一种基于YOLOv5算法的图像欺诈检测方法技术

本发明专利技术属于车辆控制安全技术领域,涉及一种基于YOLOv5算法的图像欺诈检测方法，通过构建大量的欺诈图像数据并有针对性的进行模型训练，对欺诈图像进行识别，并在决策之前对其进行阻断，以解决自动驾驶技术所面临的物理入侵方案，结果表明该方案可以有效的识别出欺诈图像。图像。图像。

【技术实现步骤摘要】
一种基于YOLOv5算法的图像欺诈检测方法


[0001]本专利技术属于车辆控制安全
,尤其涉及一种基于YOLOv5算法的图像欺诈检测方法。

技术介绍

[0002]人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
[0003]不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等,通过神经网络对图像入侵进行识别，其中包括物理入侵、像素入侵。其目的为防止不法分子通过图像篡改影响图像识别算法的结果，以造成不可估计的财产损失,随着AI黑客的诞生，依赖神经网络的资产将面临着巨大的安全威胁。
[0004]因此，亟需一种基于神经网络的图像欺诈检测方法。

技术实现思路

[0005]本专利技术为了解决上述技术问题，提供一种基于YOLOv5算法的图像欺诈检测方法，其特征在于，包括以下步骤：
[0006]步骤S1：摄像头采集行车图像；
[0007]步骤S2：截取交通标识牌，并将交通标识牌传输至图像数据处理单元；
[0008]步骤S3：图像数据处理单元通过YOLOv5算法对采集的交通标识牌进行处理并识别；
[0009]步骤S4：图像识别网络获取识别结果并进行判断；
[0010]步骤S5：图像识别网络根据判断结果，做出决策。
[0011]进一步的，YOLOv5算法针对不同的数据集，设定初始长宽的锚框，在模型训练中，网络在初始锚框的基础上输出预测框，进而和ground truth进行对比，计算两者差距，再反向更新迭代模型参数。
[0012]进一步的，YOLOv5算法包括Focus模块、BottleNeck模块、CSP模块和SPPF模块；
[0013]Focus模块在图像进入backbone前对图片进行切片，将得到的新图片再经过卷积操作，最终得到没有信息丢失情况下的二倍下采样特征图；
[0014]BottleNeck模块包含带残差块和不带残差块两种结构，不带残差块的结构仅由
11conv和33conv组成；
[0015]CSP模块包含CSP1_X结构、CSP2_X结构和C3_1_X结构，所述CSP1_X结构应用于Backbone主干网络，所述CSP2_X结构应用于Neck中，所述C3_1_X结构剥离一个1*1的conv层、BN层和激活层；
[0016]SPPF模块将输入串行通过两个以上5*5大小的MaxPool层。
[0017]进一步的，YOLOv5算法在Head输出端使用了CIOU_LOSS做Bounding box的损失函数，公式为：
[0018][0019][0020]进一步的，YOLOv5算法对mask为true的位置计算对应预测框与目标框的CIOU，使用CIOU作为该预测框的置信度标签，对mask为false的位置直接赋0。
[0021]进一步的，CIOU的计算公式为：
[0022][0023][0024][0025]有益效果：
[0026]本专利技术提出了基于YOLOv5算法的图像欺诈检测方法，通过构建大量的欺诈图像数据并有针对性的进行模型训练，对欺诈图像进行识别，并在决策之前对其进行阻断，以解决自动驾驶技术所面临的物理入侵方案，结果表明该方案可以有效的识别出欺诈图像。
附图说明
[0027]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0028]图1图像欺诈检测方法流程图；
[0029]图2图像欺诈训练1：像素修改的模块性能图；
[0030]图3图像欺诈训练2：彩色胶条覆盖的模块性能图；
[0031]图4Focus模块的切片图；
[0032]图5BottleNeck模块结构图
[0033]图6CSP1_X结构图；
[0034]图7C3_1_X结构图；
[0035]图8CSP2_X结构图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0038]实施例：摄像头在行车途中实时采集行车图像，当扫描到交通标识牌，将其截取，传输至图像数据处理单元进行数据处理，图像数据处理单元通过YOLOv5算法对采集的交通标识牌进行处理并识别，图像识别网络获取识别结果并进行判断，当判断为欺诈图像时，将其丢弃，当判断为非欺诈图像时，做下一步决策。
[0039]YOLOv5算法通过欺诈数据构建，数据标注和模型训练，提高图像欺诈检测的精度。
[0040]图像欺诈训练模型：
[0041]图像数据为摄像头采集到的图片，其为RGB三通的像素矩阵，图片内容为物理篡改及像素篡改的数据，针对物理篡改通过制造欺诈图像数据集如贴纸、涂改、投影、遮挡等方法修改该特征本身具有的语义信息，模型的目的就是识别到这些异常数据，并将其判断为欺诈数据，避免该数据进入决策模型，降低安全风险。
[0042]篡改数据准备方法：
[0043]第一种：像素修改，通过使用opencv构建像素块，随机添加到指示牌数据中，并使用与周边颜色相近的图形框覆盖原图片部分像素，模型性能如图2所示；
[0044]第二种：通过使用彩色胶条，对实际路标进行覆盖，模型性能如图3所示。
[0045]图像识别网络分为输入端、Backbone、Neck、Head输出端四个部分。YOLOv5包含：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种版本，下面以YOLOv5s为例：
[0046]输入端：输入图像的大小为608*608，该阶段通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5算法的图像欺诈检测方法，其特征在于，包括以下步骤：步骤S1：摄像头采集行车图像；步骤S2：截取交通标识牌，并将交通标识牌传输至图像数据处理单元；步骤S3：图像数据处理单元通过YOLOv5算法对采集的交通标识牌进行处理并识别；步骤S4：图像识别网络获取识别结果并进行判断；步骤S5：图像识别网络根据判断结果，做出决策。2.根据权利要求1所述的一种基于YOLOv5算法的图像欺诈检测方法，其特征在于，所述YOLOv5算法针对不同的数据集，设定初始长宽的锚框，在模型训练中，在初始锚框的基础上输出预测框，进而和ground truth进行对比，计算两者差距，再反向更新迭代模型参数。3.根据权利要求2所述的一种基于YOLOv5算法的图像欺诈检测方法，其特征在于，所述YOLOv5算法包括Focus模块、BottleNeck模块、CSP模块和SPPF模块；所述Focus模块在图像进入backbone前对图片进行切片，将得到的新图片再经过卷积操作，最终得到没有信息丢失情况下的二倍下采样特征图；所述BottleNeck模块包含带残差块和不带残差块两...

【专利技术属性】
技术研发人员：韩宇，王金栋，周阔，
申请(专利权)人：北京擎天信安科技有限公司，
类型：发明
国别省市：