一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法技术方案

本发明专利技术提供一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法，所述方法包括：系统运用爬虫技术对目标URL进行图像爬取，对爬取的待测图像和训练样本图像进行预处理，通过滤波器组对预处理后的图像进行特征提取，运用神经网络学习规则对样本特征进行机器训练，根据学习训练结果构建风险识别模型，对提取的待测特征进行存储并通过风险识别模型进行卷积、采样和分类，输出识别结果，监测激活函数阈值，当阈值达到指定数值时进行风险标记，系统自动预警并将监测结果反馈给用户。本技术将卷积神经网络技术与图像信息安全监测技术相结合，通过多维度多层次的深度学习训练，实现快速、高效且准确的网站内容安全监测。

【技术实现步骤摘要】
一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法
本专利技术属于网络安全
，尤其涉及一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法。
技术介绍
在互联网大数据时代，网络信息日益丰富，非法、色情、暴力等不良内容在互联网上的已成为亟待解决的问题，信息内容的合法性、健康性、安全性已成为网络领域的热点问题。目前，图像信息安全建设过程中一直存在识别不到、查不全、漏查等问题。传统的图像内容安全监测系统多利用图像的底层特征进行识别，比如颜色和纹理特征是一种全局特征，不能很好反应局部特征；还比如形状特征常常受图像分割效果的影响；再比如空间关系特征不能准确表达场景信息。为了解决传统安全监测系统的不足，实现对局部特征的准确描述，现有发展较成熟的技术是尺度不变特征转换算法(Scale-InvariantFeatureTransform，SIFT算法)，可以在图像中检测出关键点，对局部特征进行精准描述。但该技术还存在不足：实时性不高，对模糊、边缘光滑和圆形的图像无法准确提取特征点。因此，无法在海量和复杂的网络资源里全面而精准的分辨出指定的目标，使图像信息安全建设工作无法高效实现，这是本领域所亟待解决的问题。
技术实现思路
本专利技术为了弥补现有技术的不足，提供一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法，系统利用卷积神经网络(ConvolutionalNeuralNetwork，CNN)实现人工智能化深度学习，构建多组不同维度的样本特征模型，通过高效的机器训练，从海量图像中识别指定的图像特征、图像原色和人物信息等，并从中筛选出目标特征进行风险标记，达到对图像内容的安全监测目的。本技术将卷积神经网络技术与图像信息安全监测技术相结合，通过多维度多层次的深度学习训练，实现快速、高效且准确的网站内容安全监测。本专利技术提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，实现原理是：利用卷积神经网络对目标源进行特征的初步提取，将初步提取的特征与对应滤波器相乘得到主要特征，根据主要特征对目标源进行分区采样，通过与样本模型进行对比判断出目标特征，将各分区目标特征通过权值矩阵进行组装并分类，输出目标源全部特征，运用激活函数对输出进行学习训练并判断阈值，对达到规定阈值的目标源进行风险标记。本专利技术提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，具体实现步骤是：系统运用爬虫技术对目标URL进行图像爬取，对爬取的待测图像和训练样本图像进行预处理，通过滤波器组对预处理后的图像进行特征提取，运用神经网络学习规则对样本特征进行机器训练，根据学习训练结果构建风险识别模型，对提取的待测特征进行存储并通过风险识别模型进行卷积、采样和分类，输出识别结果，监测激活函数阈值，当阈值达到指定数值时进行风险标记，系统自动预警并将监测结果反馈给用户。进一步地，神经网络学习规则包括梯度下降规则、反向传播学习规则、Delta(Wdrow-Holf)学习规则，其中：梯度下降规则是对减小实际输出误差和期望输出误差之间方法的数学说明；反向传播学习规则分为两个阶段，第一阶段是正向传播，将输入数据输入网络，网络从前向后计算每个单元的输出，将每个单元的输出与期望的输出进行比较并计算误差；第二阶段是反向传播，从后向前重新计算误差并修改权重，两个阶段完成后才可以输入新的数据；Delta学习规则是通过改变单元之间的连接权重来减小系统实际输出与期望输出的误差。进一步地，构建风险识别模型是指：从特征样本库中取一个图像样本输入到卷积神经网络中，初始化参数后进行卷积和采样，经前向反馈变换和计算相应的实际输出，计算实际输出与期望输出的差，按极小化误差的学习方法反向传播进行增强和逻辑回归，根据误差反馈和权值更新调整权值矩阵，最后输出符合期望的结果以构建风险识别模型。进一步地，通过风险识别模型进行卷积、采样和分类是指：用一组可训练的滤波器组去卷积输入图像和特征，得到初步提取特征图，将特征图像域中一组像素通过池化变为一个像素单元，得到主要特征映射图，将映射图向量化后乘以优化的权值矩阵进行组装，通过激活函数进行分类，输出最优结果。另外，本专利技术还提供一种基于卷积神经网络实现图像特征识别的内容安全监测系统，该系统包括以下模块：爬虫模块：从目标URL中爬取图像资源；图像预处理模块：对爬取的图像资源进行预处理、分割、图像形态学变换去除噪声；模型构建和训练模块；从预处理后的图像资源中提取特征并存储，对特征进行分类管理并建立样本，建立神经网络学习规则，运用学习规则进行机器训练，根据训练结果构建风险识别模型；安全监测模块：对分类的特征进行监测分析，判断得到风险级别；预警模块：将风险级别为严重和重大的监测结果反馈给用户。进一步地，模型构建和训练模块包括特征提取子模块、模型训练器、特征样本库和规则库。进一步地，安全监测模块包括安全信息分析子模块和安全级别判断子模块。本专利技术提供的一种基于卷积神经网络实现图像特征识别的内容安全监测系统及其方法，相比于现有技术具有以下优点：本专利技术将卷积神经网络技术与图像内容安全监测技术相结合，采用多层神经网络结构对海量图像进行安全识别，不拘泥于单一维度；运用滤波器组、子采样和权值共享等具有鲁棒性的深度学习算法，可以对多元素混合场景图像的特定局部特征进行安全识别，具有很高的容错性，能够有效解决图像识别不全、漏查、识别不到的问题；具备自动组织和自主学习的功能，有效减弱对外部环境的依赖，具有极大优越性；具有统一标准的申请入口，能够快速完成配置；具有海量样本库训练，更高精准率，更高安全性，有效将图像信息安全建设工作做到实处。附图说明图1为实施例一提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法的流程图。图2为实施例一提供的一种基于卷积神经网络的样本训练和模型构建方法的流程图。图3为实施例一提供的一种基于卷积神经网络的图像特征识别方法的流程图。图4为实施例二提供的一种基于卷积神经网络实现图像特征识别的内容安全监测系统的示意图。具体实施方式上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可以找说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和有点能够更明显易懂，以下为本专利技术的具体实施方式。实施例一参见图1，为本实施例提供的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。该方法具体包括以下步骤：S1、系统运用爬虫技术对目标URL进行图像爬取；S2、对爬取的待测图像和训练样本图像进行预处理；S3、通过滤波器组提取预处理后的图像特征；S4、运用神经网络学习规则对提取的样本图像特征进行机器训练，根据学习训练结果构建风险识别模型；S5、对提取的待测图像特征进行存储，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：包括如下步骤：/nS1、系统运用爬虫技术对目标URL进行图像爬取；/nS2、对爬取的待测图像和训练样本图像进行预处理；/nS3、通过滤波器组提取预处理后的图像特征；/nS4、运用神经网络学习规则对提取的样本图像特征进行机器训练，根据学习训练结果构建风险识别模型；/nS5、对提取的待测图像特征进行存储，将待测图像特征通过风险识别模型进行卷积、采样和分类；/nS6、输出识别结果，监测激活函数阈值；/nS7、当阈值未达到指定数值时，继续监测；当阈值达到指定数值时，进行风险标记；/nS8、系统自动发出预警提示，将监测结果反馈给前端用户。/n

【技术特征摘要】
1.一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：包括如下步骤：
S1、系统运用爬虫技术对目标URL进行图像爬取；
S2、对爬取的待测图像和训练样本图像进行预处理；
S3、通过滤波器组提取预处理后的图像特征；
S4、运用神经网络学习规则对提取的样本图像特征进行机器训练，根据学习训练结果构建风险识别模型；
S5、对提取的待测图像特征进行存储，将待测图像特征通过风险识别模型进行卷积、采样和分类；
S6、输出识别结果，监测激活函数阈值；
S7、当阈值未达到指定数值时，继续监测；当阈值达到指定数值时，进行风险标记；
S8、系统自动发出预警提示，将监测结果反馈给前端用户。


2.如权利要求1所述的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：所述S4中“神经网络学习规则”包括：梯度下降规则、反向传播学习规则、Delta(Wdrow-Holf)学习规则，其中：
梯度下降规则是对减小实际输出误差和期望输出误差之间方法的数学说明；
反向传播学习规则分为两个阶段，第一阶段是正向传播，将输入数据输入网络，网络从前向后计算每个单元的输出，将每个单元的输出与期望的输出进行比较并计算误差；第二阶段是反向传播，从后向前重新计算误差并修改权重，两个阶段完成后才可以输入新的数据；
Delta学习规则是通过改变单元之间的连接权重来减小系统实际输出与期望输出的误差。


3.如权利要求1所述的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：所述S4进一步包括以下步骤：
S4.1、从特征样本库中取一个图像样本输入到卷积神经网络中；
S4.2、计算相应的实际输出；
S4.3、计算实际输出与期望输出的差；
S4.4、按极小化误差的学习方法反向传播，调整权值矩阵；
S4.5、根据输出结果构建风险识别模型。


4.如权利要求3所述的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：所述S4.1中“图像样本输入到卷积神经网络中”是指：将样本参数初始化后进行卷积和采样，进行前向反馈的变换和计算；所述S4.4中“反向传播”是指：将实际输出与期望输出的差值进行增强和逻辑回归，根据反馈的误差和更新的权值调整权值矩阵，最后输出符合期望的结果。


5.如权利要求1所述的一种基于卷积神经网络实现图像特征识别的内容安全监测方法，其特征在于：所述S5进一步包括以下步骤：
S5.1、输入图像通过滤波器组Wx得到特征组xn，加上偏置bn进行卷积得到Mx层，n代表特征组数量；
S5.2、对Mx层的特征进行下采样得到Nx+1层；
S5.3、将Nx+1层的特征光栅化后变成向量，输入到全连接神经网络的权值矩阵中进行组装和分类，得到输出特征组an，计算公式如下：



其中，x1、x2、x3为步骤S5.1的输入，a1、a2、a3为步骤S5.3的输出，b...

【专利技术属性】
技术研发人员：汪敏，严妍，贾亦赫，代丽娟，范梦洋，
申请(专利权)人：开普云信息科技股份有限公司，北京开普云信息科技有限公司，
类型：发明
国别省市：广东;44