[发明专利]改进图像分割算法结合深度学习的多重不良图片分类方法

说明书

技术领域

本发明涉及信息技术领域，尤其是图像处理的技术领域。

背景技术

目前多数不良图片识别方法依据它们的识别对象，大致可以将其分为三类：传统的基于肤色检测、特征部位检测和新兴的基于神经网络的色情图片识别。

传统的色情图片识别算法，计算肤色在图片中的占比，以此来计算裸露程度，受限制于其理论基础，图片环境和光线的多样化、人种的多样性等使得很难建立完善的肤色模型及提高检测的准确率，申请号200410042877.3 的“一种色情图像检测方法”，通过将人脸区域面积与肤色区域面积的比值作为色情图片的判决依据；申请号200510048577.0 的“基于内容的网络色情图像和不良图像检测系统”，采用肤色检测以及基于肤色检测的姿态检测来识别色情图片。以上系统无法实现对很多边缘图片，例如对如泳装照，婴儿照，沙漠地理照片，医学临床照片进行准确分析。

同样的，特征部位检测同样受限于人体姿态多样性、光线遮挡，角度多样化等因素使得检测的准确率一直无法提升，如专利申请号201010237982.8的“一种基于肤色和特征部位联合检测的色情图片识别方法”。

而基于深度学习的色情图片识别算法需要海量的图片样本，尤其是需要提供数目十分庞大的标注的色情和非色情样本，而且对未曾在训练集中出现的类型图片分辨能力较差，无法适应网络图片格式图片内容多样化和差异化的特点，容易将未出现在非色情样本中的误判为色情图片，极大降低了系统的泛化能力和鲁棒性。

本发明用到的现有技术名词解释：

深度学习

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。

图像分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。

Snake模型

Snake模型称为动态轮廓模型（Active Contour Model）是Kass与1987年提出的，它对于在噪声和对比度不敏感，能将目标从复杂背景中分割出来，并能有效的跟踪目标的形变和非刚体的复杂运动而被广泛用于图像分割和物体跟踪等图像处理领域。Snake模型主要原理是先提供待分割图像的一个初始轮廓的位置，并对其定义个能量函数，是轮廓沿能量降低的方向靠近。当能量函数达到最小的时候，提供的初始轮廓收敛到图形中目标的真实轮廓。 Snake模型能量函数是有内部能量函数和外部能量函数组成，内部能量控制轮廓的平滑性和连续性，外部能量由图像能量和约束能量组成，控制轮廓向着实际轮廓收敛，其中约束能量可根据具体的对象形态定义，使得snake具有很大的灵活性。 Snake模型发展10多年来，许多学者对于经典的snake模型做了改进，提出各种改进的snake模型，其中梯度矢量流（Gradient Vector Flow,GVF）模型扩大了经典snake的外力作用范围，加强了对目标凹轮廓边缘的吸引力，提高了传统的snake模型。

Snake算法