【技术实现步骤摘要】
本专利技术属于图像智能解译领域，涉及一种铁塔视频图像违章建筑物变化检测方法和装置。
技术介绍
1、目前，主要采用卫星遥感技术结合传统人工调查的方式对违章建筑进行查找，一方面，人力需求量大，成本较高且效率低下；另一方面，卫星遥感技术通常使用正射影像数据，不易发现建筑物的高度变化，且获取卫星影像需要一定的时间，导致发现建筑物变化的周期较长，增加经济损失。所以，采用一种高效且成本较低的建筑物变化检测方法具有非常重要的意义。
2、相比起卫星影像，铁塔视频监控摄像头不仅能够反映建筑物的高度变化，而且无需等待卫星影像返回，可以实现24小时无间断实时监测自然资源，通过固定角度的不同时间的图像，可以提早发现违章建筑物现象，减小经济损失和对环境的影响。利用带有的云台控制的摄像头，结合图像分析技术，可以实现实时且较大范围的违章建筑的早期发现。
3、然而由于铁塔视频图像的分辨率较高，其中的地物信息包含了许多细节，传统的变化检测方法无法满足需求，而随着深度学习模型在计算机视觉任务中的不断发展，深度学习模型也被应用于处理变化检测任务中，深度学习能够多层次地提取复杂地物的抽象特征，提取出的抽象特征对于噪声有很强的鲁棒性，同时基于深度学习方法由于其非线性表征和出色的特征提取能力，可以更好地理解复杂场景，其性能远远超过传统方法。但是由于铁塔视频监控图像易受到拍摄角度、光照以及摄像头抖动等环境因素影响，不同时相监控图像之间配准有偏差，同时在城市中易受到建筑物影响，铁塔视频图像阴影遮蔽严重，给建筑物的变化检测带来较大的挑战。
>技术实现思路
1、针对现有铁塔视频图像智能解译技术存在的不足，本专利技术提供一种铁塔视频图像违章建筑物变化检测方法和装置，所述方法包括：
2、采集不同时期的铁塔视频摄像头图像，对所述图像预处理后进行标注，生成样本库。
3、构建双分支孪生建筑物变化检测网络模型，所述双分支孪生建筑物变化检测网络模型包括第一编码器、第二编码器和解码器，所述第一编码器和第二编码器的输入为不同时期铁塔视频图像，第一编码器和第二编码器的结构相同，均包含一个预处理卷积层和四个残差卷积层，且在特征提取阶段共享权重，第一编码器和第二编码器的输出均连接到全局上下文特征聚合模块进行特征融合，融合后的输出作为所述解码器的输入，所述解码器共4层，每层均包含全局上下文特征聚合模块和解码块；所述第一编码器和第二编码器每层所输出的特征进行拼接后通过跳跃连接输入至所述解码器相应层的全局上下文特征聚合模块进行特征融合，融合后通过所述解码块进行特征提取，通过上采样操作逐步恢复空间维度。
4、对所述双分支孪生建筑物变化检测网络模型进行训练，得到训练好的双分支孪生建筑物变化检测网络模型和最优的权重参数。
5、将需要检测的双时相监控视频图像输入到所述双分支孪生建筑物变化检测网络模型中，获得建筑物变化区域。
6、进一步的，所述全局上下文特征聚合模块主要由四个分支组成，第一个分支为一个1×1的卷积层，第二分支和第三分支各包含一个3×3的空洞卷积层，膨胀率分别为4和6，第四个分支只包含一个全局池化层，所述四个分支提取的特征具有相同的大小，并通过通道级联，得到聚合特征，然后将所述聚合特征输入到1×1卷积层中进行通道数调整，得到输出结果。
7、进一步的，所述第一编码器和第二编码器的结构相同，均包含一个预处理卷积层和四个残差卷积层，具体为：
8、所述第一编码器和第二编码器均由五层组成，第一层为预处理卷积层，由一个卷积核为7×7的卷积层和一个3×3的最大池化层构成，输出的特征通道数为64；其余四层均为残差卷积层，每个残差卷积层包含两个残差块，每个残差块由两个3x3卷积层和恒等映射的跳跃连接组成，四个残差卷积层的输出通道数分别为128、256、512和1024。
9、进一步的，对所述图像预处理后进行标注，具体包括：
10、对采集到的铁塔视频图像进行裁剪和去噪；然后制作用于变化检测的样本，并对图像中发生变化的建筑物区域进行标注，得到二值变化标签；最后整理标注的样本生成样本库，所述样本库包含训练集、验证集和测试集。
11、进一步的，所述双分支孪生建筑物变化检测网络模型的最后还包含一个1×1卷积层和sigmoid函数层。
12、进一步的，使用二元交叉熵损失函数作为损失函数对所述双分支孪生建筑物变化检测网络模型进行训练。
13、本专利技术还提供一种铁塔视频图像违章建筑物变化检测装置，所述装置用于实现上述的建筑物变化检测方法，所述装置具体包括：
14、图像采集及预处理单元，用于采集不同时期的铁塔视频摄像头图像，对所述图像预处理后进行标注，生成样本库。
15、网络模型构建及训练单元，用于构建双分支孪生建筑物变化检测网络模型并对所述双分支孪生建筑物变化检测网络模型进行训练，所述双分支孪生建筑物变化检测网络模型包括第一编码器、第二编码器和解码器，所述第一编码器和第二编码器的输入为不同时期铁塔视频图像，第一编码器和第二编码器的结构相同，均包含一个预处理卷积层和四个残差卷积层，且在特征提取阶段共享权重，第一编码器和第二编码器的输出均连接到全局上下文特征聚合模块进行特征融合，融合后的输出作为所述解码器的输入，所述解码器共4层，每层均包含全局上下文特征聚合模块和解码块；所述第一编码器和第二编码器每层所输出的特征进行拼接后通过跳跃连接输入至所述解码器相应层的全局上下文特征聚合模块进行特征融合，融合后通过所述解码块进行特征提取，通过上采样操作逐步恢复空间维度；对所述双分支孪生建筑物变化检测网络模型进行训练，得到训练好的双分支孪生建筑物变化检测网络模型和最优的权重参数。
16、建筑物变化区域检测单元，用于将需要检测的双时相监控视频图像输入到所述双分支孪生建筑物变化检测网络模型中，获得建筑物变化区域。
17、本专利技术使用铁塔视频监控图像作为输入，大大减短了图像采集间隔，并推动监控摄像头数据在资源监测等领域中的广泛利用；其次，本专利技术针对铁塔视频图像构建了双分支孪生建筑物变化检测网络模型，以适应这种密集程度的图像源，并获得高精度的检测输出；最后为了解决在网络训练过程中对语义信息和空间信息表达能力不佳的问题，本专利技术方法中构造了一种全局上下文特征聚合模块，其可以有效捕获特征对象的全局信息，并从整体上理解数据的特征，从而帮助深度学习模型更好地理解和利用整体数据的信息，从而提高模型的性能和泛化能力。
本文档来自技高网...【技术保护点】
1.一种铁塔视频图像违章建筑物变化检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，所述全局上下文特征聚合模块主要由四个分支组成，第一个分支为一个1×1的卷积层，第二分支和第三分支各包含一个3×3的空洞卷积层，膨胀率分别为4和6，第四个分支只包含一个全局池化层，所述四个分支提取的特征具有相同的大小，并通过通道级联，得到聚合特征，然后将所述聚合特征输入到1×1卷积层中进行通道数调整，得到输出结果。
3.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，所述第一编码器和第二编码器的结构相同，均包含一个预处理卷积层和四个残差卷积层，具体为：
4.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，对所述图像预处理后进行标注，具体包括：
5.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，所述双分支孪生建筑物变化检测网络模型的最后还包含一个1×1卷积层和Sigmoid函数层。
6.根据权利要求1所述的铁塔视频图像违章
7.一种铁塔视频图像违章建筑物变化检测装置，其特征在于，所述装置用于实现如权利要求1-6任一项所述的铁塔视频图像违章建筑物变化检测方法，所述装置具体包括：
...【技术特征摘要】
1.一种铁塔视频图像违章建筑物变化检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，所述全局上下文特征聚合模块主要由四个分支组成，第一个分支为一个1×1的卷积层，第二分支和第三分支各包含一个3×3的空洞卷积层，膨胀率分别为4和6，第四个分支只包含一个全局池化层，所述四个分支提取的特征具有相同的大小，并通过通道级联，得到聚合特征，然后将所述聚合特征输入到1×1卷积层中进行通道数调整，得到输出结果。
3.根据权利要求1所述的铁塔视频图像违章建筑物变化检测方法，其特征在于，所述第一编码器和第二编码器的结构相同，均包含一个预处理卷积层和四个残差卷积层，具体...
【专利技术属性】
技术研发人员：唐芝青，肖海，廖莎，林琼琼，刘慧敏，肖志高，邓敏，曹吉萍，张楚涓，
申请(专利权)人：湖南省第二测绘院，
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。