0个227*227的方形子图像作为待增强训练图像；
[0048]对于色情图像，以事先标定的色情区域为基准，随机裁剪10个227*227像素的子图像作为有效区域(保证所裁减的子图像和标定的色情区域的重合度大于90% )，短边缩放为227可以保证这一步有效区域提取的快速进行(只需在一个方向上裁剪即可)。
[0049]2)有效训练图像的数据增强(如图4所示)
[0050]对上一步获得的所有方形图像都进行多种变换以增强训练数据的个数。具体方法为:对图像进行转置和水平镜像翻转；在0.5-1.5之间随机选取4个值作为方差对图像进行高斯模糊，再随机选择4个值作为因子乘以所有像素进行亮度变换；进行图像增强，轻微地依次改变原图像R，G, B三个通道的值；并对图片添加随机噪声。部分数据增强效果如图4所示。
[0051]二、设计深层卷积神经网络结构(如图5所示)
[0052]本发明所设计的深层卷积神经网络共有10层(从左至右分别为5个卷积层，4个全连接层，I个softmax层)。每一层的参数描述如下:
[0053]卷积层1:96组卷积核，每组卷积核的尺寸为11*11*3 (11*11表示卷积核的长宽，3表示要卷积的图像的通道)，卷积的步长为4 ;卷积得到的96幅特征图像经过RELU非线性映射和一个核为3*3步长为2的下采样，再经过一次正则化后得到的96幅特征图送往卷积层2 ；
[0054]卷积层2:步骤和卷积层I相同，不同的是:有256组滤波核，每组尺寸为5*5*96，卷积步长为1.其它和卷积层I相同，输出送往卷积层3 ;
[0055]卷积层3:步骤和卷积层I相同，不同的是:有384组滤波核，每组尺寸为3*3*256，卷积步长为1.其它和卷积层I相同；输出送往卷积层4 ;
[0056]卷积层4:步骤和卷积层I相同，不同的是:有384组滤波核，每组尺寸为3*3*384，卷积步长为1.其它和卷积层I相同输出送往卷积层5 ;
[0057]卷积层5:步骤和卷积层I相同，不同的是:有256组滤波核，每组尺寸为3*3*384，卷积步长为1.其它和卷积层I相同，输出送往全连接层I;
[0058]全连接层1:4096个节点，每个节点都进行一个概率为50%的dropout，每个节点的输出都进行一次RELU非线性映射作为最终输出，结果送往全连接层2 ;
[0059]全连接层2:4096个节点，操作同全连接层I，结果送往全连接层3 ;
[0060]全连接层3:4096个节点，只进行一次全连接，没有dropout及非线性映射操作，结果送往全连接层4 ;
[0061]全连接层4:2048个节点，操作同全连接层3，结果送往softmax层；
[0062]Softmax分类层:2个输出分别代表色情和非色情。
[0063]三、网络训练策略
[0064]I)为了解决训练数据不足可能会对检测结果造成影响的问题，本发明将网络训练分为两个模块。如图5所示，本发明将前八层(5个卷积层，3个全连接层)网络作为现有的图像大分类公开数据集的分类模型进行分类(如ImageNet等)，即当前八层网络对于其它大分类数据集效果满足要求时，直接把这八层网络的参数迀移到色情图像检测的网络上(同时采用前述获得的彩色色情图像数据集作为输入)进行参数微调。(注意:在其它网络上训练得到的前八层参数不固定，所有参数都参与微调)。
[0065]2)当网络损失函数收敛时，将训练得到的模型在验证集上进行测试，对于检测错误的结果进行分析，根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中，对网络继续进行训练。
[0066]3)重复2)，直至网络损失函数收敛或在验证集上的检测结果稳定，这时的网络参数即为训练好的具有检测色情图像功能的深层卷积神经网络的参数，可以在测试集上进行测试。
[0067]四、对输入图片进行检测
[0068]由于训练时网络的输入为227*227，因此检测未知图片时的输入也应为227*227，但直接通过滑动窗口的方法扫描速度过慢，因此本发明设计了一种快速扫描待检测图像的方法。
[0069]如图3(b)所示，测试图像的短边缩放为227，长边按原始对应长宽比缩放，用一个227*227的滑动窗口从长边的一侧向另一侧以5个像素为步长提取227*227大小的子图像作为本发明所涉及深层卷积神经网络的输入，如果某一个子图像被判断为色情图像则待测图像就认为是色情图像且滑动窗口停止扫描(即一直扫描检测整幅图像直至某一子图像被判断为色情图像，如果都判断为正常图像，则认为测试图像为正常图像)。
[0070]对1000幅测试图像进行检测，准确率达到98.6%以上。
【主权项】
1.一种基于深层卷积神经网络的网络色情图像检测方法，其特征是:包括以下步骤: (1)通过人工标定的方法获取色情图像与正常图像，对这些图像进行预处理与增强，获得有效的方形训练图像； (2)将步骤(I)获得的有效方形训练图像送入深层卷积神经网络中来训练网络； (3)将步骤(2)得到的网络模型在验证集上进行验证，根据结果调整训练集并继续训练深层卷积神经网络； (4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛； (5)将训练好的网络在测试集上进行测试。2.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是:所述的步骤(I)中增强获得有效的方形训练图像对获得的方形图像进行多种变换以增强训练数据的个数，具体方法为:对图像进行转置和水平镜像翻转；在0.5?1.5之间随机选取4个值作为方差对图像进行高斯模糊，再随机选择4个值作为因子乘以所有像素进行亮度变换；进行图像增强，轻微地依次改变原图像R，G，B三个通道的值；并对图片添加随机噪声。3.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是:所述的步骤⑵中深层卷积神经网络共有10层，从左至右分别为5个卷积层、4个全连接层和I个softmax层。4.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是:所述的步骤(2)中训练网络是将5个卷积层和3个全连接层这前八层网络作为现有的图像大分类公开数据集的分类模型进行分类，具体方法为:当前八层网络对于其它大分类数据集效果满足要求时，直接把这八层网络的参数迀移到色情图像检测的网络上进行参数微调。
【专利摘要】本发明涉及一种基于深层卷积神经网络的网络色情图像检测方法，包括以下步骤：通过人工标定的方法获取色情图像与正常图像，对这些图像进行预处理与增强获得有效的方形训练图像；将获得的有效图像送入深层卷积神经网络中来训练网络；将网络模型在验证集上进行验证，根据结果调整训练集并继续训练深层卷积神经网络；重复上一步直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛；将训练好的网络在测试集上进行测试。本发明的有益效果是：提出一种基于深层卷积神经网络的色情图像检测方法，使其能够通过单一模型快速准确的检测出几乎所有类型的色情图像，实际测试中本发明的检测准确率达到98.6％以上。
【IPC分类】G06K9/66, G06K9/62
【公开号】CN104992177
【申请号】CN201510325833
【发明人】李腾, 年福东, 王妍
【申请人】安徽大学
【公开日】2015年10月21日
【申请日】2015年6月12日