1.一种基于背景解耦的异常行为检测方法,其特征在于,包括以下步骤:
步骤1、图像数据收集;
步骤2、图像数据预处理;
步骤3、对预处理后的数据进行特征提取或特征构建;
步骤4、选择适当的深度学习模型并训练;
步骤5、模型评估:使用评估指标对训练好的模型进行评估,根据评估结果,调整模型参数或更换模型,以提高检测的准确率;
步骤6、部署与监测:将训练好的模型部署到实际应用场景中,并对输入的数据进行实时监测和检测;
所述步骤4中的深度学习模型训练之前需对图像数据进行解耦:放入模型的每一张图像数据先进行随机策略:设定一个范围在0-1之间的随机数,若随机生成的数大于0.5不进行背景解耦;若随机生成的数小于等于0.5,则将对应的图像数据进行N×N等份切割,并分类为目标图像块和背景图像块;将分类后各图像块随机使用四种解耦方法之一,每一种解耦方法应用的图像块小于等于总图像块数的1/4;
其中一种所述解耦方法包括基于数据增广的细粒度背景增强方法,具体为:通过自适应选择仿射变换、透视变换以及色调变换替换背景图像块区域。
2.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述步骤1具体为:收集需要检测异常行为的数据,包括实时数据、历史数据以及模拟数据。
3.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述步骤2中预处理具体为:对收集到的数据进行清洗、去重、标准化以及缺失值填充。
4.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述步骤4中深度学习模型包括卷积神经网络、循环神经网络、自编码器。
5.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述解耦方法包括基于多样本特征融合的细粒度背景融合方法,具体为:采用随机挑选的方式,将其他图像的背景信息进行细粒度模块化,利用基于邻域风险最小化原则的数据增强方法Mixup对其他图像的背景信息与当前解耦图像的背景信息进行融合,生成新的背景图像块,背景图像块生成方式如下:,其中,图像透明化的比例λ的取值范围介于0到1,是插值生成的新背景图像块,和分别是当前解耦图像以及随机挑选的其他图像。
6.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述解耦方法包括基于注意力机制的细粒度背景信息降权方法,具体为:利用注意力机制快速计算出原有样本背景图像块的权重值,然后在每一个背景图像块中乘上对应的权重值;所述注意力机制为:,所述表示基于输入图像产生注意力值,所述注意力值对应对判别区域的关注程度,表示基于注意力处理输入图像。
7.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述解耦方法包括基于高斯噪声的前景图像块增强方法,具体为:在原有图像划分为前景图像块和背景图像块后,将高斯噪声随机加在前景图像块上,计算公式为:其中,为分布的参数,分别为高斯分布的期望和方差,为经过高斯函数计算后输出的带有高斯噪声的图像,为输入图像;表示标准差,用于描述正态分布资料数据分布的离散程度;是自然对数的底数。
8.根据权利要求1所述的一种基于背景解耦的异常行为检测方法,其特征在于,所述评估指标包括精确度、召回率、F1值以及ROC曲线。