[发明专利]一种基于YOLOv5算法的图像欺诈检测方法

说明书

本发明属于车辆控制安全技术领域,涉及一种基于YOLOv5算法的图像欺诈检测方法，通过构建大量的欺诈图像数据并有针对性的进行模型训练，对欺诈图像进行识别，并在决策之前对其进行阻断，以解决自动驾驶技术所面临的物理入侵方案，结果表明该方案可以有效的识别出欺诈图像。

技术领域

本发明属于车辆控制安全技术领域,尤其涉及一种基于YOLOv5算法的图像欺诈检测方法。

背景技术

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等,通过神经网络对图像入侵进行识别，其中包括物理入侵、像素入侵。其目的为防止不法分子通过图像篡改影响图像识别算法的结果，以造成不可估计的财产损失,随着AI黑客的诞生，依赖神经网络的资产将面临着巨大的安全威胁。

因此，亟需一种基于神经网络的图像欺诈检测方法。

发明内容

本发明为了解决上述技术问题，提供一种基于YOLOv5算法的图像欺诈检测方法，其特征在于，包括以下步骤：

步骤S1：摄像头采集行车图像；

步骤S2：截取交通标识牌，并将交通标识牌传输至图像数据处理单元；

步骤S3：图像数据处理单元通过YOLOv5算法对采集的交通标识牌进行处理并识别；

步骤S4：图像识别网络获取识别结果并进行判断；

步骤S5：图像识别网络根据判断结果，做出决策。

进一步的，YOLOv5算法针对不同的数据集，设定初始长宽的锚框，在模型训练中，网络在初始锚框的基础上输出预测框，进而和ground truth进行对比，计算两者差距，再反向更新迭代模型参数。

进一步的，YOLOv5算法包括Focus模块、BottleNeck模块、CSP模块和SPPF模块；

Focus模块在图像进入backbone前对图片进行切片，将得到的新图片再经过卷积操作，最终得到没有信息丢失情况下的二倍下采样特征图；

BottleNeck模块包含带残差块和不带残差块两种结构，不带残差块的结构仅由11conv和33conv组成；

CSP模块包含CSP1_X结构、CSP2_X结构和C3_1_X结构，所述CSP1_X结构应用于Backbone主干网络，所述CSP2_X结构应用于Neck中，所述C3_1_X结构剥离一个1*1的conv层、BN层和激活层；

SPPF模块将输入串行通过两个以上5*5大小的MaxPool层。

进一步的，YOLOv5算法在Head输出端使用了CIOU_LOSS做Bounding box的损失函数，公式为：