一种低空无人机图像变化检测方法及系统技术方案

本发明专利技术提出了一种低空无人机图像变化检测方法及系统，对每一对骨干特征进行状态特征的提取，由于状态部分在不同场景下的对整个图像特征中的重要程度不同，通过分析每个状态部分的重要性，并借助重要性的不同将状态特征从完整特征中剔除，从而得到相应的本质部分；本发明专利技术综合考虑了输入图像和状态部分的重要性，得到的本质部分将包含完整的

【技术实现步骤摘要】
一种低空无人机图像变化检测方法及系统


[0001]本专利技术属于计算机视觉
，尤其涉及一种低空无人机图像变化检测方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]变化检测是一项旨在将不同时间拍摄的图像对中的变化区域进行定位和分割的任务
。
变化检测对很多领域都有着非常重要的意义，例如，视觉监控
、
灾害评估和沙漠治理等
。
由于该任务的广泛应用和巨大潜力，人们提出了越来越多的方法来解决变化检测任务
。
一些早期的代表性工作利用传统的方法来解决这个任务，并逐步提高性能
。
在过去的十年中，由于高性能的现代芯片，应用深度学习模型变得可行，因此激发了研究人员在计算机视觉领域设计更多大体量的模型
。
自
2015
年以来，基于深度学习的变化检测方法得到了极快的发展，现有一些方法引入了更具创新性的模型，并相继刷新了变化检测或其子任务的最先进性能
。
[0004]低空无人机图像变化检测的数据都是低空成像设备
(
如无人机
)
拍摄的街景图像
。
与遥感变化检测任务相比，低空无人机变化检测的对象和场景的多样性更高，这代表着更多样更复杂的变化也会因此产生，这无疑是一个更具挑战性的任务
。
除了气象条件外，低空无人机变化检测还面临着建筑物的遮挡
、
形状各异深浅不同的阴影
、
复杂多变的人工照明等情况带来的困难
。
为了达到高质量的预测结果，模型必须具备辨别本质变化的能力，并尽可能规避掉前述的不利影响
。
[0005]由于在低空无人机变化检测中每组输入是由两张图像组成的，所以前面的一些工作自然而然地应用孪生卷积神经网络来提取特征
。
从狭义上说，孪生卷积神经网络由两个共享权重的卷积神经网络组成
。
当两张输入图像分别通过其中一个卷积神经网络时，它们的特征将以相同的形式被提取出来
。
在理想情况下，相同的区域在特征图中仍然是相似的，不同的区域则一定会被表达为不同的特征，这使得图像对之间的变化区域可以更容易找到，满足了任务的客观需求
。
[0006]然而，以前所有使用孪生卷积神经网络的工作都集中在如何正确地融合特征对或扩大变化区域的特征差异，从而使它们更容易被定位
。
尽管这些想法有助于预测更高质量的变化图，实际上它们确实提高了性能，但另一个关键点却一直被忽视
。
在低空无人机变化检测任务中，找到变化区域，但这并不意味着关心两幅图像之间的所有差异
。
正如现有数据集的定义，需要找到的变化区域包括物体表面的二维变化
(
如墙上的壁画
)
和三维变化
(
如物体的出现
、
消失或移动
)。
而由不同的光照
、
阴影或色彩风格引起的变化被视为同一本质的不同状态，也就是“状态变化”。
即使本质相同，不同的状态也同样会导致非常大的表征差异，从而干扰模型预测正确的变化图
。
因此，如何摆脱状态变化的影响，只关注本质的变化，提高低空无人机变化检测的准确性，是本领域技术人员亟待解决的问题
。

技术实现思路

[0007]为克服上述现有技术的不足，本专利技术提供了一种低空无人机图像变化检测方法及系统，将骨干特征解耦成本质部分和状态部分，从而使解码模块能够更加专注预测真实的变化图，提高低空无人机变化检测的准确性
。
[0008]为实现上述目的，本专利技术的第一个方面提供一种低空无人机图像变化检测方法，包括：
[0009]获取待检测区域的时相图像对，将所获取的时相图像对输入至训练好的变化检测模块中，得到所述待检测区域的图像变化检测结果；
[0010]其中，所述变化检测模块包括特征提取模块
、
交互解耦模块和解码模块；所述特征提取模块用于对所述时相图像对分别进行骨干特征提取，得到多级的骨干特征对；
[0011]所述交互解耦模块用于对所述骨干特征对分别进行状态特征的提取，得到状态特征对，基于所述状态特征在所述时相图像中的重要程度，得到状态特征权重；根据所述状态特征对
、
骨干特征对以及状态特征权重，得到本质特征对；
[0012]所述解码模块用于将不同本质特征对进行级联融合，得到所述变化检测结果
。
[0013]本专利技术的第二个方面提供一种低空无人机图像变化检测系统，包括：
[0014]获取模块：获取待检测区域的时相图像图对；
[0015]变化检测模块：将所获取的时相图像对输入至训练好的变化检测模块中，得到所述待检测区域的图像变化检测结果；
[0016]其中，所述变化检测模块包括特征提取模块
、
交互解耦模块和解码模块；所述特征提取模块用于对所述时相图像对分别进行骨干特征提取，得到多级的骨干特征对；
[0017]所述交互解耦模块用于对所述骨干特征对分别进行状态特征的提取，得到状态特征对，基于所述状态特征在所述时相图中的重要程度，得到状态特征权重；根据所述状态特征对
、
骨干特征对，以及所述状态特征对分别对应的状态特征权重，得到本质特征对；
[0018]所述解码模块用于将不同本质特征对进行级联融合，得到所述待检测区域的变化检测结果
。
[0019]本专利技术的第三个方面提供一种计算机设备，包括：处理器
、
存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行一种低空无人机图像变化检测方法
。
[0020]本专利技术的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行一种低空无人机图像变化检测方法
。
[0021]以上一个或多个技术方案存在以下有益效果：
[0022]在本专利技术中，首先对每一对骨干特征进行状态特征的提取，由于状态部分在不同场景下的对整个图像特征中的重要程度不同，通过分析每个状态部分的重要性，并借助重要性的不同将状态特征从完整特征中剔除，从而得到相应的本质部分；综合考虑了输入图像和状态部分的重要性，得到的本质部分将包含完整的
、
纯粹的信息，能够反映实际变化的区域，以反映实际变化的区域的本质对作为解码模块输入，计算每对本质对之间的差异，使解码模块能够更加专注预测真正的变化图，提高低空无人机图像变化检测的准确性
。
[0023]本专利技术附加方面的优点将在下面的描述中部分给出，部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种低空无人机图像变化检测方法，其特征在于，包括：获取待检测区域的时相图像对，将所获取的时相图像对输入至训练好的变化检测模块中，得到所述待检测区域的变化检测结果；其中，所述变化检测模块包括特征提取模块
、
交互解耦模块和解码模块；所述特征提取模块用于对所述时相图像对分别进行骨干特征提取，得到多级的骨干特征对；所述交互解耦模块用于对所述骨干特征对分别进行状态特征的提取，得到状态特征对，基于所述状态特征在所述时相图像中的重要程度，得到状态特征权重；根据所述状态特征对
、
骨干特征对，以及所述状态特征对分别对应的状态特征权重，得到本质特征对；所述解码模块用于将不同本质特征对进行级联融合，得到所述待检测区域的变化检测结果
。2.
如权利要求1所述的一种低空无人机图像变化检测方法，其特征在于，对骨干特征对分别进行状态特征的提取，得到状态特征对，基于状态特征在所述时相图像中的重要程度，得到状态特征权重，具体为：将骨干特征对进行级联，将级联后的骨干特征对分别经过卷积层降低通道数，得到状态特征对；根据状态特征在所述时相图像中的重要程度，对状态特征进行通道数的调整，得到状态特征权重
。3.
如权利要求2所述的一种低空无人机图像变化检测方法，其特征在于，根据状态特征在所述时相图像中的重要程度，对状态特征进行通道数的调整，得到状态特征权重，具体包括：将状态特征对中每个状态与对应的骨干特征进行级联；将级联结果经过3×3卷积层调整通道数与所述状态特征对通道数相同；将通道数调整后的级联结果经过依次经过两个3×3卷积层，使通道数与所述骨干特征对通道数相同，然后经过激活函数进行归一化处理，得到状态特征权重
。4.
如权利要求1所述的一种低空无人机图像变化检测方法，其特征在于，根据所述状态特征对
、
骨干特征对，以及所述状态特征对分别对应的状态特征权重，得到本质特征对，具体为：将所述状态特征权重与对应的状态特征进行像素级乘法操作，得到第一结果；将第一结果与所述状态特征权重对应的骨干特征进行像素级减法操作，得到第二结果；将第二结果与所述状态特征权重对应的骨干特征进行级联操作后经过1×1卷积层，得到本质特征
。5.
如权利要求1所述的一种低空无人机图像变化检测方法，其特征在于，所述解码模块用于将...

【专利技术属性】
技术研发人员：丛润民，张伟，宋然，仇梓峰，陈宇，陈韬亦，李晓磊，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：