[发明专利]图片识别的方法及系统

权利要求书

1.一种图片识别的方法，其特征在于，所述图片识别的方法包括：

S0，利用训练样本图片对预设类型的识别模型进行训练，所述训练样本图片的获取步骤包括：

为各图片类别准备对应的预设数量的样本图片，并标定每一样本图片对应的图片类别；

将各样本图片调整为相同大小的第一图片，在各第一图片上裁剪出预设大小的第二图片；

对各第二图片进行翻转及扭曲操作，以获得各第二图片对应的第三图片；

基于各样本图片对应的第二图片及第三图片计算得到该样本图片的平均像素图片，该平均像素图片的各个像素值是对应的第二图片和第三图片对应像素的像素值的平均值，将各样本图片对应的各第二图片和第三图片中的各个像素值分别减去对应的平均像素图片中的对应像素的像素值，以得到各样本图片对应的训练图片；

S1，在接收到待识别的图片后，将待识别的图片输入至训练生成的识别模型中进行识别，并输出识别结果；

S2，根据预定的识别结果与图片类别的关联关系，确定所输出的识别结果对应的图片类别，其中，所述识别结果包括第一识别结果、第二识别结果及第三识别结果，所述图片类别包括正常图片、暴力图片及色情图片，所述第一识别结果对应正常图片，所述第二识别结果对应暴力图片，所述第三识别结果对应色情图片；

S3，在识别出图片类别为暴力图片或色情图片时进行提示，并对所述暴力图片或色情图片进行标记及记录，以确定所述暴力图片或色情图片的来源。

2.根据权利要求1所述的图片识别的方法，其特征在于，所述识别模型为深度卷积神经网络模型，所述步骤S0还包括：

S03，以所述训练图片中第一预设比例的训练图片作为训练集，并以所述训练图片中的第二预设比例的训练图片作为验证集；

S04，利用所述训练集中的训练图片训练所述深度卷积神经网络模型；

S05，利用所述验证集中的训练图片验证训练后的深度卷积神经网络模型的准确率，若所述准确率大于等于预设准确率阈值，则训练结束，或者，若所述准确率小于预设准确率阈值，则增加各图片类别对应的样本图片的数量，以重新进行训练。

3.根据权利要求2所述的图片识别的方法，其特征在于，所述深度卷积神经网络模型的总层数为22，所述深度卷积神经网络模型的模型函数为：

所述W为模型函数的权值矩阵，所述b为模型函数的偏置项向量，所述N为训练集中训练图片的数量，所述x⁽ⁱ⁾为第i次输入的训练图片，所述y⁽ⁱ⁾为第i次输入的训练图片对应的图片类别标识，所述τ为权值衰减项，所述l为模型函数中层的序号，所述n_l表示模型函数的总层数，所述s_l表示模型函数的第l层包含的神经元个数,所述表示模型函数第l层第j个神经元与下一层中的第i个神经元之间的连接的权重值。

4.根据权利要求3所述的图片识别的方法，其特征在于，所述深度卷积神经网络模型的规约化因子为3*10^-4，全连接层的连接权重被丢弃的概率为0.5，训练的学习率初始为0.003。