本發(fā)明屬于涉及視頻識別技術(shù)領(lǐng)域，更具體地說，涉及一種基于caffe框架的恐怖視頻識別方法。

背景技術(shù)：

近年來，隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，給人們的生活提供了巨大的便利，但也為色情、反動、恐怖、暴力視頻的傳播提供了渠道。這些視頻威脅著大量青少年的身心健康，使得人們在享受互聯(lián)網(wǎng)便利的同時，對有害信息的不良影響產(chǎn)生了巨大的擔(dān)憂。由于恐怖視頻融入了圖像，音頻，文字等媒體形式，具有很強大的表現(xiàn)力，相對于圖片、文字等媒體形式具有更大的危害。全球很多國家和政府都采取了一系列措施來控制恐怖視頻的傳播。

目前，圖像識別技術(shù)發(fā)展迅速，視頻識別就是從視頻中提取視頻幀進(jìn)行圖像識別，最大的問題在于識別的速度和準(zhǔn)確性。恐怖視頻識別的特點在于視頻中是否存在恐怖鏡頭，存在恐怖鏡頭則為恐怖視頻，相反則為非恐怖視頻。視頻識別中會提取出大量的圖像，常見的識別方法的效率已無法滿足。同時，基于神經(jīng)網(wǎng)絡(luò)的圖像識別方法的準(zhǔn)確度依賴于所選取的圖像的特征，傳統(tǒng)的dnn(deepneuralnetwork，深度神經(jīng)網(wǎng)絡(luò))中圖像特征的魯棒性較差，最終不能更好的進(jìn)行恐怖視頻的識別。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的現(xiàn)有恐怖視頻識別方法的速度和準(zhǔn)確性低的問題，本發(fā)明提供了一種基于caffe框架的恐怖視頻識別方法，它可以實現(xiàn)更快、更準(zhǔn)確地對恐怖視頻進(jìn)行識別。

本發(fā)明的目的通過以下技術(shù)方案實現(xiàn)。

基于caffe框架的恐怖視頻識別方法，步驟如下：

s1獲取大量的樣本圖像，使用基于caffe的多gpu并行框架訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型；

s2使用opencv從視頻中提取視頻幀，獲取圖像樣本；

s3輸入圖像到訓(xùn)練好的模型，根據(jù)圖像特征得到分類結(jié)果。

更進(jìn)一步的，所述步驟s1中訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型的步驟如下：

步驟1輸入數(shù)據(jù)，即大小一定的一組圖片；

步驟2經(jīng)過卷積層，設(shè)置卷積核及卷積步長，進(jìn)行卷積計算，得到特征圖；

步驟3進(jìn)行降采樣操作，將特征圖的寬和高降至上一層一半大小，特征圖的數(shù)量不變，可以根據(jù)實際訓(xùn)練情況增加卷積和降采樣的次數(shù)；

步驟4得到全連接層的特征圖后，使用caffe的激活函數(shù)relu再一次大幅降低特征圖的數(shù)量，最終得到輸出結(jié)果。

更進(jìn)一步的，所述步驟s2中從視頻中提取視頻幀，獲取圖片的主要步驟如下：

步驟1設(shè)置幀間隔，每隔一定幀數(shù)提取一張圖片；

步驟2設(shè)置圖片保存的路徑；

步驟3使用opencv的cvgrabframe()函數(shù)從視頻或者攝像頭中抓取幀，獲取視頻中的圖像鏡頭。

相比于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點在于：

(1)本發(fā)明方法以基于caffe框架的深度學(xué)習(xí)為基礎(chǔ)，在改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型下能夠更好更快地訓(xùn)練出合適的模型參數(shù)；

(2)本發(fā)明在進(jìn)行視頻識別的過程中，使用gpu并行計算處理提取到的視頻幀，大大提高了大量數(shù)據(jù)情況下的識別效率；

(3)本發(fā)明提出了一種恐怖視頻的檢測方法，為互聯(lián)網(wǎng)的健康與安全提出了一種快速、準(zhǔn)確的維護(hù)措施。

附圖說明

圖1為本發(fā)明的系統(tǒng)流程圖；

圖2為本發(fā)明的具體實施方式中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3為本發(fā)明的具體實施方式中的視頻識別流程圖。

具體實施方式

下面結(jié)合說明書附圖和具體的實施例，對本發(fā)明作詳細(xì)描述。

實施例1

圖1為本發(fā)明的系統(tǒng)流程圖，本發(fā)明主要包含如下步驟：1)獲取大量的樣本圖像，使用基于caffe(convolutionarchitectureforfeatureextraction卷積神經(jīng)網(wǎng)絡(luò)框架)的多gpu并行框架訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；2)使用opencv從視頻中提取視頻幀，獲取圖像樣本；3)輸入圖像到訓(xùn)練好的模型，根據(jù)圖像特征得到分類結(jié)果。

圖2為本發(fā)明的具體實施方式中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，具體步驟包括：輸入數(shù)據(jù)，即大小一定的一組圖片；經(jīng)過卷積層，設(shè)置卷積核及卷積步長，進(jìn)行卷積計算，得到特征圖；接下來進(jìn)行降采樣操作，將特征圖的寬和高降至上一層一半大小，特征圖的數(shù)量不變；可以根據(jù)實際訓(xùn)練情況增加卷積和降采樣的次數(shù)；得到全連接層的特征圖后，使用caffe的激活函數(shù)relu再一次大幅降低特征圖的數(shù)量，最終得到輸出結(jié)果。

圖3為本發(fā)明的具體實施方式中的視頻識別流程圖，此步驟的特點在于：通過opencv獲取視頻中的視頻幀，在得到視頻鏡頭后進(jìn)行圖片預(yù)處理，最后將處理得到的圖片特征通過gpu并行計算輸入到分類器中，得到識別結(jié)果。這樣大大地提高了視頻識別的速度。

其中，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型的主要步驟如下：

步驟1.1)數(shù)據(jù)準(zhǔn)備，在caffe根目錄的data目錄下新建文件夾存放訓(xùn)練樣本、測試樣本，同時在根目錄下新建相應(yīng)的文件夾存放網(wǎng)絡(luò)模型及配置文件等；

步驟1.2)修改圖片大小，統(tǒng)一圖片大??；

步驟1.3)新建樣本的tag，為不同的訓(xùn)練樣本添加標(biāo)識；

步驟1.4)將examples/imagenet中的文件復(fù)制到創(chuàng)建的用來存放網(wǎng)絡(luò)模型和配置文件的文件夾中；

步驟1.5)修改該文件夾下的相關(guān)腳本文件，并修改相關(guān)路徑。其中create_imagenet.sh的作用是將圖片轉(zhuǎn)換成lmdb形式，lmdb是caffe框架所處理的數(shù)據(jù)格式。

make_imagenet_mean.sh的作用是求出訓(xùn)練樣本的均值文件，用以訓(xùn)練數(shù)據(jù)；

步驟1.6)使用caffe的train_alexnet.prototxt文件來定義網(wǎng)絡(luò)結(jié)構(gòu)；

步驟1.7)參照caffe的solver.prototxt文件，并修改相應(yīng)的初試化參數(shù)來定義網(wǎng)絡(luò)的初始化參數(shù)；

步驟1.8)修改train_caffenet.sh中的相關(guān)路徑，對自定義的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟1.9)采用多gpu并行系統(tǒng)，從功能上劃分為用于讀取和分發(fā)數(shù)據(jù)的trainningdatadispatcher和用于做數(shù)據(jù)并行訓(xùn)練的gpuworkergroup，在每一個workergroup計算batch數(shù)據(jù)時，由trainningdatadispatcher讀取并分發(fā)下一個batch。

從視頻中提取視頻幀，獲取圖片的主要步驟如下：

步驟2.1)設(shè)置幀間隔，每隔一定幀數(shù)提取一張圖片；

步驟2.2)設(shè)置圖片保存的路徑；

步驟2.3)使用opencv的cvgrabframe()函數(shù)從視頻或者攝像頭中抓取幀，獲取視頻中的圖像鏡頭；

最后，在步驟3)中將視頻中提取到的圖像輸入到訓(xùn)練好的模型中，得到結(jié)果。

由于采用了多gpu并行框架，通過多個workergroup實現(xiàn)了數(shù)據(jù)并行，使得神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練更加迅速、準(zhǔn)確?；诰矸e神經(jīng)網(wǎng)絡(luò)的caffe框架在優(yōu)化后也大大提升了神經(jīng)網(wǎng)絡(luò)模型的性能。本發(fā)明的識別效率較普通的識別方法可提升約2％，錯誤率下降約10％。

以上示意性地對本發(fā)明創(chuàng)造及其實施方式進(jìn)行了描述，該描述沒有限制性，附圖中所示的也只是本發(fā)明創(chuàng)造的實施方式之一，實際的結(jié)構(gòu)并不局限于此。所以，如果本領(lǐng)域的普通技術(shù)人員受其啟示，在不脫離本創(chuàng)造宗旨的情況下，不經(jīng)創(chuàng)造性的設(shè)計出與該技術(shù)方案相似的結(jié)構(gòu)方式及實施例，均應(yīng)屬于本專利的保護(hù)范圍。