【技术实现步骤摘要】
图像场景变化的检测方法、系统及电子设备
[0001]本专利技术涉及图像识别
，尤其是涉及一种图像场景变化的检测方法、系统及电子设备。
技术介绍
[0002]传统的图像场景变化的检测过程一般基于图像差分、图像比值等方法生成差分图像，然后对差分图像提取变化特征得到主要的变化部分。例如在小波域中利用平均比值图像和对数比值图像的互补信息生成差分图，然后用改良局部邻域模糊C均值聚类算法对生成图像进行分类得到图像的变化部分；类似的还有基于Haar
‑
like特征和随机森林的变化检测方法等。这类方法的优点是速度快，但是上述方法严重依赖于人工构建的特征，对复杂的抽象的高层信息提取能力有限，并且当变化类和非变化类的特征重叠或其统计分布建模不准确时，会对检测效果产生较大的影响。
[0003]随着深度学习技术的发展，利用卷积神经网络来实现图像场景变化的检测过程也逐渐成为发展方向。该类方法通过卷积神经网络提取基准图和待测图的深度特征，基于该特征图作为后续变化检测的基础。但该类卷积神经网络如VGGNet和AlexNet...
【技术保护点】
【技术特征摘要】
1.一种图像场景变化的检测方法，其特征在于，所述方法包括：利用预设基准图像对待检测图像进行预处理，确定所述待检测图像的预处理图像；将所述预处理图像输入至已完成训练的卷积神经网络中，通过所述卷积神经网络对所述预处理图像进行编码，确定所述待检测图像对应的第一特征图像；对所述第一特征图像进行解码操作，通过反卷积运算将所述第一特征图像进行特征融合，确定所述待检测图像对应的第二特征图像；对所述第二特征图像进行分类计算，确定所述第二特征图像中每个像素的变化概率值，并对所述变化概率值进行映射确定所述待检测图像的变化区域。2.根据权利要求1所述的图像场景变化的检测方法，其特征在于，利用预设基准图像对待检测图像进行预处理，确定所述待检测图像的预处理图像的步骤，包括：分别提取所述基准图像和所述待检测图像的关键点及其特征描述符；利用所述特征描述符对所述基准图像的关键点和所述待检测图像的关键点进行匹配，并对已完成匹配的所述关键点进行筛选，确定所述基准图像和所述待检测图像的匹配点；根据所述基准图像和所述待检测图像的匹配点，将所述待检测图像与所述基准图像进行对齐操作；将完成对齐操作的所述待检测图像和所述基准图像进行求差计算，确定所述待检测图像和所述基准图像的差值结果，并将所述差值结果确定所述预处理图像。3.根据权利要求1所述的图像场景变化的检测方法，其特征在于，通过所述卷积神经网络对所述预处理图像进行编码，确定所述待检测图像对应的第一特征图像的步骤，包括：根据所述卷积神经网络包含的多个编码模块，确定所述编码模块的执行队列；其中，前一个所述编码模块的输出图像作为后一个所述编码模块的输入图像；所述编码模块用于减小所述预处理图像的尺度，并增大所述预处理图像的维度；将所述预处理图像输入至所述执行队列中位于队首的所述编码模块进行编码操作，所述编码模块对所述预处理图像进行卷积运算和池化运算，得到所述执行队列中位于队首的所述编码模块对应的编码特征图；按照所述执行队列中所述编码模块的执行顺序，确定所有所述编码模块对应的编码特征图，并将所有所述编码模块对应的编码特征图确定为所述第一特征图像。4.根据权利要求3所述的图像场景变化的检测方法，其特征在于，对所述第一特征图像进行解码操作，通过反卷积运算将所述第一特征图像进行特征融合，确定所述待检测图像对应的第二特征图像的步骤，包括：根据所述卷积神经网络包含的多个解码模块，确定所述解码模块的执行队列；其中，前一个所述解码模块的输出图像作为后一个所述解码模块的输入图像；所述解码模块用于增大所述预处理图像的尺度，并减小所述预处理图像的维度；将所述预处理图像输入至所述执行队列中位于队首的所述解码模块进行反卷积运算，得到所述执行队列中位于队首的所述解码模块对应的解码特征图，并将所述执行队列中位于队首的所述编码特征图与所述解码特征图进行融合计算，确定所述预处理图像的融合图；按照所述执行队列中所述解码模块的执行顺序，确定所有所述解码模块对应的融合图，并将所有所述解码模块对应的融合图确定为所述第二特征图像。
5.根据权利要求4所述的图像场景变化的检测方法，其特征在于，对所述第二特征图像进行分类计算，确定所述...
【专利技术属性】
技术研发人员：王志峰，陈明芽，毛登峰，王庆猛，
申请(专利权)人：华雁智科杭州信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。