[发明专利]一种基于卷积神经网络模型的暴恐视频检测方法

摘要

一种基于卷积神经网络模型的暴恐视频检测方法，涉及计算机视觉和机器学习。包括以下步骤：1)深度神经网络模型的训练；2)在线暴恐视频检测。利用深度学习模型组合低层特征，形成更加抽象的高层表示属性或特征，以发现数据的分布式特征表示。通过该模型能够获取描述能力强的视频图像特征描述子。该特征描述子涵盖了视频图像从低到高各个层次的特征信息，从而大大提高了暴恐视频检测的准确率和召回率。通过少量样本来训练深度卷积网络来获得优秀的检测性能。对恐怖图片检测准确率达99％以上，召回率达98％以上。对于恐怖视频检测准确率达95％，召回率达99％。训练过程无需人工参与，自动根据少量样本生成海量数据。

主权项

一种基于卷积神经网络模型的暴恐视频检测方法，其特征在于包括以下步骤：1)深度神经网络模型的训练，具体方法如下：训练数据：正样本：每个类别一张清晰包含特定目标的暴恐图片或者视频帧,所述特定目标包括但不限于LOGO、旗帜；负样本：数百万张左右网络下载的正常图片；训练细节：训练数据每个类别有200万张图像，正负样本比率一比一；神经网络损失函数是交叉熵损失函数：L(θ)=-1N(Σi=1Nloghθ(xi)yi)]]>其中m为训练样本的数目，yi为第i个训练样本的标签，xi第i个训练样本的图像，hθ(xi)为第i个训练样本的网络输出结果,L(θ)为网络训练损失函数；训练数据预处理：所有训练图片大小调整为256×256，随机截取227×227大小的区域并减去所有样本均值作为输入；优化算法：在GPU上使用批量梯度下降算法和反向传播算法训练神经网络，每次迭代最小批量为256，初始学习速率为0.01，每隔10000次迭代学习速率减低10倍，训练过程冲量设为0.9，权重衰退设为0.0005，迭代训练直到训练损失收敛；2)在线暴恐视频检测，具体方法如下：在检测过程中，把待检测图像进行预处理，然后输入网络；网络前向传播，最终得到卷积网络的分类结果；为了定位目标在图像里的位置，把分类结果进行网络反向传播，最后得到图像上对应的梯度图，根据梯度图再用混合高斯模型获得具体目标的位置。