[发明专利]一种基于深度学习的违章建筑遥感识别方法及系统

说明书

本发明公开了一种基于深度学习的违章建筑遥感识别方法及系统，对遥感影像的矢量数据进行卷积、池化、反卷积，提取房屋特征得到矢量数据特征图，对房屋轮廓像素矢量化，将矢量数据特征图转化为栅格图像，用于模型训练；将栅格图像输入深度学习网络，得到建筑物轮廓训练模型；将待测试的遥感影像作为测试集输入深度学习网络，对测试集进行遥感影像分类输出结果，实现遥感影像的目标识别，通过遥感图像分析、深度学习和视觉大数据识别技术的结合，为违章建筑的快速准确识别提供了新的检测和监控技术手段，可以助力城市管理部门提高违章建筑的识别效率，及时发现违章建筑，降低管理成本，提升城市管理水平。

技术领域

本发明涉及城市违章建筑自动检测的技术领域，尤其是指一种基于深度学习的违章建筑遥感识别方法及系统。

背景技术

将目前，城市违章建筑检测主要依赖人工对0.3米分辨率遥感影像进行比对排查，为解决人力资源有限、人工比对耗时长的问题，众多学者提出了很多方案。詹金瑞提出了以历年卫星影像为基础，结合实地测绘和规划信息的违章建筑检测总体架构；朱建伟等提出利用无人机低空环拍影像构建三维模型进而识别违章建筑的系统。在遥感影像变化检测领域，Malila最早提出变化矢量分析法(CVA)，利用多波段的遥感影像数据将每个像素描述为一个一维列向量，进而计算前后时期同位置像素之间的向量差值，代表变化的强度；黄维等结合主成分分析(PCA)和变化矢量分析(CVA)，对多波段影像数据提取第一主成分后进行差值运算和阈值划分，降低了图像噪声的影响。近年来，随着计算机运算性能的提高，基于深度学习的监督分类方法往往在实际中取得更好的效果，张晓东等将目标检测领域的主流网络Faster R-CNN应用到高分辨率遥感图像变化检测中去取得了理想的效果。国内外学者为违章建筑检测贡献了有效的系统架构和技术方法，然而传统的基于像素的变化检测算法容易出现“椒盐”现象，难以满足违章建筑粗筛选的精度需求，而基于深度学习的运算时间高度依赖计算机的性能，难以适用实时的检测系统，因此如何有效快速地实现违章建筑识别工作自动化仍有待于继续不断地研究。现有技术中存在的识别效率不高的问题。

发明内容

针对上述背景技术中的问题，提供一种全新的基于深度学习的违章建筑遥感识别方法。利用深度网络强有效的特征提取技术，通过图片相似度分析至少能部分解决现有图片识别技术无法满足环境变化导致的违章建筑隐患识别，例如房屋自建建筑物，屋顶自建建筑物，院落自建建筑物，阳台自建建筑物，公共通道自建建筑物等。

本发明所述的一种基于深度学习的违章建筑遥感识别方法，包括：

S1获取地面环境中建筑物和道路的遥感影像，对所述遥感影像的矢量数据进行卷积、池化、反卷积，提取房屋特征得到矢量数据特征图，对房屋轮廓像素矢量化，将矢量数据特征图转化为栅格图像，用于模型训练；

S2将所述栅格图像输入深度学习网络，得到建筑物轮廓训练模型；

S3将待测试的遥感影像作为测试集输入深度学习网络，对测试集进行遥感影像分类输出结果，实现遥感影像的目标识别。

本发明通过遥感图像分析、深度学习和视觉大数据识别技术的结合，为违章建筑的快速准确识别提供了新的检测和监控技术手段，可以助力城市管理部门提高违章建筑的识别效率，及时发现违章建筑，降低管理成本，提升城市管理水平。

具体地，所述对测试集进行遥感影像分类输出结果的步骤包括：通过结构相似度算法对比原始数据集和测试集的差异图和相似度，根据图片相似度的最大值判断是否出现违章建筑，并提示违章建筑位置。

进一步地，对所述原始数据集和测试集进行均值模糊处理，转化为灰度图；对灰度图进行去噪处理；

再通过结构相似度算法对比得到差异图，检测差异图轮廓并标注相似度，相似度低于设定阈值时，告警处理。

进一步地，所述建筑物轮廓训练模型可通过如下步骤进行优化：获取遥感影像中多个角度和多个距离的违章建筑图像作为训练数据；