[發明專利]一種基于對抗網絡的航拍違建識別方法

在審

• 申請號: 201911063291.8
• 申請日: 2019-11-01
• 公開（公告）號: CN110826478A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 宮法明;徐晨曦;李昕;楊天濠;劉芳華;袁咪咪;唐昱潤;司朋舉
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于對抗網絡的航拍違建識別方法，屬于深度學習中目標檢測識別技術領域。本發明為了解決由航拍造成的地面形變場地訓練樣本少，造成的目標檢測器魯棒性差形變場地難以識別的問題。一般的對抗網絡通常是通過對抗性學習訓練出一個好的生成器用來逼真的圖像，而我們的網絡正在完成相反的任務，通過對抗網絡競爭，我們希望可以訓練一個更好的對變形具有魯棒性的檢測器。通過對抗學習提高識別形變樣例的能力，憑借這種對抗性的學習策略，檢測的準確性也會隨之提升，與標準的Fast?RCNN網絡相比在性能方面有了實質性的改進。

技術領域

本發明屬于計算機圖形與圖像處理領域，具體涉及到一種基于對抗網絡的航拍違建識別方法。

背景技術

城市建設的速度日益加快，也給城市規劃與管理工作帶來了諸多問題：利益驅動和管理不善產生大量的違法建設，違反規定大規模圈地占地、城鄉結合部建設混亂、毀壞文物大拆大建、無視規劃擅自批建等等，它的存在對城市規劃和建設具有諸多危害。針對違建檢測，傳統的航攝方式(如衛星遙感、普通航空遙感)存在著信息獲取費用昂貴、數據獲取周期較長、缺乏機動靈活性等問題，不適用于短期、高頻的城市動態監測研究。而無人機飛行方式具有較短的數據獲取周期，可較靈活地獲取高分辨率影像數據，航飛時間自由靈活，一次性投入成本、使用成本均相對低廉，且設備易于操作和維護等優點。逐漸變成當前違建檢測首選設備。

隨著圖像處理技術與深度學習技術的不斷發展，利用深度學習框架訓練目標檢測器，對航拍視頻進行目標識別是非常有意義的研究。在模型訓練初期，我們發現相關人員在工作時，為了提高工作效率攝像頭拍攝為傾斜拍攝，高空傾斜拍攝造成了場地形變問題。那對于學習一個針對形變不變的目標檢測器，我們目前的解決方案是使用數據驅動策略，即收集在不同條件下具有目標實例的大規模數據集。但是實際情況下數據集并不能覆蓋所有的情況，這就造成了對形變場地識別困難的問題。

發明內容

針對上述問題，本發明提出一種基于對抗網絡的航拍違建識別方法，憑借對抗性的學習策略，使得目標檢測器的對形變目標的識別準確性提高。

本發明的具體步驟如下：

S1，我們通過篩選工作中無人機所拍攝的視頻，將目標視頻按幀分割成圖片對目標進行了人工標注，同時適當降低圖片分辨率以提高計算速度；

S2，我們將所做訓練集作為Fast-RCNN的卷積網絡的輸入，通過訓練獲得基本目標檢測器，作為對抗網絡中的判別器；

S3，使用變形網絡，關鍵思想是在目標特征上創建變形，并使檢測器的目標識別變得困難，我們采用STN空間變換網絡，它包含三個部分：本地網絡，網格生成器和采樣器；

S4，輸入的特征圖，STN空間變換網絡將估計要變形的量(例如，旋轉度，平移距離和仿射變換)，這些變量將被用作在特征圖上的網格生成器和采樣器的輸入，輸出是變形的特征圖；

S5，將變形的特征圖輸入判別器即預先訓練好的基本目標檢測器中進行判別，與這些網絡的競爭和克服障礙，Fast-RCNN學會以魯棒的方式處理變形；

S6，判別器將識別結果反饋到生成器，更新生成器參數，從而使生成器產生更加有用的變形特征圖；

S7，通過對抗性學習獲得更加魯棒的目標檢測器。

本發明的技術方案特征和改進為：