基于无人机的违章建筑检测方法技术

本申请实施例提供了基于无人机的违章建筑检测方法

【技术实现步骤摘要】
基于无人机的违章建筑检测方法、设备及介质


[0001]本申请实施例涉及图像处理领域，尤其涉及基于无人机的违章建筑检测方法
、
设备及介质
。

技术介绍

[0002]通过建筑区域的历史遥感图像和当前遥感图像进行对比可以快速发现违章建筑，目前通常通过图像识别软件来辅助对比建筑区域的历史遥感图像和当前遥感图像，但是建筑区域的遥感图像中的汽车等干扰物会对单阶段的变化检测算法造成干扰，易引发误检；另外，建筑区域场景复杂多样，变化目标类间特征差异小，难以有效定位变化目标
。

技术实现思路

[0003]以下是对本文详细描述的主题的概述
。
本概述并非是为了限制权利要求的保护范围
。
[0004]本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一，本申请实施例提供了基于无人机的违章建筑检测方法
、
设备及介质，能准确辨别违章建筑
。
[0005]本申请的第一方面的实施例，一种基于无人机的违章建筑检测方法，包括：
[0006]获取建筑区域的双时相图像，所述双时相图像包括建筑区域的历史图像和当前图像；
[0007]根据所述双时相图像生成前景图；
[0008]根据所述前景图检测得到干扰目标；
[0009]对所述干扰目标进行共享掩膜处理，得到所述历史图像的第一掩膜图像和所述当前图像的第二掩膜图像，所述第一掩膜图像和所述第二掩膜图像共享掩膜；
[0010]对所述第一掩膜图像进行特征提取得到第一时间特征，对所述第二掩膜图像进行特征提取得到第二时间特征，融合所述第一时间特征和所述第二时间特征得到总时间特征；
[0011]通过注意力机制由所述总时间特征生成空间上下文信息和通道上下文信息；
[0012]融合多个尺度的空间上下文信息和通道上下文信息得到目标变化信息；
[0013]根据所述目标变化信息进行预测，得到目标违章建筑
。
[0014]根据本申请的第一方面的某些实施例，所述根据所述双时相图像生成前景图，包括：
[0015]将所述双时相图像通过粗检测模块中的多个卷积层进行卷积操作，得到多个第一卷积结果；
[0016]将所述粗检测模块中的第
n
个卷积层输出的第一卷积结果和第
n+1
个连接桥的连接桥输出结果输入至第
n
个连接桥生成第一特征图；
[0017]将第
n
个连接桥所生成的第一特征图通过细优化模块中的第
n
个卷积层进行卷积操作，得到第二卷积结果；
[0018]根据所述第一卷积结果和所述第二卷积结果生成前景图
。
[0019]根据本申请的第一方面的某些实施例，所述连接桥按照以下方式生成第一特征图，包括：
[0020]对所述第一卷积结果进行上采样，得到上采样结果；
[0021]对所述连接桥输出结果在通道维数上进行降维，得到降维结果；
[0022]将所述上采样结果和所述降维结果进行合并，得到第一合并结果；
[0023]对所述第一合并结果进行卷积，得到所述第一特征图
。
[0024]根据本申请的第一方面的某些实施例，所述根据所述第一卷积结果和所述第二卷积结果生成前景图，包括：
[0025]对所述第一特征图的锚点的前景特征所在位置进行分割得到分割前景特征，在所述前景特征上沿着通道轴进行池化操作得到候选前景图；
[0026]对所述第二特征图进行全局平均池化并进行卷积得到第一嵌入函数值；
[0027]对所述候选前景图进行卷积得到第二嵌入函数值；
[0028]根据所述第一嵌入函数值和所述第二嵌入函数值进行归一化，得到所述候选前景图和所述第二特征图之间的前景关系表示；
[0029]对所述候选前景图进行卷积生成嵌入特征映射，通过矩阵乘法对所述前景关系表示和所述嵌入特征映射进行整合得到前景上下文，将所述前景上下文和所述第二特征图进行聚合得到前景图
。
[0030]根据本申请的第一方面的某些实施例，所述根据所述前景图检测得到干扰目标，包括：
[0031]根据所述前景图检测得到感兴趣区域；
[0032]计算旋转区域预选框相对于所述感兴趣区域的偏移量；
[0033]通过全连接层根据所述偏移量得到旋转区域预选框，由所述旋转区域预选框检测得到干扰目标的目标框
。
[0034]根据本申请的第一方面的某些实施例，对掩膜图像进行特征提取得到时间特征，包括：
[0035]通过卷积长短时记忆网络根据所述掩膜图像计算得到时间依赖特征；
[0036]将所述时间依赖特征编码为双时间特征；
[0037]对所述时间依赖特征依次进行非线性操作和矩阵维度变换得到第一子操作结果，将所述双时间特征进行非线性操作得到第二子操作结果，将所述第一子操作结果和所述第二子操作结果进行矩阵维度变换和转置得到第三子操作结果，对所述第三子操作结果进行归一化得到系数矩阵；
[0038]对所述双时间特征进行非线性操作得到的第四子操作结果，将所述第四子操作结果与所述系数矩阵进行多次矩阵维度变换得到第五子操作结果，将所述第五子操作结果加上所述时间依赖特征得到时间特征；
[0039]其中，当输入的掩膜图像为第一掩膜图像，输出的时间特征为第一时间特征；当输入的掩膜图像为第二掩膜图像，输出的时间特征为第二时间特征
。
[0040]根据本申请的第一方面的某些实施例，所述通过注意力机制由所述总时间特征生成空间上下文信息和通道上下文信息，包括：
[0041]对所述第一时间特征依次进行非线性操作和矩阵维度变换得到第六子操作结果，对所述第二时间特征进行非线性操作得到第七子操作结果，对所述第六子操作结果和所述第七子操作结果进行矩阵维度变换和转置得到第八子操作结果，对所述第八子操作结果进行归一化得到空间注意图；
[0042]对所述第二时间特征进行非线性操作得到第九子操作结果，根据所述第九子操作结果和所述空间注意图进行多次矩阵维度变换得到第十子操作结果，拼接所述第十子操作结果和第二时间特征得到空间上下文信息；
[0043]对所述第二时间特征进行矩阵维度变换得到第十一子操作结果，对所述第一时间特征进行矩阵维度变换和转置得到第十二子操作结果，对所述第十一子操作结果和所述第十二子操作结果进行归一化得到通道注意图；
[0044]对所述第二时间特征进行矩阵维度变换得到第十三子操作结果，根据所述第十三子操作结果和所述通道注意图进行矩阵维度变换得到第十四子操作结果，拼接所述第十四子操作结果和所述第一时间特征得到通道上下文信息
。
[0045]根据本申请的第一方面的某些实施例，所述融合多个尺度的空间上下文信息和通道上下文信息得到目标变化信息，包括：
[0046]根据空间上下文信息和通道上下文信息进行编码得到编码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于无人机的违章建筑检测方法，其特征在于，包括：获取建筑区域的双时相图像，所述双时相图像包括建筑区域的历史图像和当前图像；根据所述双时相图像生成前景图；根据所述前景图检测得到干扰目标；对所述干扰目标进行共享掩膜处理，得到所述历史图像的第一掩膜图像和所述当前图像的第二掩膜图像，所述第一掩膜图像和所述第二掩膜图像共享掩膜；对所述第一掩膜图像进行特征提取得到第一时间特征，对所述第二掩膜图像进行特征提取得到第二时间特征，融合所述第一时间特征和所述第二时间特征得到总时间特征；通过注意力机制由所述总时间特征生成空间上下文信息和通道上下文信息；融合多个尺度的空间上下文信息和通道上下文信息得到目标变化信息；根据所述目标变化信息进行预测，得到目标违章建筑
。2.
根据权利要求1所述的一种基于无人机的违章建筑检测方法，其特征在于，所述根据所述双时相图像生成前景图，包括：将所述双时相图像通过粗检测模块中的多个卷积层进行卷积操作，得到多个第一卷积结果；将所述粗检测模块中的第
n
个卷积层输出的第一卷积结果和第
n+1
个连接桥的连接桥输出结果输入至第
n
个连接桥生成第一特征图；将第
n
个连接桥所生成的第一特征图通过细优化模块中的第
n
个卷积层进行卷积操作，得到第二卷积结果；根据所述第一卷积结果和所述第二卷积结果生成前景图
。3.
根据权利要求2所述的一种基于无人机的违章建筑检测方法，其特征在于，所述连接桥按照以下方式生成第一特征图，包括：对所述第一卷积结果进行上采样，得到上采样结果；对所述连接桥输出结果在通道维数上进行降维，得到降维结果；将所述上采样结果和所述降维结果进行合并，得到第一合并结果；对所述第一合并结果进行卷积，得到所述第一特征图
。4.
根据权利要求2所述的一种基于无人机的违章建筑检测方法，其特征在于，所述根据所述第一卷积结果和所述第二卷积结果生成前景图，包括：对所述第一特征图的锚点的前景特征所在位置进行分割得到分割前景特征，在所述前景特征上沿着通道轴进行池化操作得到候选前景图；对所述第二特征图进行全局平均池化并进行卷积得到第一嵌入函数值；对所述候选前景图进行卷积得到第二嵌入函数值；根据所述第一嵌入函数值和所述第二嵌入函数值进行归一化，得到所述候选前景图和所述第二特征图之间的前景关系表示；对所述候选前景图进行卷积生成嵌入特征映射，通过矩阵乘法对所述前景关系表示和所述嵌入特征映射进行整合得到前景上下文，将所述前景上下文和所述第二特征图进行聚合得到前景图
。5.
根据权利要求1所述的一种基于无人机的违章建筑检测方法，其特征在于，所述根据所述前景图检测得到干扰目标，包括：
根据所述前景图检测得到感兴趣区域；计算旋转区域预选框相对于所述感兴趣区域的偏移量；通过全连接层根据所述偏移量得到旋转区域预选框，由所述旋转区域预选框检测得到干扰目标的目标框
。6.
根据权利要求1所述的一...

【专利技术属性】
技术研发人员：谭梓峻，沈展宇，吕浩霖，梁长钊，翟懿奎，李文霸，潘嘉灏，潘文锋，龙智豪，游杰，肖廷轩，王裕昊，
申请(专利权)人：五邑大学，
类型：发明
国别省市：