图像异常检测方法、可读存储介质和视频安防系统技术方案

本发明专利技术提供了一种图像异常检测方法、可读存储介质和视频安防系统，图像异常检测方法，包括：获取第一帧图像和分数阈值，第一帧图像是待检测的图像；将第一帧图像输入至预设知识蒸馏框架，得到预设知识蒸馏框架输出的得分图，预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，预设知识蒸馏框架中的教师网络模型与学生网络模型采用不同的结构；根据得分图和分数阈值确定第一帧图像中的异常区域。像中的异常区域。像中的异常区域。

【技术实现步骤摘要】
图像异常检测方法、可读存储介质和视频安防系统


[0001]本专利技术涉及图像处理
，具体而言，涉及一种图像异常检测方法、可读存储介质和视频安防系统。

技术介绍

[0002]视频图像的异常检测是指在监控视频中自动识别出不寻常或异常的事件或行为。
[0003]相关技术方案中，视频图像拍摄得到的目标物太多，含义复杂，理解难度比较大，存在标注困难的问题。
[0004]因此，视频图像的异常检测精度较差，无法满足现阶段的使用需要。

技术实现思路

[0005]本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
[0006]为此，本专利技术的第一个方面在于，提供了一种图像异常检测方法。
[0007]本专利技术的第二个方面在于，提供了一种图像异常检测装置。
[0008]本专利技术的第三个方面在于，提供了另一种图像异常检测装置。
[0009]本专利技术的第四个方面在于，提供了一种可读存储介质。
[0010]本专利技术的第五个方面在于，提供了一种视频安防系统。
[0011]有鉴于此，根据本专利技术的第一个方面，本专利技术提供了一种图像异常检测方法，包括：获取第一帧图像和分数阈值，第一帧图像是待检测的图像；将第一帧图像输入至预设知识蒸馏框架，得到预设知识蒸馏框架输出的得分图，预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，预设知识蒸馏框架中的教师网络模型与学生网络模型采用不同的结构；根据得分图和分数阈值确定第一帧图像中的异常区域。
[0012]根据本专利技术的第二个方面，本专利技术提供了一种图像异常检测装置，包括：获取单元，用于获取第一帧图像和分数阈值，第一帧图像是待检测的图像；处理单元，用于将第一帧图像输入至预设知识蒸馏框架，得到预设知识蒸馏框架输出的得分图，预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，预设知识蒸馏框架中的教师网络模型与学生网络模型采用不同的结构；确定单元，用于根据得分图和分数阈值确定第一帧图像中的异常区域。
[0013]根据本专利技术的第三个方面，本专利技术提供了另一种图像异常检测装置，包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如上述中任一项的方法的步骤。
[0014]根据本专利技术的第四个方面，本专利技术提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如上述中任一项的方法的步骤。
[0015]根据本专利技术的第五个方面，本专利技术提供了一种视频安防系统，包括：执行如上述任一图像异常检测方法的步骤；和/或如上述可读存储介质。
[0016]在本申请的技术方案中，无监督学习，无需对样本数据在进行标注，适用于实际场
景中缺乏标注数据的情况，可以自动学习数据的分布和特征，不需要手动指定特征或者规则。
[0017]基于此，在本申请的技术方案中，由于预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，因此，知识蒸馏框架的训练无需采用异常的图像进行训练，降低了模型训练的成本。
[0018]同时，上述预设知识蒸馏框架能够适用于高维度、非线性和复杂的数据类型，以便满足不同场景的使用需要，确保了异常区域的检测精度。
[0019]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0020]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0021]图1示出了本专利技术实施例中图像异常检测方法的流程示意图；
[0022]图2示出了本专利技术实施例中预设知识蒸馏框架的训练和使用的示意图；
[0023]图3示出了本专利技术实施例中背景模板的示意图；
[0024]图4示出了本专利技术实施例中图像异常检测方法应用于园区内道路侵占检测的流程示意图；
[0025]图5示出了本专利技术实施例中一种图像异常检测装置的示意框图；
[0026]图6示出了本专利技术实施例中另一种图像异常检测装置的示意框图。
具体实施方式
[0027]为了能够更清楚地理解本专利技术的上述方面、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0028]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0029]本申请的一个实施例中，如图1所示，提供了一种图像异常检测方法，包括：
[0030]步骤102，获取第一帧图像和分数阈值，第一帧图像是待检测的图像；
[0031]步骤104，将第一帧图像输入至预设知识蒸馏框架，得到预设知识蒸馏框架输出的得分图，预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，预设知识蒸馏框架中的教师网络模型与学生网络模型采用不同的结构；
[0032]步骤106，根据得分图和分数阈值确定第一帧图像中的异常区域。
[0033]在一些实施例中，可选地，得分图的尺寸与第一帧图像的尺寸相同。
[0034]在本申请的实施例中，无监督学习，无需对样本数据在进行标注，适用于实际场景中缺乏标注数据的情况，可以自动学习数据的分布和特征，不需要手动指定特征或者规则。
[0035]基于此，在本申请的实施例中，由于预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，因此，知识蒸馏框架的训练无需采用异常的图像进行训
练，降低了模型训练的成本。
[0036]同时，上述预设知识蒸馏框架能够适用于高维度、非线性和复杂的数据类型，以便满足不同场景的使用需要，确保了异常区域的检测精度。
[0037]在一些实施例中，可选地，待检测的图像为视频图像。
[0038]在上述实施例中，视频图像可以是由摄像头拍摄得到的图像，也可以是由摄像头拍摄得到的视频中的一帧图像，亦或是经由其它电子设备传输得到的图像。
[0039]在上述实施例中，分数阈值可以根据实际检测需要进行取值，在此不再进行赘述。
[0040]在上述实施例中，得分图可以理解为，由得分构建得到的图像，得分图中的每一个得分与第一帧图像中的每一个像素点一一对应。其中，上文中的得分可以理解为对应像素点为异常的概率值。
[0041]在其中一个实施例中，预设知识蒸馏框架为逆向蒸馏(Reverse Distillation)的知识蒸馏框架。
[0042]在一些实施例中，可选地，教师网络模型的网络结构和学生网络模型的网络结构不同。
[0043]在该实施例中，教师网络模型的网络结构和学生网络模型的网络结构相同，则学生网络模型将输出结果完整还原到第一帧图像的概率会比较高，使得异常区域无法被检测出来，通过限定教师网络模型的本文档来自技高网...

【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，包括：获取第一帧图像和分数阈值，所述第一帧图像是待检测的图像；将所述第一帧图像输入至预设知识蒸馏框架，得到所述预设知识蒸馏框架输出的得分图，所述预设知识蒸馏框架是采用无异常的图像进行无监督学习得到的知识蒸馏框架，所述预设知识蒸馏框架中的教师网络模型与学生网络模型采用不同的结构；根据所述得分图和所述分数阈值确定所述第一帧图像中的异常区域。2.根据权利要求1所述的图像异常检测方法，其特征在于，所述预设知识蒸馏框架包括教师网络模型和学生网络模型，所述将所述第一帧图像输入至预设知识蒸馏框架，得到所述预设知识蒸馏框架输出的得分图，包括：采用所述教师网络模型对所述第一帧图像进行编码处理，得到输出结果，在所述编码处理过程中，所述第一帧图像对应有至少一种尺寸的第一特征图；采用所述学生网络模型对所述输出结果进行解码处理，在所述解码处理过程中，所述输出结果对应有至少一种尺寸的第二特征图；确定尺寸相同的所述第一特征图和所述第二特征图的余弦相似度；基于所述余弦相似度确定所述得分图。3.根据权利要求2所述的图像异常检测方法，其特征在于，所述第二特征图的确定步骤包括：对所述教师网络模型输出的第一特征图进行降维处理得到降维特征图；基于所述学生网络模型将所述降维特征图恢复到与所述教师网络模型输出的所述第一特征图结构相同的所述第二特征图。4.根据权利要求3所述的图像异常检测方法，其特征在于，所述得分图的确定方式包括：将对应尺寸的所述第一特征图与所述第二特征图进行比对；基于各所述尺寸的特征图的比对结果确定得分图，所述得分图用于表示所述第一帧图像中的每一个像素为异常像素的概率。5.根据权利要求4所述的图像异常检测方法，其特征在于，所述基于各所述尺寸的特征图的所述比对结果确定得分图，包括：对各所述尺寸的特征图的得分图进行加权求和，得到所述第一帧图像对应的得分图。6.根据权利要求1所述的图像异常检测方法，其特征在于，所述根据所述得分图和所述分数阈值确定所述第一帧图像中的异常区域，具体包括：基于所述分数阈值对所述得分图进行处理，得到待选异常区域；确定每一所述待选异常区域的面积值；获取面积阈值；将面积值大于或等于所述面积阈值的所述待选异常区域作为所述异常区域。7.根据权利要求6所述的图像异常检测方法，其特征在于，所述基于所述分数阈值对所述得分图...

【专利技术属性】
技术研发人员：柴国梁，
申请(专利权)人：美的集团股份有限公司，
类型：发明
国别省市：