[發明專利]一種圖像異常檢測方法、裝置、系統及可讀存儲介質

在審

• 申請號: 202210331065.9
• 申請日: 2022-03-31
• 公開（公告）號: CN114627102A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 趙冰
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/40
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 韓麗波

本發明公開了一種圖像異常檢測方法、裝置、系統及計算機可讀存儲介質，應用于圖像技術領域，針對圖像異常檢測精度低的問題，提出采用預先建立的圖像異常檢測模型對待檢測圖像進行檢測，得出異常得分；在異常得分滿足預設條件的情況下，待檢測圖像為異常圖像；其中：圖像異常檢測模型為基于預先建立的樣本集訓練得到的，樣本集中的模擬異常樣本為基于原始異常樣本與原始正常樣本得到的；本發明在使用過程中能夠提高圖像異常檢測精確度。

技術領域

本發明涉及圖像技術領域，特別是涉及一種圖像異常檢測方法、裝置、系統及計算機可讀存儲介質。

背景技術

異常檢測在圖像領域是指相對于正常的圖像，識別出可能存在異常的圖像。異常檢測任務一般假設正常圖像的數據量較大，而異常數據的數據量較小，無法收集足夠的異常數據開展監督型學習區分二者。故異常檢測常被認為符合單分類學習假設，即僅通過對正常樣本的學習，實現對于異常樣本的檢測。異常檢測在實際中的應用非常廣泛，例如在高速公路場景下對監控視頻的分析便是非常有潛力的一個應用場景，高速公路場景下的監控視頻數據量非常巨大，潛在的異常行為多種多樣，但是由于異常的發生概率較小，并且各種異常行為間差異較大并且發生概率不同，導致無法收集合理的數據集進行監督型學習，通過非監督，特別是自監督學習解決高速公路監控視頻場景下的異常檢測任務應用前景巨大。

現有的基于自監督學習的異常檢測方法通常通過對正常圖像進行數據增強處理，得到模擬的異常圖像的，但是這種方法一般僅能拉遠增強樣本與正常樣本的相似度，無法很好的模擬異常樣本，影響基于這些圖像訓練而成的檢測模型識別的精確度。

鑒于此，如何提供一種解決上述技術問題的圖像異常檢測方法、裝置、系統及計算機可讀存儲介質成為本領域技術人員需要解決的問題。

發明內容

本發明實施例的目的是提供一種圖像異常檢測方法、裝置、系統及計算機可讀存儲介質，在使用過程中能夠提高圖像異常檢測精確度。

為解決上述技術問題，本發明實施例提供了一種圖像異常檢測方法，包括：

采用預先建立的圖像異常檢測模型對待檢測圖像進行檢測，得出異常得分；

在所述異常得分滿足預設條件的情況下，所述待檢測圖像為異常圖像；其中：

所述圖像異常檢測模型為基于預先建立的樣本集訓練得到的，所述樣本集中的模擬異常樣本為基于原始異常樣本與原始正常樣本得到的。

可選的，所述樣本集中的模擬異常樣本為基于原始異常樣本與原始正常樣本得到的包括：

從各個原始異常樣本中選取出目標原始異常樣本，從各個原始正常樣本中選取出目標原始正常樣本；

獲取與所述目標原始異常樣本中的目標區域對應的第一復制圖像，以及與所述目標原始正常樣本中的目標區域對應的第二復制圖像；

將所述第一復制圖像和所述第二復制圖像粘貼至所述目標原始正常樣本上，得到模擬異常樣本。

可選的，所述將所述第一復制圖像和所述第二復制圖像粘貼至所述目標原始正常樣本上，得到模擬異常樣本，包括：

將所述第一復制圖像和所述第二復制圖像粘貼至所述目標原始正常樣本上的預設區域處；所述預設區域為以所述目標原始正常樣本中心點為中心的區域；

將所述第一復制圖像和所述第二復制圖像分別進行縮放，以得到模擬異常樣本。

可選的，所述從各個原始異常樣本中選取出目標原始異常樣本，從各個原始正常樣本中選取出目標原始正常樣本包括：

隨機從各個原始異常樣本中選取出目標原始異常樣本，隨機從各個原始正常樣本中選取出目標原始正常樣本。

可選的，所述圖像異常檢測模型為基于預先建立的樣本集訓練得到的包括：