一种基于全卷积神经网络的违章建筑自动识别方法技术

本发明专利技术属于图像处理技术领域，尤其是一种基于全卷积神经网络的违章建筑自动识别方法，针对房屋违章检测需要依赖大量人工进行检测的问题，现提出以下方案，包括如下步骤，通过SURF算法对无人机拍摄的照片计算出特征点坐标，根据坐标计算出单应性矩阵，通过单应性矩阵对旧图像进行预处理变换，使特征点能和新图像重合，通过影像代数法对真实场景的屋顶进行变化检测，当检测出符合要求长宽要求的像素点差异时，将检测的可疑结果图传入后续的FCN框架进行识别，如果返回的识别结果图片中含有指定的像素颜色区域，则该区域为违章建筑。本发明专利技术减轻人工检测违章建筑的工作量，相比于传统的违章建筑识别方法准确率较高，而且实现了自动识别功能。动识别功能。动识别功能。

【技术实现步骤摘要】
一种基于全卷积神经网络的违章建筑自动识别方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于全卷积神经网络的违章建筑自动识别方法。

技术介绍

[0002]违章建筑存在侵占安全通道和非法占用耕地等、影响城市公共空间、破坏生态环境等特点，并且很多违章建筑还隐匿在合法建筑里面，目前违章建筑识别的方法主要有三种：一是靠人工走访排查，二是靠放飞无人机，无人机操作人员通过实时屏幕视频来识别，三是多时相遥感影像技术，多时相遥感影像技术是目前对城市变化检测最常用的方法，该方法是利用数字图像处理技术对新旧遥感图像提取特征，将多时相影像叠加到一起进行分类的联合分类法，根据特征重合新旧图像，然后将新旧图像每个像素点作差生成新的图片，根据设定阈值提取变化差异较大的区域，然后对该区域进行人工识别得出结论
[0003]第一种和第二种方法都主要通过依赖人工肉眼识别，效率较低，多时相遥感影像技术也具有两种缺陷：一是高清度卫星图片是保密的不对普通大众开放并且通过各大地图商获取的卫星地图都不具有实时性，距离当前时间久远，二是违章建筑种类样式繁杂，通过遥感影像变化检测误报较高，需要人工干预判断。

技术实现思路

[0004]基于房屋违章检测需要依赖大量人工进行检测的技术问题，本专利技术提出了一种基于全卷积神经网络的违章建筑自动识别方法。
[0005]本专利技术提出的一种基于全卷积神经网络的违章建筑自动识别方法，包括如下步骤：
[0006]S1：通过SURF算法对无人机拍摄的照片计算出特征点坐标，根据坐标计算出单应性矩阵，通过单应性矩阵对旧图像进行预处理变换，使特征点能和新图像重合；
[0007]S2：通过影像代数法对真实场景的屋顶进行变化检测；
[0008]S3：当检测出符合要求长宽要求的像素点差异时，将检测的可疑结果图传入后续的FCN框架进行识别，如果返回的识别结果图片中含有指定的像素颜色区域，则说明该区域为违章建筑。
[0009]优选地，所述S1中，通过Hessian矩阵来检测候选特征点：
[0010][0011]其中L
xy
表示I(x,y)图像函数与高斯函数二阶微分在像素点(x,y)处的卷积，L
xy
和L
yy
也类似这么定义；
[0012]将两张需要对比的图片通过SURF算法计算后返回的是一系列对应特征点的坐标
值，根据两张图片上多个特征点对应坐标可以计算出两个平面之间转换的单应性矩阵，然后进行彩色图像的单应性拼接，假设两张图像中的对应点坐标分别为(x',y',1)和(x,y,1)，单应性矩阵定义为：
[0013][0014]则有：
[0015][0016]然后将对应的特征点用不同颜色的直线连接起来，其中有少数对应特征点不准确，可以通过筛选过滤掉不准确的对应特征点。
[0017]优选地，所述S2中，将预处理的旧图像和新图像进行像素点作差运算、降噪运算、边缘化检测运算和图像二值化运算。
[0018]优选地，所述S3中，为了保证FCN框架能对棚顶特征进行学习，需要对棚顶训练照片进行标注，图片的标注使用的是深度学习标注工具LabelMe软件，因为只需要识别棚顶一种物体特征，因此只需定义一种颜色进行标注。
[0019]优选地，所述S3中，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。
[0020]本专利技术中的有益效果为：
[0021]将数字图像处理技术的SURF算法和单应性矩阵以及变化检测算法进行结合使用，并且将传统的数字图像处理技术算法和基于深度学习的全卷积神经网络框架进行结合，实现了优势互补，将这些算法应用在了城市违章建筑物检测方面，为违章建筑物检测和其他物品检测提供了新的思路和解决方法，为违章检测大量依赖人工检测方式提供了一种可行的自动化方法，减轻人工的工作量，该方法相比于目前传统的违章建筑识别方法准确率较高，而且还实现了自动识别的功能。
附图说明
[0022]图1为本专利技术提出的一种基于全卷积神经网络的违章建筑自动识别方法的整体流程示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中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专利技术一部分实施例，而不是全部的实施例。
[0024]一种基于全卷积神经网络的违章建筑自动识别方法，包括如下步骤：
[0025]S1：通过SURF算法对无人机拍摄的照片计算出特征点坐标，根据坐标计算出单应性矩阵，通过单应性矩阵对旧图像进行预处理变换，使特征点能和新图像重合；
[0026]S2：通过影像代数法对真实场景的屋顶进行变化检测；
[0027]S3：当检测出符合要求长宽要求的像素点差异时，将检测的可疑结果图传入后续的FCN框架进行识别，如果返回的识别结果图片中含有指定的像素颜色区域，则说明该区域为违章建筑。
[0028]S1中，通过Hessian矩阵来检测候选特征点：
[0029][0030]其中L
xy
表示I(x,y)图像函数与高斯函数二阶微分在像素点(x,y)处的卷积，L
xy
和L
yy
也类似这么定义；
[0031]将两张需要对比的图片通过SURF算法计算后返回的是一系列对应特征点的坐标值，根据两张图片上多个特征点对应坐标可以计算出两个平面之间转换的单应性矩阵，然后进行彩色图像的单应性拼接，假设两张图像中的对应点坐标分别为(x',y',1)和(x,y,1)，单应性矩阵定义为：
[0032][0033]则有：
[0034][0035]然后将对应的特征点用不同颜色的直线连接起来，其中有少数对应特征点不准确，可以通过筛选过滤掉不准确的对应特征点。
[0036]S2中，将预处理的旧图像和新图像进行像素点作差运算、降噪运算、边缘化检测运算和图像二值化运算。
[0037]S3中，为了保证FCN框架能对棚顶特征进行学习，需要对棚顶训练照片进行标注，图片的标注使用的是深度学习标注工具LabelMe软件，因为只需要识别棚顶一种物体特征，因此只需定义一种颜色进行标注。
[0038]S3中，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。
[0039]以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，包括如下步骤：S1：通过SURF算法对无人机拍摄的照片计算出特征点坐标，根据坐标计算出单应性矩阵，通过单应性矩阵对旧图像进行预处理变换，使特征点能和新图像重合；S2：通过影像代数法对真实场景的屋顶进行变化检测；S3：当检测出符合要求长宽要求的像素点差异时，将检测的可疑结果图传入后续的FCN框架进行识别，如果返回的识别结果图片中含有指定的像素颜色区域，则说明该区域为违章建筑。2.根据权利要求1所述的一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，所述S1中，通过Hessian矩阵来检测候选特征点：其中L
xy
表示I(x,y)图像函数与高斯函数二阶微分在像素点(x,y)处的卷积，L
xy
和L
yy
也类似这么定义；将两张需要对比的图片通过SURF算法计算后返回的是一系列对应特征点的坐标值，根据两张图片上多个特征点对应坐标可以计算出两个平面之间转换的单应性矩...

【专利技术属性】
技术研发人员：曾诚，严德赛，胡宇航，何鹏，张，
申请(专利权)人：湖北大学，
类型：发明
国别省市：