[發明專利]一種用于異常檢測的特征自回歸方法

有效

• 申請號: 201911170284.8
• 申請日: 2019-11-26
• 公開（公告）號: CN112949344B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 何小海;鄧描;劉強;王正勇;陳洪剛;吳曉紅;余艷梅
• 申請（專利權）人: 四川大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V20/52;G06V10/774;G06V10/776
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種用于異常檢測的特征自回歸方法。包括以下步驟：首先，通過自動編碼器得到輸入樣本的低維特征，再將其重建為高維圖像。接著，使用分類器對輸入樣本和生成樣本進行分類，并提取它們的低維特征通過不斷縮小分類損失和重建損失使模型能夠重建出更高質量的正常樣本。在此基礎上，為了降低模型表示異常的能力。引入密度估計器對低維特征的分布進行正則化約束。然后，經過多次迭代訓練得到最優模型。最后，通過比較輸入樣本和生成樣本的高維圖像和低維特征的重建誤差來判斷是否異常。該方法在視頻監控異常行為檢測領域具有廣闊的應用前景。

技術領域

本發明涉及一種用于異常檢測的特征自回歸方法，屬于計算機視覺領域中的異常檢測問題。

背景技術

異常檢測由于異常樣本較少，且標簽難以獲取成為了智能視頻監控的研究難點和關鍵技術。由于傳統視頻監控依賴于人眼捕捉異常行為需要耗費大量的人力物力，且主觀性太強。目前更多的是讓計算機自動檢測出異常，其中深度學習的方法應用最為廣泛。

深度學習的方法能從海量的數據中自動提取出有用的特征。基于標記信息可以分為監督學習方法，如支持向量機(SVM)、主成分分析(PCANet)等。半監督學習方法，如自動編碼器(AutoEncoder，簡稱AE)和生成對抗網絡(GAN)。和無監督學習，如受限玻爾茲曼機(RBM)，稀疏編碼器(Sparse Coding)等。由于異常標簽難以獲取，標注量大，半監督學習和無監督學習在異常檢測中的應用更為廣泛。自動編碼器的原理比較簡單：對于輸入樣本，首先通過編碼器將其壓縮為低維特征，然后通過解碼器對每個樣本點進行重建，還原到原來的維度，整個訓練模型的目的就是減少重構誤差。假設異常樣本會產生更大的誤差。然而，由于自動編碼器強大的重構能力，即使是異常樣本也能夠得到很好的重建。所以，僅對樣本相似度進行約束是不夠的。因此，如何在保證重建出高質量樣本的同時降低表示異常的可能性逐漸成為異常檢測方向的研究趨勢。

發明內容

本發明提出了一種用于異常檢測的特征自回歸方法，目的就在于解決上述問題。

本發明通過以下技術方案來實現上述目的：

(1)通過使用跳線連接的自動編碼器，獲得樣本的低維特征再將其重建成高維圖像。

(2)使用一個自回歸密度估計器來獲得低維特征的概率分布，并對其進行約束。提高模型對正常樣本的記憶能力，同時降低模型表示異常的能力。

(3)引入分類器網絡對輸入樣本和生成樣本進行分類。并提取輸入樣本和生成樣本的低維特征。

(4)通過不斷的迭代訓練，得到最優的異常檢測模型。

附圖說明

圖1一種用于異常檢測的特征自回歸方法流程圖。

具體實施方式

下面結合附圖對本發明作進一步說明：

如圖1所示，整個網絡結構分別包括編碼器EN，解碼器DE，分類器C和參數密度估計器H。

編碼器網絡EN通過將高維圖像x映射成低維特征z來捕獲輸入數據的分布。解碼器網絡DE將低維特征z上采樣回到輸入圖像維度并重建輸出。編解碼器采用跳線連接方式，保留了多尺度信息，因此能夠產生更好的重建。

分類器網絡C的任務是對由編解碼器網絡生成的偽圖像x和真實圖像x進行分類。并用作特征提取器，提取輸入圖像x和重建圖像x的低維特征。

想要提高模型區分正常和異常樣本的能力，僅僅依靠自動編碼器來縮小圖像層面對正常樣本的重建誤差是不夠的，因為它不能保證異常樣本能產生很大的重構誤差，所以本文提出在自動編碼器上引入參數密度估計器H，得到低維特征向量z的概率分布，假設輸入樣本x和低維特征z之間存在這樣的關系：

p(x)＝∫p(x|z)p(z)dz， (1)