[发明专利]一种基于全卷积神经网络的违章建筑自动识别方法

权利要求书

1.一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，包括如下步骤：

S1：通过SURF算法对无人机拍摄的照片计算出特征点坐标，根据坐标计算出单应性矩阵，通过单应性矩阵对旧图像进行预处理变换，使特征点能和新图像重合；

S2：通过影像代数法对真实场景的屋顶进行变化检测；

S3：当检测出符合要求长宽要求的像素点差异时，将检测的可疑结果图传入后续的FCN框架进行识别，如果返回的识别结果图片中含有指定的像素颜色区域，则说明该区域为违章建筑。

2.根据权利要求1所述的一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，所述S1中，通过Hessian矩阵来检测候选特征点：

其中L_xy表示I(x,y)图像函数与高斯函数二阶微分在像素点(x,y)处的卷积，L_xy和L_yy也类似这么定义；

将两张需要对比的图片通过SURF算法计算后返回的是一系列对应特征点的坐标值，根据两张图片上多个特征点对应坐标可以计算出两个平面之间转换的单应性矩阵，然后进行彩色图像的单应性拼接，假设两张图像中的对应点坐标分别为(x',y',1)和(x,y,1)，单应性矩阵定义为：

则有：

然后将对应的特征点用不同颜色的直线连接起来，其中有少数对应特征点不准确，可以通过筛选过滤掉不准确的对应特征点。

3.根据权利要求2所述的一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，所述S2中，将预处理的旧图像和新图像进行像素点作差运算、降噪运算、边缘化检测运算和图像二值化运算。

4.根据权利要求3所述的一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，所述S3中，通过深度学习标注工具LabelMe软件对训练照片进行标注。

5.根据权利要求4所述的一种基于全卷积神经网络的违章建筑自动识别方法，其特征在于，所述S3中，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。