[发明专利]异常检测装置及异常检测方法

说明书

课题是使用根据真实世界数据计算的特征量进行异常判别，将判别结果作为操作员可直观掌握的信息显示在画面上。解决手段是：异常检测装置具备根据真实世界数据计算高维的特征量的部件、根据预先收集的学习用真实世界数据生成将特征量射影到异常判别空间的矩阵的部件、将特征量射影到判定有无异常的异常判别空间的部件、根据判别空间上的分布判断有无异常的部件、在为已知异常的情况下判断为异常时根据异常判别空间上的分布趋势识别并提示异常的内容的部件、以及将异常判别空间上的分布可视化显示以直观地理解检知结果的显示部件。

技术领域

本发明涉及一种异常检测装置及异常检测方法，特别是涉及一种将检测结果显示为可直观掌握的视觉信息的异常检测装置及异常检测方法。

背景技术

以往，通过根据图像数据、声音数据等检测异常而实现的自动化、省力化的需求涉及监控摄像头、各种产品检查(目视检查)、设备或系统的状态监控(传感器信息、声音)等多个领域。而且，随着相机、传感器的普及，将来异常检测的需求有望日益增加。作为用于实现异常检测的自动化、省力化的手段，例如提出了下述专利文献1、专利文献2所记载的方法。

在下述专利文献1、2中，公开了一种检测异常的方法，使用非专利文献1中记载的称作三维高阶局部自相关特征提取法的方法来计算特征量，计算影像中的人物行为的异常程度，而检测异常。

现有技术文献

专利文献

专利文献1：日本专利第4368767号

专利文献2：日本特开2007－219865号

非专利文献

非专利文献1：A Three-Way Auto-Correlation Based Approach to HumanIdentification by Gait,Proc.IEEE Workshop on Visual Surveillance(VS),pp.185-192,2006.

发明内容

发明要解决的问题

上述现有技术中存在如下所述的问题点。在专利文献1中记载的现有技术中，将异常定义为“不同于在学习时准备的正常数据”，以学习的方式生成根据正常数据计算的特征量的子空间，并对相对于该子空间的偏离度(异常值)进行阈值处理，从而进行正常/异常的判定。但是，虽然异常也存在某些内容差异，但以往方法却将仅从异常值这样的标量值来看是不正常的情况一概判定为异常，因此无法判别异常的差异。

例如，在以高速公路上的影像监控为例的情况下，即使根据异常值的大小能够判定正常、异常，也无法判断检测到的异常是“汽车的逆行”还是“行人的闯入”。另外，由于将异常捕捉为“不同于在学习时准备的正常数据”，因此也存在将偏离学习数据那样的罕见的正常事例、例如飞鸟横穿相机前方等情况也检测为异常这样的问题。

专利文献2中公开了如下改进方法：在学习样本中也添加异常例，“计算误报率(将正常判定为异常)和漏报率(将异常判定为正常)，根据两者的值相同等基准确定适当的阈值”、“不是正常、异常两个阶段，也扩展到包括轻度异常的三个阶段或三个阶段以上”、“也以误报率、漏报率降低的方式确定贡献率(维度)”。通过这些方法，在异常值的阈值设定、程度方面，成功减轻了操作员进行设定时的负担，但是并未实现上述问题的根本解决。

非专利文献1中提出了一种所谓的模式识别方法：在将预先准备的数据分为多个类别的基础上，以学习的方式对特征量分布的趋势进行建模，识别测试数据属于哪个类别。

因此，通过采用这种方法也可实现问题的解决，但识别测试数据的空间通常为四维以上的高阶空间，难以视觉上直观掌握识别结果，另外，也未考虑判别正常与异常的观点。