基于图像检测摄像头异常的方法和装置与流程

1.本技术涉及图像处理技术领域，尤其涉及一种基于图像检测摄像头异常的方法和装置。


背景技术：

2.在监控等应用场景中，摄像头需要调整好固定角度对某个路段或空间进行监控，当摄像头出现遮挡、移动等情况时，需要及时获知该消息并调整摄像头，因此有必要对摄像头的异常情况实时进行检测。无监督异常检测指的是在模型训练阶段，只提供正常样本数据进行学习，在检测阶段将不符合该正常样本数据的样本数据识别为异常的一种检测手段。目前，深度自编码器被广泛用于无监督异常检测中，通过在正常样本数据对检测模型进行训练，然后在检测阶段期望异常输入比正常输入有更高的重构误差，然而一些情况下，深度自编码器可以对异常数据进行很好的重建，导致漏检异常。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种基于图像检测摄像头异常的方法、装置、电子设备及计算机可读存储介质，以解决现有技术中通过深度自编码器进行重构易导致漏检异常的问题。
4.本技术实施例的第一方面，提供了一种基于图像检测摄像头异常的方法，包括：通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量；基于待检测图像的第二特征向量检测摄像头是否异常。
5.本技术实施例的第二方面，提供了一种基于图像检测摄像头异常的装置，包括：特征提取模块，被配置为通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；记忆存储模块，被配置为获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；特征检索模块，被配置为根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；稀疏处理模块，被配置为对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；记忆更新模块，被配置为根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得第二特征向量；异常检测模块，被配置为基于第二特征向量检测摄像头是否异常。
6.本技术实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法
的步骤。
7.本技术实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
8.本技术实施例与现有技术相比存在的有益效果是：本技术通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量；基于待检测图像的第二特征向量检测摄像头是否异常，提高了异常检测的准确率。
附图说明
9.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
10.图1是本技术实施例的一种应用场景的场景示意图；图2是本技术实施例提供的一种摄像头异常检测方法的流程示意图；图3是本技术实施例提供的另一种摄像头异常检测方法的流程示意图；图4是本技术实施例提供的再一种摄像头异常检测方法的流程示意图；图5是本技术实施例提供的一种摄像头异常检测装置的结构示意图；图6是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
11.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
12.下面将结合附图详细说明根据本技术实施例的一种摄像头异常检测方法和装置。
13.图1是本技术实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
14.终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本技术实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
15.服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发
送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本技术实施例对此不作限制。
16.需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本技术实施例对此不作限制。
17.网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（bluetooth）、近场通信（near field communication，nfc）、红外（infrared）等，本技术实施例对此不作限制。
18.用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，在用户将收集到的兴趣点的数据导入到服务器4之后，服务器4获取待处理兴趣点的第一数据，该第一数据包括待处理兴趣点的第一经纬度和第一分类，并根据第一经纬度和第一分类，对待处理兴趣点进行冲突校验；进一步地，在确定冲突的情况下，服务器4对待处理兴趣点进行冲突处理，以避免数据库中存在大量的重复数据和不可用数据。
19.需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本技术实施例对此不作限制。
20.图2是本技术实施例提供的一种摄像头异常检测方法的流程示意图。图2的摄像头异常检测方法可以由图1的服务器执行。如图2所示，该方法包括：201，通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；202，获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；203，根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；204，对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；205，根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量；206，基于待检测图像的第二特征向量检测摄像头是否异常。
21.具体地，本技术实施例中的异常检测模型首先通过摄像头在正常情况下获取的图像样本预先训练完成，以实现异常检测模型在异常检测过程中进行无监督异常检测。本技术实施例的异常检测模型可以包括编码模块、基于注意力机制的记忆模块、稀疏处理模块、解码模块，本技术实施例通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量；基于待检测图像的第二特征向量检测摄像头是否异常，从而提高异常检测的准确率。
22.在步骤201中，示例性地说明，通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量，例如，目前的异常检测模型往往通过编码模块和解码模块来实现异常检测，具体实现方案包括通过编码模块的编码器对待检测图像进行编码，然后通过解码模块的解码器对编码后的数据进行重构，如果该重构分值大于训练过程中的重构分值，则认为重构异常。在本技术实施例中同样通过编码模块的编码器对该待检测图像进行编码，编码的过程包括特征提取以及特征降维，特征降维可以减少待检测图像中的一些异常信息，从而增加后期基于特征提取得到的重构误差，提高异常检测的准确性。
23.在步骤202中，示例性地说明，获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量，例如，这里的图像样本指的是摄像头在预设角度下拍摄到的视频图像，当摄像头的拍摄角度不符合预设角度或存在遮挡等异常情况时，获取的视频图像为异常图像，因此通过对摄像头拍摄的视频图像进行检测就能及时准确的获知当前摄像头的状态。而采用图像样本对异常检测模型进行训练的意义在于在很多异常检测场景中，没有标签或者标签较少，不利于训练基于监督的异常检测模型。
24.在步骤203中，示例性地说明，根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量，例如，在摄像头正常情况下获取的图像样本除了可以用于异常检测模型的无监督异常检测的训练，还可以提取该图像样本的有效特征向量，用于针对第一特征向量的检索和查询。在一些实施过程中，摄像头采集多个图像样本，并将每个图像样本的有效特征向量进行存储，然后第一特征向量在这些有效特征向量中进行检索和查询，找到与第一特征向量最相似的有效特征向量，说明该有效特征向量所表征的图像样本与待检测图像在特征上最相似，因此，可以基于该有效特征向量对待检测图像进行异常检测。这里其实引入的是注意力机制的原理，即基于检索，第一特征向量和最相似的有效特征向量计算相关的多个权值，该多个权值组成权值特征向量。
25.在步骤204中，示例性地说明，对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量，稀疏处理是指将复杂的数据简单化，可以去除掉数据冗余的部分。在本技术实施例中采用稀疏处理，是因为在编码得到的低维的第一特征向量的信息比较冗余复杂，为了进一步提取更加有用的信息，引入权值特征向量的稀疏处理部分，稀疏处理之后再把权值特征向量进行归一化。
26.在步骤205中，示例性地说明，根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量，例如，权值特征向量作为稀疏处理部分的输入，经过稀疏处理以后得到第二特征向量，从而实现正常图像与异常图像的最大区分，提高异常检测的准确率以及异常检测模型的鲁棒性和泛化性能。
27.在步骤206中，示例性地说明，基于待检测图像的第二特征向量检测摄像头是否异常，例如，第二特征向量是待检测图像经过特征降维、稀疏处理等处理后得到的特征向量，因此基于第二特征向量进行待检测图像的重构能够很好的得到准确的重构误差，基于该重构误差就可以判断该摄像头是否异常。
28.在一些实施例中，通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量，包括：通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的初始特征向量；对待检测图像的初始特征向量进行特征降维，获得维
度小于初始特征向量的第一特征向量。
29.具体地，编码模块包括编码器网络，编码器网络是一种非线性降为，其作用是把高维输入的待检测图像或正常图像样本编码成低维的第一特征向量，从而强迫异常检测模型中的神经网络学习待检测图像或正常图像样本最有信息量的特征。
30.在一些实施例中，根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量，包括：分别确定多个有效特征向量与第一特征向量的相似度，对各个相似度进行比对，获得比对结果；根据比对结果确定与第一特征向量相似的有效特征向量；根据与第一特征向量相似的有效特征向量和第一特征向量的相似度，确定权值特征向量。
31.具体地，本技术实施例在解码器与编码器中引入注意力机制，以使重构误差最大化，提高异常检测准确率，基于注意力机制的记忆模块引入注意力机制。需要说明的是，注意力机制源于对人类视觉的研究，在认知科学中，由于信息处理的瓶颈，人们会选择性地关注所有信息的一部分，同时忽略其它可见信息，因此注意力机制主要决定需要关注输入的哪部分以及分配有限的信息处理资源给重要的部分。可以说，所有需要专注信息提取的视觉领域都需要注意力机制的加入，而异常检测中，通过无监督学习去学习足够大的正常图像样本时，注意力机制的引入就更为重要。需要说明的是，在训练异常检测模型过程中，记忆模块用来显性地记录训练过程中正常图像样本的特征，在基于注意力机制下，待检测图像的正常信息可以很好地进行重建，而异常信息则会被正常信息取代，从而导致异常数据的重大重构误差，从而实现异常检测。在一些实施过程中，编码器网络可以视为查询生成器，而记忆模块则具有存储和相关的存储寻址操作，是具有寻址的内容可检索记忆存储。将与该第一特征向量间的相似度最大的有效特征向量为确定的最相似的有效特征向量，其相似度即为注意力机制中的权值，基于得到的多个权值组成相应的权值特征向量，其中，相似度可以通过计算第一特征向量与有效特征向量的余弦距离获得，具体可以通过softmax函数更新相关权值。
32.在一些实施例中，对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量，包括：根据预设权值阈值对权值特征向量中的权值进行筛选，获得筛选后的权值；基于筛选后的权值更新权值特征向量，获得稀疏处理后的权值特征向量。
33.具体地，可以通过硬收缩来提高权值特征向量的稀疏性，在一些实施过程中，确定收缩阈值，即预设权值阈值，将权值特征向量中的权值与预设权值阈值进行比较，大于或等于预设权值阈值的权值保留，小于预设权值阈值的权值赋0。在一些实施过程中，可以使用连续的relu激活函数重写硬收缩，稀疏处理鼓励异常检测模型使用更少但更相关的有效特征向量来表示，从而在有效特征向量中学习到更多信息的表示。此外，稀疏处理有利于测试。
34.在一些实施例中，根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量，包括：将稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量相乘，获得待检测图像的第二特征向量。
35.具体地，在一些实施过程中，该记忆模块包含n个有效特征信息，每个特征信息的值可以用c表示，其中，n为超参数，该超参数n确定了记忆模块的内存的最大容量。尽管为不同的数据集找到最优n并不容易，但记忆模块对n的设置并不敏感，于每一个数据集，一个足
够大的n都可以很好地工作。需要说明的是，超参数是指在机器学习中，在开始学习过程之前设置的参数而非通过训练得到的参数数据。通常情况下，可以对该超参数进行优化，从而选择一组最优超参数，以提高学习的性能和效果。经过稀疏处理后的权值特征向量可以提取有效特征向量中的最有代表性的信息获得第二特征向量，该第二特征向量是第一特征向量摈弃冗余信息和无关信息之后得到的特征向量，基于第二特征向量计算重构误差可以使重构误差最大化。在基于注意力机制部分，输入第一特征向量，然后通过注意力机制，输出权值特征向量；权值特征向量作为稀疏处理部分的输入，经过稀疏处理以后得到第二特征向量，从而实现正常图像与异常图像的最大区分，从而提高异常检测的准确率以及异常检测模型的鲁棒性和泛化性能。
36.在一些实施例中，基于第二特征向量检测摄像头是否异常，还包括：根据第一特征向量和第二特征向量确定基于第二特征向量进行重构的重构误差；将重构误差与预设误差阈值进行比较，获得比较结果；根据比较结果判断摄像头是否异常。
37.具体地，重构误差可以通过异常检测模型中的解码器对编码后的数据进行重构，如果该重构误差大于训练过程中的重构误差，则认为重构异常。在一些实施过程中，通过l2范数损失，即均方误差（mse）损失计算重构后的图像与待检测图像之间的重构误差，获得重构误差分值。在训练阶段，通过正常情况下获取的图像样本进行编码重构获得重构阈值，将重构误差分值与重构阈值进行比较，理论上，如果待检测图像异常，那么重构误差分值是大于重构阈值的，如果待检测图像无异常，那么重构误差分值是小于重构阈值的，因此可以此作为判定标准。在一些实施过程中，考虑到检测存在的误差，也可以将重构阈值设置在一个数值范围，即以训练阶段获得的正常图像样本的重构误差分值为标准上下浮动，当重构误差分值超过该重构阈值范围，则待检测图像异常，否则无异常。在一些实施过程中，在训练阶段，解码模块的解码器被限制仅使用少量检索到的特征向量进行重构计算，因此，解码模块的重构监督迫使记忆模块记录正常情况下的图像样本中最具有代表性的特征信息。在测试阶段，由于记忆模块通过正常图像样本进行训练，所以只提取待检测图像中的正常信息的特征向量进行重构。
38.在一些实施例中，根据比较结果判断摄像头是否异常，包括：若重构误差大于预设误差阈值，则摄像头存在异常；若重构误差小于预设误差阈值，则摄像头正常。
39.在一些实施例中，如图3所示，具体地，通过编码器输入图片，然后经过编码器网络提取得到低维度的特征向量z，然后将提取的特征向量z送入基于注意力机制和稀疏处理的记忆模块网络，经过注意力网络的特征提取后得到特征向量w，后续再经过稀疏处理得到特征向量，计算稀疏处理的损失，然后将特征向量经过记忆网络计算得到输出的特征向量，记忆模块通过基于注意力机制的寻址操作检索记忆模块中最相关的特征信息；将得到的特征向量输入解码器中，得到输出图片，计算输入图片和输出图片间的l2损失，通过反向传播优化网络参数。
40.在一些实施例中，如图4所示，具体地，记忆模块包括基于注意力机制部分和基于稀疏处理部分，特征向量z通过基于注意力机制的记忆检索模块，结合记忆模块中的有效特征向量进行检索，得到特征向量w，该特征向量w经过稀疏处理得到特征向量，特征向量与记忆模块中的有效特征向量相乘以更新记忆模块，并得到特征向量。
41.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
42.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
43.图5是本技术实施例提供的一种摄像头异常检测装置的示意图。如图4所示，该摄像头异常检测装置包括：特征提取模块501，被配置为通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；记忆存储模块502，被配置为获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；特征检索模块503，被配置为根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；稀疏处理模块504，被配置为对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；记忆更新模块505，被配置为根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得第二特征向量；异常检测模块506，被配置为基于第二特征向量检测摄像头是否异常。
44.在一些实施例中，特征提取模块501，被配置为通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的初始特征向量；对待检测图像的初始特征向量进行特征降维，获得维度小于初始特征向量的第一特征向量。
45.在一些实施例中，特征检索模块503，被配置为分别确定多个有效特征向量与第一特征向量的相似度，对各个相似度进行比对，获得比对结果；根据比对结果确定与第一特征向量相似的有效特征向量；根据与第一特征向量相似的有效特征向量和第一特征向量的相似度，确定权值特征向量。
46.在一些实施例中，稀疏处理模块504，被配置为根据预设权值阈值对权值特征向量中的权值进行筛选，获得筛选后的权值；基于筛选后的权值更新权值特征向量，获得稀疏处理后的权值特征向量。
47.在一些实施例中，记忆更新模块505，被配置为将稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量相乘，获得待检测图像的第二特征向量。
48.在一些实施例中，异常检测模块506，被配置为根据第一特征向量和第二特征向量确定基于第二特征向量进行重构的重构误差；将重构误差与预设误差阈值进行比较，获得比较结果；根据比较结果判断摄像头是否异常。
49.在一些实施例中，异常检测模块506，被配置为若重构误差大于预设误差阈值，则摄像头存在异常；若重构误差小于预设误差阈值，则摄像头正常。
50.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
51.图6是本技术实施例提供的电子设备6的示意图。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可在处理器601上运行的计算
机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。
52.电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者不同的部件。
53.处理器601可以是中央处理单元（central processing unit，cpu），也可以是其它通用处理器、数字信号处理器（digital signal processor，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field-programmable gate array，fpga）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
54.存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡（smart media card，smc），安全数字（secure digital，sd）卡，闪存卡（flash card）等。存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。
55.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
56.集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
57.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于图像检测摄像头异常的方法，其特征在于，包括：通过摄像头采集待检测图像，对所述待检测图像进行特征提取，获得所述待检测图像的第一特征向量；获取所述摄像头在正常情况下采集的图像样本，基于所述在正常情况下采集的图像样本获得多个有效特征向量；根据所述多个有效特征向量，确定与所述第一特征向量相似的有效特征向量，并根据所述第一特征向量和所述相似的有效特征向量获得权值特征向量；对所述权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；根据所述稀疏处理后的权值特征向量和与所述第一特征向量相似的有效特征向量，获得所述待检测图像的第二特征向量；基于所述待检测图像的所述第二特征向量检测所述摄像头是否异常。2.通过所述摄像头采集所述待检测图像，对所述待检测图像进行特征提取，获得所述待检测图像的初始特征向量；对所述待检测图像的初始特征向量进行特征降维，获得维度小于所述初始特征向量的第一特征向量。3.分别确定所述多个有效特征向量与所述第一特征向量的相似度，对各个所述相似度进行比对，获得比对结果；根据所述比对结果确定与所述第一特征向量相似的所述有效特征向量；根据与所述第一特征向量相似的所述有效特征向量和所述第一特征向量的相似度，确定所述权值特征向量。4.根据预设权值阈值对所述权值特征向量中的权值进行筛选，获得筛选后的权值；基于所述筛选后的权值更新所述权值特征向量，获得所述稀疏处理后的权值特征向量。5.将所述稀疏处理后的权值特征向量和所述与第一特征向量相似的有效特征向量相乘，获得所述待检测图像的所述第二特征向量。6.根据所述第一特征向量和所述第二特征向量确定基于所述第二特征向量进行重构的重构误差；将所述重构误差与预设误差阈值进行比较，获得比较结果；根据所述比较结果判断所述摄像头是否异常。7.根据权利要求6所述的方法，其特征在于，据所述比较结果判断所述摄像头是否异常，包括：若所述重构误差大于所述预设误差阈值，则所述摄像头存在异常；若所述重构误差小于所述预设误差阈值，则所述摄像头正常。8.一种摄像头异常检测装置，其特征在于，包括：特征提取模块，被配置为通过摄像头采集待检测图像，对所述待检测图像进行特征提取，获得所述待检测图像的第一特征向量；记忆存储模块，被配置为获取所述摄像头在正常情况下采集的图像样本，基于所述在正常情况下采集的图像样本获得多个有效特征向量；特征检索模块，被配置为根据所述多个有效特征向量，确定与所述第一特征向量相似
的有效特征向量，并根据所述第一特征向量和所述相似的有效特征向量获得权值特征向量；稀疏处理模块，被配置为对所述权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；记忆更新模块，被配置为根据所述稀疏处理后的权值特征向量和与所述第一特征向量相似的有效特征向量，获得第二特征向量；异常检测模块，被配置为基于所述第二特征向量检测所述摄像头是否异常。9.一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至7中任一项方法的步骤。10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1至7中任一项方法的步骤。

技术总结
本申请提供了一种基于图像检测摄像头异常的方法及装置。该方法包括：通过摄像头采集待检测图像，对待检测图像进行特征提取，获得待检测图像的第一特征向量；获取摄像头在正常情况下采集的图像样本，基于在正常情况下采集的图像样本获得多个有效特征向量；根据多个有效特征向量，确定与第一特征向量相似的有效特征向量，并根据第一特征向量和相似的有效特征向量获得权值特征向量；对权值特征向量进行稀疏处理，获得稀疏处理后的权值特征向量；根据稀疏处理后的权值特征向量和与第一特征向量相似的有效特征向量，获得待检测图像的第二特征向量；基于待检测图像的第二特征向量检测摄像头是否异常，提高了异常检测的准确率。提高了异常检测的准确率。提高了异常检测的准确率。


技术研发人员：程剑杰
受保护的技术使用者：深圳须弥云图空间科技有限公司
技术研发日：2023.09.12
技术公布日：2023/10/20