【技术实现步骤摘要】
一种孪生差分网络的场景变化轮廓检测
[0001]本专利技术涉及图像识别
，具体为一种孪生差分网络的场景变化轮廓检测。
技术介绍
[0002]场景图像的变化区域检测方法在遥感数据和无人机器/巡检机器人异常缺陷巡检检测中使用广泛。近年来场景变化的异常检测方法提出了使用两步骤方法单元分割特征分析和场景变化识别。传统的变化识别分类方法使用最小二乘、SVM支持机，决策树，图模型和Markov链等人工提取的特征向量。同时也提出了使用基于深度学习端到端识别方法的孪生网络模型提取特征向量，根据特征向量的度量误差分类/和全链接分类网络识别场景图片；
[0003]传统机器识别方法具有一定的局限性，在阴影和光照的影响下，会出现一定的误检测；同时在实用过程中操作繁琐，需要对每个区域都提前提取人共特征向量；这些方法在具有噪声的图像中鲁棒性很差；另外，传统方法设计繁琐，不具有通用行，需要每个问题单独解决；基于分块图片信息的深度孪生网络判决方法，具有鲁棒行和准确性的特点，但过程具备一定的复杂度。
技术实现思路
[0004]为...
【技术保护点】
【技术特征摘要】
1.一种孪生差分网络的场景变化轮廓检测，其特征在于，包括训练准备过程和识别运行流程，所述训练准备过程包括：数据采集，数据标注，深度学习网络特征提取器模型设计，区域选取器设计，深度学习网络误差设计，模型训练；所述识别运行流程包括：模板图片和目标检测图片匹配视角变换计算模块，神经网络变化区域轮廓检测模块。2.根据权利要求1所述的一种孪生差分网络的场景变化轮廓检测，其特征在于，包括以下步骤：步骤一、将模板图片和目标检测图片输入所述目标检测图片匹配视角变换计算模块内，计算两张图片的关键点信息，通过匹配的相关关键点计算得到两张图片的视角变换矩阵，目标图片根据变换矩阵计算得到和模板图片视角相同的目标图片，将匹配矫正后的拍摄目标图片和模板图片输入孪生差分神经网络预测改变区域；步骤二、数据采集和数据标注：所述模板图片和目标检测图片数据采集成对收集，一张模板图片对应一张目标检测图片，检测目标检测图片与模板图片有不同区域，同时在两张图片中一起标出，标出的地方设置为异常目标检测数据集，所述异常目标检测数据集包含通用公用场景变化数据集与巡检设备拍摄数据集，每对变化区域异常图片区域单独标注异常不同区域轮廓，采用添加通用公开场景变化数据集和数据加扰算法丰富样本的多样性，去除了深度网络变化区域的误检与漏检问题，可有效抑制传统算法中受噪声光线畸变影响带来的不稳定性，使用中具有鲁棒性与使用简便性；步骤三、深度网络基础特征模型：采用Efficient差分金字塔网络结构用于提取模板图片和目标检测图片的金字塔特征，模板图片和目标检测图片的金字塔特征分别进行差分运算和特征连接运算，共同输出到Unet网络；所述Unet网络的Encode阶段金字塔四层输出作为特征选取器进行差分计算合并两张图片的特征FeatureMap，通过差...
【专利技术属性】
技术研发人员：于洪洲，黄丽莉，卢华兵，蔡孙增，
申请(专利权)人：上海利淘豪斯机器人有限公司，
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。