[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

本發明公開了一種基于VGG16及SVM實現圖片二分類的方法，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。相較于傳統的基于神經網絡的圖片分類，計算復雜度低，處理效率高。此外，本發明通過實驗表明能夠有較高的精確率、召回率和準確率。

技術領域

本發明涉及網絡安全以及深度學習領域，尤其涉及一種基于卷積神經網絡VGG16及SVM實現圖片二分類的方法。

背景技術

通信網絡技術和移動設備的快速發展，滿足了人們對信息快速傳遞的需求，但同時網絡中存在著大量的不良圖片，在公司辦公場所和學校教育場所，同樣應該過濾掉這些網絡不良內容；一些違法犯罪分子還利用色情圖片易于傳播的特點，綁定傳播計算機病毒和木馬，從而破壞他人設備或竊取他人信息，引發更多社會問題。依靠人工審核的方式來排查，工作量巨大，且處理速度遠遠低于不良圖片在網絡中出現的速度，造成工作效率低下，應當通過快速自動識別的方式及時發現并處置。

卷積神經網絡是近年來廣泛應用于圖像處理等領域的一種高效識別算法，是神經網絡的一種結構。當卷積神經網絡的結構搭建好后，卷積神經網絡的訓練與多層神經網絡訓練方式相同。如果直接應用卷積神經網絡對圖片進行分類識別，在卷積神經網絡的最后一個全連接層后得到的特征直接輸入到卷積神經網絡的softmax層，softmax層的分類器應用多分類邏輯回歸進行分類，分類方式較為單一，致使對圖片的分類精確度不高。

公開號為CN104899610A的發明專利公開了一種圖片分類方法及裝置，用以提高圖片分類的準確性。所述方法包括：將原始圖片輸入到訓練后的卷積神經網絡；通過所述卷積神經網絡的全連接層確定所述原始圖片的特征參數；將所述特征參數輸入到訓練后的支持向量機中，通過所述支持向量機對所述原始圖片進行分類。本公開技術方案可以避免采用單一的softmax分類器，使圖片具有更好的識別效果，提高圖片分類的精確度。

然而，現有的基于卷積神經網絡的圖片分類方法計算復雜、分類效率低、圖片分類精度低。因此，針對現有技術的缺陷，如何實現高效率、高精度的圖片分類是本領域亟待解決的問題。

發明內容

本發明的目的是針對現有技術的缺陷，提供了一種基于卷積神經網絡 VGG16及SVM實現圖片二分類的方法。通過深度學習技術建立神經網絡對不良圖片進行表征學習，模擬人腦的認知機制，逐層地從不良圖片中提取出更加抽象的高層表示屬性類別或特征，來提取不良圖片的特征，識別網絡中不良圖像并對其進行過濾，使青少年處于一個健康、穩定的互聯網環境。

為了實現以上目的，本發明采用以下技術方案：

一種基于VGG16及SVM實現圖片二分類的方法，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。

進一步地，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。

進一步地，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。