[发明专利]基于图像识别的异常检测方法

说明书

技术领域

本发明涉及图像识别技术领域，尤其涉及基于图像识别的异常检测方法。

背景技术

以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。

随着照相和视频监控系统在工业中的广泛应用，对于所采集的图片和影像进行高效和准且的分类处理，并在图片和影像中发现异常因素的需求越来越大。长期以来普遍利用人工对所采集的图片和影像进行异常识别，这样做成本高，识别效果受人为因素(例如经验、疲劳程度等)的影响大。因此，需要一种有效的自动处理手段对图片和影像中的异常因素进行识别。

发明内容

本发明的目的在于提出一种基于图像识别的异常检测方法，能够自动实现对任意被检测目标的异常检测。

本发明基于图像识别的异常检测方法，包括：

S1、对包含被检测目标的图片进行正规化处理，获取灰度化图像；

S2、利用训练好的目标识别模型进行抠图，从所述灰度化图像中抠取被检测目标图像；

S3、利用训练好的二元分类模型对所述被检测目标图像进行二元分类，确定所述被检测目标图像的可信度分值；若所述被检测目标图像的可信度分值不高于预设的异常阈值，判定所述被检测目标图像为异常目标。

优选地，按照如下步骤训练目标识别模型：

获取用于模型训练的灰度化识别样本图片；

从均一化处理后的所述灰度化识别样本图片中抠取识别正样本，并对抠取的识别正样本和预设的识别负样本的尺寸进行均一化处理；

基于预设的识别负样本和抠取的识别正样本，采用级联分类训练算法进行训练，得到目标识别模型；

其中，识别正样本是指以被检测目标的标识部位为主体的局部图片，识别正样本不包含存在异常的样本图片；识别负样本是指不包含被检测目标的图片；抠图时，被检测目标充满90％以上被抠取图像区域。

优选地，按照如下步骤从所述灰度化识别样本图片中抠取识别正样本：

检测识别正样本在所述灰度化识别样本图片中的位置；

如果被检测目标在所述灰度化识别样本图片中所处部位随机，采用手工抠图；如果被检测目标在所述灰度化识别样本图片中所处部位固定，利用遮罩技术划定特定的图片或影像区域进行自动抠图。

优选地，得到目标识别模型之后进一步包括：

利用所述目标识别模型从所述灰度化识别样本图片中抠取识别正样本，并对抠取的识别正样本和预设的识别负样本的尺寸进行均一化处理；

利用预设的识别负样本和抠取的识别正样本训练所述目标识别模型。

优选地，按照如下步骤训练二元分类模型：

获取用于模型训练的灰度化分类样本图片，包括：分类正样本和分类负样本；

提取每个分类样本图片的样本特征，采用主成分分析法对样本特征进行分析，获取特征向量和特征值；

对特征向量进行聚类，聚类完成后通过二元分类算法对分类样本图片进行分类，得到二元分类模型；

其中，分类正样本是指以被检测目标的标识部位为主体的局部图片，分类正样本不包含存在异常的样本图片；分类负样本是指不包含被检测目标的图片；聚类的数量小于特征向量的数量。

优选地，获取用于模型训练的灰度化分类样本图片之后进一步包括：对分类样本图片的尺寸进行均一化处理。

优选地，提取每个分类样本图片的样本特征之后进一步包括：

对每个分类样本图片的样本特征数量进行均一化处理，具体地：针对任意一个分类样本图片，

如果提取的样本特征数量少于预定义的特征数量，则用零值或单位值填充，使该分类样本图片的样本特征数量达到预定义的特征数量；

如果提取的样本特征数量多于预定义的特征数量N，则选择预定义的特征数量个样本特征。

优选地，按照如下方法选择预定义的特征数量个样本特征：

对于分类负样本，随机选择预定义的特征数量个样本特征；

对于分类负样本，或特征数量接近预定义的特征数量的分类正样本，选择最前或最后的预定义数量个样本特征；

对于分类正样本，通过主成分分析法将样本特征按重要性降序排列，选择最重要的预定义的特征数量个样本特征。

优选地，采用主成分分析法对每个分类正样本的样本特征进行分析，选择代表性超过80％的样本特征数量的均值或最小值作为预定义的特征数量。

优选地，所述被检测目标图像的长宽像素尺寸与训练二元分类模型所使用的分类正样本的长宽像素尺寸相等。

优选地，步骤S1包括：