一种基于高空瞭望摄像头的建筑物变化检测方法技术

本发明专利技术涉及变化检测技术领域，尤其涉及一种基于高空瞭望摄像头的建筑物变化检测方法，采用SIFT算子提取关键点将前后时相影像进行粗略配准，再将粗略配准后的前后时相影像分为多个图像窗口并从亮度、对比度、结构度三个方面计算结构相似度系数，构建结构相似度矩阵，并用均值阈值方法筛选，重建变化区域影像，接着用主干特征提取网络提取变化区域影像深层信息，利用区域候选网络确定建筑物的大致区域，采用卷积神经网络RCNN对提取到的建筑物区域进行分类回归，得到建筑物的具体位置，从而实现一种基于高空瞭望摄像头的建筑物变化检测，也削弱了配准不准确、建筑物之间遮挡与阴影以及季节更替对高空瞭望摄像头下建筑物图像的影响。像的影响。像的影响。

【技术实现步骤摘要】
一种基于高空瞭望摄像头的建筑物变化检测方法


[0001]本专利技术涉及变化检测
，尤其涉及一种基于高空瞭望摄像头的建筑物变化检测方法。

技术介绍

[0002]建筑物是城市区域中的重要组成部分，也是城市变化的主要部分，实现建筑物的变化检测对建设智慧城市具有重要意义。
[0003]变化检测是通过处理比较同一区域前后时相数据以准确获取区域内地物的变化信息，并实现对变化区域的定量化分析。传统变化检测多基于遥感影像进行，但是遥感影像均为正射投影，建筑物目标小，不易发现建筑物高度的变化。另外，遥感影像数据获取时间间隔长，不能及时发现建筑物的变化。
[0004]而且传统的图像变化检测利用的是建筑物中图像灰度信息差异，对配准精度要求较高；且只考虑像素本身的灰度，忽略了像素周围的信息，必然受到建筑物之间遮挡与阴影存在以及季节更替的影响。

技术实现思路

[0005]本专利技术的目的在于提供一种基于高空瞭望摄像头的建筑物变化检测方法，旨在克服高精度配准、建筑物之间遮挡与阴影以及季节更替对高空瞭望摄像头下建筑物图像像素本身的影响，实现基于高空瞭望摄像头的建筑物变化检测。
[0006]为实现上述目的，本专利技术提供了一种基于高空瞭望摄像头的建筑物变化检测方法，包括下列步骤：
[0007]前后时相影像配准；
[0008]重建变化区域影像；
[0009]主干特征提取网络提取所述变化区域影像的深层特征图；
[0010]将所述深层特征图划分区域处理，提取出所有建筑物可能存在的区域；
[0011]使用RCNN网络对提取出的所有建筑物可能存在的区域进行处理，获得建筑物的变化区域。
[0012]其中，前后时相影像配准的过程，包括下列步骤：
[0013]构建高斯金字塔图像；
[0014]构建高斯金字塔差分图像；
[0015]尺度空间极值点提取；
[0016]确定关键点的位置；
[0017]确定关键点的方向；
[0018]特征匹配；
[0019]图像变换。
[0020]其中，前后时相影像配准采用SIFT算子检测关键点，进行特征点描述、特征匹配和
图像变换。
[0021]其中，在重建变化区域影像的过程中，将配准后的前后时相影像分为多个图像窗口并从亮度、对比度、结构度三个方面计算结构相似度系数，构建结构相似度矩阵，并用均值阈值方法筛选，对变化区域进行影像重建。
[0022]其中，使用均值阈值方法筛选的过程，具体为将结构相似度矩阵均值作为阈值，大于阈值的图像窗口视为未变化区域，小于阈值的图像窗口视为变化区域。
[0023]其中，所述主干特征提取网络为神经网络层数为50的残差网络。
[0024]其中，所述深层特征图划分区域处理，具体将所述变化区域影像的深层特征图分为多个候选区域网格，设置批处理数量为128，每次处理128个候选区域。
[0025]其中，在使用RCNN网络对提取出的所有建筑物可能存在的区域进行处理，获得建筑物的变化区域的过程中，首先对提取出的所有建筑物可能存在的区域进行目标识别和定位，再进行分类和回归，最后得到建筑物的变化区域。
[0026]本专利技术提供了一种基于高空瞭望摄像头的建筑物变化检测方法，采用SIFT算子提取关键点将前后时相影像进行粗略配准，再将粗略配准后的前后时相影像分为多个图像窗口并从亮度、对比度、结构度三个方面计算结构相似度系数，构建结构相似度矩阵，并用均值阈值方法筛选，重建变化区域影像，接着用主干特征提取网络提取变化区域影像深层信息，利用区域候选网络确定建筑物的大致区域，采用卷积神经网络RCNN对提取到的建筑物区域进行分类回归，得到建筑物的具体位置，从而实现一种基于高空瞭望摄像头的建筑物变化检测。
附图说明
[0027]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。
[0028]图1是本专利技术的一种基于高空瞭望摄像头的建筑物变化检测方法的流程示意图。
[0029]图2是本专利技术的前后时相影像配准的流程步骤示意图。
[0030]图3是本专利技术的具体实施例的loss曲线图。
[0031]图4是本专利技术的具体实施例的P
‑
R曲线图。
具体实施方式
[0032]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。
[0033]请参阅图1，本专利技术提出了一种基于高空瞭望摄像头的建筑物变化检测方法，包括下列步骤：
[0034]S1：前后时相影像配准；
[0035]S2：重建变化区域影像；
[0036]S3：主干特征提取网络提取所述变化区域影像的深层特征图；
[0037]S4：将所述深层特征图划分区域处理，提取出所有建筑物可能存在的区域；
[0038]S5：使用RCNN网络对提取出的所有建筑物可能存在的区域进行处理，获得建筑物的变化区域。
[0039]进一步的，前后时相影像配准的过程如图2所示，包括下列步骤：
[0040]S201：构建高斯金字塔图像；
[0041]S202：构建高斯金字塔差分图像；
[0042]S203：尺度空间极值点提取；
[0043]S204：确定关键点的位置；
[0044]S205：确定关键点的方向；
[0045]S206：特征匹配；
[0046]S207：图像变换。
[0047]前后时相影像配准采用SIFT算子检测关键点，进行特征点描述、特征匹配和图像变换。
[0048]在重建变化区域影像的过程中，将配准后的前后时相影像分为多个图像窗口并从亮度、对比度、结构度三个方面计算结构相似度系数，构建结构相似度矩阵，并用均值阈值方法筛选，对变化区域进行影像重建。
[0049]使用均值阈值方法筛选的过程，具体为将结构相似度矩阵均值作为阈值，大于阈值的图像窗口视为未变化区域，小于阈值的图像窗口视为变化区域。
[0050]所述主干特征提取网络为神经网络层数为50的残差网络。
[0051]所述深层特征图划分区域处理，具体将所述变化区域影像的深层特征图分为多个候选区域网格，设置批处理数量为128，每次处理128个候选区域。
[0052]在使用RCNN网络对提取出的所有建筑物可能存在的区域进行处理，获得建筑物的变化区域的过程中，首先对提取出的所有建筑物可能存在的区域进行目标识别和定位，再进行分类和回归，最后得到建筑物的变化区域。
[0053]本专利技术的一种基于高空瞭望摄像头的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高空瞭望摄像头的建筑物变化检测方法，其特征在于，包括下列步骤：前后时相影像配准；重建变化区域影像；主干特征提取网络提取所述变化区域影像的深层特征图；将所述深层特征图划分区域处理，提取出所有建筑物可能存在的区域；使用RCNN网络对提取出的所有建筑物可能存在的区域进行处理，获得建筑物的变化区域。2.如权利要求1所述的基于高空瞭望摄像头的建筑物变化检测方法，其特征在于，前后时相影像配准的过程，包括下列步骤：构建高斯金字塔图像；构建高斯金字塔差分图像；尺度空间极值点提取；确定关键点的位置；确定关键点的方向；特征匹配；图像变换。3.如权利要求2所述的基于高空瞭望摄像头的建筑物变化检测方法，其特征在于，前后时相影像配准采用SIFT算子检测关键点，进行特征点描述、特征匹配和图像变换。4.如权利要求1所述的基于高空瞭望摄像头的建筑物变化检测方法，其特征在于，在重建变化区域影像的过程中，将配准后的前后时相影像分为多个图像窗口并从亮度、对比度、结构度三个方面计算结构相似度系数，构...

【专利技术属性】
技术研发人员：黄建华，王雪，纪元法，孙希延，符强，王守华，严素清，殷文君，乔政涵，张姚，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：