一种城市视频摄像中建筑物变化的检测方法技术

本发明专利技术公开了一种城市视频摄像中建筑物变化的检测方法，本发明专利技术将城市视频摄像图像用作建筑变化检测的数据，并进行标注，制作一套用于城市建筑变化检测的数据集，充分利用了资源。在基于Resnet

【技术实现步骤摘要】
一种城市视频摄像中建筑物变化的检测方法


[0001]本专利技术涉及图像处理
，尤其涉及一种城市视频摄像中建筑物变化的检测方法。

技术介绍

[0002]智慧城市是现代信息技术与城市综合管理相结合的产物，其建设基础是对城市各种信息的全面感知、自动分析处理和科学决策，而视频监控大数据是智慧城市建设的关键和先行者，发挥着巨大的作用，监控工具使用的日益普及和互联网的不断发展壮大，产生了海量的信息，这些海量的信息形成了庞大的数据，对这些数据进行有效的分析和处理，挖掘出更多的有价值的信息，将对智慧城市的建设起到积极的推动作用，因此利用城市视频摄像数据作为城市建筑物变化检测的主要研究对象具有一定的实际意义。
[0003]传统的变化检测方法包括代数法、聚类法、空间转换法和深度学习法，这些方法大都采用阈值选取、区域划分、空间转化等技术直接对图像特征进行对比，检测结果对光照变化和相机位姿差异过于敏感，使得在真实场景中检测结果较差。传统的变化检测方法还包括深度学习法，深度学习法对光照和相机位姿差异具有较好的鲁棒性，但是在计算差异图时只使用了提取到的深层图像特征，较浅层的图像特征并没有得到充分利用。

技术实现思路

[0004]本专利技术的目的在于提供一种城市视频摄像中建筑物变化的检测方法，旨在解决现有技术中的传统的变化检测方法在真实场景中检测结果较差的技术问题。
[0005]实现上述目的，本专利技术采用的一种城市视频摄像中建筑物变化的检测方法，包括如下步骤：
[0006]对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集；
[0007]对所述变化检测数据集进行数据增强；
[0008]搭建城市建筑变化检测网络；
[0009]训练城市建筑变化检测网络；
[0010]将被检测的建筑图像导入训练后的城市建筑变化检测网络中，进行检测。
[0011]其中，对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集的步骤包括：
[0012]选取一个监控点的视频数据中的第一帧图像作为参考图像，其余图像作为查询图像；
[0013]将查询图像与参考图像对比，将两者变化的区域进行语义分割标注，制作变化检测数据集；
[0014]对其他监控点的视频数据重复执行上述步骤，直至将所有监控点的监控视频被语义分割标注。
[0015]其中，对所述变化检测数据集进行数据增强的步骤包括：
[0016]选取一个监控点的视频数据和其对应相应的标签；
[0017]对选取的视频数据采用裁剪的方式扩展数据，在变化区域的最小包围矩形之外，随机选取10对点进行裁剪，生成包含变化区域的固定大小的10个图像块对，并对相应的标签进行裁剪；
[0018]对裁剪好的图像块进行增加高斯噪声，水平镜像翻转，扩充样本量；
[0019]对每个监控点的视频数据重复执行上述步骤，直至所有监控点的视频数据完成增强操作。
[0020]其中，搭建城市建筑变化检测网络的步骤包括：
[0021]采用孪生网络架构，孪生网络架构的上下两条分支共享同一权重；
[0022]采用Resnet
‑
50模型作为该网络的图像特征提取的基本模型；
[0023]在基本模型的编码部分，将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通道上合并后，送入一个编码层；
[0024]采用多个损失函数分别对每个编码层的预测结果进行评价，将多个编码层的预测结果进行融合，得到变化检测结果。
[0025]其中，训练城市建筑变化检测网络的步骤包括：
[0026]采用Resnet
‑
50的网络参数对搭建的城市建筑变化检测网络中的卷积层的参数进行初始化；
[0027]将经过数据增强之后的视频数据对分别输入孪生网络的两个输入端，相应的标签作为真实标签；
[0028]将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集和真实标签计算损失，并且将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集通道拼接后和真实标签计算损失；
[0029]将城市建筑变化检测网络中的不同阶段获得的不同变化检测结果与真实标签进行计算损失，并将多个编码层的预测结果进行融合之后获得的检测变化结果和真实标签进行计算损失；
[0030]将所有损失值进行求和得到整体损失；
[0031]不断的输入经过数据增强之后的视频数据训练整个网络，使损失值达到最小。
[0032]其中，孪生网络架构包括：
[0033]Resnet
‑
50模块和编码模块，Resnet
‑
50模块由卷积层、批处理层和非线性激活层组成，编码模块由上采样层、卷积层、批处理层和非线性激活层组成。
[0034]其中，Resnet
‑
50模型包括：
[0035]四个残差块，每个残差块包括三层卷积，并且在Resnet
‑
50模型每个阶段使用空洞空间卷积池化金字塔ASPP，ASPP包括一个1*1卷积核和三个3*3卷积核。
[0036]本专利技术的有益效果为：在基于Resnet
‑
50网络的基础上，运用孪生网络的架构，搭建了一个充分结合高层的语义和低层的纹理特征的变化检测网络，生成准确的变化检测结果。在变化检测网络各阶段引入了ASPP模块，并将通过该ASPP模块输出的特征图与通过变化检测网络中对应阶段输出的特征图在通道上进行合并，充分利用不同尺度的深度特征。使用Resnet
‑
50模型作为训练的模型，能够快速收敛网络，为了捕获更多全局信息和增大感受野的同时却不增加参数量以及更好的针对目标尺度差异变化，充分利用多尺度上下文信
息，提出在Resnet50网络的每个阶段使用空洞空间卷积池化金字塔。采用多个损失函数分别对每个编码层的预测结果进行评价，得到更为鲁棒性的变化检测。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的一些实施例，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他的附图。
[0038]图1是本专利技术的城市视频摄像中建筑物变化的检测方法的步骤流程图意图。
[0039]图2是本专利技术的建城市建筑变化检测网络结构示意图。
[0040]图3是本专利技术的ASPP的结构示意图。
[0041]图4是本专利技术的城市建筑变化检测网络的训练流程图。
具体实施方式
[0042]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市视频摄像中建筑物变化的检测方法，其特征在于，包括如下步骤：对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集；对所述变化检测数据集进行数据增强；搭建城市建筑变化检测网络；训练城市建筑变化检测网络；将被检测的建筑图像导入训练后的城市建筑变化检测网络中，进行检测。2.如权利要求1所述的城市视频摄像中建筑物变化的检测方法，其特征在于，对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集的步骤包括：选取一个监控点的视频数据中的第一帧图像作为参考图像，其余图像作为查询图像；将查询图像与参考图像对比，将两者变化的区域进行语义分割标注，制作变化检测数据集；对其他监控点的视频数据重复执行上述步骤，直至将所有监控点的监控视频被语义分割标注。3.如权利要求2所述的城市视频摄像中建筑物变化的检测方法，其特征在于，对所述变化检测数据集进行数据增强的步骤包括：选取一个监控点的视频数据和其对应相应的标签；对选取的视频数据采用裁剪的方式扩展数据，在变化区域的最小包围矩形之外，随机选取10对点进行裁剪，生成包含变化区域的固定大小的10个图像块对，并对相应的标签进行裁剪；对裁剪好的图像块进行增加高斯噪声，水平镜像翻转，扩充样本量；对每个监控点的视频数据重复执行上述步骤，直至所有监控点的视频数据完成增强操作。4.如权利要求3所述的城市视频摄像中建筑物变化的检测方法，其特征在于，搭建城市建筑变化检测网络的步骤包括：采用孪生网络架构，孪生网络架构的上下两条分支共享同一权重；采用Resnet
‑
50模型作为该网络的图像特征提取的基本模型；在基本模型的编码部分，将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通...

【专利技术属性】
技术研发人员：黄建华，谢英明，孙希延，纪元法，符强，王守华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：