实际上这相当容易。你可以编程检测肤色 - 色情图片往往有很多皮肤。这将产生错误的正面结果，但如果这是一个问题，你可以通过实际审核来处理这些图片。这不仅极大地减轻了审核员的工作量，而且还给你带来了大量免费的色情内容。这是双赢。
#!python
import os, glob
from PIL import Image
def get_skin_ratio(im):
im = im.crop((int(im.size[0]*0.2), int(im.size[1]*0.2), im.size[0]-int(im.size[0]*0.2), im.size[1]-int(im.size[1]*0.2)))
skin = sum([count for count, rgb in im.getcolors(im.size[0]*im.size[1]) if rgb[0]>60 and rgb[1]<(rgb[0]*0.85) and rgb[2]<(rgb[0]*0.7) and rgb[1]>(rgb[0]*0.4) and rgb[2]>(rgb[0]*0.2)])
return float(skin)/float(im.size[0]*im.size[1])
for image_dir in ('porn','clean'):
for image_file in glob.glob(os.path.join(image_dir,"*.jpg")):
skin_percent = get_skin_ratio(Image.open(image_file)) * 100
if skin_percent>30:
print "PORN {0} has {1:.0f}% skin".format(image_file, skin_percent)
else:
print "CLEAN {0} has {1:.0f}% skin".format(image_file, skin_percent)
这段代码测量了图像中心的肤色。我测试了20张相对温和的“色情”图片和20张完全无辜的图片。它标记出了100%的“色情”图片和20张干净图片中的4张。虽然误报率相当高，但该脚本旨在非常谨慎，可以进一步调整。它适用于浅色、深色和亚洲人的肤色。
其主要误报弱点是棕色物体（如沙子和木材），当然，它也不知道“淘气”和“漂亮”的皮肤有什么区别（比如人脸照片）。
假阴性的弱点将是没有暴露太多肉体的图片（如皮革束缚）、涂画或纹身的皮肤、黑白图像等。
这篇文章写于2000年，不确定色情检测技术的现状是否有所进步，但我表示怀疑。
http://www.dansdata.com/pornsweeper.htm
对于有色彩的图片，PORNsweeper似乎可以区分人物图片与非人物图片，但是较难区分脏乱的人物图片和干净的人物图片。使用默认的中等敏感度时，如果人力资源部门发送了会计部新同事的照片，你有大约50%的机会获得它。如果你的姐姐给你发她六个月大孩子的照片，也有类似的可能被拦截。
应该指出一些有趣的错误，例如把《蒙娜丽莎》称为色情图片，如果这些错误代表了软件的行为方式，那么当它确实出现这种错误时，取笑它就显得愚蠢了。但是PORNsweeper只在一个方面符合其声明的规格——检测实际的色情图片。它在检测干净图片方面表现不好。而且我不会惊讶于在不久的将来没有在这个领域取得重大进展。
我更愿意允许用户报告不良图片。图像识别开发需要太多的时间和精力，并且准确性也不如人眼。外包这项审核工作成本更低。
请看：亚马逊机械土耳其
"亚马逊机械土耳其（MTurk）是亚马逊网络服务套件之一，是一个众包市场，使计算机程序协调使用人类智能执行计算机无法完成的任务。"
BOOM! 这里是包含算法的白皮书（点击此处）。
有人知道哪里可以获取Java（或任何语言）实现的源代码吗？
那太棒了。
一种名为WISE的算法具有98％的准确率，但14％的假阳性率。因此您需要让用户标记2％的假阴性，并自动删除一定数量的用户标记后，由管理员查看14％的假阳性。
2004年，来自台湾国立成功大学的一位研究生对此进行了研究。他能够以89.79％的成功率检测从互联网下载的裸体图片。以下是他的论文链接：基于肤色的裸体人像图像检测研究。
如果您无法阅读，请使用翻译工具。
话虽如此，您可以简单地在用户生成的内容旁边添加一个“冒犯？”链接，并让管理员交叉检查收到的投诉。
编辑：
我忘记了一件事：如果您要实施某种过滤器，您需要一个可靠的过滤器。如果您的解决方案只有50％正确率，那么将会有2000个出现像样图片的用户被阻止。预计会引起公愤。