[发明专利]一种基于生成对抗网络的异常检测方法

说明书

本发明公开了一种基于生成对抗网络的异常检测方法，包括步骤：S1：处理语义分割图像数据集，得到满足原始图像的数据集和Mask图像的数据集；S2：建立包括生成网络和鉴别网络的异常检测生成对抗网络结构；S3：训练所述满足原始图像的数据集和Mask图像的数据集，得到异常检测的生产对抗网络模型；S4：输入原始图像，得到特定异常类型的图像。本发明与现有技术相比有如下优点：1.本发明以异常部分图像作为模型训练目标，不同于传统异常检测方法，以异常部分具体定位信息作为训练目标，使得图像异常部分更加直观性。2.本发明建立生成对抗网络模型，不同于传统异常检测方法单一一体的网络结构。弥补了无法输出异常部分的图像的缺点。

技术领域

本发明属于GAN的图像处理领域，主要涉及街道户外异常检测，具体来说，即基于生产对抗网络的街道异常检测方法。

背景技术

生成对抗网络GAN是一种生成对抗模型，受到博弈论影响，模型通常由一个生成器和一个鉴别器构成。生成器捕获真实数据的潜在分布，并且生成新的数据样本；鉴别器是二分器，鉴别输入数据为真是数据还是由生成器生成的样本。传统的生成对抗网络旨在从随机高斯噪声中捕获真实数据分布，其目的为生成足以以假乱真的图片。生成器和鉴别器网络结构均为卷积神经网络。

生成对抗网络涉及图像翻译领域，将真实图片作为生成对抗网络输入，生成网络输出另一张图片。图片的真实性决定了生成对抗网络的性能与否。

异常检测是在真实数据中不符合其他物体，项目的识别。训练异常检测模型方法一般分为三类：无监督异常检测、监督异常检测和半监督异常检测。通常选择监督异常检测方法，训练得到输出图像中目标具体定位信息的模型。

发明内容

针对上述异常检测方法中，网络结构均为单一一体化的卷积网络，并不涉及生成对抗网络中存在两个互相对抗的网络结构，无法提供图像中异常部分的Mask区域等问题。提出了基于生成对抗的思想，结合目标检测方法，检测图像中异常部分。生成对抗思想弥补异常检测中无法生成异常Mask区域缺点。异常检测思想弥补生成对抗网络只能从噪声中恢复图像，以达到在图像翻译领域，输出异常Mask区域。

本发明采取如下技术方案：

一种基于生成对抗网络的异常检测方法，包括步骤：

S1：处理语义分割图像数据集，得到满足原始图像的数据集和Mask图像的数据集；

S2：建立包括生成网络和鉴别网络的异常检测生成对抗网络结构；

S3：训练所述满足原始图像的数据集和Mask图像的数据集，得到异常检测的生产对抗网络模型；

S4：输入原始图像，得到特定异常类型的图像。

优选的，所述步骤S3具体实施步骤如下：

S3.1：鉴别网络输出关于异常部分图像占Mask图像的第一真假可能性和网络中间层特征参数；

S3.2：生成网络生成异常部分图像，输入所述异常部分图像到鉴别网络，输出关于异常部分图像的异常可能性；输入Mask图像到鉴别网络，输出关于Mask图像的真实可能性和真实图像特征参数，并更新鉴别网络的鉴别网络参数；

S3.3：再次输入异常部分图像到鉴别网络，输出关于异常部分图像的异常可能性和异常图像特征参数，并更新生成网络的生成网络参数。

优选的，所述数据集还进行异常类型的制定。指定原始图像的数据集中异常类型(如车)，得到关于异常类型的Mask数据集。

优选的，

所述生成网络，包括提取特征网络和图像生成网络；

所述鉴别网络，用于保证网络训练可靠性。