[发明专利]一种基于图像的变化检测方法

说明书

本发明提供了一种基于图像的变化检测方法，包括如下步骤：将基准图和待测图输入用于特征提取的编码模块，分别提取其不同层级的特征图；对基准图和待测图经编码模块提取得到的同一层级的特征图计算差异特征图；将计算得到的差异特征图输入解码模块，解码模块结合输入的不同层级的差异特征图进行多尺度特征融合，输出原图大小的变化图；根据解码模块输出的变化图确定变化区域及其外接矩形；用变化区域所对应的由编码模块输出的特征图提取局部特征，将其输入到分类模块，输出变化区域检测结果。

技术领域

本发明属于计算机视觉变化检测技术领域，具体涉及一种基于图像的变化检测方法。

技术背景

基于图像的变换检测研究的是针对相同场景下，利用场景中巡检机器人自动巡检，在经过相同位置下采集不同时间的图片，排除光照，天气，阴影，拍摄角度等次要因素的影响，找出图片中的主要变化，为实际工程的后续提供保障。

传统的变化检测方法即是基于图像特征差异分析法，它通过识别两张图像之间的“明显不同”的像素集，然后通过指定阈值划分获得掩膜来生成变化图。该类方法有基于图像光照不变特征差值的变化检测，基于局部二值相似模式(LBSP)的变化检测，还有基于Haar-like特征和随机森林的变化检测方法等。这些方法的优点是计算量少，速度较快，但是缺点是由于受到人工设计的特征的限制，传统方法仍然对一些无关紧要的变化敏感，容易受光照，阴影等无关变化的影响。

目前较为流行的是基于深度学习的变化检测方法，该类方法用卷积神经网络基准图和待测图提取深度特征，结合两幅特征图作为后续变化检测的基础。由于大量已标记数据的存在以及CNN能够提取更深层次的特征的特点，使得基于深度学习的变化检测方法能够轻松忽略次要变化，专注于主要变化的检测，性能远胜于传统的变化检测方法。但是现有的基于深度学习的变化检测方法大多只用了卷积神经网络的最后一层的图像特征，虽然充分利用了深层次特征的语义信息，但是忽略了浅层次的一些低级特征，对图像的不同尺度的特征利用不充分，这些方法难以获取足够好的精度。

发明内容

本发明提出一种基于图像的变化检测方法，为实现上述目的，本发明采用了如下技术方案：

一种基于图像的变化检测方法，包括如下步骤：

A1，将基准图和待测图输入用于特征提取的编码模块，分别提取其不同层级的特征图；A2，对基准图和待测图经编码模块提取得到的同一层级的特征图计算差异特征图；

A3，将计算得到的差异特征图输入解码模块，解码模块结合输入的不同层级的差异特征图进行多尺度特征融合，输出原图大小的变化图；

A4，根据解码模块输出的变化图确定变化区域及其外接矩形；

A5，用变化区域所对应的由编码模块输出的特征图提取局部特征，将其输入到分类模块，

输出变化区域检测结果。

进一步的，所述编码模块采用resnet34作为骨架网络，其中包含两个权值相同的孪生网络分支，分别由layer₁,layer₂,layer₃,layer₄共4个子模块组成；步骤A1中，将基准图I₁和待测图I₂分别输入孪生网络两个分支后，先后经过layer₁,layer₂,layer₃,layer₄模块提取到不同层级的特征图f_{i_1},f_{i_2},f_{i_3},f_{i_4}：

其中i＝1,2。