[发明专利]基于多视角特征的遥感影像篡改目标检测方法及系统

说明书

本发明揭示了一种基于多视角特征的遥感影像篡改目标检测方法及系统，包括：边界检测模块，检测篡改目标经伪装遮蔽处理出现的边界伪影；噪音检测模块，捕捉被篡改区域与遥感影像真实区域噪声分布的差异特征；双重注意力特征融合模块，利用通道注意力融合网络将通道的特征进行融合；多尺度监督损失，包含三种尺度的损失联合训练模型，提高模型泛化性能。本发明提供的基于多视角特征的遥感影像篡改目标检测方法及系统，构建了遥感影像篡改目标异常自动检测模型，可以精准检测和定位经过篡改处理的影像区域。

技术领域

本发明涉及一种基于多视角特征的遥感影像篡改目标检测方法及系统，属于计算机和遥感领域。

背景技术

遥感影像篡改目标检测技术是一种快速、精准地识别遥感影像中是否存在篡改目标，并定位篡改目标所在区域的重要智能技术。在遥感影像中的篡改目标，通常会进行一定的伪装遮蔽处理，如拼接、复制和删除等，来降低和消除遥感影像中敏感目标与附近背景之间的肉眼辨识度，隐真示假。

针对遥感影像中篡改目标检测问题，传统的机器学习方法针对性强、设计灵活，但是模型固化且鲁棒性差。近年来，深度学习技术在遥感影像处理领域取得了诸多瞩目的成绩，大量以深度学习中的卷积神经网络为基础的目标检测算法被提出并应用于遥感图像的目标检测中。相比于传统算法，卷积神经网络能够从遥感影像中学习到更高级的语义信息，因此具有较高的鲁棒性，也能更好地完成遥感影像篡改目标检测任务。

近年来，许多工作对遥感影像篡改目标检测任务进行了探索，并提出许多基于深度学习目标检测网络的新思路来进行改进，但现有的方法依然普遍存在如下几个问题：(1)传统语义分割的方法识别遥感影像中篡改目标时，容易导致模型捕获到过多无用的语义特征；(2)没有有效利用篡改目标区域与真实区域的边界差异，捕捉隐藏目标区域周围的边界伪影特征；(3)只关注遥感影像区域的视觉RGB域特征，缺乏针对高频噪音特征的特征融合与特征差异分析。

发明内容

本发明的目的是：改善遥感影像视觉特征表达，能够发现经篡改的边界伪影，捕捉篡改区域的噪音特征，利用多尺度监督损失提高篡改检测模型的性能。

为了达到上述目的，本发明的一个技术方案是提供了一种基于多视角特征的遥感影像篡改目标检测系统，其特征在于，包括边界检测模块、噪声检测模块、双重注意力特征融合模块、结果输出模块以及多尺度监督损失模块，其中：

边界检测模块将残差网络不同层次的块特征以渐进方式进行组合，从而基于客户端上传的遥感影像检测获得隐藏目标经伪装遮蔽处理出现的边界伪影，从而获得边界伪影特征图；

噪声检测模块对客户端上传的遥感影像进行噪声提取后得到噪音图像，再捕捉隐藏目标区域与其余正常区域的噪声分布的差异特征作为通用的非语义特征，从而获得噪声分布特征图；

双重注意力特征融合模块，用于融合边界检测模块获得的边界伪影特征图以及噪声检测模块获得的噪声分布特征图；

结果输出模块：根据双重注意力特征融合模块的输出结果识别并输出遥感影像被篡改区域坐标与篡改方式；

多尺度监督损失模块，用于使用三种尺度的损失函数联合训练由边界检测模块、噪声检测模块、双重注意力模块以及结果输出模块组成的检测模型。

优选地，所述三种尺度的损失函数包括像素级损失函数、图像级损失函数以及边界损失函数，其中，像素级损失函数用于提高模型对像素级操作检测的敏感性，图像级损失函数用于提高模型对图像级操作检测的特殊性，边界损失函数用于学习非语义特征不仅能够精准定位隐藏目标，而且保证模型的强泛化能力。

本发明的另一个技术方案是提供了一种基于前述的遥感影像篡改目标检测系统实现的基于多视角特征的遥感影像篡改目标检测方法，其特征在于，包括以下步骤：

步骤1、基于边界检测模块、噪声检测模块、双重注意力特征融合模块以及结果输出模块构建检测模型；