[发明专利]一种结合CNN迁移学习和SVDD的图像异常检测方法

权利要求书

1.一种结合CNN迁移学习和SVDD的图像异常检测方法，其特征在于，包括以下步骤：

步骤1：对于给定视频数据，截取包括待检测对象图像的样本，制作包含大量正样本和少量负样本的数据集，其中正样本和负样本的比例为10比1；

步骤2：对已经预训练好的网络模型进行模型迁移，将正样本集和负样本集中的训练集作为迁移后的卷积神经网络模型中的训练数据，生成CNN中的模型Model1，根据模型Model1提取正样本数据训练特征；

步骤3：利用CNN中训练得到的正样本特征作为SVDD分类器的输入，通过SVDD训练正样本特征得到超球体模型Model2；

步骤4：将测试样本集中的正样本和负样本通过Model1提取得到待检测的特征，并通过Model2判断测试样本与超球体的关系，最终判断测试样本是否异常。

2.如权利要求1所述的一种结合CNN迁移学习和SVDD的图像异常检测方法，其特征在于，在步骤3中通过SVDD训练正样本特征得到超球体模型Model2具体为：

对一类数据进行训练得到其训练边界，在高维特征数据中就是超球体模型；对待测试样本检测时，判断测试样本与其边界的关系，若在边界内，则为正常数据，若在边界外，则为异常数据，进而：

设正样本被完全包围时的超球体球心为a，半径为R，则对应的优化方程为：

s.t.R²+ξ_i-(x_i-a)(x_i-a)^T≥0(2)

其中，i＝1,2,...N，j＝1,2,...N，N为样本集个数，x_i,x_j为训练样本，C为惩罚因子，ξ_i为松弛变量；通过引入朗格朗日乘子并对相应函数进行求解，将(1)改写为式(3)：

其中，式(3)中L为Lagrange函数，式(4)中非零的α_i即为支持向量；对于新的测试样本z，当满足式(5)时，测试样本为正常样本，否则为异常样本；

||z-a||²≤R²。 (5) 。

3.如权利要求2所述的一种结合CNN迁移学习和SVDD的图像异常检测方法，其特征在于，还引入核函数K，将低维空间中的非线性问题转化为高维中的线性问题。

4.如权利要求3所述的一种结合CNN迁移学习和SVDD的图像异常检测方法，其特征在于，正常域边界由惩罚因子C和核函数K中的参数g决定，采用参数寻优的方法对设定阈值范围内的C和g进行寻优，以找到最优参数组。