[发明专利]一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质

权利要求书

1.一种基于卷积神经网络的不雅图片识别方法，其特征在于，所述方法包括：

对获取的待测图片数据进行预处理；

将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度；

根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度，其中，所述预设的线性加权比包括多个比值，所述比值的数量与所述卷积神经网络的数量相同，且每个比值均对应一不同的卷积神经网络；

判断所述图片置信度是否大于预设置信度；

若所述图片置信度大于预设置信度，判定所述待测图片数据为不雅图片数据。

2.如权利要求1所述的方法，其特征在于，所述对获取的待测图片数据进行预处理之前，包括：

将预设的图片数据分为训练集以及验证集；

利用所述训练集对多个不同的卷积神经网络进行训练，以得到多个对应的中间模型；

利用所述验证集对所有的中间模型进行验证，以得到多个对应的错误集，其中每个错误集均包括至少一个错误样本；

若其中一错误集中错误样本的数量大于或等于预设阀值，利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型；

利用所述验证集对所述新的中间模型再次进行验证，直至所述错误集中错误样本的数量小于预设阀值，并判定此时的新的中间模型为对应的预设检测模型。

3.如权利要求1所述的方法，其特征在于，所述对获取的待测图片数据进行预处理，包括：

对获取的待测图片数据进行特征强化；

根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片；

其中，将所有子图片输入每个检测模型，以使每个检测模型对应地得到一个或多个子置信度，并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。

4.如权利要求3所述的方法，其特征在于，所述对获取的待测图片数据进行特征强化，包括：

将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片；

计算被调整为RGB图片后的所有预设图片数据的像素平均值；

将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。

5.如权利要求1所述的方法，其特征在于，卷积神经网络的数量为两个，包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络，其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。

6.一种基于卷积神经网络的不雅图片识别终端，其特征在于，所述终端包括：

预处理单元，用于对获取的待测图片数据进行预处理；

检测单元，用于将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度；

置信度计算单元，用于根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度，其中，所述预设的线性加权比包括多个比值，所述比值的数量与所述卷积神经网络的数量相同，且每个比值均对应一不同的卷积神经网络；

判断单元，用于判断所述图片置信度是否大于预设置信度；

判定单元，用于若所述图片置信度大于预设置信度，判定所述待测图片数据为不雅图片数据。

7.如权利要求6所述的终端，其特征在于，所述终端还包括：

分类单元，用于将预设的图片数据分为训练集以及验证集；

第一训练单元，用于利用所述训练集对多个不同的卷积神经网络进行训练，以得到多个对应的中间模型；

验证单元，用于利用所述验证集对所有的中间模型进行验证，以得到多个对应的错误集，其中每个错误集均包括至少一个错误样本；

第二训练单元，用于若其中一错误集中错误样本的数量大于或等于预设阀值，利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型；

其中，所述验证单元还用于利用所述验证集对所述新的中间模型再次进行验证，直至所述错误集中错误样本的数量小于预设阀值，并判定此时的新的中间模型为对应的预设检测模型。