[发明专利]一种基于深度学习的敏感图像识别方法

摘要

本发明属于数字图像处理技术领域，具体为一种基于深度学习的敏感图像识别方法。本发明主要包括如下步骤：对敏感图像进行预处理；将预处理后的全部敏感图像数据库分为训练集和测试集两部分，其中训练集又分为train和validation两个部分，比例约为5:1；将训练集图像用于深度卷积神经网络训练，训练出来的是卷积神经网络各层之间的参数；训练完成后，用训练的模型初始化测试用的神经网络，测试用的神经网络和训练的网络结构相同；将测试用的敏感图像输入到初始化后的深度神经网络，进行识别测试，实现敏感图像的识别；本发明不需要人为参与和调整，能够完成特征的提取和分类的功能，提供了一种可靠的高性能的基于深度学习的敏感图像识别技术。

主权项

基于深度学习的敏感图像识别方法，其特征在于，具体步骤为：步骤1、从搜集的敏感图像数据库中提取敏感图像信息；步骤2、对敏感图像信息进行训练前的预处理；步骤3、将经过预处理后的全部敏感图像分为训练集和测试集；步骤4、将训练集用于深度神经网络的训练；步骤5、深度神经网络的训练结果初始化测试用的神经网络；步骤6、将测试集输入到初始化之后的神经网络进行敏感图像的识别测试；其中：步骤2中，敏感图像的预处理，包括：对敏感图像数据库中的每一副图像进行采样，提取含有敏感信息的部分，同时将图像转化为jpg格式，缩放为256*256大小，生成图像路径/标签形式的文本，然后乱序排列文本中的信息；步骤4中，深度卷积神经网络的训练，采用调优的形式训练模型，调优使用相同网络训练好的模型初始化神经网络，然后根据训练样本微调神经网络之间的参数，增加对训练样本的学习能力；步骤5中，测试神经网络的初始化，测试用的神经网络和训练用的神经网络结构相同，最后一层网络softmax输出的是测试图像属于每个类别的概率；初始化测试网络，就是将训练好之后的深度神经网络中的每一层隐层的网络权重值，直接传给测试网络相应层，从而使得测试网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值；步骤6中，对于敏感图像测试集中的样本，采用初始化之后的深度神经网络模型进行敏感图像的识别测试，输出敏感图像识别的结果，这里利用softmax层的特点，softmax层输出的n维向量是测试图像属于每个类别的概率，所以，在n维向量中值最大的下标即对应训练样本中label对应的那个类别。