直方图来判别文字图像。\n颜色检测器分析网络图像的颜色组成，通过建立肤色模型来区分正常图像 和色情图像。\n(1)模型颜色空间：通过对RGB、LUV、HSV、LHS、XYZ等颜色空间的试验比 较，最终选择HSV颜色空间建立肤色模型。通常图像都可以用RGB模型表示， HSV颜色空间对颜色的描述更接近人的视觉效果，而且由RGB空间到HSV空 间的转换和量化相对比较简单。\n(2)肤色模型：肤色模型的主要任务是确定人的皮肤颜色在所选取的HSV 颜色空间的分布情况。首先将HSV颜色空间进行量化，划分成上个颜色子空间。 然后通过统计分析确定皮肤颜色在这工个子空间中的分布，聚类得到皮肤颜色 的分布子空间集合A以及A的隶属度集合W。\n在进行统计分析时，首先确定样本皮肤像素的总数shin_count以及样本皮肤 色像素在这L个子空间中的频次sub_count_i，其中满足i＝1，…，L，\n$\underset{i=1}{\overset{L}{\Sigma }}\mathrm{sub}\_\mathrm{count}\_i=\mathrm{shin}\_\mathrm{count}$\n以归一化的频次作为皮肤颜色像素分布于该子空间的可能性，\n            vi＝sub_count_i/skin_count\n设定一个皮肤颜色分布概率的可能性阈值T_vi，如果满足vi≥T_vi，则 wi＝vi；否则，wi＝0，这样最终得到\n        A＝{A1，A2，…，AL}\n        W＝{W1，W2，…，WL}\n其中，wi表示对应子空间Ai的隶属度，即Ai中的颜色是皮肤颜色的可能性， i＝1，2，…，L，参数L＝72，聚类得到皮肤颜色的分布子空间集合止以及止的隶 属度集合W；\n(3)图像肤色暴露程度：\n对任意图像F(x，y)，x＝1，…，M；y＝1，…，N，将每一个皮肤颜色像素(x，y) 转换到HSV颜色空间并量化，得到该像素的颜色子空间标号，使整幅图像F(x，y) 就转化成了一个M×N的标号点阵G(m，n)，m＝1，…，M；n＝1，…，N，统计G(m，n) 的归一化直方图Hue[k]，k＝1，…，L，通过下式计算所浏览的图像的皮肤颜色暴 露程度： $\mathrm{Ratio}=\underset{k=1}{\overset{L}{\Sigma }}\mathrm{Hue}\left[k\right]\times w_k$\n(4)图像检测：利用图像肤色暴露程度Ratio区分正常图像和色情图像， 采取硬判决方式或软判决方式：(1)硬判决方式：确定一个阈值T_Valve，比较 Ratio和T_Valve进行判决：如果一幅图像满足Ratio≥T_Valve，则判决该图像为 色情图像；否则为正常图像，T_Valve的值取在[0.10，0.15]之间；(2)软判决方 式：确定一个低阈值T_Low，一个高阈值T_High，比较Ratio和这两个阈值进行 判决：如果一幅图像满足Ratio≥T_High，则判决该图像为色情图像；如果满足 Ratio≤T_Low，则判决该图像为正常图像；其他情况下认为该图像为可疑图像， 本检测器不做判决，转送姿态检测器。根据不同的检测率要求，各参数的设置 可以相应的进行修改，在多数情况下，参数可以通过实验来确定。\n姿态检测器通过训练建立姿态特征库。对通过颜色检测器的可疑图像进行 姿态分析和相似匹配，区分正常图像和色情图像。姿态检测器核心算法主要由 小波边缘检测、图像分割、形态学滤波、形状描述和相似度匹配判决几部分组 成，各部分具体描述如下：\n(1)小波边缘检测\n传统小波边缘检测原理是：设CJ+1代表原始图像，Cj，DJ 1，DJ 2，Dj 3是原始 影像经小波变换得到的四幅子图像，设({hk}k∈Z，{gk}k∈Z)与 $({\left\{{\tilde{h}}_k\right\}}_{k\in Z},{\left\{{\tilde{g}}_k\right\}}_{k\in Z})$ 是双正交 小波导出的一组对偶滤波器，则图像的双正交小波分解和重构公式如下：\n$\left\{\begin{array}{c}{C}_{j,m,n}=\underset{k,j\in Z}{\Sigma }{C}_{j+1,k,l}{h}_{k-2m}{h}_{l-2n}\\ D_{j,m,n}^1=\underset{k,j\in Z}{\Sigma }{C}_{j+1,k,l}{h}_{k-2m}{g}_{l-2n}\\ D_{j,m,n}^2=\underset{k,j\in Z}{\Sigma }{C}_{j+1,k,l}{g}_{k-2m}{h}_{l-2n}\\ D_{j,m,n}^3=\underset{k,j\in Z}{\Sigma }{C}_{j+1,k,l}{g}_{k-2m}{g}_{l-2n}\end{array}\right.$\n$C_{j+1,m,n}=(\underset{k,l\in Z}{\Sigma }{C}_{j,k,l}{\tilde{h}}_{m-2k}{\tilde{h}}_{n-2l}+\underset{k,l\in Z}{\Sigma }{D}_{j,k,l}^1{\tilde{h}}_{m-2k}{\tilde{g}}_{n-2l}$\n$+\underset{k,l\in Z}{\Sigma }{D}_{j,k,l}^2{\tilde{g}}_{m-2k}{\tilde{h}}_{n-2l}+\underset{k,l\in Z}{\Sigma }{D}_{j,k,l}^3{\tilde{g}}_{m-2k}{\tilde{g}}_{n-2l})$\n那么检测图像边缘点即沿梯度矢量方向在一定邻域内寻找使得梯度向量幅 度为极大值的点，梯度向量幅度正比于：\n$D_j=\sqrt{{\left|D_j^1\right|}^2+{\left|D_j^2\right|}^2}$\n而且该梯度的矢量方向为：Arg(Dj 1+iDj 2)。\n在应用中，如果点(x，y)的梯度向量幅度Dj在该梯度的矢量方向上的邻域内为 局部极大值点，同时满足：Dj＞T，T为门限，则该点被认为是边缘点。\n我们采用Daubechies-4小波基对原始图像进行塔式小波分解，得到LL低频子 带和LH，HL，HH三个高频子带。其中，LH子带包含原始图像水平方向上的边缘； HL子带包含原始图像垂直方向上的边缘；HH子带包含原始图像对角线方向上的 边缘。我们分别检测如上三种类型的边缘，将得到的三种类型边缘合成为一个 边缘图。对LH子带在水平方向寻找一定邻域内的梯度向量幅度极大值点，仅保 留LH子带的小波系数进行小波反变换，得到边缘子图E1(i，j)。类似对HL子带和 HH子带进行处理，分别得到E2(i，j)和E3(i，j)边缘子图。利用如下公式对三种类型 边缘合成为一个边缘图E(i，j)。\n$E\left[i,j\right]={(E_1{[i,j]}^2+E_2{[i,j]}^2+E_3{[i,j]}^2)}^{\frac{1}{2}}$\n通过皮肤颜色检测器的图像是彩色图像，而我们进行小波边缘检测时往往 是对灰度图像进行处理，因此可以将彩色图像先转换成灰度图像或者直接利用 彩色图像的红色通道进行处理。\n(2)图像分割，为了对图像中物体的形状进行描述，就必须要从图像中分 割出物体。在此，我们结合小波边缘图像和肤色模型对图像进行分割，主要从 中分割出人体肤色暴露的区域。\n首先，对小波边缘图像进行分析，提取最左、最右、最上、最下四个边缘点， 并以此确定物体的外接矩形；然后，擦除原彩色图像中位于物体外接矩形外的 像素点。对矩形内的像素点依据肤色模型进行分割。对任意像素点p(x，y)，将其 转换到HSV空间并量化得到量化标号k∈[1，…，L]。如果wk≠0，则保留此像素点； 否则，擦除此像素点。这样就得到初步分割的皮肤区域图像。\n(3)形态学滤波\n上面产生的初步分割的皮肤区域图像往往存在很多面积很小的颗粒状和斑 状噪声，需要对它们进行滤波处理，过滤掉那些不属于物体区域的噪声像素， 同时有效保留属于物体区域的那些像素。常用的滤波方法，如低通、高通、平 滑等，在此，我们采用数学形态学来对初步分割的图像进行处理。\n形态学定义了膨胀、腐蚀、开启、闭合等四种基本运算，其中开启和闭合运 算是膨胀和腐蚀运算的复合运算。对于输入图像f，设定结构元素为b，f和b本 质上都是图像，则b对f的膨胀定义为\n      (fb)(s)＝max{f(s-x)+b(x)|x∈Db，(s-x)∈Df}\nb对f的腐蚀定义为\n      (fΘb)(s)＝min{f(s+x)-b(x)|x∈Db，(s+x)∈Df}\nb对f的开启定义为\n                  fоb＝(fΘb)b\nb对f的闭合定义为\n                  f·b＝(fb)Θb\n其中，Df和Db分别为f和b的定义域，s和x为整数Z2空间中的向量。对于 膨胀运算，结构元素b和输入图像f只要有一个像素点相交，即可进行膨胀。相 反，对于腐蚀运算，只有当结构元素b全部位于f内时，才能进行腐蚀。从几何 上说，膨胀能扩大图像形态，而腐蚀能缩小图像形态。开启运算能够去除图像 上与结构元素不相吻合的凸区域，同时保留那些相吻合的凸区域。而闭合运算 则填充那些图像上与结构元素不相吻合的凹区域，同时保留那些相吻合的凹区 域。对初步分割的皮肤区域图像，我们采用形态学腐蚀算子进行处理。对腐蚀 运算后的图像，先将其转换为灰度图像，然后进行区域描述。\n(4)形状描述：在得到物体的区域图像之后，如何描述这幅图像的形状有 多种形式，如区域形状的数字度量、傅立叶描述、矩描述和拓扑描述。在1962 年，M.K.Hu证明了有7个不变矩与图像的平移、旋转和比例尺变化无关，被称 为Hu矩，它们对图像的形状描述是十分有用的。下面介绍Hu矩具体含义：\n二维数字图像不变矩对于二维数字图像f(x，y)来说，矩和中心矩的公式如下：\n矩： $m_{\mathrm{pq}}=\underset{x}{\Sigma }\underset{y}{\Sigma }{x}^p{y}^{q}f(x,y)$\n中心矩： ${\mu }_{\mathrm{pq}}=\underset{x}{\Sigma }\underset{y}{\Sigma }{(x-\bar{x})}^p{(y-\bar{y})}^{q}f(x,y)$\n其中 $\bar{x}=\frac{m_{10}}{m_{00}},$ $\bar{y}=\frac{m_{01}}{m_{00}}.$ 这些各阶的矩和中心矩都有它们具体的物理含义。为了使 形状的描述与图像的大小无关，定义归一化的中心矩为：\n${\eta }_{\mathrm{pq}}=\frac{{\mu }_{\mathrm{pq}}}{{\mu }_{00}^r},$ $r=\frac{p+q}{2}+1$\n利用图像的二阶及三阶矩可以得出图像的7个不变矩(Hu矩)：\nφ1＝η20+η02\n${\phi }_2={({\eta }_{20}-{\eta }_{02})}^2+{4\eta }_{11}^2$\nφ3＝(η30-3η12)2+(3η21-η03)2\nφ4＝(η30+η12)2+(η21+η03)2\nφ5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η03+η21)2] +(3η21-η03)(η21+η03)[3(η30+η12)2-(η03+η21)2]\nφ6＝(η20-φ02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)\nφ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η03+η21)2] +(3η12-η30)(η21+η03)[3(η30+η12)2-(η03+η21)2]\n我们采用图像的二阶至五阶归一化中心矩的18个特征值和Hu矩的7个特征 值共25个特征值来描述一幅分割以后的皮肤区域图像的形状特征。\n(5)相似度匹配：通常我们得到的图像特征数据都是以向量的形式存在的， 如何由这些向量来计算它们的相似度，系统仍然采用向量计算。\n我们采用加权Euclidean距离来进行相似度度量。设权值向量为Wj，当前图 象特征为φj，其中j＝1，2，…，25；特征库特征为φij′，i＝1，2，…，N；j＝1，2，…，25，其中N 表示特征库特征个数。定义相似度di为\n$d_i=1-{\left(\underset{j=1}{\overset{25}{\Sigma }}{W}_j{({\phi }_j-{\phi }_{\mathrm{ij}}^{\prime })}^2\right)}^{\frac{1}{2}}$\n得到N个特征相似度di后，设定阈值T_shape，如果特征相似度落在区间 [T_shape，1]，则认为当前图像特征与特征库中特征相似，并统计相似特征的个 数Num。如果Num满足条件：Num＞T_num，其中T_num为当前图象特征与特 征库中N个特征相似个数的阈值，那么认为该图像是色情图像。否则，判决该 图像为正常图像。\n参见图6、图7，本发明不良信息堵截的系统的多功能管理系统平台含有服 务器端和客户机端，两者通过通讯模块实现通讯和数据交互，服务器端含有监 听模块和图像检测模块，服务器首先启动一个监听进程监听客户机的连接请求， 并在收到客互机的连接请求后启动图像检测线程，和客户机进行通讯，同时调 用图像检测API对图像进行检测，并将检测结果传回客户机，在客户机端完成 IP地址过滤和关键字过滤，在服务器端完成色情图像检测，服务器端含有其它 辅助线程，用以分析系统日志，处理不良的URL列表，自动更新服务和用户应 用界面。\n图8中多功能管理平台子系统客户机端含有数据过滤接口，负责获取网址 数据和回送接口；解协议模块，提取HTTP协议进行处理，实现应用层与IP包 数据的分解与重组；数据检测模块，含有正常URL检测、不良URL检测、关 键字检测和图像检测；自动更新模块，自动从因特网上更新应用程序和数据： 服务器通讯模块，实现客户机与服务器间的通讯与数据交互。\n图9为多功能管理平台子系统客户机端数据过滤接口组成框图，数据过滤 接口为由Winsock2提供客户机访问网络服务的Windows socket应用程序编程接 口(API)，包括由传输服务提供者和名字解析服务提供者实现的Winsock服务提 供者接口SPI和ws2 32.dll，其过滤结构模式为：核心DLL，安装或卸载HOOK 接口；HOOKDLL，数据处理核心；图像检测接口和网络通讯接口，此三者互相 交互通讯。\n图10为多功能管理子系统图像检测模块工作流程，数据过滤接口模块截获 到发送数据后，首先检查数据合法性，判断HTTP头是否为图像请求头，如果 是图像请求则判断该数据包是否是浏览器发出的，若是则复制socket并发送send 数据到目的HTTP服务器，同时调用色情图像检测子系统对图像进行检测，或 者由服务器启动一个图像检测线程，调用色情图像检测DSP硬卡，在硬卡进行 运算判决，将处理结果返回多功能管理平台，根据图像检测子系统处理结果处 理浏览器send数据，如果是正常数据则直接放行，如果是不良图像则将数据替 换成预先设定的图像数据。\n实施例二：参见图1～图10，本实施例同实施例一不同之处在于：系统在 客户机端完成IP地址过滤和关键字过滤，在服务器端完成色情图像检测，系统 可根据网页色情图像和色情标准图像特征库中的特征图像匹配相似的比率，设 置色情图像级别，可以提供成人浏览到儿童不可浏览的网络信息，色情图像检 测器不含有图标过滤和文本过滤。\n实施例三：参见图1～图10，本实施例同实施例一不同之处在于：系统含 有其它不良图像检测器，将特定的其它不良图像的特征样本在RGB色彩空间中 进行PCA变换，建立PCA色彩空间，结合神经网络对PCA色彩空间中的肤色 样本进行训练，得到一个稳定的特征检测器，经过图标检测器和文本检测器获 得的可疑图像通过和该特征检测器的比较，检测出不良网络图像输入到颜色检 测子系统进行下一步的判断处理。其它不良图像检测器和色情图像检测器原理 类似，但是相对人体特征图像识别而言，不良图像缺乏共性的特征，因此只能 采用训练、比对的模式进行判决。在很多情况下，人们将RGB色彩空间转换到 HSI空间或者YCbCr空间，将亮度信息和色度信息分离，利用HSI空间中的HS 二维子空间或者YCbCr空间的CbCr二维子空间建立肤色模型。但是在光照变 化比较剧烈的时候，在HS子空间和CbCr子空间建立的颜色分布会出现比较大 的变化，这对于特征检测是非常不利的，因此本部分利用PCA变换建立了PCA 色彩空间，结合神经网络对PCA色彩空间中的肤色样本进行训练，得到一个稳 定的特征检测器。\n基于神经网络和PCA变换的图像特征检测：本发明提出了一种基于神经网 络和PCA变换的图像特征检测算法，该算法对输入图像的像素逐个进行检测， 在训练模式下，我们对训练集中的特征样本在RGB空间中进行PCA变换，得到 一个线性的投影矩阵。投影矩阵的第二列向量和第三列向量构成新的二维特征 检测空间，称为PCA特征空间的轴向量，这两个向量正对应着在RGB空间中特 征象素变化最小的方向，因此，原训练集中的特征样本经过投影变换后得到新 的特征样本，这些特征样本在PCA特征空间中聚合紧密，将PCA特征空间中特 征样本送交神经网络进行训练，直至网络收敛。在检测模式下，待检测图像的 每个象素经过训练模式下得到的由第二列向量和第三列向量构成的矩阵投影变 换后送交神经网络进行检测，逐个检测完毕，得到整幅图像的检测结果。\nPCA特征空间：一个好的特征检测空间必须满足如下条件：\n图像中颜色信息被集中于某两个分量；这两个分量的非颜色信息(如亮度信 息)应该足够少；这两个分量的均方差应足够小。\nPCA变换是在均方误差意义下的最佳变换，通常也称KL变换。用矩阵表示 为：A＝OTB，式中，A是变换后的矢量，B是要变换的矢量，O是变换矩阵， 与B密切相关，通常由B的自相关矩阵的特征向量组成。\n我们通过PCA变换建立PCA特征空间。设X为RGB空间中用于训练的特 征样本集合，X＝[X1，X2，…，XT]，这里T为特征样本的数目。首先计算特征样本的 均值向量 $M=\underset{i=1}{\overset{T}{\Sigma }}{X}_i,$ 将RGB空间特征样本去均值后得到均值为0的样本集合 Φ＝[Φ1，Φ2，…，ΦT]，Φi＝Xi-M，1≤i≤T。接着计算自相关矩阵ST， $S_T=\underset{i=1}{\overset{T}{\Sigma }}{\Phi }_i{{\Phi }_i}^T.$ 最后得到自相关矩阵ST的特征值和特征向量，STΨ＝ΨΛ，这里Ψ＝[Ψ1，Ψ2，Ψ3]代 表矩阵的特征相量，Λ为特征值λ1，λ2，λ3(λ1≥λ2≥λ3)构成的对角线矩阵。特征值 λ2，λ3对应的两个向量Ψ2，Ψ3对应着在RGB空间中特征象素变化最小的方向，因此 将Ψ2，Ψ3视为新的色彩空间中两个主轴，构成PCA特征空间，而Ψ2，Ψ3构成线性 投影矩阵，原RGB空间中的特征样本经过线性投影矩阵变换到PCA特征空间。\nBP神经网络：神经网络方法有着良好的并行处理性能，有着良好的泛化能 力，并且不需要数据的先验概率分布，因此，神经网络方法在模式识别领域中 体现出了巨大的优越性。BP神经网络是前馈型神经网络中研究的最为成熟且应 用最广的一种网络，这里我们采用一个隐层的BP神经网络。网络共分为三层： i为输入层节点；j为隐层节点；k为输出层节点。定义网络的学习误差函数为\n$E=\frac{1}{2}\underset{k}{\Sigma }{(d_k-y_k)}^2$\n式中：dk表示网络的期望输出；yk表示网络的实际输出。于是可推出各层权 值修正公式如下：\n隐含层与输出层：wjk(t+1)＝wjk(t)+ηδkyj\n                δk＝yk(1-yk)(dk-yk)\n输入层与隐含层\n                wij(t+1)＝wij(t)+ηδjyi\n${\delta }_j=y_j(1-y_j)\underset{k}{\Sigma }{\delta }_k{w}_{\mathrm{jk}}$\n上式中：η为学习率；δk，δj为各层对应修正值。