[發明專利]一種基于VGG16及SVM實現圖片二分類的方法

在審

• 申請號: 201910516296.5
• 申請日: 2019-06-14
• 公開（公告）號: CN110321936A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 林建洪;陳曉莉;丁一帆;楊世宏;徐菁
• 申請（專利權）人: 浙江鵬信信息科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.一種基于VGG16及SVM實現圖片二分類的方法，其特征在于，包括步驟：

步驟S1、將訓練圖片輸入VGG16，確定所述訓練圖片的特征參數；

步驟S2、將所述特征參數輸入SVM分類器，通過迭代與反向傳播完成分類模型訓練；

步驟S3、基于所述分類模型判斷圖片是否為不良圖片。

2.根據權利要求1所述的圖片二分類的方法，其特征在于，所述VGG16的網絡結構由六個部分組成：第一部分、第二部分由兩個卷積層和一個maxpool組成，每個卷積層的輸出后都有一個ReLu激活函數；第三至第五部分由四個卷積層和一個maxpool池化層構成；模型的輸入為227×227大小的圖片，將第一層卷積核的大小設為9×9，卷積核步長為1，其余所有卷積核大小均為3×3，步長為1；所有最大池化層的大小均為2×2，步長為2；第六部分為展開后的全連接層，由3個全連接層組成，節點個數分別為4096、4096、1000。

3.根據權利要求1所述的圖片二分類的方法，其特征在于，在所述步驟S1之前包括：收集訓練圖片、對所述訓練圖片進行預處理。

4.根據權利要求3所述的圖片二分類的方法，其特征在于，在所述步驟S3之前包括：收集待判斷的圖片、對所述待判斷的圖片進行預處理、確定所述待判斷的圖片的特征參數。

5.根據權利要求3或4所述的圖片二分類的方法，其特征在于，所述預處理包括：

將圖片轉化為統一尺寸，對統一尺寸后的圖片數據的RGB三個通道分別求其均值，并在轉化為數組后的圖像數組中分別減去均值。

6.根據權利要求3或4所述的圖片二分類的方法，其特征在于，所述確定所述訓練圖片的特征參數具體為：

用卷積層提取所述圖片中的主要特征，使用卷修正線性單元ReLu為激活函數將積層輸出結果做非線性映射，使用最大池化層用于壓縮數據和參數的量，取出主要的特征參數。

7.根據權利要求6所述的圖片二分類的方法，其特征在于，所述使用修正線性單元ReLu為激活函數將積層輸出結果做非線性映射具體為：

在L層進行激活，得到L層激活后的輸出a^[l+1]，再次進行激活，兩層之后得到(L+1)層激活后的輸出a^[l+2]；從(L-1)層的輸出a^[l]開始，a^[l]同時也是L層的輸入，首先進行線性激活，根據z^[l+1]＝W^[l+1]a^[l]+b^[l+1]，通過a^[l]算出z^[l+1]，其中，W^[l+1]為權重矩陣，b^[l+1]為偏差因子；ReLU非線性激活函數得到a^[l+1]，a^[l+1]＝g(z^[l+1])；再次進行線性激活，依據等式z^[l+2]＝W^[l+2]a^[l+1]+b^[l+2]，最后根據這個等式再次進行ReLu非線性激活，即a^[l+2]＝g(z^[l+2])，其中g是為ReLU非線性函數：

f(x)＝max(0，x)。

8.根據權利要求7所述的圖片二分類的方法，其特征在于，所述步驟S2具體為：

卷積層提取到的特征經過全連接層后輸出為d,d作為輸入傳遞給SVM分類器,然后輸出預測標簽y′_i，SVM的預測函數為

y′_i＝sign(v^*·d+c^*)

然后預測標簽y′_i與真實標簽y_i比較，分類器使用hinge loss損失函數，表示為

經過多次迭代優化神經網絡中的所有參數。

9.根據權利要求1所述的圖片二分類的方法，其特征在于，所述特征包括：圖片的形狀、顏色、邊緣、文理和角度。