[发明专利]基于卷积神经网络的色情图片识别方法及装置

权利要求书

1.一种基于卷积神经网络的色情图片识别方法，其特征在于，包括：

将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；

采用计算特征向量的分类概率值，所述V_i表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S₁表示黄色图片的分类概率值，S₂表示低俗性感图片的分类概率值，S₃表示正常性感图片的概率值，S₄表示正常图片的分类概率值；基于分类概率值中的最大值，输出样本图片的初步分类结果；

采用第一损失函数计算分类损失值，所述S_yi为初步分类结果对应的线性得分函数；基于所述样本图片的分类标签与所述样本图片的初步分类结果，采用第二损失函数公式计算当次训练的修正损失值；其中，α为第一预设值，β为第二预设值，且α和β均为正实数；

根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；

获取待测图片，输入图片识别模型得到识别结果。

2.根据权利要求1所述的方法，其特征在于，将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量之前还包括：

初始化卷积神经网络参数，所述初始化的参数包括迭代次数阈值、权重w和偏置b；

将图片的识别结果划分为黄色图片、低俗性感图片、正常性感图片和正常图片四类。

3.根据权利要求1所述的方法，其特征在于，所述基于样本图片的分类标签与对所述样本图片的初步分类结果，计算当次训练的修正损失值的方法包括：

当样本图片的分类标签与初步分类结果一致，且均为黄色图片或者正常图片时采用函数L_porn＝-αtanh(|S₄-S₁|-β)计算其修正损失值；

当样本图片的分类标签为黄色图片而初步分类结果为正常图片，或者当样本图片的分类标签为正常图片而初步分类结果为黄色图片时，采用函数L_porn＝αtanh(|S₄-S₁|+β)计算其修正损失值；

当初步分类结果为低俗性感图片或正常性感图片时，默认其修正损失值为零。

4.根据权利要求3所述的方法，其特征在于，根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型的方法包括：

汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；

判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。