[发明专利]一种基于神经网络的连续异常图像检测方法

权利要求书

1.一种基于神经网络的连续异常图像检测方法，其特征在于，主要包括以下几个步骤：

1）通过FFMPEG读取摄像头实时视频的帧图像，并对检测区域进行裁剪，获取到识别的区域图像；

2）使用CNN实时对获得的实时图像进行特征的提取，并且将最后的特征拉伸展平成一个[1,512]的特征；

3）每获取5个一维的图像特征后将五个一维的特征堆叠成一个[5,512]的特征，从而实现既保留了图像的空间上的特征又保留了视频序列上的特征；

4）使用循环神经网络学习该特征的时间序列的信息从而检测到异常的图像的变化最终达到了检测异常图像的目的。

2.根据权利1所述的一种基于神经网络的连续异常图像检测方法，其特征在于：本检测方法使用了自设计的神经网络组合形式，主要可以分为三个部分。

3.根据权利2所述的一种基于神经网络的连续异常图像检测方法，其特征在于：第一个部分，图像特征提取部分本方法采用了（3*3）的小卷积核和（2*2）的小池化步长，通过深度卷积最终将（80，250，3）的图像提取为（2，7，512）的图像，并且最终降维为（1，512）的特征。

4.根据权利2所述的一种基于神经网络的连续异常图像检测方法，其特征在于：第二个部分，在网络中对提取的连续的图像特征进行堆叠拼接为连续的图像特征创作时序特征，例如将原来5个（1，512）的单图像特征堆叠拼接成（5，512）的图像特征，从而既保留了图像的空间特征信息又保留了图像的时序特征信息，五个特征的拼接正如该方法的训练数据一样（图1），可以看出五幅图像的拼接正常部分都是一样的，不一样的只是每一幅图像的缺口破损位置的变化。

5.根据权利2所述的一种基于神经网络的连续异常图像检测方法，其特征在于：第三个部分，使用循环神将网络学习时序信息，这里使用组合后的五个特征图像作为GRU的训练数据，搭建了GRU循环神经网络，并且使用了反向循环神经网络和正向循环神经网络的结合，有研究表明双向循环神经网络的效果要比单向的神经网络要好。

6.根据权利5所述的一种基于神经网络的连续异常图像检测方法，其特征在于：其中有五连续时序上的输入，将这五个输入进行特征的提取并降维后得到五个一维的特征图像然后经过特征的堆叠拼接，得到新的特征数据，最后将特征数据送入GRU学习特征的序列特征从而可以达到检测缺口破损图像在时序上变化情况，从而达到识别异常图像的目的。