[发明专利]基于卷积神经网络的色情图片识别方法及装置

说明书

本发明公开一种基于卷积神经网络的色情图片识别方法及装置，涉及图片识别技术领域，能够提高图片鉴黄识别的准确性。该方法包括：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；基于特征向量计算分类概率值，得到初步分类结果；将分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；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，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。该装置应用有上述方案所提的方法。

技术领域

本发明涉及图片识别技术领域，尤其涉及一种基于卷积神经网络的智能鉴黄算法。

背景技术

大部分的互联网应用都允许用户上传头像、图片等，图片的内容包罗万象。但是，国家对上传到网络中的图片的内容具有严格的规定，禁止上传、分享黄色图片，即淫秽色情图片。因此，在图片成功上传到网络之前要经过检测，判断是否为淫秽色情图片等不能在网络上传播的图片。

目前，一些主流的AI公司、云服务厂商以及业务安全厂商都提供了API服务，用于检测图片、头像是否为淫秽色情图片，简称为鉴黄服务。通常，鉴黄服务都是基于深度学习模型，提取图片中的特征，并根据提取到的特征判断图片内容是否涉黄。

现有的图片识别结果仅有两类，即正常图片和黄色图片，但在实际应用中发现，对于图片中既包括正常图片特征又包括性感图片特征的混淆图片，容易导致识别结果出现误差，例如，将普通的性感图片识别为黄色图片。

发明内容

本发明的目的在于提供一种基于卷积神经网络的色情图片识别方法及装置，能够提高图片鉴黄识别的准确性。

为了实现上述目的，本发明的一方面提供一种基于卷积神经网络的色情图片识别方法，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；

基于所述特征向量计算分类概率值，得到初步分类结果；

将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；

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。

优选地，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。

优选地，基于所述特征向量计算分类概率值，得到初步分类结果的方法包括：

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。

较佳地，将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值的方法包括：

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；