[发明专利]基于深度神经网络模型的图片内容审核方法

权利要求书

1.一种基于深度神经网络模型的图片内容审核方法，其特征在于，获取论坛交流板块上用户上传的所有交流图片以得到交流图片集，并从数据库中获取若干张标准违规图片以得到标准违规图片集；

从数据库获取模型训练样本集，对图片分类神经网络模型进行网络初始化，从模型训练样本集中随机选取一个模型训练样本作为聚类中心；计算聚类中心与模型训练样本集中每个模型训练样本的特征距离，并根据所述特征距离将模型训练样本集中的所有模型训练样本进行分组；

将模型训练样本集中的每个模型训练样本输入图片分类神经网络模型以获取模型训练样本集中每个模型训练样本的输出误差，根据模型训练样本集中每个模型训练样本的输出误差获取模型训练样本集的输出误差；

在模型训练样本集的输出误差小于误差阈值时，调整聚类中心为图片分类神经网络模型的最终径向基中心，并根据梯度下降法更新图片分类神经网络模型的隐含层与输出层之间的权值；

将交流图片集中每张交流图片输入图片分类神经网络模型以输出交流图片集中每张交流图片的交流图片类型，并根据交流图片集中每张交流图片的交流图片类型得到交流图片集中每张交流图片的评价增强系数；

获取标准违规图片集中所有标准违规图片的人物全身特征、人物躯干特征和人物配饰特征，并对所有标准违规图片的人物全身特征、人物躯干特征和人物配饰特征进行混合拼接处理以得到混合多层次敏感特征；

获取交流图片集中每张交流图片的图像整体特征、图像主体特征和图像配饰特征以得到交流图片集中每张交流图片的单一多层次敏感特征；

根据混合多层次敏感特征与每张交流图片的单一多层次敏感特征计算每张交流图片的敏感值，并根据每张交流图片的评价增强系数对每张交流图片的敏感值进行更新以得到每张交流图片的异常值，然后将交流图片集中异常值大于异常阈值的交流图片作为违规交流图片。

2.根据权利要求1所述的方法，其特征在于，所述图片分类神经网络模型包括：输入层、隐含层和输出层。

3.根据权利要求2所述的方法，其特征在于，对模型训练样本集进行数据归一化，并根据模型训练样本集中模型训练样本的特征确定图片分类神经网络模型的输入层和输出层的神经元数目；

利用RBF神经网络通用函数训练图片分类神经网络模型以自动确定图片分类神经网络模型的隐含层的神经元数目；

计算图片分类神经网络模型的预测输出数据和期望输出数据的平方和误差，并将平方和误差与平方和误差阈值进行比较；所述预测输出数据为模型训练样本输入图片分类神经网络模型后输出的数据；所述期望输出数据为模型训练样本的实际数据；

在平方和误差大于平方和误差阈值时，在图片分类神经网络模型的隐含层中增加一个神经元以对神经网络进行更新，并计算更新后的图片分类神经网络模型的预测输出和期望输出的平方和误差，直到平方和误差小于平方和误差阈值。

4.根据权利要求1至3之一所述的方法，其特征在于，获取标准违规图片集中所有标准违规图片的人物全身特征、人物躯干特征和人物配饰特征包括：

对所有标准违规图片进行图像预处理和图像归一化，并计算每张标准违规图片的第一梯度值和第二梯度值，

根据每张标准违规图片的第一梯度值和第二梯度值计算每张标准违规图片的梯度方向角；所述第一梯度值为标准违规图片在水平方向的梯度值；所述第二梯度值为标准违规图片在垂直方向的梯度值；

根据梯度方向角将标准违规图片分割为若干个图像网格，每个图像网格包括m×m个像素点；获取图像网格中所有像素点的像素值以统计图像网格中每个像素值出现的频次；

根据像素网格中每个像素值出现的频次与图像网格中像素点的数量获取每个像素值出现的频率，并根据图像网格中每个像素值出现的频率得到图像网格的网格特征矩阵。