[发明专利]基于变化图像分类和特征差值先验的变化检测方法及装置

说明书

本发明公开了一种基于变化图像分类和特征差值先验的变化检测方法及装置，方法包括：构建一孪生网络作为特征差值先验提取网络，由三层的孪生神经网络组成；构建一变化图像分类器，由自适应不同尺寸输入的二分类器组成，用于判断场景中的变化物体在待检测图像x中还是图像y中；构建多尺度变化物体检测网络，将特征先验差值与编码后的特征进行融合，经连续的自底向上和自顶向下的特征融合方式进行特征传递，最后在五个不同尺度上得到预测结果，以解决变化区域易受非变化图像无效背景信息影响。装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以执行方法步骤。

技术领域

本发明涉及变化检测领域，尤其涉及一种基于变化图像分类和特征差值先验的变化检测方法及装置。

背景技术

现有的变化检测方法一般分为三类^[1]：基于PBCD(pixel-based changedetection，基于像素的变化检测)的方法、基于OBCD(object-based change detection，基于对象的变化检测)的方法和对两者进行互补的HCD(Hybrid change detection，混合型变化检测)的方法。

PBCD方法一般可以分为两类：第一种是直接差值法，对输入的两幅图像对应位置的像素直接进行相减，从而获得一幅差异图来表示变化区域。但是由于斑点噪声、相姿位差以及光线等因素会严重影响成像后的像素值，所以差值法的有效检测性能比较差，难以达到实际检测的高质量要求。此外，差值法还忽视了大量的上下文信息，无法克服伪变化的存在，像元之间的直接相减还会导致图像边缘特征信息的丢失，降低检测结果的质量。因此，又有文献提出了基于transform的检测方法^[2]。该方法旨在将高层次的语义信息和低层次的纹理信息相结合^[3][4]，以达到更精确的检测。

OBCD方法是考虑到同一对象中的像素具有一致性，不同对象间的像素差距较大这一特点而提出的^[5]。OBCD需要先对目标图像进行分割，明确图像中的每一个对象后再进行变化检测，这一特点导致该方法在多目标变化的检测任务中产生了较为复杂的多重判断，严重影响了算法的运算效率及模型精度。此外，背景也会在很大程度上对检测结果产生干扰^[7]。

HCD检测方法是对PBCD和OBCD进行了互补，首先利用上下文的语义信息提高PBCD的准确性，然后再使用PBCD估计出OBCD的一些参数，推导出不变区域的mask(掩膜)，以消除不需要的区域，减少OBCD的误差放大现象，最后再使用OBCD方法得到最终的变化检测结果。尽管HCD是PBCD和OBCD相互补充而得出的检测方法，但由于其模型较为复杂且增效细微，导致目前仍没有一个最优的HCD检测方法。Jonathan团队提出了一种UAFS-HCD模型^[6]，相比于文献^[8]～[11]提出的几种方法，UAFS-HCD模型的检测结果有所提升，但阈值的难以选取和缺乏公共数据集的证明使得该方法难以继续发展。

上述检测方法都是直接对图像特征进行了处理，没有考虑待检图像中含有特征信息的丰富程度，造成预测结果易受待检测图像无效背景信息的干扰。

参考文献

[1]眭海刚，冯文卿，孙开敏，徐川，多时相遥感影像变化检测方法综述.vol.43.no.12,2018.

[2]B,Rui Huang A,et al.Change Detection with Absolute DifferenceofMultiscale Deep Features.Neurocomputing(2020).