[發明專利]一種基于孿生圖卷積哈希網絡的敏感圖像識別方法

在審

• 申請號: 202110185763.8
• 申請日: 2021-02-11
• 公開（公告）號: CN112861976A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 張笑欽;李兵;胡衛明
• 申請（專利權）人: 溫州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T9/00
• 代理公司: 北京陽光天下知識產權代理事務所(普通合伙) 11671
• 代理人: 李滿紅

本發明提供了一種基于孿生圖卷積哈希網絡的敏感圖像識別方法，包括：構建訓練圖像樣本數據庫；將所述訓練圖像樣本數據庫中的訓練圖像樣本集輸入孿生卷積神經網絡模型，對所述訓練圖像樣本集中的敏感圖像進行特征提取，得到全連接層低維的敏感圖像卷積特征；采用哈希編碼的方法對全連接層低維的敏感圖像卷積特征進行編碼得到哈希編碼；根據所述哈希編碼的漢明距離和類標簽計算出似然損失，反向傳播更新網絡的參數，訓練一個分類網絡,將獲取待識別圖像數據輸入分類網絡中通過計算待識別圖像的哈希編碼與敏感圖像數據庫中圖像哈希編碼的漢明距離，得到敏感圖像識別結果，本發明采用孿生卷積神經網絡及哈希編碼相結合的方式，可有效識別敏感圖像。

技術領域

本發明涉及圖像識別技術領域，尤其涉及到一種基于孿生圖卷積哈希網絡的敏感圖像識別方法。

背景技術

隨著科技水平的發展和互聯網的快速普及，網絡傳播成為了人們分享信息的重要方式，但由于互聯網信息傳播內容冗雜，如果無法對某些敏感信息進行有效的篩選和監管，造成一些非法、暴力和色情圖像等不良信息大量傳播，會極大地危害到社會穩定和人們的身心健康，尤其影響青少年的健康成長。因此，采取相關技術手段，遏制互聯網不良信息產業發展，嚴厲打擊從事非法服務的信息網站是一個需要重視的社會問題。因為互聯網數據特性，其需要識別的敏感圖像數據量十分龐大，而目前的圖像識別模型存在實時識別速率較低，且精準度不高等問題。

綜上所述，提供一種識別效率更快，且識別精準度更高，適應性較好的基于孿生圖卷積哈希網絡的敏感圖像識別方法，是本領域技術人員急需解決的問題。

發明內容

本方案針對上文提到的問題和需求，提出一種基于孿生圖卷積哈希網絡的敏感圖像識別方法，其由于采取了如下技術方案而能夠解決上述技術問題。

為實現上述目的，本發明提供如下技術方案：一種基于孿生圖卷積哈希網絡的敏感圖像識別方法，包括：步驟S10:獲取訓練圖像數據集，對所述訓練圖像數據集中的所有圖像進行尺寸調整并對部分圖像進行分類和標簽標記，構建訓練圖像樣本數據庫；

步驟S20:將所述訓練圖像樣本數據庫中的訓練圖像樣本集輸入孿生卷積神經網絡模型，對所述訓練圖像樣本集中的敏感圖像進行特征提取，得到全連接層低維的敏感圖像卷積特征；

步驟S30:采用哈希編碼的方法對所述全連接層低維的敏感圖像卷積特征進行編碼得到哈希編碼；

步驟S40:根據所述哈希編碼的漢明距離和類標簽計算出似然損失，然后反向傳播更新網絡的參數，訓練一個分類網絡；

步驟S50:獲取待識別圖像數據，并對待識別圖像進行光照補償，將所述待識別圖像經過步驟S10和步驟S20處理得到的低維卷積特征輸入到所述分類網絡中，得到待識別圖像的哈希編碼，通過計算待識別圖像的哈希編碼與敏感圖像數據庫中圖像的哈希編碼的漢明距離，得到敏感圖像識別結果。

進一步地，所述訓練圖像樣本數據庫中每一個訓練圖像樣本集有一組圖像對。

更進一步地，所述步驟S20具體包括：步驟S21：將訓練圖像樣本集中的一組圖像對分別輸入孿生卷積神經網絡；步驟S22：并根據成對的類標簽計算似然損失，對孿生卷積神經網絡進行預訓練獲得參數和豐富的圖像表示，所述孿生卷積神經網絡包括兩個結構相同、權值共享的深度卷積神經網絡，每個深度卷積神經網絡包括5層卷積層和2層全連接層，由所述深度卷積神經網絡輸出的神經元節點作為特征表達。

更進一步地，所述步驟S30具體包括：步驟S31：所述深度卷積神經網絡輸出的神經元節點集合o_i至哈希編碼層；步驟S32：哈希編碼層通過激活函數來限制輸出值得范圍得到哈希碼集合。

更進一步地，所述激活函數采用雙正切函數對網絡的輸出進行限制，最后再利用符號函數完成量化，得到哈希編碼集合n為所述深度卷積神經網絡輸出的神經元節點數,r_n中的各個值r_i∈{1，-1}。