[发明专利]一种图像检测方法、系统、存储介质及电子设备

权利要求书

1.一种图像检测方法，其特征在于，包括：

将视频流中的相邻帧采用像素相减的方法，得到差分图像；

对所述差分图像进行二值化处理，得到二值化后的差分图像；

判断所述二值化后的差分图像的像素值是否小于预设像素阈值，若是，则确定所述视频流中的图像未发生变化，若否，则确定所述视频流中的图像发生了变化；

在确定所述视频流中的图像发生了变化时，提取发生变化时刻之前的第一预设时长的视频流，和/或在未监测到第一时间段的所述视频流中的图像变化时，提取所述第一时间段的所述视频流中的第二时间段的视频流，所述第一时间段的时长为第二预设时长，所述第二时间段的时长小于所述第一时间段的时长，且所述第二时间段的最晚时刻与所述第一时间段的最晚时刻相同；

将提取的视频流作为待检测视频流，将所述待检测视频流中的待检测图像输入训练好的目标检测模型，得到待检测图像异常信息；所述待检测图像异常信息为所述待检测图像表征存在异常情况的概率。

2.根据权利要求1所述的图像检测方法，其特征在于，所述目标检测模型是采用标记的图像样本对改进的Faster R-CNN模型进行训练得到的，所述改进的Faster R-CNN模型包括骨干网络、特征金字塔网络、卷积层和全连接层，所述骨干网络为去除全连接层的ResNet卷积神经网络；

所述目标检测模型的训练方法，具体包括：

获取图像样本，对所述图像样本进行标记，得到所述标记的图像样本；

将所述标记的图像样本输入所述骨干网络进行特征提取，得到特征图；

将所述特征图与所述特征金字塔网络进行融合，得到特征层；

将所述特征层输入所述卷积层，得到卷积输出结果，将所述卷积输出结果输入所述全连接层，得到预测的图像异常概率；

对所述改进的Faster R-CNN模型的权重进行调整，直至所述预测的图像异常概率与实际的图像异常概率的偏差在容许范围内时，训练完成，得到训练好的目标检测模型。

3.根据权利要求2所述的图像检测方法，其特征在于，所述将所述标记的图像样本输入所述骨干网络进行特征提取，得到特征图，具体包括：

将所述标记的图像样本输入所述骨干网络，采用所述骨干网络的各阶段卷积模块进行特征提取后，得到多个阶段的特征图；其中，后一阶段特征图的尺寸小于前一阶段特征图的尺寸，后一阶段特征图的语义特征个数大于前一阶段特征图的语义特征个数，后一阶段特征图的分辨率小于前一阶段特征图的分辨率。

4.根据权利要求3所述的图像检测方法，其特征在于，所述将所述特征图与所述特征金字塔网络进行融合，得到特征层，具体包括：

按照最后一个阶段的特征图对应所述特征金字塔网络的顶层，第二阶段的特征图对应所述特征金字塔网络的底层的顺序，将各个阶段的特征图与所述特征金字塔网络的层进行对应；

将最后一个阶段的特征图输入所述特征金字塔的顶层进行特征融合，得到所述特征金字塔顶层的输出结果；

将所述特征金字塔网络的第二层作为当前层，将所述当前层的上一层输出结果与所述当前层对应的特征图一起输入所述当前层中进行处理，得到当前层的输出结果；

若所述当前层存在下一层，则将下一层作为当前层，返回步骤“将所述当前层的上一层输出结果与所述当前层对应的特征图一起输入所述当前层中进行处理，得到当前层的输出结果”；若所述当前层不存在下一层，则输出所述特征金字塔网络各层的输出结果，然后执行步骤“将所述特征层输入所述卷积层，得到卷积输出结果，将所述卷积输出结果输入所述全连接层，得到预测的图像异常概率”；其中，所述特征金字塔网络各层的输出结果为所述特征层。

5.根据权利要求2所述的图像检测方法，其特征在于，所述将所述特征层输入所述卷积层，得到卷积输出结果，将所述卷积输出结果输入所述全连接层，得到预测的图像异常概率，具体包括：

使用所述卷积层对所述特征层进行处理，得到候选框的置信度；所述候选框的置信度为所述候选框含有目标的概率；

在所述候选框的置信度大于预设置信度阈值时，使用所述全连接层对所述候选框对应的特征图区域进行处理，得到预测的图像异常概率。