一种基于迁移学习的可疑违章建筑检测算法制造技术

本发明专利技术设计了一种基于迁移学习的可疑违章建筑检测算法，主要包括以下几个步骤：选取一个预训练好的卷积神经网络模型用来对可疑违建区域进行特征提取；随机选择某一中间层，利用其特征图构建新旧时相图像的结构差异向量，利用结构差异向量训练一个支持向量机，支持向量机的输出结果分为两类，变化和不变化，改变提取特征向量的中间层的层数，重复上述步骤，在测试集上选择最终分类精度最高的层数，作为最终模型的结构差异向量提取层，至此，输入两张同一建筑物的新旧时相图像，该算法便能对是否存在可疑违建区域进行判别。本方法自动选择有效的特征进行提取，无需人工对其进行设计，避免了在像素级层面上进行像素提取，极大地提高了检测的准确率。

【技术实现步骤摘要】
一种基于迁移学习的可疑违章建筑检测算法
本专利技术涉及一种基于迁移学习的可疑违章建筑检测算法，属于图像处理领域。
技术介绍
传统的违章建筑检测方法都在像素级层面上进行像素提取，对于违章建筑的评价尺度较为宽松，会产生很多伪变化检测。产生这些伪检测结果的原因可能是墙体粉饰、局部光照变化以及物体表面遮盖等。在像素层面上很难对这些错误进行剔除。卷积神经网络和传统的数字图像识别算法的主要区别在于，卷积神经网络通过卷积层和子采样层构成特征提取器，通过向网络输入大量数据进行训练，特征提取器最终会自动选择有效的特征进行提取，无需人工对其进行设计。但在实际过程中存在以下几个问题：1、常用的卷积神经网络模型一般以单张图像作为输入进行训练和测试，而变化检测任务的输入图像为两张。2、目前针对变化检测任务而建立的相关数据集较少，不同应用场景下所定义的变化描述方式也不尽相同。
技术实现思路
专利技术目的：针对上述现有技术存在的问题，本专利技术提供了一种基于迁移学习的可疑违章建筑检测算法，主要目标是解决传统建筑物检测方法在像素级层面上进行本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的可疑违章建筑检测算法，其特征在于，包括以下步骤：/n步骤1：选取一个公开的网络模型，用大型公开数据集对其进行预训练；/n步骤2：将训练数据集中同一建筑物的新旧时相图像分别输入预训练好的卷积神经网络模型，从网络的某一中层输出得到一个一维特征向量，利用两张图像的输出一维特征向量构造一个结构差异向量；利用得到的结构差异向量构建一个训练数据集；/n步骤3：利用结构差异向量训练数据集训练一个支持向量机对结果进行分类；/n步骤4：改变提取特征向量的卷积神经网络的中间层的层数，重复步骤2和步骤3，在测试集测试输出的分类精度，选择分类精度最高的中间层作为最终模型的特征提取层，获得最终的检...

【技术特征摘要】
1.一种基于迁移学习的可疑违章建筑检测算法，其特征在于，包括以下步骤：
步骤1：选取一个公开的网络模型，用大型公开数据集对其进行预训练；
步骤2：将训练数据集中同一建筑物的新旧时相图像分别输入预训练好的卷积神经网络模型，从网络的某一中层输出得到一个一维特征向量，利用两张图像的输出一维特征向量构造一个结构差异向量；利用得到的结构差异向量构建一个训练数据集；
步骤3：利用结构差异向量训练数据集训练一个支持向量机对结果进行分类；
步骤4：改变提取特征向量的卷积神经网络的中间层的层数，重复步骤2和步骤3，在测试集测试输出的分类精度，选择分类精度最高的中间层作为最终模型的特征提取层，获得最终的检测模型；
步骤5：将任意的两张同一建筑物的新旧时相图像输入以上训练好的最终的检测模型中，即可自动判断出建筑物是否存在可疑违建区域。


2.根据权利要求1所述的一种基于迁移学习的可疑违章建筑检测算法，其特征在于，所述步骤1包括如下步骤：
步骤1.1：采用VGG-16卷积神经网络模型，并使用大型自然图像数据集ImageNet作为训练样本对模型进行预训练。


3.根据权利要求2述的一种基于迁移学习的可疑违章建筑检测算法，其特征在于，所述步骤2包括如下步骤：
步骤2.1：在配准后的新旧时相图像中截取相同位置的区域作为不存在违建的样本，在不同区域截取到的图像作为存在违建的样本，建立训练数据集；
步骤2.2：VGG-16网络有5组卷积层，总共22层，选择第5到10层的某一层作为特征向量提取层；
步骤2...

【专利技术属性】
技术研发人员：张小国，丁立早，邵俊杰，邓奎刚，王慧青，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32