CN109166091A - 检测方法、装置、设备和介质 - Google Patents

Abstract

本发明公开了一种检测方法、装置、设备和介质。该方法包括：获取待检测图片；对齐背景图片与待检测图片；确定待检测图片中每个区域的每个像素点的绿色分量；当绿色分量小于预设绿色分量阈值时，确定区域为待检测区域；确定背景图片与待检测区域的图片的差异值；当差异值大于预设差异值阈值时，通过预训练卷积神经网络检测待检测区域。根据本发明实施例提供的技术方案，可以提高检测的准确性，缩短检测时间。

Description

检测方法、装置、设备和介质

技术领域

本发明涉及图像处理领域，尤其涉及一种检测方法、装置、设备和介质。

背景技术

目前，一般是使用基于特征点的检测方法检测土地占用情况，比如使用尺度不变特征转换(Scale-invariant feature transform，SIFT)特征点结合k均值聚类的方法，或者基于Harris角点的检测方法，通过比较特征点的变化来判断是否有土地占用产生。或者，使用基于视频流的方法，比较每一天的图片区域在不同时相的特征变化来确定是否有土地占用产生。

但是上述方法一般用于检测城市的土地占用，而用于检测场景较为复杂的山野、农田适应性较差，若是采用上述的方法，检测的准确性较差，且时间消耗较长。

发明内容

本发明实施例提供检测方法、装置、设备和介质，可以提高检测的准确性，缩短检测时间。

根据本发明实施例的一方面，提供一种检测方法，所述检测方法包括：

获取待检测图片；

对齐背景图片与所述待检测图片；

确定所述待检测图片中每个区域的每个像素点的绿色分量；

当所述绿色分量小于预设绿色分量阈值时，确定所述区域为待检测区域；

确定所述背景图片与所述待检测区域的图片的差异值；

当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域。

根据本发明实施例的另一方面，提供一种检测装置，所述装置包括：

获取模块、对齐模块、确定绿色分量模块、确定差异模块和检测模块；

所述获取模块，用于获取待检测图片；

所述对齐模块，用于对齐背景图片与所述待检测图片；

所述确定绿色分量模块，用于确定所述待检测图片中每个区域的每个像素点的绿色分量，以及用于当所述绿色分量小于预设绿色分量阈值时，确定所述区域为待检测区域；

所述确定差异模块，用于确定所述背景图片与所述待检测区域的图片的差异值；

所述检测模块，用于当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域。

根据本发明实施例的再一方面，提供一种终端设备，包括：

存储器、处理器、通信接口和总线；

所述存储器、所述处理器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器用于存储程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如第一方面所述的检测方法。

根据本发明实施例的再一方面，提供一种计算机存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的检测方法。

根据本发明实施例中的检测方法、装置、设备和介质，通过先确定待检测图片中的绿色分量，根据绿色分量确定该待检测图片是否出现土地占用现象，当绿色分量减少了，说明可能出现土地占用，然后需要再进一步检测，判断该待检测区域的图片与之前的背景图片之间是否有差异，若是有差异，则检测该待检测区域，这样大大提高了检测的准确性，同时由于使用之前的背景图片，大大缩短了检测的时间，提高了检测的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是示出本发明实施例的一种检测方法的流程图；

图2是示出本发明实施例中特征点匹配的示意图；

图3是示出本发明实施例中确定差异值的示意图；

图4是示出本发明实施例提供的检测装置的结构示意图；

图5是示出本发明另一实施例的检测装置的结构示意图；

图6是示出本发明实施例中对齐模块的结构示意图；

图7是示出本发明实施例中确定差异模块的结构示意图；

图8是示出可以实现根据本发明实施例的检测方法和装置的计算设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了更好的理解本发明，下面将结合附图，详细描述根据本发明实施例的检测方法、装置、设备和介质，应注意，这些实施例并不是用来限制本发明公开的范围。

图1是示出根据本发明实施例的检测方法的流程图。

如图1所示，本实施例中的检测方法100包括以下步骤：

步骤S110，获取待检测图片。

在该步骤中，待检测图片主要是通过多个摄像机拍摄的，待检测图片可以为天气良好时拍摄的图片或者天气阴沉时拍摄的图片。

步骤S120，对齐背景图片与待检测图片。

在该步骤中，主要是将待检测图片剪切成与背景图片相同大小的图片，这样可以使得待检测图片与背景图片对齐。

步骤S130，确定待检测图片中每个区域的每个像素点的绿色分量。

在该步骤中，确定待检测图片中每个区域的每个像素点的绿色分量，目的是通过绿色分量的大小来确定待检测图片中的土地是否被占用，一般没有被占用的土地对应的图片中的绿色分量是比较大的，而被占用的土地对应的图片中的绿色分量是比较小的，因为土地被占用导致了绿色植物减少。

步骤S140，当绿色分量小于预设绿色分量阈值时，确定区域为待检测区域。

在该步骤中，当绿色分量小于预设绿色分量阈值时，说明该待检测图片中的土地可能被占用，也就是可能出现了建筑物等。

步骤S150，确定背景图片与待检测区域的图片的差异值。

在该步骤中，由于绿色分量减少有可能是因为其他的原因，不一定是土地被占用，建造了建筑物，也可能是因为其他的原因，所以还需要对该待检测区域进行进一步的检测，以便更加准确的确定该待检测区域的情况。

步骤S160，当差异值大于预设差异值阈值时，通过预训练卷积神经网络检测待检测区域。

在该步骤中，当差异值大于预设差异值阈值时，说明当前的图片与之前的背景图片两者之间是存在差异的，就可能是土地被占用了，因此采用之前就训练好的卷积神经网络检测该待检测区域，确定该待检测图片中的土地是否被建筑物占用了。

例如：将该待检测图片分成48×48的区域，确定每个区域中的每一个像素点绿色分量p(i)，其红、绿、蓝三通道分量记为R，G，B，p(i)的赋值如下：

其中，P(i)表示第i个像素点的绿色分量。

当绿色分量大于预设绿色分量阈值时，即∑_iP(i)>48×48×0.7，该区域为非建筑区域，否则绿色分量小于预设绿色分量阈值时为有建筑物的待检测区域。

根据本发明实施例的检测方法，通过先确定待检测图片中的绿色分量，根据绿色分量确定该待检测图片中是否出现土地占用现象，当绿色分量减少了，说明可能出现土地占用。为了检测的准确，需要再进一步检测，判断该待检测区域的图片与之前的背景图片之间是否有差异，若是有差异，则检测该待检测区域，这样大大提高了检测的准确性，同时由于使用之前的背景图片，大大缩短了检测的时间，提高了检测的效率。

在一实施例中，当差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域之后，还会执行以下步骤：

当检测到待检测区域中有建筑，则通过预训练卷积神经网络重复检测待检测区域，直至连续检测到待检测区域中有建筑的次数大于预设次数阈值时，则发出报警信号，并更新背景图片为待检测图片。

在该实施例中，用已知的建筑物痕迹数据库预先训练一个卷积神经网络，训练时使用了7100张人眼可辨的建筑物痕迹的图片，以及7100张非建筑物痕迹的图片，这样训练会得到一个比较敏感的卷积神经网络。

将检测到变化的待检测区域输入该卷积神经网络，判断变化的待检测区域是否有建筑痕迹，若有建筑痕迹，则卷积神经网络再进行一次检测操作，否则停止操作。

例如：在坐标为(3,2)的待检测区域检测到了建筑物痕迹，则卷积神经网络对坐标为(3,2)的待检测区域再进行一次检测操作。若连续检测的次数超过7次，且检测到的变化为建筑物，发出报警，同时将背景图片更新为待检测图片。

通过上述的实施例，因为通过多次的连续检测，可以极大的提高检测的准确性，避免由于一两次的检测出现错误判断的现象。

图2是示出本发明实施例中特征点匹配的示意图。

在一实施例中，步骤S120可以包括：

步骤S121，确定第一特征点集和第二特征点集，第一特征点集是指背景图片中的尺度不变特征转换SIFT特征点，第二特征点集是指待检测图片中的SIFT特征点。

在该步骤中，使用的是尺度不变特征转换(Scale-invariant featuretransform，SIFT)算法，该SIFT算法是一种计算机视觉的算法。它用来侦测与描述影像中的局部性特征，在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT算法所查找到的SIFT特征点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。在本发明实施例中SIFT特征点是基于图片中物体上的一些局部外观的点，而这些SIFT特征点与图片的影像大小和旋转无关。并且这些SIFT特征点对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，SIFT特征点显著性特别高，从而相对容易被提取。使用SIFT特征点描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT特征点就足以计算出位置与方位。因此通过提取SIFT特征点就可以确定图片中是否存在类似建筑物的物体。

步骤S122，确定特征点对，特征点对包括所述第一特征点集中某一特征点，以及某一特征点与第二特征点集中某一特征点相匹配的点。

在该步骤中，如图2所示，先提取出背景图片中的特征点和待检测图片中的特征点，分别对这两种特征点进行描述，得到对应的特征点集，再将这两种特征点集中的所有特征点进行匹配得到特征点对。

例如：例如背景图片中有58个特征点，待检测图片中有62个特征点。匹配两幅图片中的特征点，匹配的特征点对数为26对。通过这26对特征点对可以建立背景图片和待检测图片之间的景物关系。

步骤S123，确定特征点对的平均位移。

步骤S124，依据平均位移对齐待检测图片和背景图片。

在该步骤中，计算特征点的平均位移，根据位移移动待检测图片，使得待检测图片与背景图片对齐。例如：待检测图片相比较于背景图片，26个特征点对在x,y方向上的平均位移为(3，-5)，则将待检测图片右侧切掉3列像素，左侧采用零补或者对称补齐的方法补上3列像素，同理上下侧也采用相同的方法。

通过上述采用SIFT算法得到特征点对，通过特征点对对齐待检测图片和背景图片，这样使得检测方法能够对光照、天气等因素具有较好的鲁棒性，不会因为天气造成影响。

在一实施例中，在步骤S120之前还可以执行以下步骤：

确定待检测图片的暗通道分量和亮度值；

当暗通道分量小于预设暗通道分量阈值，且亮度值大于预设亮度阈值时，确定待检测图片对应的天气良好。

在该步骤中，暗通道分量是指图像分块区域中最低颜色分量值组成的图像通道，之所以计算待检测图片中暗通道分量和亮度值，因为在实际中，无论是天气不好或者是天气晴朗，空气中存在着很多细小的微粒，所以计算暗通道分量和亮度值，计算暗通道分量和亮度值可以去雾，使得图片更加贴近人眼观察到的真实场景。这样在后续处理可以排除一些天气中的雾气影响，减少天气对检测的误差，提高检测的准确性。

例如：若亮度值大于50且暗通道分量小于85，判断拍摄待检测图片的天气为天气良好，否则为恶劣天气。若为恶劣天气，则不进行进一步的检测。

图3是示出本发明实施例中确定差异值的示意图。

在一实施例中，如图3所示，步骤S160可以包括以下步骤：

步骤S161，将待检测区域的图片转换为灰度图。

步骤S162，对灰度图进行归一化，得到归一化图。

步骤S163，提取归一化图的Hash特征值。

步骤S164，确定归一化图的Hash特征值与背景图片的Hash特征值之间的L1范数值，将L1范数值作为差异值。

在该步骤中，L1范数是指向量中各个元素绝对值之和，L1范数叫“稀疏规则算子(Lasso regularization)”，这里是计算归一化图的Hash特征值与背景图片的Hash特征值的绝对值之和。

步骤S165，当L1范数小于预设第一范数阈值时，提取归一化图的方向梯度直方图Hog特征值。

在该步骤中，提取归一化图的方向梯度直方图Hog特征值是采用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征算法，该Hog特征算法是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。

而采用HOG特征算法进行提取的具体过程如下：

第一，将待检测区域的图片灰度化。

第二，采用Gamma校正法对输入图像进行颜色空间的标准化，也就是归一化；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。

第三，计算图像每个像素的梯度(包括大小和方向)；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

第四，将待检测区域的图片划分成小区域cell。

第五，统计每个cell的梯度直方图(不同梯度的个数)，即可形成每个cell的特征值；

第六，将每几个cell组成一个板块block，一个block内所有cell的特征值串联起来便得到该block的HOG特征值。

第七，将待检测区域的图片内的所有block的HOG特征值串联起来就可以得到该待检测区域的HOG特征值。

步骤S166，确定归一化图的Hog特征值与背景图片的Hog特征值之间的L2范数值，将L2范数值作为差异值。

在该步骤中，L2范数值是指归一化图的Hog特征值与背景图片的Hog特征值的平方求和然后求平方根的值。

在一实施例中，步骤160当差异值大于预设差异值阈值时，通过预训练卷积神经网络检测待检测区域可以包括以下两种情况：

第一种情况，当L1范数值大于预设第一范数阈值时，则通过预训练卷积神经网络检测待检测区域。

例如：L1范数值大于25时，则该待检测区域发生变化，需要通过预训练卷积神经网络检测待检测区域。

第二种情况，当L2范数值大于预设第二范数阈值时，通过预训练卷积神经网络检测待检测区域。

例如：L2范数值大于3.0时，则该待检测区域发生变化，需要通过预训练卷积神经网络检测待检测区域。

通过本发明上述的实施例提供的检测方法，先确定待检测图片中的绿色分量，根据绿色分量确定该待检测图片是否出现土地占用现象，当绿色分量减少了，说明可能出现土地占用。为了提高检测的准确性，需要再进一步检测，判断该待检测区域的图片与之前的背景图片之间是否有差异，若是有差异，则检测该待检测区域。这样大大提高了检测的准确性，同时由于使用之前的背景图片，大大缩短了检测的时间，提高了检测的效率。

下面结合附图，详细介绍根据本发明实施例的装置。

图4是示出本发明实施例提供的检测装置的结构示意图。

如图4所示，检测装置400包括：

获取模块410、对齐模块420、确定绿色分量模块430、确定差异模块440和检测模块450。

获取模块410，用于获取待检测图片。

对齐模块420，用于对齐背景图片与待检测图片。

确定绿色分量模块430，用于确定待检测图片中每个区域的每个像素点的绿色分量，以及用于当绿色分量小于预设绿色分量阈值时，确定区域为待检测区域。

确定差异模块440，用于确定背景图片与待检测区域的图片的差异值。

检测模块450，用于当差异值大于预设差异值阈值时，通过预训练卷积神经网络检测待检测区域。

根据本发明实施例的检测装置，通过先确定待检测图片中的绿色分量，根据绿色分量确定该待检测图片中是否出现土地占用现象，当绿色分量减少了，说明可能出现土地占用。为了检测的准确，需要再进一步检测，判断该待检测区域的图片与之前的背景图片之间是否有差异，若是有差异，则检测该待检测区域，这样大大提高了检测的准确性，同时由于使用之前的背景图片，大大缩短了检测的时间，提高了检测的效率。

图5是示出本发明另一实施例的检测装置的结构示意图，图5与图4相同或等同的结构使用相同的标号。如图5所示，检测装置500基本相同于检测装置400，不同之处在于，检测装置500还包括：

更新模块460；更新模块460，用于当检测到待检测区域中有建筑，则通过预训练卷积神经网络重复检测待检测区域，直至连续检测到待检测区域中有建筑的次数大于预设次数阈值时，则发出报警信号，并更新背景图片为待检测图片。

通过上述的实施例，因为通过多次的连续检测，极大地提高检测的准确性，避免由于一两次的检测出现错误判断的现象。

图6是示出本发明实施例中的对齐模块的结构示意图。

在一实施例中，如图6所示，对齐模块420，包括：

确定特征点集单元421、确定特征点对单元422、确定平均位移单元423和对齐单元424。

确定特征点集单元421，用于确定第一特征点集和第二特征点集，第一特征点集是指背景图片中的尺度不变特征转换SIFT特征点，第二特征点集是指待检测图片中的SIFT特征点。

确定特征点对单元422，用于确定特征点对，特征点对包括第一特征点集中某一特征点，以及某一特征点与第二特征点集中某一特征点相匹配的点。

确定平均位移单元423，用于确定特征点对的平均位移。

对齐单元424，用于依据平均位移对齐待检测图片和背景图片。

在一实施例中，确定绿色分量模块430，

还用于确定待检测图片的暗通道分量和亮度值；

以及用于当暗通道分量小于预设暗通道分量阈值，且亮度值大于预设亮度阈值时，确定待检测图片对应的天气良好。

图7是示出本发明实施例中确定差异模块的结构示意图。

在一实施例中，如图7所示，确定差异模块440，包括：转换单元441、归一化单元442、提取单元443和确定差异单元444。

转换单元441，用于将待检测区域的图片转换为灰度图。

归一化单元442，用于对灰度图进行归一化，得到归一化图。

提取单元443，用于提取归一化图的Hash特征值。

确定差异单元444，用于确定归一化图的Hash特征值与背景图片的Hash特征值之间的L1范数值，将L1范数值作为差异值。

提取单元443，还用于当L1范数小于预设第一范数阈值时，提取归一化图的方向梯度直方图Hog特征值。

确定差异单元444，还用于确定归一化图的Hog特征值与背景图片的Hog特征值之间的L2范数值，将L2范数值作为所述差异值。

在一实施例中，检测模块460具体用于以下两种情况：

第一种，当L1范数值大于预设第一范数阈值时，通过预训练卷积神经网络检测待检测区域。

第二种，用于当L2范数值大于预设第二范数阈值时，通过预训练卷积神经网络检测待检测区域。

通过本发明上述的实施例提供的检测装置，通过先确定待检测图片中的绿色分量，根据绿色分量确定该待检测图片中是否出现土地占用现象，当绿色分量减少了，说明可能出现土地占用。为了检测的准确，需要再进一步检测，判断该待检测区域的图片与之前的背景图片之间是否有差异，若是有差异，则检测该待检测区域，这样大大提高了检测的准确性，同时由于使用之前的背景图片，大大缩短了检测的时间，提高了检测的效率。

根据本发明实施例的检测装置的其他细节与以上结合图1至图3描述的根据本发明实施例的方法类似，在此不再赘述。

图8是示出能够实现根据本发明实施例的检测方法和装置的计算设备的示例性硬件架构的结构图。

如图8所示，计算设备800包括输入设备801、输入接口802、中央处理器803、存储器804、输出接口805、以及输出设备806。其中，输入接口802、中央处理器803、存储器804、以及输出接口805通过总线810相互连接，输入设备801和输出设备806分别通过输入接口802和输出接口805与总线810连接，进而与计算设备800的其他组件连接。具体地，输入设备801接收来自外部的输入信息，并通过输入接口802将输入信息传送到中央处理器803；中央处理器803基于存储器804中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器804中，然后通过输出接口805将输出信息传送到输出设备806；输出设备806将输出信息输出到计算设备800的外部供用户使用。

在一个实施例中，图8所示的计算设备800可以被实现为一种检测系统，包括：存储器和处理器；存储器用于储存有可执行程序代码；处理器用于读取存储器中存储的可执行程序代码以执行上述实施例的检测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品或计算机可读存储介质的形式实现。所述计算机程序产品或计算机可读存储介质包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (14)

1.一种检测方法，其特征在于，所述检测方法包括：

获取待检测图片；

对齐背景图片与所述待检测图片；

确定所述待检测图片中每个区域的每个像素点的绿色分量；

当所述绿色分量小于预设绿色分量阈值时，确定所述区域为待检测区域；

确定所述背景图片与所述待检测区域的图片的差异值；

当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域。

2.根据权利要求1所述的方法，其特征在于，所述当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域之后，还包括：

当检测到所述待检测区域中有建筑，则通过所述预训练卷积神经网络重复检测所述待检测区域，直至连续检测到所述待检测区域中有建筑的次数大于预设次数阈值时，则发出报警信号，并更新所述背景图片为所述待检测图片。

3.根据权利要求1所述的方法，其特征在于，所述对齐背景图片与所述待检测图片，包括：

确定第一特征点集和第二特征点集，所述第一特征点集是指背景图片中的尺度不变特征转换SIFT特征点，所述第二特征点集是指所述待检测图片中的SIFT特征点；

确定特征点对，所述特征点对包括所述第一特征点集中某一特征点，以及所述某一特征点与所述第二特征点集中某一特征点相匹配的点；

确定所述特征点对的平均位移；

依据所述平均位移对齐所述待检测图片和所述背景图片。

4.根据权利要求1所述的方法，其特征在于，所述对齐背景图片与所述待检测图片之前，包括：

确定所述待检测图片的暗通道分量和亮度值；

当所述暗通道分量小于预设暗通道分量阈值，且所述亮度值大于预设亮度阈值时，确定所述待检测图片对应的天气良好。

5.根据权利要求1所述的方法，其特征在于，所述确定所述背景图片与所述待检测区域的图片的差异值，包括：

将所述待检测区域的图片转换为灰度图；

对所述灰度图进行归一化，得到归一化图；

提取所述归一化图的Hash特征值；

确定所述归一化图的Hash特征值与所述背景图片的Hash特征值之间的L1范数值，将所述L1范数值作为所述差异值；

或者，

当所述L1范数小于预设第一范数阈值时，提取所述归一化图的方向梯度直方图Hog特征值；

确定所述归一化图的Hog特征值与所述背景图片的Hog特征值之间的L2范数值，将所述L2范数值作为所述差异值。

6.根据权利要求5所述的方法，其特征在于，所述当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域，包括：

当所述L1范数值大于所述预设第一范数阈值时，则通过预训练卷积神经网络检测所述待检测区域；

或者，

当所述L2范数值大于预设第二范数阈值时，通过所述预训练卷积神经网络检测所述待检测区域。

7.一种检测装置，其特征在于，所述装置包括：

获取模块、对齐模块、确定绿色分量模块、确定差异模块和检测模块；

所述获取模块，用于获取待检测图片；

所述对齐模块，用于对齐背景图片与所述待检测图片；

所述确定绿色分量模块，用于确定所述待检测图片中每个区域的每个像素点的绿色分量，以及用于当所述绿色分量小于预设绿色分量阈值时，确定所述区域为待检测区域；

所述确定差异模块，用于确定所述背景图片与所述待检测区域的图片的差异值；

所述检测模块，用于当所述差异值大于预设差异值阈值时，通过预训练卷积神经网络检测所述待检测区域。

8.根据权利要求7所述的装置，其特征在于，所述装置，还包括：

更新模块；

所述更新模块，用于当检测到所述待检测区域中有建筑，则通过所述预训练卷积神经网络重复检测所述待检测区域，直至连续检测到所述待检测区域中有建筑的次数大于预设次数阈值时，则发出报警信号，并更新所述背景图片为所述待检测图片。

9.根据权利要求7所述的装置，其特征在于，所述对齐模块，包括：

确定特征点集单元、确定特征点对单元、确定平均位移单元和对齐单元；

所述确定特征点集单元，用于确定第一特征点集和第二特征点集，所述第一特征点集是指背景图片中的尺度不变特征转换SIFT特征点，所述第二特征点集是指所述待检测图片中的SIFT特征点；

所述确定特征点对单元，用于确定特征点对，所述特征点对包括所述第一特征点集中某一特征点，以及所述某一特征点与所述第二特征点集中某一特征点相匹配的点；

所述确定平均位移单元，用于确定所述特征点对的平均位移；

所述对齐单元，用于依据所述平均位移对齐所述待检测图片和所述背景图片。

10.根据权利要求7所述的装置，其特征在于，所述确定绿色分量模块，

还用于确定所述待检测图片的暗通道分量和亮度值；

以及用于

当所述暗通道分量小于预设暗通道分量阈值，且所述亮度值大于预设亮度阈值时，确定所述待检测图片对应的天气良好。

11.根据权利要求7所述的装置，其特征在于，所述确定差异模块，包括：转换单元、归一化单元、提取单元和确定差异单元；

所述转换单元，用于将所述待检测区域的图片转换为灰度图；

所述归一化单元，用于对所述灰度图进行归一化，得到归一化图；

所述提取单元，用于提取所述归一化图的Hash特征值；

所述确定差异单元，用于确定所述归一化图的Hash特征值与所述背景图片的Hash特征值之间的L1范数值，将所述L1范数值作为所述差异值；

所述提取单元，还用于当所述L1范数小于预设第一范数阈值时，提取所述归一化图的方向梯度直方图Hog特征值；

所述确定差异单元，还用于确定所述归一化图的Hog特征值与所述背景图片的Hog特征值之间的L2范数值，将所述L2范数值作为所述差异值。

12.根据权利要求11所述的装置，其特征在于，所述检测模块，具体用于当所述L1范数值大于所述预设第一范数阈值时，通过预训练卷积神经网络检测所述待检测区域；

或者，

用于当所述L2范数值大于预设第二范数阈值时，通过所述预训练卷积神经网络检测所述待检测区域。

13.一种终端设备，其特征在于，包括：

存储器、处理器、通信接口和总线；

所述存储器、所述处理器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器用于存储程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1至6任一项所述的检测方法。

14.一种计算机存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使所述计算机执行如权利要求1至6任一项所述的检测方法。