(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111646137.0 (22)申请日 2021.12.2 9 (71)申请人 青岛畅索科技有限公司 地址 266000 山东省青岛市崂山区松岭路 169号青岛国际创新园二期E座6层 6002室 (72)发明人 敖薇　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 苏培华 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/74(2022.01) G06V 10/58(2022.01) G06V 10/776(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/25(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 异常目标检测方法、 模型训练方法、 电子设 备及存储介质 (57)摘要 本发明实施例提供了一种异常目标检测方 法、 模型训练方法、 电子设备及存储介质， 属于遥 感技术领域。 该方法包括： 获取待检测目标场景 对应的二维高光谱图像； 将其中各光谱波段的初 始空间特征信息输入自编码网络模 型， 输出各光 谱波段的重构空间特征信息， 获得重构高光谱图 像； 绘制二维高光谱图像与重构高光谱图像的残 差图像， 得到指示目标场景中的异常目标的分布 图； 自编码网络模型的损失函数包括第二范数正 则项。 本发 明通过自编码网络模 型对二维高光谱 图像提取特征， 并对模型损失函数施加第二范数 约束， 可使重构的高光谱图像更趋向背景信息的 分布， 进而通过重构高光谱图像与二维高光谱图 像的残差图像， 可获得异常目标分布图， 实现异 常目标检测。 权利要求书3页 说明书16页 附图6页 CN 114494900 A 2022.05.13 CN 114494900 A 1.一种异常目标检测方法， 其特 征在于， 所述方法包括： 获取待检测的目标场景对应的二维高光谱图像； 所述二维高光谱图像包括不同光谱波 段的初始空间特 征信息； 将所述二维高光谱图像中的各所述光谱波段的初始空间特征信息分别输入自编码网 络模型， 以通过所述自编码网络模型输出各所述光谱波段 的重构空间特征信息， 各所述光 谱波段的重构空间特征信息组成重构 高光谱图像； 所述自编码网络模型具有损失函数， 所 述损失函数包括第二范 数正则项； 绘制所述二维高光谱图像与 所述重构高光谱图像之间的残差图像， 得到用于指示所述 目标场景中的异常目标的分布的异常目标分布图。 2.根据权利要求1所述的方法， 其特征在于， 所述绘制所述二维高光谱图像与 所述重构 高光谱图像之 间的残差图像， 得到用于指示所述目标场景中的异常目标的分布的异常目标 分布图， 包括： 对所述二维高光谱图像与所述重构高光谱图像中位置相同的像素点进行欧氏距离计 算； 以各所述像素点的欧式距离为像素值绘制所述二维高光谱图像与所述重构高光谱图 像之间的残差图像， 得到用于指示所述目标场景中的异常目标的分布的异常目标分布图。 3.根据权利要求1或2所述的方法， 其特征在于， 所述获取待检测的目标场景对应的二 维高光谱图像， 包括： 对待检测的目标场景进行拍摄， 得到所述目标场景对应的三维的原 始高光谱图像； 对所述原始高光谱图像进行标准化预处理， 得到所述目标场景对应的二维高光谱图 像。 4.一种模型训练方法， 其特征在于， 所述方法用于对如权利要求1 ‑3任一项所述的异常 目标检测方法中的自编码网络模型进行训练， 所述方法包括： 构建初始自编码网络模型； 所述初始自编码网络模型包括具有损 失函数， 所述损 失函 数包括第二范 数正则项； 获取训练样本集合； 所述训练样本集合包括多个三维的原始高光谱图像训练样本； 所 述多个三维的原 始高光谱图像训练样本为对不同的第一场景进行拍摄得到； 对所述原始高光谱图像训练样本进行所述预处理， 获得所述第 一场景对应的二维高光 谱图像训练样本； 所述二 维高光谱图像训练样本包括不同光谱波段的初始空间特征信息训 练样本； 通过各所述二维高光谱图像训练样本对所述初始自编码网络模型进行训练， 获得训练 后的自编码网络模型。 5.根据权利要求4所述的方法， 其特征在于， 所述通过各所述二维高光谱图像训练样本 对所述初始自编码网络模型进行训练， 获得训练后的自编码网络模型之后， 还 包括： 获取测试样本集合； 所述测试样本集合包括多个三维的原始高光谱图像测试样本， 以 及所述原始高光谱图像测试样本对应的异常目标分布图测试样本； 所述多个三维的原始高 光谱图像测试样本为对不同的第二场景进 行拍摄得到， 所述异常目标分布图测试样本用于 指示所述第二场景中的异常目标的真实分布； 对所述原始高光谱图像测试样本进行所述预处理， 获得所述第 二场景对应的二维高光权　利　要　求　书 1/3 页 2 CN 114494900 A 2谱图像测试样本； 所述二 维高光谱图像测试样本包括不同光谱波段的空间特征信息测试样 本； 通过各所述二维高光谱图像测试样本对训练后的所述自编码网络模型进行测试。 6.根据权利要求5所述的方法， 其特征在于， 所述通过各所述二维高光谱图像测试样本 对训练后的所述自编码网络模型进行测试， 包括： 将所述二维高光谱图像测试样本中的各所述光谱波段的空间特征信息测试样本分别 输入训练后的所述自编 码网络模型， 以通过所述自编 码网络模型输出各所述光谱波段的重 构空间特征信息结果样本， 各所述光谱波段的重构空间特征信息结果样本组成重构高光谱 图像结果样本； 绘制所述二维高光谱图像测试样本与所述重构高光谱图像结果样本之间的残差图像， 得到用于指示所述第二场景中的异常目标的预测分布的异常目标分布图结果样本； 根据所述异常目标分布图结果样本和所述异常目标分布图测试样本， 确定对训练后的 所述自编码网络模型的评价 参数； 当所述评价 参数满足预设条件时， 完成对训练后的所述自编码网络模型的测试。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述异常目标分布图结果样本和 所述异常目标分布图测试样本， 确定对训练后的所述自编码网络模型的评价 参数， 包括： 根据所述异常目标分布图结果样本和所述异常目标分布图测试样本， 绘制受试者工作 特征曲线； 确定所述受试者工作 特征曲线的曲线下面积， 得到对训练后的所述自编码网络模型的 评价参数； 所述当所述评价参数满足预设条件时， 完成对训练后的所述自编码网络模型的测试， 包括： 当所述曲线下面积大于或等于预设阈值 时， 完成对训练后的所述自编码网络模型的测 试。 8.一种异常目标检测装置， 其特 征在于， 所述装置包括： 第一获取模块， 用于获取待检测的目标场景对应的二维高光谱图像； 所述二维高光谱 图像包括 不同光谱波段的初始空间特 征信息； 重构模块， 用于将所述二维高光谱图像中的各所述光谱波段的初始空间特征信 息分别 输入自编 码网络模型， 以通过所述自编 码网络模型输出各所述光谱波段的重构空间特征信 息， 各所述光谱波段 的重构空间特征信息组成重构高光谱图像； 所述自编码网络模型具有 损失函数， 所述损失函数包括第二范 数正则项； 绘制模块， 用于绘制所述二维高光谱图像与所述重构高光谱图像之间的残差 图像， 得 到用于指示所述目标场景中的异常目标的分布的异常目标分布图。 9.一种模型训练装置， 其特征在于， 所述装置用于对如权利要求1 ‑5任一项所述的异常 目标检测方法中的自编码网络模型进行训练， 所述装置包括： 构建模块， 用于构建初始自编码网络模型； 所述初始自编码网络模型包括具有损 失函 数， 所述损失函数包括第二范 数正则项； 第二获取模块， 用于获取训练样本集合； 所述训练样本集合包括多个原始高光谱图像 训练样本； 所述多个三维的原 始高光谱图像训练样本为对不同的第一场景进行拍摄得到；权　利　要　求　书 2/3 页 3 CN 114494900 A 3