一种异常图像检测方法、装置、设备及介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种异常图像检测方法、装置、设备及介质。


背景技术：

2.随着智能视频监控设备的大量普及，每天都会累积海量的图像，使用人像聚类方法实现将图像以人为单位进行归档，形成每个人的人物档案是常用手段。
3.从海量的图像中进行人像聚类，效果往往很差，原因是相比于小数据量，大数据量的图像中存在相似图像的概率更高，因此，会造成人像聚档的错误率增高，图像进行错误的归档，使经过人像聚类后的人物档案中存在大量的异常图像，这些异常图像将会对于后续的人像聚档带来很大的误差，并且在现有技术的人像聚类过程中，仅仅完成了人像聚类，没有对经过人像聚类的人物档案进行异常图像检测，因此，如何检测人物档案中的异常图像，成为提高人像聚类准确率的关键因素。


技术实现要素：

4.本技术实施提供一种异常图像检测方法、装置、设备及介质，用以解决现有技术中人像聚类准确率较低的问题。
5.第一方面，本技术提供了一种异常图像检测方法，所述方法包括：
6.针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成；
7.根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
8.第二方面，本技术还提供了一种异常图像检测装置，所述装置包括：
9.确定模块，用于针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成；
10.检测模块，用于根据更新完成的所述图像在每个所述孤立树中的第一路径长度，
确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
11.第三方面，本技术还提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一所述的异常图像检测方法的步骤。
12.第四方面，本技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的异常图像检测方法的步骤。
13.本技术实施例提供了一种异常图像检测方法、装置、设备及介质，由于在本技术实施例中针对每个预先构建完成的孤立树，根据该孤立树中保存的每个节点对应的图像特征、第一特征值以及待检测的图像对应的该图像特征的第二特征值的大小，确定待检测的图像对应的子节点，并记录该待检测的图像在该孤立树中的第一路径长度，根据待检测的图像在每个孤立树中的第一路径长度确定该待检测的图像是否为异常图像，通过异常图像与正常图像之间特征值的关系确定了待检测的图像是否为异常图像，从而提高了人像聚类的准确率。
附图说明
14.为了更清楚地说明本技术的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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他的附图。
15.图1为本技术实施例提供的异常图像检测过程示意图；
16.图2为本技术实施例提供的构建孤立树的过程示意图；
17.图3为本技术实施例提供的异常图像检测装置的结构示意图；
18.图4为本技术实施例提供的一种电子设备结构示意图。
具体实施方式
19.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图，对本技术的实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本技术保护的范围。
20.本技术实施例提供了一种异常图像检测方法、装置、设备及介质，由于在本技术实施例中针对每个预先构建完成的孤立树，根据该孤立树中保存的每个节点对应的图像特征、第一特征值以及待检测的图像对应的该图像特征的第二特征值的大小，确定待检测的图像对应的子节点，并记录该待检测的图像在该孤立树中的第一路径长度，根据待检测的图像在每个孤立树中的第一路径长度确定该待检测的图像是否为异常图像，通过异常图像与正常图像之间特征值的关系确定了待检测的图像是否为异常图像，从而提高了人像聚类的准确率。
21.实施例1：
22.图1为本技术实施例提供的异常图像检测过程示意图，该过程具体包括以下步骤：
23.s101：针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一
根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成。
24.本技术实施例提供的异常图像检测过程适用于电子设备，该电子设备可以是服务器、pc等设备。
25.为了提高人像聚类的准确率，在完成人像聚类之后，可以针对人物档案中的每张图像进行异常图像检测。为了方便对异常图像检测，在本技术实施例中预先构建了预设数量的孤立树，每个孤立树中的每个内部节点都对应保存着一个图像特征以及特征值，假设孤立树的一个节点t，该节点t要么是没有子节点的叶子节点，要么是有两个子节点(t
l
,tr)的内部节点，为了方便描述在判断某一个节点是否存在子节点时，可以将该节点称作根节点。当需要进行异常图像检测时，电子设备可以针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值。
26.其中，每个第一根节点对应的图像特征以及第一特征值是在构建孤立树时，根据目标样本集中的样本图像的图像特征以及特征值预先确定的，图像特征可以是基于方向梯度直方图(histogram of oriented gradient,hog)确定的图像特征、基于局部二值模式(local binary pattern，lbp)确定的图像特征或者基于哈尔(haar)确定的图像特征。当然确定图像特征的方法不仅仅包括上述三种方法，本领域的技术人员可以根据实际需要进行配置，在本技术实施例中不做限制。
27.获取了第一根节点对应的图像特征以及第一特征值后，可以获取待检测的图像对应该图像特征的第二特征值。
28.获取到了孤立树中第一根节点对应的图像特征以及第一特征值后，可以判断该第一根节点是否包含子节点，若该第一根节点包含子节点，说明可以根据该第一根节点对应的图像特征以及第一特征值，确定待检测的图像对应的第一根节点的第一目标子节点，并对该待检测的图像在该孤立树中的第一路径长度更新，例如第一路径长度更新前的值为0，并且第一根节点包含子节点，则可以将该待检测的图像在该孤立树中的第一路径长度更新为1。
29.根据获取到的第一特征值以及第二特征值的大小，确定该待检测的图像对应的第一根节点的第一目标子节点时，若该孤立树在构建时，第一根节点的第一子节点对应的样本图像为图像特征的特征值大于第一特征值的样本图像，那么在进行异常图像检测时，若第二特征值大于第一特征值，则将该第一根节点的第一子节点确定为该待检测的图像对应的第一目标子节点。在确定了该待检测的图像对应的第一根节点的第一目标子节点之后，将该第一目标子节点更新为第一根节点，并继续确定是否对该待检测的图像在该孤立树中的第一路径长度更新。
30.若该第一根节点不包含子节点，说明该第一根节点对应的第一路径长度，已经足够用来说明该待检测的图像是正常图像还是异常图像，可以确定该待检测的图像在该孤立树中的第一路径长度更新完成。
31.在本技术实施例中包含多个孤立树，针对每个孤立树，确定该待检测的图像在该
孤立树中更新完成的第一路径长度。
32.s102：根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
33.在确定了该待检测的图像在每个预先构建完成的孤立树中的第一路径长度之后，可以根据更新完成的该待检测的图像在每个预先构建完成的孤立树中的第一路径长度，确定该待检测的图像的异常值。由于第一路径长度越小，代表该待检测的图像为异常图像的可能性越大，在本技术实施例中，可以预先规定一个第一路径长度范围对应一个异常值，例如，第一路径长度范围为[1,10]，将该第一路径长度范围对应的异常值确定为98％，第一路径长度范围为[11，20]，将该第一路径长度范围对应的异常值确定为95％，假设，待检测的图像a在孤立树a中的第一路径长度为9，由于该第一路径长度9在第一路径长度范围[1,10]之间，所以该待检测的图像a在该孤立树a中的第一路径长度对应的异常值为98％，在进行异常图像检测时，本领域的技术人员可以根据实际需要进行配置，在此不做限制。
[0034]
在确定了待检测的图像在每个预先构建完成的孤立树中的第一路径长度后，可以将该待检测的图像在任一孤立树中的第一路径长度对应的异常值，确定为该待检测的图像的异常值；也可以计算该待检测的图像在每个孤立树中的平均路径长度对应的异常值，确定为该待检测的图像的异常值。
[0035]
为了确定该待检测的图像是否为异常图像，在本技术实施例中，可以保存一个预设阈值，若该待检测的图像的异常值大于该预设阈值，可以将该图像确定为异常图像。
[0036]
由于在本技术实施例中针对每个预先构建完成的孤立树，根据该孤立树中保存的每个节点对应的图像特征、第一特征值以及待检测的图像对应的该图像特征的第二特征值的大小，确定待检测的图像对应的子节点，并记录该待检测的图像在该孤立树中的第一路径长度，根据待检测的图像在每个孤立树中的第一路径长度确定该待检测的图像是否为异常图像，通过异常图像与正常图像之间特征值的关系确定了待检测的图像是否为异常图像，从而提高了人像聚类的准确率。
[0037]
实施例2：
[0038]
为了进一步提高人像聚类的准确率，在上述实施例的基础上，在本技术实施例中，构建预设数量的每个孤立树的过程包括：
[0039]
获取目标样本集中每个样本图像的每个预设图像特征的特征值；
[0040]
创建待构建孤立树的第二根节点，随机选择任一预设图像特征作为第一目标特征，随机选择所述第一目标特征的任一特征值作为第一目标特征值，对应所述第二根节点保存所述第一目标特征及所述第一目标特征值；针对所述目标样本集中每个样本图像，根据该样本图像的所述第一目标特征的特征值以及所述第一目标特征值的大小，确定该样本图像对应所述第二根节点的第一子节点或第二子节点；针对任一子节点，若该子节点满足孤立树分支构建完成条件，则确定该子节点对应的孤立树分支构建完成，否则，将该子节点更新为第二根节点，将该子节点对应的样本图像作为目标样本集，继续进行后续该更新后的第二根节点的子节点构建过程。
[0041]
为了能够对聚类完成的人物档案中的图像进行异常检测，在本技术实施例中，预先创建有预设数量的孤立树，为了构建孤立树，预先配置有目标样本集，该目标样本集中包含多个样本图像，并且每个样本图像都对应着预设图像特征和特征值，可以根据该目标样
本集中的每个样本图像对应每个预设图像特征的特征值构建孤立树。
[0042]
获取到了目标样本集中每个样本图像对应每个预设图像特征的特征值之后，在创建每个孤立树时，可以创建待创建孤立树的第二根节点，并且从已经获取到的图像特征中随机获取一个图像特征作为第一目标特征，并随机选择该第一目标特征的任一特征值作为第一目标特征值，为了方便之后进行异常图像的检测，可以对应该第二根节点保存该第一目标特征及第一目标特征值。
[0043]
具体的，在本技术实施例中，为了保证每个第二根节点都有两个子节点或者没有子节点，不会出现第二根节点只有一个子节点的情况，获取的第一目标特征值应该保证既不是该第一目标特征对应的最大特征值，也不是最小特征值，因此在进行随机选择任一特征值时，需要在非最大特征值和最小特征值的特征值中随机选择任一特征值。
[0044]
确定了该第二根节点对应的第一目标特征及第一目标特征值之后，针对该目标样本集中的每个样本图像，获取该样本图像的该第一目标特征的特征值，并根据该样本图像的该第一目标特征的特征值以及第一目标特征值的大小，确定该样本图像对应该第二根节点的第一子节点还是第二子节点。
[0045]
具体的，可以预先规定第二根节点的第一子节点对应的样本图像均为特征值大于第一目标特征值的样本图像，那么第二根节点的第二子节点对应的样本图像均为特征值不大于第一目标特征值的样本图像。例如，第一目标特征的标识为1，第一目标特征值为95，目标样本集中的某一样本图像的该第一目标特征对应的特征值为66，因为该样本图像的特征值小于第一目标特征值，所以该样本图像对应第二根节点的第二子节点。
[0046]
在确定了该样本图像对应第二根节点的第一子节点或第二子节点后，可以针对该第二根节点的任一子节点，判断该子节点是否满足孤立树分支构建完成的条件，若满足，则完成该孤立树分支的构建，若不满足，则将该子节点更新为第二根节点，并将该子节点对应的样本图像作为目标样本集，继续进行后续该更新后的第二根节点的子节点的构建过程，该构建过程上述实施例中已经进行了详细的说明，在此不再赘述。
[0047]
具体的，在本技术实施例中，预设图像特征可以是基于hog确定的图像特征、基于lbp确定的图像特征或者基于haar确定的图像特征。
[0048]
hog是一种在计算机视觉和图像处理中用来进行物体检测的特征描述器。通过计算和统计图像局部区域的梯度方向直方图来构成特征。具体实现方法是：首先将图像分成小的连通区域，我们可以将每个连通区域叫作细胞单元，然后采集细胞单元中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器。该方法的优点是由于hog是在图像的局部方格单元上操作，所以hog对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上，其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此hog特征是特别适合于做图像中的人体检测的。
[0049]
lbp是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点，lbp是首先由t.ojala,m.和d.harwood在1994年提出，用于纹理特征提取。提取的特征是图像局部的纹理特征，原始的lbp算子定义为在3*3的窗口内，以窗口中心像素点的灰度值为阈值，将周围的8个其他像素点的灰度值与该阈值进行比较，若其
他像素点的灰度值大于中心像素点的灰度值，则该其他像素点的位置被标记为1，否则为0，这样，3*3邻域内的8个像素点经比较可产生8位二进制数，通常将二进制数转换为十进制数即lbp码，共256种，即得到该窗口中心像素点的lbp值，并用这个值来反映该区域的纹理信息。
[0050]
haar特征是用于物体识别的一种数字图像特征，haar特征包括边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形内每个像素点的灰度值的和值减去黑色矩形内每个像素点的灰度值的和值，haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向(水平、垂直、对角)的结构。
[0051]
在本技术实施例中，使用hog、lbp和haar提取人物的纹理信息、像素信息、边缘信息和图像的灰度变化等特征值，根据图像与图像之间特征值的关系判断图像异常情况，极大提升了异常图像检测的准确率。
[0052]
由于在本技术实施例中，构建孤立树的过程是非常随机的，可以根据同一目标样本集构建出几十个不同的孤立树，或者几千个不同的孤立树，甚至几万个不同的孤立树，因此，在本技术实施例中需要设置一个需要构建孤立树的数量，保证异常图像检测过程中不会因为已经构建的孤立树数量过少，而影响异常图像检测的准确率，也保证异常图像检测过程中不会因为已经构建孤立树的数量过多，而影响异常图像检测的效率。
[0053]
在获取目标样本集中每个样本图像的每个预设图像特征的特征值之前，可以统计已经构建完成的孤立树的数量，若已经构建完成的孤立树的数量不大于预设数量，则可以继续构建孤立树。我们可以理解构建完成的每个孤立树构成了一个孤立森林，孤立森林作为孤立树的整体。
[0054]
为了保证构建的孤立树的准确性，在上述各实施例的基础上，在本技术实施例中，确定所述子节点满足孤立树分支构建完成条件包括以下至少一种：
[0055]
若对应所述子节点的样本图像的数量小于预设的数量阈值，则确定所述子节点满足孤立树分支构建完成条件；
[0056]
若对应所述子节点的样本图像的所述第一目标特征的特征值均相同，则确定所述子节点满足孤立树分支构建完成条件；
[0057]
统计待构建孤立树中包含的节点的层数，将所述层数确定为所述待构建孤立树的第二路径长度，若所述第二路径长度达到预设长度，则确定所述子节点满足孤立树分支构建完成条件。
[0058]
由于在本技术实施例中构建孤立树时，确定的第一目标特征以及第一目标特征值是随机的，为了保证孤立树不被一直构建下去，在本技术实施例中，预先配置有如下孤立树分支构建完成条件，在进行孤立树构建时，只要子节点满足孤立树分支构建完成条件的任意一种，则可以确定该子节点对应的孤立树分支构建完成。
[0059]
若对应该子节点的样本图像的数量小于预设的数量阈值，则可以确定该子节点满足孤立树分支构建完成的条件，例如预设的数量阈值为2，即当该子节点的样本图像的数量为1时，可以确定该子节点满足孤立树分支构建完成的条件。因为子节点的样本数量为1时，
说明该样本图像已经被孤立了，不需要再对目标样本集中的样本图像进行分割了，可以确定该子节点满足孤立树分支构建完成的条件。
[0060]
若对应该子节点的样本图像的第一目标特征的特征值均相同，则可以确定该子节点满足孤立树分支构建完成的条件，由于第一目标特征的特征值均相同，说明对应该子节点的样本图像为同一人物的人物图像，已经达到的区分异常图像和正常图像的目的，因此，也没有必要再对目标样本集中的样本图像进行分割了，可以确定该子节点满足孤立树分支构建完成的条件。
[0061]
由于路径长度越小，待检测的图像为异常图像的可能性越大，因此为了提高孤立树构建的效率，可以预先设置一个长度，在构建孤立树时，统计待构建孤立树中包含的节点的层数，将该层数确定为待构建孤立树的第二路径长度，当第二路径长度达到预设长度阈值时，则可以确定该子节点满足孤立树分支构建完成的条件，之后不再进行该孤立树的构建，可以认为第二根节点的任一子节点对应的样本图像均为正常图像。
[0062]
具体的，预设长度本领域的技术人员可以根据经验，或者根据电子设备的性能预先设置一个固定的数值，也可以根据目标样本集中样本图像的数量计算该预设长度。因为孤立树中要么是没有子节点的叶子节点，要么是只有两个子节点的内部节点，因此在确定预设长度时，可以计算目标样本集中样本图像的数量是2的多少次幂，从而确定预设长度，预设长度的计算过程可以表示为：l＝ceiling(log2(ψ))，其中，l表示的是预设长度，即待构建孤立树的最长第二路径长度，ψ表示的是最初的目标样本集中样本图像的数量，ceiling(x)函数表示的是对x进行向上取整。
[0063]
实施例3：
[0064]
为了进一步保证构建的孤立树的准确性，在上述各实施例的基础上，在本技术实施例中，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0065]
统计所述目标样本集中包含的样本图像的数量是否大于预设的数量阈值；
[0066]
若否，则进行后续的创建待构建孤立树的第二根节点的步骤。
[0067]
目前，大部分异常检测的方法都希望有更多的样本图像能够更准确的完成异常图像检测，但是在本技术实施例中，使用样本图像更少的目标样本集，往往能够取得更好的效果。样本图像数量较多会降低本技术实施例孤立异常图像的能力，因为正常的像会干扰孤立异常图像的过程，降低孤立异常图像的能力。
[0068]
淹没(swamping)和掩蔽(masking)是异常图像检测中比较关键的问题，swamping指的是错误地将正常图像预测为异常图像，当正常图像很靠近异常图像时，孤立异常图像时需要的分割的次数会增加，使得从正常图像中区分出异常图像更加困难。masking指的是存在大量异常图像隐藏了正常图像本来的特征值，当异常图像数量比较多，并且异常图像的特征值比较密集时，同样需要更多的分割次数才能将异常图像孤立出来，造成上述两种情况的原因都与目标样本集的样本图像太多有关，因此在本技术实施例中采用子采样的方法减小swamping和masking对异常图像检测的影响。
[0069]
在本技术实施例中，在创建待构建孤立树之前，可以统计目标样本集中包含的样本图像的数量是否大于预设的数量阈值，若否，则可以进行后续的创建待构建孤立树的第二根节点的步骤。
[0070]
具体的，若目标样本集中包含的样本图像的数量为988，预设的数量阈值为1000，
由于目标样本集中实际包含的样本图像的数量小于预设的数量阈值，则可以针对该目标样本集中的每个样本图像构建孤立树。
[0071]
为了进一步保证构建的孤立树的准确性，在上述各实施例的基础上，在本技术实施例中，若所述目标样本集中包含的样本图像的数量大于预设的数量阈值，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0072]
在所述目标样本集中选取所述数量阈值的样本图像，将选取的所述数量阈值的样本图像更新为所述目标样本集，进行后续的创建待构建孤立树的第二根节点的步骤。
[0073]
在创建待构建孤立树之前，若统计的目标样本集中包含的样本图像的数量大于预设的数量阈值，则需要减少目标样本集的中包含的样本图像的数量，避免由于目标样本集的样本图像的数量过多而影响异常图像检测的效果。
[0074]
在本技术实施例中，在该目标样本集中随机选择该数量阈值的样本图像，将选择的该数量阈值的样本图像更新为目标样本集，根据该更新后的目标样本集中的每个样本图像构建孤立树。
[0075]
具体的，若目标样本集中包含的样本图像的数量为2000，预设的数量阈值为1000，由于目标样本集中实际包含的样本图像的数量大于预设的数量阈值，可以随机从2000个样本图像中选取1000个样本图像，将选取的1000个样本图像更新为目标样本集，根据更新后的目标样本集中的每个样本图像构建孤立树。
[0076]
下面结合一个具体的实施例，对构建预设数量的孤立树的过程进行说明，使用x表示目标样本集，t表示构建孤立树的数量，ψ表示每个孤立树的样本图像数量，e表示待构建孤立树的第二路径长度，l表示待构建孤立树的预设长度，用q表示目标样本集的图像特征列表，q＝[q
hog
,q
lbp
,q
haar
]，其中q
hog
表示基于hog确定的图像特征，q
lbp
表示基于lbp确定的图像特征，q
haar
表示基于haar确定的图像特征。
[0077]
图2为本技术实施例提供的构建孤立树的过程示意图，如图2所示，该过程具体包括以下步骤：
[0078]
s201：判断已经构建完成的孤立树的数量是否满足预设的t个，如果满足则完成孤立树构建，否则，执行s202。
[0079]
s202：从目标样本集x中随机选取ψ个样本图像，将选取的ψ个样本图像更新为目标样本集x'，创建待构建孤立树的第二根节点。
[0080]
s203：获取目标样本集x'的图像特征列表q，从图像特征列表q中随机选择一个图像特征作为第一目标特征，并从图像特征列表q中随机选择该第一目标特征的任一非最大特征值和最小特征值的特征值作为第一目标特征值p，并对应该第二根节点保存第一目标特征和第一目标特征值p。
[0081]
s204：针对目标样本集中的每个样本图像x，获取该样本图像x的第一目标特征的特征值q，如果q＜p，则将该样本图像x归为该第二根节点的第一子节点x
l
，如果q≥p，则将该样本图像x归为该第二根节点的第二子节点xr。
[0082]
s205：对第二路径长度进行更新，针对每个子节点，判断该子节点是否满足孤立树分支构建完成条件，若满足，确定该子节点对应的孤立树分支构建完成，否则，执行s206。
[0083]
在确定了每个样本图像对应的子节点之后，可以获取该待构建孤立树的第二路径长度e，并对该第二路径长度进行更新，可以表示为e＝e 1。
[0084]
其中子节点满足孤立树分支构建完成条件可以理解为目标样本集中的每个样本图像都被孤立，即子节点的样本图像的数量小于预设的数量阈值；或者待构建孤立树的第二路径长度达到了预设长度l，即判断第二路径长度是否不小于预设长度l；或者子节点对应的每个样本图像的第一目标特征的特征值均相同。
[0085]
s206：将该子节点更新为第二根节点，将该子节点对应的每个样本图像作为目标样本集x'，返回步骤s203。
[0086]
当待构建孤立树中有不满足孤立树分支构建完成条件的子节点，对第二路径长度进行更新后，在执行后续步骤的过程中，该子节点对应的第二路径长度为e 1。
[0087]
例如，针对子节点x
l
，在将该子节点对应的每个样本图像作为目标样本集执行后续步骤时，可以根据更新后的第二路径长度e 1和待构建孤立树的预设长度l等参数继续进行子节点构建过程，可以将这些参数表示为itree(x
l
,e 1,l)，其中第一个参数x
l
表示将x
l
更新为第二根节点，第二参数e 1表示待构建孤立树当前的第二路径长度，第三个参数l表示待构建孤立树的预设长度。
[0088]
那么针对子节点xr可以表示为itree(xr,e 1,l)，其中第一个参数xr表示将xr更新为第二根节点，第二参数e 1表示待构建孤立树当前的第二路径长度，第三个参数l表示待构建孤立树的预设长度。
[0089]
当待构建孤立树中每个子节点对应的孤立树分支构建完成，则该待构建孤立树构建完成。
[0090]
实施例4：
[0091]
为了进一步提高人像聚类准确率，在上述各实施例的基础上，在本技术实施例中，所述根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值包括：
[0092]
确定所述图像在每个所述孤立树中的第一路径长度的第一平均路径长度，及预先构建完成的孤立树的第二平均路径长度；
[0093]
计算所述第一平均路径长度与所述第二平均路径长度的比值；
[0094]
根据所述比值，确定所述图像的异常值。
[0095]
由于平均值可以反应总体的一般水平，因此在本技术实施例中，在确定了该待检测的图像在每个孤立树中的第一路径长度之后，可以计算该待检测的图像在每个孤立树中的第一路径长度的第一平均路径长度。在本技术实施例中，可以对第一路径长度进行归一化，将归一化后的路径长度确定为该待检测的图像的异常值，具体的，归一化过程包括：计算预先构建完成的孤立树的第二平均路径长度，并计算该第一平均路径长度与第二平均路径长度的比值，并根据该比值，确定该待检测的图像的异常值。
[0096]
具体的，确定待检测的图像的异常值的计算过程可以表示为其中，e(h(x))表示该待检测的图像在每个孤立树中的第一路径长度的第一平均路径长度，c(n)表示预先构建完成的孤立树的第二平均路径长度，s(x,n)表示该待检测的图像的异常值。
[0097]
由于目标样本集中样本图像的数量是已知的，在本技术实施例中可以根据样本图像的数量计算预先构建完成的孤立树的第二平均路径长度，第二平均路径长度c(n)的计算
过程可以表示为其中，n表示的是目标样本集中样本图像的数量，函数h(i)代表的数为调和数，该数值可以被估计为ln(i) 0.5772156649。
[0098]
由上述公式可知，s(x,n)的取值范围为[0，1]，如果s(x,n)的分数越接近1，则说明该待检测的图像为异常图像的概率越大，反之该待检测的图像为异常图像的概率越小。
[0099]
实施例5：
[0100]
图3为本技术实施例提供的异常图像检测装置的结构示意图，如图3所示，该装置包括：
[0101]
确定模块301，用于针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成；
[0102]
检测模块302，用于根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
[0103]
在一种可能的实施方式中，所述装置还包括：
[0104]
构建模块303，用于获取目标样本集中每个样本图像的每个预设图像特征的特征值；创建待构建孤立树的第二根节点，随机选择任一预设图像特征作为第一目标特征，随机选择所述第一目标特征的任一特征值作为第一目标特征值，对应所述第二根节点保存所述第一目标特征及所述第一目标特征值；针对所述目标样本集中每个样本图像，根据该样本图像的所述第一目标特征的特征值以及所述第一目标特征值的大小，确定该样本图像对应所述第二根节点的第一子节点或第二子节点；针对任一子节点，若该子节点满足孤立树分支构建完成条件，则确定该子节点对应的孤立树分支构建完成，否则，将该子节点更新为第二根节点，将该子节点对应的样本图像作为目标样本集，继续进行后续该更新后的第二根节点的子节点构建过程。
[0105]
在一种可能的实施方式中，所述构建模块303，具体用于若对应所述子节点的样本图像的数量小于预设的数量阈值，则确定所述子节点满足孤立树分支构建完成条件；若对应所述子节点的样本图像的所述第一目标特征的特征值均相同，则确定所述子节点满足孤立树分支构建完成条件；统计待构建孤立树中包含的节点的层数，将所述层数确定为所述待构建孤立树的第二路径长度，若所述第二路径长度达到预设长度，则确定所述子节点满足孤立树分支构建完成条件。
[0106]
在一种可能的实施方式中，所述构建模块303，具体用于统计所述目标样本集中包含的样本图像的数量是否大于预设的数量阈值；若否，则进行后续的创建待构建孤立树的第二根节点的步骤。
[0107]
在一种可能的实施方式中，所述构建模块303，具体用于若所述目标样本集中包含的样本图像的数量大于预设的数量阈值，在所述目标样本集中选取所述数量阈值的样本图像，将选取的所述数量阈值的样本图像更新为所述目标样本集，进行后续的创建待构建孤
立树的第二根节点的步骤。
[0108]
在一种可能的实施方式中，所述检测模块302，具体用于确定所述图像在每个所述孤立树中的第一路径长度的第一平均路径长度，及预先构建完成的孤立树的第二平均路径长度；计算所述第一平均路径长度与所述第二平均路径长度的比值；根据所述比值，确定所述图像的异常值。
[0109]
实施例6：
[0110]
图4为本技术提供的一种电子设备结构示意图，在上述各实施例的基础上，本技术还提供了一种电子设备，如图4所示，包括：处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信；
[0111]
所述存储器403中存储有计算机程序，当所述程序被所述处理器401执行时，使得所述处理器401执行如下步骤：
[0112]
针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成；
[0113]
根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
[0114]
在一种可能的实施方式中，构建预设数量的每个孤立树的过程包括：
[0115]
获取目标样本集中每个样本图像的每个预设图像特征的特征值；
[0116]
创建待构建孤立树的第二根节点，随机选择任一预设图像特征作为第一目标特征，随机选择所述第一目标特征的任一特征值作为第一目标特征值，对应所述第二根节点保存所述第一目标特征及所述第一目标特征值；针对所述目标样本集中每个样本图像，根据该样本图像的所述第一目标特征的特征值以及所述第一目标特征值的大小，确定该样本图像对应所述第二根节点的第一子节点或第二子节点；针对任一子节点，若该子节点满足孤立树分支构建完成条件，则确定该子节点对应的孤立树分支构建完成，否则，将该子节点更新为第二根节点，将该子节点对应的样本图像作为目标样本集，继续进行后续该更新后的第二根节点的子节点构建过程。
[0117]
在一种可能的实施方式中，确定所述子节点满足孤立树分支构建完成条件包括以下至少一种：
[0118]
若对应所述子节点的样本图像的数量小于预设的数量阈值，则确定所述子节点满足孤立树分支构建完成条件；
[0119]
若对应所述子节点的样本图像的所述第一目标特征的特征值均相同，则确定所述子节点满足孤立树分支构建完成条件；
[0120]
统计待构建孤立树中包含的节点的层数，将所述层数确定为所述待构建孤立树的第二路径长度，若所述第二路径长度达到预设长度，则确定所述子节点满足孤立树分支构建完成条件。
[0121]
在一种可能的实施方式中，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0122]
统计所述目标样本集中包含的样本图像的数量是否大于预设的数量阈值；
[0123]
若否，则进行后续的创建待构建孤立树的第二根节点的步骤。
[0124]
在一种可能的实施方式中，若所述目标样本集中包含的样本图像的数量大于预设的数量阈值，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0125]
在所述目标样本集中选取所述数量阈值的样本图像，将选取的所述数量阈值的样本图像更新为所述目标样本集，进行后续的创建待构建孤立树的第二根节点的步骤。
[0126]
在一种可能的实施方式中，所述根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值包括：
[0127]
确定所述图像在每个所述孤立树中的第一路径长度的第一平均路径长度，及预先构建完成的孤立树的第二平均路径长度；
[0128]
计算所述第一平均路径长度与所述第二平均路径长度的比值；
[0129]
根据所述比值，确定所述图像的异常值。
[0130]
由于上述电子设备解决问题的原理与异常图像检测方法相似，因此上述电子设备的实施可以参见上述实施例，重复之处不再赘述。
[0131]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口402用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字指令处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0132]
实施例7：
[0133]
在上述各实施例的基础上，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行时实现如下步骤：
[0134]
针对每个预先构建完成的孤立树，获取该孤立树中第一根节点对应的图像特征以及第一特征值，并获取待检测的图像对应所述图像特征的第二特征值，若所述第一根节点包含子节点，对所述图像在该孤立树中的第一路径长度更新，并根据所述第一特征值以及所述第二特征值的大小，确定所述图像对应的所述第一根节点的第一目标子节点，并将所述第一目标子节点更新为第一根节点，继续确定是否对所述图像在该孤立树中的第一路径长度更新，若所述第一根节点不包含子节点，确定所述图像在该孤立树中的第一路径长度更新完成；
[0135]
根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值，若所述异常数值大于预设阈值，将所述图像确定为异常图像。
[0136]
在一种可能的实施方式中，构建预设数量的每个孤立树的过程包括：
[0137]
获取目标样本集中每个样本图像的每个预设图像特征的特征值；
[0138]
创建待构建孤立树的第二根节点，随机选择任一预设图像特征作为第一目标特征，随机选择所述第一目标特征的任一特征值作为第一目标特征值，对应所述第二根节点保存所述第一目标特征及所述第一目标特征值；针对所述目标样本集中每个样本图像，根据该样本图像的所述第一目标特征的特征值以及所述第一目标特征值的大小，确定该样本图像对应所述第二根节点的第一子节点或第二子节点；针对任一子节点，若该子节点满足孤立树分支构建完成条件，则确定该子节点对应的孤立树分支构建完成，否则，将该子节点更新为第二根节点，将该子节点对应的样本图像作为目标样本集，继续进行后续该更新后的第二根节点的子节点构建过程。
[0139]
在一种可能的实施方式中，确定所述子节点满足孤立树分支构建完成条件包括以下至少一种：
[0140]
若对应所述子节点的样本图像的数量小于预设的数量阈值，则确定所述子节点满足孤立树分支构建完成条件；
[0141]
若对应所述子节点的样本图像的所述第一目标特征的特征值均相同，则确定所述子节点满足孤立树分支构建完成条件；
[0142]
统计待构建孤立树中包含的节点的层数，将所述层数确定为所述待构建孤立树的第二路径长度，若所述第二路径长度达到预设长度，则确定所述子节点满足孤立树分支构建完成条件。
[0143]
在一种可能的实施方式中，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0144]
统计所述目标样本集中包含的样本图像的数量是否大于预设的数量阈值；
[0145]
若否，则进行后续的创建待构建孤立树的第二根节点的步骤。
[0146]
在一种可能的实施方式中，若所述目标样本集中包含的样本图像的数量大于预设的数量阈值，所述创建待构建孤立树的第二根节点之前，所述方法还包括：
[0147]
在所述目标样本集中选取所述数量阈值的样本图像，将选取的所述数量阈值的样本图像更新为所述目标样本集，进行后续的创建待构建孤立树的第二根节点的步骤。
[0148]
在一种可能的实施方式中，所述根据更新完成的所述图像在每个所述孤立树中的第一路径长度，确定所述图像的异常值包括：
[0149]
确定所述图像在每个所述孤立树中的第一路径长度的第一平均路径长度，及预先构建完成的孤立树的第二平均路径长度；
[0150]
计算所述第一平均路径长度与所述第二平均路径长度的比值；
[0151]
根据所述比值，确定所述图像的异常值。
[0152]
由于上述提供的计算机可读取介质解决问题的原理与异常图像检测方法相似，因此处理器执行上述计算机可读取介质中的计算机程序后，实现的步骤可以参见上述实施例，重复之处不再赘述。
[0153]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0154]
对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0155]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0156]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0157]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0158]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0159]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。