[发明专利]一种对农村违法占地建筑物进行检测的方法

说明书

一种对农村违法占地建筑物进行检测的方法，包括以下步骤：步骤1：采集遥感影像，对图像进行裁剪操作，对图像进行标记；步骤2：输入深度特征交融和多重关系强化机制识别模型，识别建筑物与在建建筑物；步骤3：将结果矢量化，位置配准，得到建筑、在建建筑物中心点经纬度坐标文件；步骤4：采用土地利用现状图可初步判断该建筑是否违规建筑，外业勘察核实结果。

技术领域

本发明涉及遥感影像中目标检测的技术领域，尤其涉及一种对农村违法占地建筑物的目标检测方法。

背景技术

宅基地是指在作为家庭户用作住宅基地而占有的土地，然而农村由于缺乏系统规划和有效管理，不少村民对相关的土地法律法规认识不足，没有深刻意识到耕地保护的重要意义，再加上我国对于农村宅基地管理的法律制度不够完善，长期以来，农村建房用地缺乏统一规划，选址随意，导致了大量耕地被占用为宅基地。被占用的耕地难以恢复，农村的生态环境也越来越受到严峻挑战，不利于农业的可持续发展。为加强城市规划区内农村宅基地管理，维护农民的合法权益，节约和保护耕地，促进农村社会稳定和经济可持续发展，利用现代化技术建立功能完全、结构完整、技术先进的宅基地信息管理系统，实现对宅基地有效且科学的管理是十分有必要的。在农村建房具有突处性、短期性、效仿性和复制性等特点，需要做到及时发现、及时报告、及时制止、及时处理，土地违法一旦发生，查处难度就特别大，故需要对在建的房屋进行及时且准确的识别。

传统的违规建筑房屋识别的工作通常采用人工巡查的方法进行，然而外业数据采集容易受到气象、地形等不良环境因素制约，采集过程中对人力、物力的需求较高，制图周期长，容易漏测且补测成本高。

目前基于深度学习的建筑物目标检测模型常仅对普通建筑物进行检测。例如，吴军等人利用改进Faster Rcnn主干网络VGG网络对建筑物进行检测和识别，以提高检测精度；陈等人针对不同尺度下的建筑物提出了一个融合多尺度信息的建议区域生成网络(RPN)和一种新颖的动态加权算法生成不同尺度的区域建议。

尽管上述基于深度学习的方法可以提取出单个建筑物，但是对于建筑物的类别并没有进一步进行分类，在建筑还未建筑完毕之前无法进行识别。季顺平等人提出的一种基于卷积神经网络的遥感影像建筑物变化检测方法中利用深度学习网络对建筑物进行变化检测识别，虽然能够检测出建筑物变化情况图班，但是容易受到外界各种因素的干扰，比如拆除建筑物、建筑物翻新等外界因素，并且难以得到准确的定位信息。

变化检测的方法需要两期图像进行配准，配准难度高、精度容易受到干扰；本发明通过改进Faster Rcnn网络，通过深度特征交融模块提取更多的语义特征，利用多重关系强化机制突出前景特征对建筑物、在建建筑物进行识别，采用联合损失函数能对目标进行更精准的定位，并且叠加土地利用现状图可以判断是否为违规建筑物。

发明内容

本发明的目的是为了解决农村违规占用地建筑物的识别与定位，该方法提供了一种不容易受外界各种因素干扰，只通过一期影像就可以判读建筑物类别的方法；所提出的识别网络模块采用深度特征交融模块、多重关系强化机制以及联合损失函数对建筑物、在建建筑物进行识别与定位。

一种对农村违法占地建筑物进行检测的方法，包括以下步骤：

步骤1：采集遥感影像，对图像进行裁剪操作，对图像进行标记；

步骤2：输入深度特征交融和多重关系强化机制识别模型，识别建筑物与在建建筑物；

步骤3：将结果矢量化，位置配准，得到建筑、在建建筑物中心点经纬度坐标文件；

步骤4：采用土地利用现状图可初步判断该建筑是否违规建筑，外业勘察核实结果。

在步骤2中，通过深度特征交融和多重关系强化机制识别模型，识别建筑物与在建建筑物时，具体采用以下步骤：

1)：对目标图像进行离线数据增强；