CN109446911A - 图像检测方法及系统 - Google Patents
图像检测方法及系统 Download PDFInfo
- Publication number
- CN109446911A CN109446911A CN201811140662.3A CN201811140662A CN109446911A CN 109446911 A CN109446911 A CN 109446911A CN 201811140662 A CN201811140662 A CN 201811140662A CN 109446911 A CN109446911 A CN 109446911A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- unit
- network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像检测方法及系统。该图像检测方法包括接收待测图像并传输至第一检测网络,判断所述待测图像中是否包含第一目标区域;若所述待测图像中包含所述第一目标区域,则接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;判断所述第一待测标识中是否包含第二目标区域;若所述第一待测标识中包含第二目标区域,则判定所述待测图像为标识图像;若所述第一待测标识中不包含第二目标区域,则判定所述待测图像为非标识图像。本申请还提供了一种采用上述图像检测方法的图像检测系统。本申请解决了标识人体图像识别技术中由于图像中人物肤色各异、姿态多变等导致的识别率低、检测难度大等技术问题。
Description
技术领域
本申请涉及图像识别技术领域,具体而言,涉及一种图像检测方法及系统。
背景技术
随着互联网和多媒体技术的迅猛发展,图像和视频已成为主要的信息传播载体。互联网高度的开放性和交互性,极大的促进了文化传播活动,但也随之产生了不法色情信息传播活动。屡禁不止的色情网站污染了网络环境,严重影响未成年人的身心健康。近年来兴起的网络直播、云盘等也成为不法分子传播淫秽色情信息的工具,因此色情内容的检测越来越受到从事网络安全技术的执法部门和研究机构的关注,淫秽色情图像的识别是国内外图像识别技术领域专家们近年来试图解决的重要问题。
相关技术中图像识别方法一般分为基于传统机器学习的图像识别方法和基于深度学习的图像识别方法。色情图像识别与一般图像识别方法类似,但色情图像具有其自身特点,如大面积皮肤裸露、敏感部位裸露等。针对色情图像识别,基于传统的机器学习的识别方法有基于肤色检测的识别方法,基于视觉词袋算法(Bag-of-visual-words)的识别方法等;基于深度学习的包括基于50层残差学习网络(Residual Network)的NSFW(NotSuitable/Safe For Work)图像过滤网络等。由于色情图像中主体人物肤色各异、姿态多变等特点,色情图像过滤很难达到100%过滤,因此一直是业界研究的重点。
针对相关技术中由于图像中人物肤色各异、姿态多变等导致的识别率低、检测难度大、识别效率低等技术问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像检测方法及系统,以解决上述相关技术中的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种图像检测方法,该方法包括:接收待测图像并传输至第一检测网络,判断所述待测图像中是否包含第一目标区域;若所述待测图像中包含所述第一目标区域,则接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;判断所述第一待测标识中是否包含第二目标区域;若所述第一待测标识中包含第二目标区域,则判定所述待测图像为标识图像;若所述第一待测标识中不包含第二目标区域,则判定所述待测图像为非标识图像。
进一步的,如前述的方法,在接收待测图像并传输至第一检测网络之前,还包括:S101.获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;S102.获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;S103.将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;S104.将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例。
进一步的,如前述的方法,所述接收待测图像并传输至第一检测网络之前,还包括:根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,获得所述第一检测网络。
进一步的,如前述的方法,所述根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,包括:S1001.采用通用数据集对所述卷积神经网络进行预训练;S1002.获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;S1003.将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;S1004.将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;S1005.将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;S1006.将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;S1007.判断计数器是否小于预设长度,若小于则执行步骤S1008,若不小于则采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络,若所述验证结果不满足预设结果则执行步骤S1008;S1008.获取所述第一训练集中的下一个第一训练图像,重复步骤S1002至S1007。
进一步的,如前述的方法,在接收根据所述待测图像获得的第一待测标识并传输至第二检测网络之前,还包括:根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,获得所述第二检测网络。
进一步的,如前述的方法,所述根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,包括:S1011.采用通用数据集对所述卷积神经网络进行预训练;S1012.获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;S1013.将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;S1014.将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;S1015.将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;S1016.将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;S1017.判断计数器是否小于预设长度,若小于则执行步骤S1018,若不小于则采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络,若所述验证结果不满足预设结果则执行步骤S1018;S1018.获取所述第二训练集中的下一个第二训练图像,重复步骤S1012至S1017。
为了实现上述目的,根据本申请的另一方面,提供了一种图像检测系统,该系统包括:接收单元和分析单元,其中:所述接收单元,用于接收待测图像并传输至第一检测网络;所述分析单元,包括所述第一检测网络,其中,所述第一检测网络用于判断所述待测图像中是否包含第一目标区域;所述接收单元,还用于在所述待测图像中包含所述第一目标区域时,接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;所述分析单元,还包括所述第二检测网络,其中,所述第二检测网络用于判断所述第一待测标识中是否包含第二目标区域;所述分析单元,还包括判定单元,其中,所述判定单元用于在所述第一待测标识中包含第二目标区域时,判定所述待测图像为标识图像;所述判定单元,还用于在所述第一待测标识中不包含第二目标区域时,判定所述待测图像为非标识图像。
进一步的,如前述的系统,所述接收单元,包括获取单元和分拨单元,其中:所述获取单元,用于获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;所述获取单元,还用于获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;所述分拨单元,用于将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;所述分拨单元,还用于将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例。
进一步的,如前述的系统,还包括网络训练单元,其中,所述网络训练单元用于根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,获得所述第一检测网络;所述网络训练单元,还用于根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,获得所述第二检测网络。
进一步的,如前述的系统,所述网络训练单元,包括预训练单元、提取单元、感兴趣区域单元、对比单元、网络调整单元、计数单元、验证单元和返回单元,其中:所述预训练单元,用于采用通用数据集对所述卷积神经网络进行预训练;所述提取单元,用于获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;所述感兴趣区域单元,用于将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;所述对比单元,用于将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;还用于将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;所述网络调整单元,用于将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;所述验证单元,用于在所述计数单元不小于预设长度时,采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络;所述返回单元,用于在所述计数单元不小于预设长度时,返回提取单元;还用于在所述验证结果不满足预设结果时,返回提取单元;所述提取单元,还用于获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;所述感兴趣区域单元,还用于将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;所述对比单元,还用于将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;还用于将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;所述网络调整单元,将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;所述验证单元,还用于在所述计数单元不小于预设长度时,采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络。
在本申请实施例中,采用分步检测的方式,通过先检测人体的上肢和下肢,然后在上下肢区域中检测是否有敏感裸露部位,达到了降低目标图像检测难度的目的,从而实现了提高图像识别速度的技术效果,进而解决了由于标识人体图像中人物肤色各异、姿态多变等导致的识别效率低的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请一个实施例提供的一种图像检测方法的流程示意图;
图2是本申请一个实施例提供的一种图像检测方法预备的流程示意图;
图3是本申请一个实施例提供的一种卷积神经网络训练方法的流程示意图;
图4是本申请一个实施例提供的一种卷积神经网络训练方法的流程示意图;
图5是本申请一个实施例提供的一种图像检测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例,提供了一种图像检测方法,如图1至图4所示,该方法包括如下的步骤:
S101.获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;具体地,通过网络爬虫方式得到色情人体图像和正常人体图像,标注其中的上肢和下肢区域后作为第一实验组图像。
S102.获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;具体地,在第一实验组图像的色情人体上下肢图像上标注裸露的敏感部位,作为第二实验组图像。
S103.将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;具体地,可随机将第一实验组图像按照8:1:1的比例分为第一训练集、第一验证集和第一测试集;
S104.将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例;具体地,可随机将第二实验组图像按照8:1:1的比例分为第二训练集、第二验证集和第二测试集。
S1001.采用通用数据集对所述卷积神经网络进行预训练;具体地,本实施例中的卷积神经网络采用目标检测网络Mask Rcnn,Mask Rcnn是物体检测网络发展到一定阶段的产物,是较成熟的物体检测网络,在物体检测、实例分割、关键点检测等任务中表现良好。
S1002.获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;具体地,采用ResNet101作为骨干网络。
S1003.将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;
S1004.将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;
S1005.将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;
S1006.将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;
S1007.判断计数器是否小于预设长度,若小于则执行步骤S1008,若不小于则采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络,若所述验证结果不满足预设结果则执行步骤S1008;
S1008.获取所述第一训练集中的下一个第一训练图像,重复步骤S1002至S1007。
S1011.采用通用数据集对所述卷积神经网络进行预训练;
S1012.获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;具体地,采用ResNet101作为骨干网络。
S1013.将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;
S1014.将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;
S1015.将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;
S1016.将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;
S1017.判断计数器是否小于预设长度,若小于则执行步骤S1018,若不小于则采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络,若所述验证结果不满足预设结果则执行步骤S1018;
S1018.获取所述第二训练集中的下一个第二训练图像,重复步骤S1012至S1017。
S1.接收待测图像并传输至第一检测网络,判断所述待测图像中是否包含第一目标区域;
S2.若所述待测图像中包含所述第一目标区域,则接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;
S3.判断所述第一待测标识中是否包含第二目标区域;
S4.若所述第一待测标识中包含第二目标区域,则判定所述待测图像为标识图像;
S5.若所述第一待测标识中不包含第二目标区域,则判定所述待测图像为非标识图像。
具体地,采用本实施例提供的方法检测色情图像的流程为:将待测图像传输至上下肢检测网络中,若图像中有人体的上肢或下肢出现,则将该图像的上下肢框输出,并将该上下肢框作为敏感部位检测网络的输入,进一步检测该上下肢框是否包含裸露的敏感部位,若包含裸露的敏感部位,则判定该输入图像为色情图像,反之为非色情图像。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。例如,应该理解第一训练集和第二训练集在适当情况下可以互换,以便这里描述本申请的一个实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤的一种图像检测方法不必限于清楚地列出所有的步骤,而是可包括有清楚地列出的或对于这种图像检测方法固有的其它步骤。
从以上的描述中,可以看出,本发明实现了如下技术效果:采用分步检测的方式,通过先检测人体的上肢和下肢,然后在上下肢区域中检测是否有敏感裸露部位,将色情图像识别集中在对关键部位的精准检测,有利于提高色情图像识别率,达到降低目标图像检测难度的目的,从而实现了提高图像识别速度的技术效果;采用目标检测方式,可避开复杂的人体动作的干扰,专注于目标区域的学习,解决了由于标识人体图像中人物肤色各异、姿态多变等导致的识别效率低的技术问题;采用Mask Rcnn网络的多任务学习方式,有效提升图像检测网络的检测准确率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,还提供了一种用于实施上述图像检测方法的图像检测系统,如图5所示,该装置包括接收单元、分析单元和网络训练单元,其中:
所述接收单元,包括获取单元和分拨单元,其中:
所述获取单元,用于获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;
所述获取单元,还用于获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;
所述分拨单元,用于将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;
所述分拨单元,还用于将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例。
所述网络训练单元,包括预训练单元、提取单元、感兴趣区域单元、对比单元、网络调整单元、计数单元、验证单元和返回单元,其中:
所述预训练单元,用于采用通用数据集对所述卷积神经网络进行预训练;
所述提取单元,用于获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;具体地,采用ResNet101作为骨干网络。
所述感兴趣区域单元,用于将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;
所述对比单元,用于将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;还用于将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;
所述网络调整单元,用于将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;
所述验证单元,用于在所述计数单元不小于预设时长时,采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络;
所述返回单元,用于在所述计数单元不小于预设时长时,返回提取单元;还用于在所述验证结果不满足预设结果时,返回提取单元;
所述提取单元,还用于获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;具体地,采用ResNet101作为骨干网络。
所述感兴趣区域单元,还用于将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;
所述对比单元,还用于将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;还用于将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;
所述网络调整单元,,将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;
所述验证单元,还用于在所述计数单元不小于预设长度时,采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络。
所述接收单元,用于接收待测图像并传输至第一检测网络;
所述分析单元,包括所述第一检测网络,其中,所述第一检测网络用于判断所述待测图像中是否包含第一目标区域;具体地,本实施例中的卷积神经网络采用目标检测网络Mask Rcnn,Mask Rcnn是物体检测网络发展到一定阶段的产物,是较成熟的物体检测网络,在物体检测、实例分割、关键点检测等任务中表现良好。
所述接收单元,还用于在所述待测图像中包含所述第一目标区域时,接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;
所述分析单元,还包括所述第二检测网络,其中,所述第二检测网络用于判断所述第一待测标识中是否包含第二目标区域;具体地,本实施例中的卷积神经网络采用目标检测网络Mask Rcnn,Mask Rcnn是物体检测网络发展到一定阶段的产物,是较成熟的物体检测网络,在物体检测、实例分割、关键点检测等任务中表现良好。
所述分析单元,还包括判定单元,其中,所述判定单元用于在所述第一待测标识中包含第二目标区域时,判定所述待测图像为标识图像;
所述判定单元,还用于在所述第一待测标识中不包含第二目标区域时,判定所述待测图像为非标识图像。
具体地,采用本实施例提供的系统检测色情图像的流程为:将待测图像传输至上下肢检测网络中,若图像中有人体的上肢或下肢出现,则将该图像的上下肢框输出,并将该上下肢框作为敏感部位检测网络的输入,进一步检测该上下肢框是否包含裸露的敏感部位,若包含裸露的敏感部位,则判定该输入图像为色情图像,反之为非色情图像。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像检测方法,其特征在于,包括:
接收待测图像并传输至第一检测网络,判断所述待测图像中是否包含第一目标区域;
若所述待测图像中包含所述第一目标区域,则接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;
判断所述第一待测标识中是否包含第二目标区域;
若所述第一待测标识中包含第二目标区域,则判定所述待测图像为标识图像;
若所述第一待测标识中不包含第二目标区域,则判定所述待测图像为非标识图像。
2.根据权利要求1所述的方法,其特征在于,在接收待测图像并传输至第一检测网络之前,还包括:
S101.获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;
S102.获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;
S103.将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;
S104.将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例。
3.根据权利要求2所述的方法,其特征在于,所述接收待测图像并传输至第一检测网络之前,还包括:根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,获得所述第一检测网络。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,包括:
S1001.采用通用数据集对所述卷积神经网络进行预训练;
S1002.获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;
S1003.将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;
S1004.将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;
S1005.将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;
S1006.将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;
S1007.判断计数器是否小于预设长度,若小于则执行步骤S1008,若不小于则采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络,若所述验证结果不满足预设结果则执行步骤S1008;
S1008.获取所述第一训练集中的下一个第一训练图像,重复步骤S1002至S1007。
5.根据权利要求2所述的方法,其特征在于,在接收根据所述待测图像获得的第一待测标识并传输至第二检测网络之前,还包括:根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,获得所述第二检测网络。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,包括:
S1011.采用通用数据集对所述卷积神经网络进行预训练;
S1012.获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;
S1013.将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;
S1014.将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;
S1015.将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;
S1016.将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;
S1017.判断计数器是否小于预设长度,若小于则执行步骤S1018,若不小于则采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络,若所述验证结果不满足预设结果则执行步骤S1018;
S1018.获取所述第二训练集中的下一个第二训练图像,重复步骤S1012至S1017。
7.一种图像检测系统,其特征在于,包括接收单元和分析单元,其中:
所述接收单元,用于接收待测图像并传输至第一检测网络;
所述分析单元,包括所述第一检测网络,其中,所述第一检测网络用于判断所述待测图像中是否包含第一目标区域;
所述接收单元,还用于在所述待测图像中包含所述第一目标区域时,接收根据所述待测图像获得的第一待测标识并传输至第二检测网络;
所述分析单元,还包括所述第二检测网络,其中,所述第二检测网络用于判断所述第一待测标识中是否包含第二目标区域;
所述分析单元,还包括判定单元,其中,所述判定单元用于在所述第一待测标识中包含第二目标区域时,判定所述待测图像为标识图像;
所述判定单元,还用于在所述第一待测标识中不包含第二目标区域时,判定所述待测图像为非标识图像。
8.根据权利要求7所述的系统,其特征在于,所述接收单元,包括获取单元和分拨单元,其中:
所述获取单元,用于获取第一实验组图像,所述第一实验组图像包括第一标识图像,其中,所述第一标识图像包括所述第一目标区域并显示出所述第二目标区域;
所述获取单元,还用于获取第二实验组图像,其中,所述第二实验组图像通过标注所述第一标识图像中的所述第二目标区域获得;
所述分拨单元,用于将所述第一实验组图像分为第一训练集和第一验证集,所述第一训练集和所述第一验证集的图像数量之比为第一预设比例;
所述分拨单元,还用于将所述第二实验组图像分为第二训练集和第二验证集,所述第二训练集和所述第二验证集的图像数量之比为第二预设比例。
9.根据权利要求7所述的系统,其特征在于,还包括网络训练单元,其中,所述网络训练单元用于根据所述第一训练集和所述第一验证集对卷积神经网络进行训练,获得所述第一检测网络;
所述网络训练单元,还用于根据所述第二训练集和所述第二验证集对卷积神经网络进行训练,获得所述第二检测网络。
10.根据权利要求9所述的系统,其特征在于,所述网络训练单元,包括预训练单元、提取单元、感兴趣区域单元、对比单元、网络调整单元、计数单元、验证单元和返回单元,其中:
所述预训练单元,用于采用通用数据集对所述卷积神经网络进行预训练;
所述提取单元,用于获取所述第一训练集中的第一训练图像,通过所述卷积神经网络的骨干网络提取所述第一训练图像中的第一公共特征图;
所述感兴趣区域单元,用于将所述第一公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第一公共特征图的第一感兴趣区域;
所述对比单元,用于将所述第一感兴趣区域与所述第一训练图像进行对比,获得第一候选框;还用于将所述第一候选框归一化到预设尺寸后,分别传输到第一分类分支网络、第一物体检测分支网络和第一实例分割分支网络,分别获得得到第一类别信息、第一位置信息和第一像素信息;
所述网络调整单元,用于将第一预设类别信息、第一预设位置信息和第一预设像素信息作为多任务监督信号,分别与所述第一类别信息、所述第一位置信息和所述第一像素信息计算第一损失,经反向传播算法根据所述第一损失调整所述卷积神经网络参数;
所述验证单元,用于在所述计数器不小于预设长度时,采用所述第一验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第一检测网络;
所述返回单元,用于在计数器小于预设长度时,返回提取单元;还用于在所述验证结果不满足预设结果时,返回提取单元;
所述提取单元,还用于获取所述第二训练集中的第二训练图像,通过所述卷积神经网络的骨干网络提取所述第二训练图像中的第二公共特征图;
所述感兴趣区域单元,还用于将所述第二公共特征图传输至所述卷积神经网络的区域建议网络,获取所述第二公共特征图的第二感兴趣区域;
所述对比单元,还用于将所述第二感兴趣区域与所述第二训练图像进行对比,获得第二候选框;还用于将所述第二候选框归二化到预设尺寸后,分别传输到第二分类分支网络、第二物体检测分支网络和第二实例分割分支网络,分别获得得到第二类别信息、第二位置信息和第二像素信息;
所述网络调整单元,将第二预设类别信息、第二预设位置信息和第二预设像素信息作为多任务监督信号,分别与所述第二类别信息、所述第二位置信息和所述第二像素信息计算第二损失,经反向传播算法根据所述第二损失调整所述卷积神经网络参数;
所述验证单元,还用于在所述计数单元不小于预设长度时,采用所述第二验证集对所述卷积神经网络进行验证,若所述验证结果满足预设结果,则训练结束并获得所述第二检测网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140662.3A CN109446911B (zh) | 2018-09-28 | 2018-09-28 | 图像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140662.3A CN109446911B (zh) | 2018-09-28 | 2018-09-28 | 图像检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446911A true CN109446911A (zh) | 2019-03-08 |
CN109446911B CN109446911B (zh) | 2021-08-06 |
Family
ID=65544681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811140662.3A Active CN109446911B (zh) | 2018-09-28 | 2018-09-28 | 图像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446911B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096964A (zh) * | 2019-04-08 | 2019-08-06 | 厦门美图之家科技有限公司 | 一种生成图像识别模型的方法 |
CN113499173A (zh) * | 2021-07-09 | 2021-10-15 | 中国科学技术大学 | 基于实时实例分割的下肢假肢地形识别与运动预测系统 |
CN115147933A (zh) * | 2022-09-01 | 2022-10-04 | 深圳市爱深盈通信息技术有限公司 | 人体预设行为的识别方法、装置、设备终端和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
CN108229353A (zh) * | 2017-12-21 | 2018-06-29 | 深圳市商汤科技有限公司 | 人体图像的分类方法和装置、电子设备、存储介质、程序 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
-
2018
- 2018-09-28 CN CN201811140662.3A patent/CN109446911B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108229353A (zh) * | 2017-12-21 | 2018-06-29 | 深圳市商汤科技有限公司 | 人体图像的分类方法和装置、电子设备、存储介质、程序 |
Non-Patent Citations (2)
Title |
---|
KAIMING HE: "Mask R-CNN", 《ARXIV:1703.06870V3》 * |
陈骁: "基于感兴趣区域检测的网络不良图片识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096964A (zh) * | 2019-04-08 | 2019-08-06 | 厦门美图之家科技有限公司 | 一种生成图像识别模型的方法 |
CN110096964B (zh) * | 2019-04-08 | 2021-05-04 | 厦门美图之家科技有限公司 | 一种生成图像识别模型的方法 |
CN113499173A (zh) * | 2021-07-09 | 2021-10-15 | 中国科学技术大学 | 基于实时实例分割的下肢假肢地形识别与运动预测系统 |
CN113499173B (zh) * | 2021-07-09 | 2022-10-28 | 中国科学技术大学 | 基于实时实例分割的下肢假肢地形识别与运动预测系统 |
CN115147933A (zh) * | 2022-09-01 | 2022-10-04 | 深圳市爱深盈通信息技术有限公司 | 人体预设行为的识别方法、装置、设备终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109446911B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106656991B (zh) | 一种网络威胁检测系统及检测方法 | |
CN111222500B (zh) | 一种标签提取方法及装置 | |
CN109446911A (zh) | 图像检测方法及系统 | |
CN111178183B (zh) | 人脸检测方法及相关装置 | |
CN106372666B (zh) | 一种目标识别方法及装置 | |
CN106919921A (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
CN106997452B (zh) | 活体验证方法及装置 | |
CN110414437A (zh) | 基于卷积神经网络模型融合篡改人脸检测分析方法和系统 | |
CN107358146A (zh) | 视频处理方法、装置及存储介质 | |
CN107123131A (zh) | 一种基于深度学习的运动目标检测方法 | |
CN105893980A (zh) | 一种注意力专注度评价方法及系统 | |
CN105844206A (zh) | 身份认证方法及设备 | |
CN112329719B (zh) | 行为识别方法、装置以及计算机可读存储介质 | |
CN109919754A (zh) | 一种数据获取方法、装置、终端及存储介质 | |
CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
CN109886242A (zh) | 一种行人重识别的方法及系统 | |
CN110070029A (zh) | 一种步态识别方法及装置 | |
CN110442742A (zh) | 检索图像的方法及装置、处理器、电子设备及存储介质 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN109284673A (zh) | 对象跟踪方法及装置、电子设备及存储介质 | |
CN106973039A (zh) | 一种基于信息融合技术的网络安全态势感知模型训练方法和装置 | |
CN110084987A (zh) | 一种面向轨道交通的异物检查系统及方法 | |
CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
CN106951826A (zh) | 人脸检测方法及装置 | |
CN111325133A (zh) | 一种基于人工智能识别的影像处理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |