图像异常检测方法及装置、存储介质、电子设备制造方法及图纸

本公开属于图像处理技术领域，涉及一种图像异常检测方法及装置、存储介质、电子设备。该方法包括：获取正常样本，并提取正常样本的图像块特征建立正样本特征库；获取待测图像的待测特征，并计算待测特征与正样本特征库中的图像块特征之间的特征距离；对特征距离进行异常得分计算得到待测图像的异常得分，并根据异常得分确定待测图像的异常检测结果。本公开避免了样本极度不平衡问题，解决了样本采集过程中带来的泛化性能弱的问题，提升了不同应用场景下的异常检测方法的通用性，解决了样本采集和数据标注带来的人力成本过度消耗问题，适用于任意尺寸待测图像的异常检测，提升了图像异常检测的准确性，也使得异常检测方式具备高召回率和强适应性。率和强适应性。率和强适应性。

【技术实现步骤摘要】
图像异常检测方法及装置、存储介质、电子设备


[0001]本公开涉及图像处理
，尤其涉及一种图像异常检测方法与图像异常检测装置、计算机可读存储介质及电子设备。

技术介绍

[0002]随着计算机和移动端智能机的普及，游戏已经成为一种越来越普遍的娱乐形式。随着游戏市场规模的不断扩大，如果提高游戏品质，以及减少游戏中存在的bug(漏洞)是各大游戏厂商日益关注的问题。在游戏测试过程中，大部分的bug都是由视觉感知到的，例如模型缺失、画面花屏、颜色异常以及额外加载等bug。图像显示类bug是直接影响用户体验的关键元素之一，因此在测试过程中受到极大的重视。无论是回归测试，或者是兼容性测试都不可避免。
[0003]通常，通过基于机器学习或者是基于深度学习的图像异常检测算法进行检测。但是，现有的图像异常检测算法会由于样本收集耗费大量的人力成本。即使如此，游戏场景下也只能收集到很多正常样本，异常样本过少，因此，会由于样本极度不平衡导致图像异常检测算法的泛化性能不佳。进一步的，游戏场景下的图像异常检测算法对于新游戏难以适用，且无法对小尺寸图像进行异常捕捉，通用性很差，且不具备高召回率。
[0004]鉴于此，本领域亟需开发一种新的图像异常检测方法及装置。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种图像异常检测方法、图像异常检测装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的异常检测结果差和通用性差的技术问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本专利技术实施例的第一个方面，提供一种图像异常检测方法，所述方法包括：
[0009]获取正常样本，并提取所述正常样本的图像块特征建立正样本特征库；
[0010]获取待测图像的待测特征，并计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离；
[0011]对所述特征距离进行异常得分计算得到所述待测图像的异常得分，并根据所述异常得分确定所述待测图像的异常检测结果。
[0012]在本专利技术的一种示例性实施例中，所述提取所述正常样本的图像块特征建立正样本特征库，包括：
[0013]利用卷积神经网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库。
[0014]在本专利技术的一种示例性实施例中，所述利用卷积神经网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库，包括：
[0015]利用卷积神经网络中的残差网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库。
[0016]在本专利技术的一种示例性实施例中，所述利用卷积神经网络中的残差网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库，包括：
[0017]对所述正常样本进行三组卷积运算得到第一特征图，并对所述第一特征图进行多层卷积运算得到第二特征图；
[0018]对所述第一特征图和所述第二特征图进行特征通道融合得到图像块特征，并利用所述图像块特征建立正样本特征库。
[0019]在本专利技术的一种示例性实施例中，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0020]利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。
[0021]在本专利技术的一种示例性实施例中，所述利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0022]利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的第一欧式距离作为特征距离。
[0023]在本专利技术的一种示例性实施例中，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0024]利用乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。
[0025]在本专利技术的一种示例性实施例中，所述利用乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0026]对所述正样本特征库中的图像块特征进行切分得到样本子空间，并对所述样本子空间进行编码得到编码标识；
[0027]对所述待测特征进行切分得到待测子空间，并计算所述待测子空间与所述样本子空间之间的距离得到距离表；
[0028]利用所述编码标识在所述距离表中查询子距离，并对所述子距离进行距离汇总计算得到特征距离。
[0029]在本专利技术的一种示例性实施例中，所述计算所述待测子空间与所述样本子空间之间的距离得到距离表，包括：
[0030]计算所述待测子空间与所述样本子空间之间的第二欧式距离，并根据所述第二欧式距离生成距离表。
[0031]在本专利技术的一种示例性实施例中，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0032]利用倒排乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。
[0033]在本专利技术的一种示例性实施例中，所述利用倒排乘积量化算法计算所述待测特征
与所述正样本特征库中的图像块特征之间的特征距离，包括：
[0034]对所述正样本特征库中的图像块特征进行聚类得到聚类中心，并根据所述待测特征在所述聚类中心中确定目标聚类中心；
[0035]对所述待测特征和所述目标聚类中心进行残差计算得到残差向量，并基于所述残差向量，利用所述乘积量化算法计算所述待测特征和所述正样本特征库中的图像块特征之间的特征距离。
[0036]在本专利技术的一种示例性实施例中，所述根据所述待测特征在所述聚类中心中确定目标聚类中心，包括：
[0037]计算所述待测特征和所述聚类中心之间的第三欧式距离，并对所述第三欧式距离进行比较得到距离比较结果；
[0038]根据所述距离比较结果在所述聚类中心中确定目标聚类中心。
[0039]在本专利技术的一种示例性实施例中，所述对所述特征距离进行异常得分计算得到所述待测图像的异常得分，包括：
[0040]在所述待测图像的待测特征对应的特征距离中确定初始距离，并在所述初始距离中确定与所述正样本特征库关联的目标距离；
[0041]对所述目标距离进行计算得到异常权重，并对所述异常权重和所述初始距离进行异常得分计算得到异常得分。
[0042]在本专利技术的一种示例性实施例中，所述在所述待测图像的待测特征对应的特征距离中确定初始距离，包括：
[0043]对所述待测图像的待测特征对应的特征距离进行比较得到特征比较结果；
[0044]根据所述特征比较结果在所述待测图像的待测特征对应的特征距离中确定初始距离。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像异常检测方法，其特征在于，所述方法包括：获取正常样本，并提取所述正常样本的图像块特征建立正样本特征库；获取待测图像的待测特征，并计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离；对所述特征距离进行异常得分计算得到所述待测图像的异常得分，并根据所述异常得分确定所述待测图像的异常检测结果。2.根据权利要求1所述的图像异常检测方法，其特征在于，所述提取所述正常样本的图像块特征建立正样本特征库，包括：利用卷积神经网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库。3.根据权利要求2所述的图像异常检测方法，其特征在于，所述利用卷积神经网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库，包括：利用卷积神经网络中的残差网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库。4.根据权利要求3所述的图像异常检测方法，其特征在于，所述利用卷积神经网络中的残差网络提取所述正常样本的图像块特征，以利用所述图像块特征建立正样本特征库，包括：对所述正常样本进行三组卷积运算得到第一特征图，并对所述第一特征图进行多层卷积运算得到第二特征图；对所述第一特征图和所述第二特征图进行特征通道融合得到图像块特征，并利用所述图像块特征建立正样本特征库。5.根据权利要求1所述的图像异常检测方法，其特征在于，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。6.根据权利要求5所述的图像异常检测方法，其特征在于，所述利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：利用暴力检索算法计算所述待测特征与所述正样本特征库中的图像块特征之间的第一欧式距离作为特征距离。7.根据权利要求1所述的图像异常检测方法，其特征在于，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：利用乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。8.根据权利要求7所述的图像异常检测方法，其特征在于，所述利用乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：对所述正样本特征库中的图像块特征进行切分得到样本子空间，并对所述样本子空间进行编码得到编码标识；对所述待测特征进行切分得到待测子空间，并计算所述待测子空间与所述样本子空间之间的距离得到距离表；
利用所述编码标识在所述距离表中查询子距离，并对所述子距离进行距离汇总计算得到特征距离。9.根据权利要求8所述的图像异常检测方法，其特征在于，所述计算所述待测子空间与所述样本子空间之间的距离得到距离表，包括：计算所述待测子空间与所述样本子空间之间的第二欧式距离，并根据所述第二欧式距离生成距离表。10.根据权利要求7所述的图像异常检测方法，其特征在于，所述计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：利用倒排乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离。11.根据权利要求10所述的图像异常检测方法，其特征在于，所述利用倒排乘积量化算法计算所述待测特征与所述正样本特征库中的图像块特征之间的特征距离，包括：对所述正样本特征库中的图像块特征进行聚类得到聚类中心，并根据所述待测特征在所述聚类中心中确定目标聚类中心；对所述待测特征和所述目标聚类中心进行残差计算得到残差向量，并基于所述...

【专利技术属性】
技术研发人员：吴迪，徐博磊，叶均杰，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：