计算机实现的用于异常检测的方法和设备技术

用小波分解处理信号或图像的数字表示以生成第一多个分解表示；用小波分解处理第一多个分解表示中的第一分解表示以生成第二多个分解表示；用小波分解处理第二多个分解表示中的第一分解表示以生成第三多个分解表示；用第一生成模型处理第三多个分解表示中的第一分解表示以确定第一似然性；用第二生成模型处理第三多个分解表示中的至少一个第二分解表示以确定第二似然性；用第三生成模型处理第二多个分解表示中的至少一个第二分解表示以确定第三似然性；用第四生成模型处理第一多个分解表示中的至少一个第二分解表示以确定第四似然性；当第一似然性、第二似然性、第三似然性和第四似然性中的至少一个满足异常检测的准则时，检测到异常。

【技术实现步骤摘要】
计算机实现的用于异常检测的方法和设备
本专利技术涉及用于异常检测的方法和设备。
技术介绍
真实的现实世界自然信号可以由传感器捕获并表示为其数字表示。视觉信号可以由数字图像来表示。听觉信号可以由数字音频来表示或表示为图像。对现实自然信号（如数字图像或数字音频）的数字表示进行鲁棒异常检测需要跨不同设置鲁棒地工作的方法。
技术实现思路
由根据独立权利要求的计算机实现的方法和设备实现的鲁棒异常检测。异常检测的方法包括利用小波分解处理信号或图像的数字表示以生成第一多个分解表示；利用小波分解处理第一多个分解表示中的第一分解表示以生成第二多个分解表示；利用小波分解处理第二多个分解表示中的第一分解表示以生成第三多个分解表示；利用第一生成模型处理第三多个分解表示中的第一分解表示以确定第一似然性；利用第二生成模型处理第三多个分解表示中的至少一个第二分解表示以确定第二似然性；利用第三生成模型处理第二多个分解表示中的至少一个第二分解表示以确定第三似然性；利用第四生成模型处理第一多个分解表示中的至少一个第二分解表示以确定第四似然性；当第一似然性、第二似然性、第三似然性和第四似然性中的至少一个满足异常检测的准则时，检测到异常。该小波分解产生三级别尺度的小波系数。一般而言，小波分解产生数字表示的输入分辨率允许的尽可能多的小波系数尺度。对于8×8的输入分辨率，这意味着可以产生log2(8)=3个小波系数尺度。对于32x32的输入分辨率，log2(32)=5个小波系数尺度可用。因此，当小波分解在三个级别的尺度中产生小波系数时，并非所有可用的小波系数尺度都被使用。在一个示例中，小波分解产生不同分辨率的图像。每一级别的第一分解表示对应于为下一级别尺度进一步分解的数字图像。使用哈尔小波，每一级别的至少一个第二分解表示对应于由数字表示的像素之间的水平、垂直或对角线差或前一级别标度的第一分解表示定义的数字图像。哈尔小波是一个示例，更一般地，也可以使用其它小波分解，诸如迈耶小波或莫莱小波。在所有级别处使用相同的小波分解。如果所述模型中的一个产生指示异常的似然性，则在四个模型中独立地分析小波系数以用于检测异常。所述分解中的每一个的小波系数具有不同的分辨率。因此，与类比检测相比，准确性和可靠性可以显著提高。优选地，第二生成模型以第三多个分解表示中的第一分解表示为条件；和/或第三生成模型以第三多个分解表示中的第一分解表示和第三多个分解表示中的所述至少一个第二分解表示为条件，或者以通过逆小波分解从第三多个分解表示中的第一分解表示和所述至少一个第二分解表示重构的重构表示为条件；和/或第四生成模型以第三多个分解表示中的第一分解表示、第三多个分解表示中的所述至少一个第二分解表示和第二多个分解表示中的所述至少一个第二分解表示为条件，或者以通过至少一次逆小波分解从第三多个分解表示中的第一分解表示、第三多个分解表示中的所述至少一个第二分解表示和/或第二多个分解表示中的所述至少一个第二分解表示重构的重构表示为条件。所述条件作用进一步提高了准确度。在一个方面，当第一似然性、第二似然性、第三似然性和第四似然性中的至少一个低于阈值时，满足该准则。假设正常图像的似然性在预确定范围内。如果似然性超出该范围，则检测到异常图像。该方法可以包括将第一似然性与第一阈值进行比较，将第二似然性与第二阈值进行比较，将第三似然性与第三阈值进行比较，将第四似然性与第四阈值进行比较。阈值可以是可调整的。因此，正常或异常图像是容易地可检测的。阈值测试可以独立地执行，并且如果总共K个似然性中的k个似然性预示异常，则可以检测到异常。对于k=1，在一个似然性超出预定义的正常范围的情况下，检测到异常。在一个方面，该方法包括取决于第一似然性、第二似然性、第三似然性和第四似然性来确定总和，在比较中将总和与阈值进行比较，并且取决于比较的结果检测到异常或未检测到异常。因此，取决于比较的结果，检测到正常或异常的信号或图像。这意味着，通过评估第一似然性、第二似然性、第三似然性和第四似然性是否一起满足准则来检测异常。总和可以直接从似然性确定。总和的变型可以是在每个似然性除以针对其确定似然性的多个尺度尺寸之后的似然性总和。这样一来，每个尺度相等地贡献于似然性。这意味着具有更大尺寸的更高分辨率尺度将更多地贡献于总和。优选地，像素定义至少一个强度值，其中数字表示由所述像素集定义，其中该方法包括取决于平均强度值来确定第一多个分解表示中的第一分解表示，其中平均强度值通过对像素集的非重叠子集的强度值进行平均来确定，以及取决于至少两个不同的所述像素的强度值之间的差异来确定所述至少一个第二分解表示中的至少一个。在该方面，像素被分组在像素块中用于平均，例如在哈尔小波分解中用于确定该级别的第一分解表示。在另一方面，像素定义至少一个强度值，其中第一多个分解表示中的第一分解表示由所述像素集定义，其中该方法包括取决于平均强度值而确定第二多个分解表示中的第一分解表示，其中平均强度值通过对像素集的非重叠子集的强度值进行平均来确定，以及取决于至少两个不同的所述像素的强度值之间的差异来确定第二多个分解表示中的所述至少一个第二分解表示。在该方面中，像素还被分组在像素块中以用于进行平均，例如在哈尔小波分解中用于确定该级别处的第一分解表示。在另一方面，像素定义至少一个强度值，其中第二多个分解表示中的第一分解表示由所述像素集定义，其中该方法包括取决于平均强度值来确定第三多个分解表示中的第一分解表示，其中平均强度值通过对该像素集的非重叠子集的强度值进行平均来确定，以及取决于至少两个不同的所述像素的强度值之间的差异来确定第三多个分解表示中的所述至少一个第二分解表示。在该方面中，像素还被分组在像素块中以用于进行平均，例如在哈尔小波分解中用于确定该级别处的第一分解表示。数字表示可以包括灰度或彩色通道，其中该方法包括单独处理单个通道。该方法可以包括利用小波分解处理信号或图像的数字训练表示以生成第一多个分解训练表示；利用小波分解处理第一多个分解训练表示中的第一分解训练表示以生成第二多个分解训练表示；利用小波分解处理第二多个分解训练表示中的第一分解训练表示以生成第三多个分解训练表示；确定包括第三多个分解训练表示中的第一分解训练表示的第一模型的第一训练数据；确定包括第三多个分解训练表示中的所述至少一个第二分解训练表示的第二模型的第二训练数据；确定包括第二多个分解训练表示中的所述至少一个第二分解训练表示的第三模型的第三训练数据；确定包括第一多个分解训练表示中的所述至少一个第二分解训练表示的第四模型的第四训练数据。因此，对于每个分辨率，训练单独的生成模型，诸如可逆神经网络或自回归神经网络。优选地，该方法包括利用第一训练数据训练第一生成模型以确定第一似然性，利用第二训练数据训练第二生成模型以确定第二似然性，利用第三训练数据训练第三生成模型以确定第三似然性，和/或利用第四训练数据训练第四生成模型以确定第四似然性。这种分布方法用训练数据训练每个生成模型。生成模型学习训练数据的分布。然后，预期异常数据具有比正常数据更低的似然性本文档来自技高网...

【技术保护点】
1.异常检测的计算机实现的方法，其特征在于，利用小波分解处理（204）信号或图像的数字表示（302）以生成第一多个分解表示（304）；利用小波分解处理（206）第一多个分解表示（304）中的第一分解表示（304a）以生成第二多个分解表示（306）；利用小波分解处理（208）第二多个分解表示（306）中的第一分解表示（306a）以生成第三多个分解表示（308）；利用第一生成模型（310）处理（210）第三多个分解表示（308）中的第一分解表示（308a）以确定第一似然性（

【技术特征摘要】
20200124 EP 20153553.11.异常检测的计算机实现的方法，其特征在于，利用小波分解处理（204）信号或图像的数字表示（302）以生成第一多个分解表示（304）；利用小波分解处理（206）第一多个分解表示（304）中的第一分解表示（304a）以生成第二多个分解表示（306）；利用小波分解处理（208）第二多个分解表示（306）中的第一分解表示（306a）以生成第三多个分解表示（308）；利用第一生成模型（310）处理（210）第三多个分解表示（308）中的第一分解表示（308a）以确定第一似然性（pθ1）；利用第二生成模型（312）处理（212）第三多个分解表示（308）中的至少一个第二分解表示（308b、308c、308d）以确定第二似然性（pθ2）；利用第三生成模型（314）处理（214）第二多个分解表示（306）中的至少一个第二分解表示（306b、306c、306d）以确定第三似然性（pθ3）；利用第四生成模型（316）处理（216）第一多个分解表示（304）中的至少一个第二分解表示（304b、304c、304d）以确定第四似然性（pθ4）；当第一似然性（pθ1）、第二似然性（pθ2）、第三似然性（pθ3）和第四似然性（pθ4）中的至少一个满足异常检测的准则时，检测到（218）异常。


2.根据权利要求1所述的方法，其特征在于，第二生成模型（312）以第三多个分解表示（308）中的第一分解表示（308a）为条件；和/或第三生成模型（314）以第三多个分解表示（308）中的第一分解表示（308a）和第三多个分解表示（308）中的所述至少一个第二分解表示（308b，308c、308d）为条件，或者以通过逆小波分解从第三多个分解表示（308）中的第一分解表示（308a）和所述至少一个第二分解表示（308b，308c、308d）重构的重构表示为条件；和/或第四生成模型（316）以第三多个分解表示（308）中的第一分解表示（308a）、第三多个分解表示（308）中的所述至少一个第二分解表示（308b，308c、308d）和第二多个分解表示（306）中的所述至少一个第二分解表示（306b、306c、306d）为条件，或者以通过至少一次逆小波分解从第三多个分解表示（308）中的第一分解表示（308a）、第三多个分解表示（308）中的所述至少一个第二分解表示（308b，308c、308d）和/或第二多个分解表示（306）中的所述至少一个第二分解表示（306b、306c、306d）重构的重构表示为条件。


3.根据前述权利要求中的一个所述的方法，其特征在于，当第一似然性（pθ1）、第二似然性（pθ2）、第三似然性（pθ3）和第四似然性（pθ4）中的至少一个低于阈值时，满足准则（218）。


4.根据权利要求3所述的方法，其特征在于，将第一似然性（pθ1）与第一阈值进行比较（218），将第二似然性（pθ2）与第二阈值进行比较，将第三似然性（pθ3）与第三阈值进行比较，将第四似然性（pθ4）与第四阈值进行比较。


5.根据权利要求1或2中任一项所述的方法，其特征在于，取决于第一似然性（pθ1）、第二似然性（pθ2）、第三似然性（pθ3）和第四似然性（pθ4）来确定总和，在比较中将总和与阈值进行比较，并且取决于比较的结果而检测到异常或未检测到异常。


6.根据前述权利要求中的一个所述的方法，其特征在于，像素定义至少一个强度值，其中所述数...

【专利技术属性】
技术研发人员：张丹，R·T·施尔迈斯特，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE