[发明专利]一种基于对抗网络的航拍违建识别方法

说明书

本发明涉及一种基于对抗网络的航拍违建识别方法，属于深度学习中目标检测识别技术领域。本发明为了解决由航拍造成的地面形变场地训练样本少，造成的目标检测器鲁棒性差形变场地难以识别的问题。一般的对抗网络通常是通过对抗性学习训练出一个好的生成器用来逼真的图像，而我们的网络正在完成相反的任务，通过对抗网络竞争，我们希望可以训练一个更好的对变形具有鲁棒性的检测器。通过对抗学习提高识别形变样例的能力，凭借这种对抗性的学习策略，检测的准确性也会随之提升，与标准的Fast‑RCNN网络相比在性能方面有了实质性的改进。

技术领域

本发明属于计算机图形与图像处理领域，具体涉及到一种基于对抗网络的航拍违建识别方法。

背景技术

城市建设的速度日益加快，也给城市规划与管理工作带来了诸多问题：利益驱动和管理不善产生大量的违法建设，违反规定大规模圈地占地、城乡结合部建设混乱、毁坏文物大拆大建、无视规划擅自批建等等，它的存在对城市规划和建设具有诸多危害。针对违建检测，传统的航摄方式(如卫星遥感、普通航空遥感)存在着信息获取费用昂贵、数据获取周期较长、缺乏机动灵活性等问题，不适用于短期、高频的城市动态监测研究。而无人机飞行方式具有较短的数据获取周期，可较灵活地获取高分辨率影像数据，航飞时间自由灵活，一次性投入成本、使用成本均相对低廉，且设备易于操作和维护等优点。逐渐变成当前违建检测首选设备。

随着图像处理技术与深度学习技术的不断发展，利用深度学习框架训练目标检测器，对航拍视频进行目标识别是非常有意义的研究。在模型训练初期，我们发现相关人员在工作时，为了提高工作效率摄像头拍摄为倾斜拍摄，高空倾斜拍摄造成了场地形变问题。那对于学习一个针对形变不变的目标检测器，我们目前的解决方案是使用数据驱动策略，即收集在不同条件下具有目标实例的大规模数据集。但是实际情况下数据集并不能覆盖所有的情况，这就造成了对形变场地识别困难的问题。

发明内容

针对上述问题，本发明提出一种基于对抗网络的航拍违建识别方法，凭借对抗性的学习策略，使得目标检测器的对形变目标的识别准确性提高。

本发明的具体步骤如下：

S1，我们通过筛选工作中无人机所拍摄的视频，将目标视频按帧分割成图片对目标进行了人工标注，同时适当降低图片分辨率以提高计算速度；

S2，我们将所做训练集作为Fast-RCNN的卷积网络的输入，通过训练获得基本目标检测器，作为对抗网络中的判别器；

S3，使用变形网络，关键思想是在目标特征上创建变形，并使检测器的目标识别变得困难，我们采用STN空间变换网络，它包含三个部分：本地网络，网格生成器和采样器；

S4，输入的特征图，STN空间变换网络将估计要变形的量(例如，旋转度，平移距离和仿射变换)，这些变量将被用作在特征图上的网格生成器和采样器的输入，输出是变形的特征图；

S5，将变形的特征图输入判别器即预先训练好的基本目标检测器中进行判别，与这些网络的竞争和克服障碍，Fast-RCNN学会以鲁棒的方式处理变形；

S6，判别器将识别结果反馈到生成器，更新生成器参数，从而使生成器产生更加有用的变形特征图；

S7，通过对抗性学习获得更加鲁棒的目标检测器。

本发明的技术方案特征和改进为：