[发明专利]基于深度神经网络模型的图片内容审核方法

说明书

本发明涉及一种基于深度神经网络模型的图片内容审核方法，包括：根据模型训练样本集训练得到图片分类神经网络模型；将交流图片输入图片分类神经网络模型以输出交流图片的交流图片类型；根据交流图片类型得到交流图片的评价增强系数；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得到混合多层次敏感特征；获取交流图片的图像整体特征、图像主体特征和图像配饰特征得到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单一多层次敏感特征计算交流图片的敏感值，并根据评价增强系数对敏感值进行更新以得到交流图片的异常值，然后将异常值大于异常阈值的交流图片作为违规交流图片。

技术领域

本发明涉及人工智能和图像识别领域，尤其涉及一种基于深度神经网络模型的图片内容审核方法。

背景技术

智能化技术的飞速发展使人工智能逐渐渗透到各个领域中，并影响着人们的方方面面，在人工智能背景下，图像识别技术已经成为一种新兴的技术手段，该技术在短短的几十年里得到了迅猛的发展，并在诸多领域中发挥着越来越重要的作用。在人工智能的带动下，图像识别技术的应用水平正得以不断提高，关于图像识别技术的应用，也正受到越来越多人的关注。

图像识别技术是人工智能的一个重要领域。简单来说，图像识别就是计算机如何像人一样读懂图片的内容。而图像识别所研究的问题，是如何用计算机代替人类去自动处理大量的物理信息，解决人类所无法识别或者识别过于耗费资源的问题，从而很大程度上解放人类的劳动力。

现有技术中，网络上的图片审核主要依赖于人工，但是随着网络用户量的激增，图片的审核工作量也成几何倍数增加，导致图片审核效率低而且成本极高。

发明内容

针对上述问题，本发明提供了一种基于深度神经网络模型的图片内容审核方法，其包括以下步骤：

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。

进一步实施例中，所述图片分类神经网络模型包括：输入层、隐含层和输出层；所述人物躯干包括头、手臂、上身、下身和腿；所述人物配饰包括人物用品和人物服装；所述交流图片类型包括风景图片、人物图片、汽车图片和动物图片；