[发明专利]一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法

说明书

本发明提供一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法，所述方法包括：系统运用爬虫技术对目标URL进行图像爬取，对爬取的待测图像和训练样本图像进行预处理，通过滤波器组对预处理后的图像进行特征提取，运用神经网络学习规则对样本特征进行机器训练，根据学习训练结果构建风险识别模型，对提取的待测特征进行存储并通过风险识别模型进行卷积、采样和分类，输出识别结果，监测激活函数阈值，当阈值达到指定数值时进行风险标记，系统自动预警并将监测结果反馈给用户。本技术将卷积神经网络技术与图像信息安全监测技术相结合，通过多维度多层次的深度学习训练，实现快速、高效且准确的网站内容安全监测。

技术领域

本发明属于网络安全技术领域，尤其涉及一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法。

背景技术

在互联网大数据时代，网络信息日益丰富，非法、色情、暴力等不良内容在互联网上的已成为亟待解决的问题，信息内容的合法性、健康性、安全性已成为网络领域的热点问题。

目前，图像信息安全建设过程中一直存在识别不到、查不全、漏查等问题。传统的图像内容安全监测系统多利用图像的底层特征进行识别，比如颜色和纹理特征是一种全局特征，不能很好反应局部特征；还比如形状特征常常受图像分割效果的影响；再比如空间关系特征不能准确表达场景信息。

为了解决传统安全监测系统的不足，实现对局部特征的准确描述，现有发展较成熟的技术是尺度不变特征转换算法(Scale-Invariant Feature Transform，SIFT算法)，可以在图像中检测出关键点，对局部特征进行精准描述。但该技术还存在不足：实时性不高，对模糊、边缘光滑和圆形的图像无法准确提取特征点。因此，无法在海量和复杂的网络资源里全面而精准的分辨出指定的目标，使图像信息安全建设工作无法高效实现，这是本领域所亟待解决的问题。

发明内容

本发明为了弥补现有技术的不足，提供一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法，系统利用卷积神经网络(Convolutional Neural Network，CNN)实现人工智能化深度学习，构建多组不同维度的样本特征模型，通过高效的机器训练，从海量图像中识别指定的图像特征、图像原色和人物信息等，并从中筛选出目标特征进行风险标记，达到对图像内容的安全监测目的。本技术将卷积神经网络技术与图像信息安全监测技术相结合，通过多维度多层次的深度学习训练，实现快速、高效且准确的网站内容安全监测。

本发明提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，实现原理是：

利用卷积神经网络对目标源进行特征的初步提取，将初步提取的特征与对应滤波器相乘得到主要特征，根据主要特征对目标源进行分区采样，通过与样本模型进行对比判断出目标特征，将各分区目标特征通过权值矩阵进行组装并分类，输出目标源全部特征，运用激活函数对输出进行学习训练并判断阈值，对达到规定阈值的目标源进行风险标记。

本发明提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，具体实现步骤是：

系统运用爬虫技术对目标URL进行图像爬取，对爬取的待测图像和训练样本图像进行预处理，通过滤波器组对预处理后的图像进行特征提取，运用神经网络学习规则对样本特征进行机器训练，根据学习训练结果构建风险识别模型，对提取的待测特征进行存储并通过风险识别模型进行卷积、采样和分类，输出识别结果，监测激活函数阈值，当阈值达到指定数值时进行风险标记，系统自动预警并将监测结果反馈给用户。

进一步地，神经网络学习规则包括梯度下降规则、反向传播学习规则、Delta(Wdrow-Holf)学习规则，其中：

梯度下降规则是对减小实际输出误差和期望输出误差之间方法的数学说明；