图片识别的方法及系统技术方案

本发明专利技术涉及一种图片识别的方法及系统，该方法包括：在接收到待识别的图片后，将待识别的图片输入至预先训练生成的识别模型中进行识别，并输出识别结果；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，在识别出图片类别为暴力图片或色情图片时进行提示，并对暴力图片或色情图片进行标记及记录，以确定暴力图片或色情图片的来源。本发明专利技术能够有效地识别出网络上的不雅图片，大大提高不雅图片识别的准确率，便于一些网络监管部门或者安全监管部门的工作的执行。

【技术实现步骤摘要】
图片识别的方法及系统
本专利技术涉及图像处理
，尤其涉及一种图片识别的方法及系统。
技术介绍
不雅图片，简称NSFW(NotSuitable/SafeForWork，工作场所不合适/不安全浏览的图片)，不雅图片主要包括暴力图片和色情图片。目前，已经存在较多识别不雅图片的技术方案，在图片处理
，目前主要使用传统的方法判断图片是否是不雅图片，例如，对于暴力图片，根据人体特定部位及皮肤颜色等特征判断图片是否是暴力图片，又如，对于色情图片，根据人体敏感部位特征结合文字的方式来判断是否是色情图片，等等，这种识别不雅图片的方法通常识别的准确率不高，不能有效地识别出网络上传播的一些不雅图片，给一些网络监管部门或者安全监管部门的工作带来不便。
技术实现思路
本专利技术的目的在于提供一种图片识别的方法及系统，旨在提高识别不雅图片的准确率。为实现上述目的，本专利技术提供一种图片识别的方法，所述图片识别的方法包括：S1，在接收到待识别的图片后，将待识别的图片输入至预先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，其中本文档来自技高网...

【技术保护点】
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：S1，在接收到待识别的图片后，将待识别的图片输入至预先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。

【技术特征摘要】
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：S1，在接收到待识别的图片后，将待识别的图片输入至预先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S1之前包括：S01，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；S02，对各样本图片进行图片预处理，以获取待训练的训练图片；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预定的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，所述步骤S02包括：S021，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；S022，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；S023，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，并基于各样本图片对应的第二图片、第三图片及平均像素图片获取各样本图片对应的训练图片。4.根据权利要求2或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nl表示模型函数的总层数，所述sl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。5.根据权利要求4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。6.一种图片识别的系统，其特征在于，...

【专利技术属性】
技术研发人员：王健宗，黄章成，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44