CN112381802A - 一种图像变化检测方法、装置、电子设备及存储介质 - Google Patents
一种图像变化检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112381802A CN112381802A CN202011284742.3A CN202011284742A CN112381802A CN 112381802 A CN112381802 A CN 112381802A CN 202011284742 A CN202011284742 A CN 202011284742A CN 112381802 A CN112381802 A CN 112381802A
- Authority
- CN
- China
- Prior art keywords
- image
- change
- remote sensing
- change information
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像变化检测方法,包括:获取遥感图像对应管控区域内的监控图像;利用深度学习神经网络对监控图像中的变化进行检测,得到第一变化信息;利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告。本发明利用监控图像的第一变化信息对遥感图像的第二变化信息进行补充和支撑,由于监控图像采集设备可从更接近地面的位置以不同视角采集管控区域中更细节的监控图像,因此监控图像能够检测出管控区域中更细致的第一变化信息,可有效补充并支撑遥感图像的第二变化信息,并综合生成多时相变化报告,有效提升分析人员的分析效率。本发明还提供一种图像变化检测装置、电子设备、存储介质,具有上述有益效果。
Description
技术领域
本发明涉及图像检测领域,特别涉及一种图像变化检测方法、装置、电子设备及存储介质。
背景技术
多时相图像变化检测技术是从同一场景不同时刻的两幅或多幅图像之间提取出图像变化的技术,随着该技术的不断发展,其在多个领域中的应用价值在不断提高,例如利用遥感图像进行多时相图像变化检测在土地利用及覆盖信息、自然灾害评估等领域有着不可小视的应用价值。
相关技术中,由于遥感图像的覆盖区域较广、分辨率较高,其中包含的信息量较大,能够对管控区域中较大尺度的变化进行检测,但难以实现对图像中较小变化的检测,这为分析人员分析管控区域的变化情况带来了不便。
因此,如何快速提取多时相遥感图像中的小变化信息是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种图像变化检测方法、装置、电子设备、存储介质,可有效对遥感图像的变化信息进行补充和支撑,提升分析人员的分析效率。
为解决上述技术问题,本发明提供一种图像变化检测方法,包括:
获取遥感图像对应管控区域内的监控图像;
利用深度学习神经网络对所述监控图像中的变化进行检测,得到第一变化信息;
利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告。
可选的,在利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告之后,还包括:
获取更新的遥感图像;
利用所述深度学习神经网络对所述更新的遥感图像中的变化进行检测,得到第三变化信息,并利用所述第三变化信息替换所述第二变化信息;
执行利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告的步骤。
可选的,在获取更新的遥感图像之后,在利用深度学习神经网络对所述遥感图像中的变化进行检测之前,还包括:
对所述更新的遥感图像进行预处理;所述预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
可选的,所述获取遥感图像对应管控区域内的监控图像,包括:
获取所述遥感图像对应管控区域内的符合第一预设条件的监控图像;其中,所述第一预设条件包括为同一区域拍摄、在每日同一时刻拍摄和利用同一摄像头拍摄中任一种或任几种的组合。
可选的,所述深度学习神经网络为基于时空注意力机制的深度学习神经网络。
可选的,在利用所述第一变化信息和所述第二变化信息生成所述管控区域内的多时相变化报告之后,还包括:
获取所述监控图像对应的监控视频,利用智能识别技术对所述监控视频中的对象进行识别,得到对象识别信息;其中,所述对象包括人、车、事件中的任一种或任几种的组合;
将所述对象识别信息添加至所述多时相变化报告。
可选的,所述将所述对象识别信息添加至所述多时相变化报告,包括:
利用统计分析工具对所述对象识别信息进行统计,得到统计结果;
将所述统计结果添加至所述多时相变化报告。
本发明还提供一种图像变化检测装置,包括:
获取模块,用于获取遥感图像对应的管控区域内的监控图像;
变化检测模块,用于利用深度学习神经网络对所述监控图像中的变化进行检测,得到第一变化信息;
报告生成模块,用于利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告。
本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的图像变化检测方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的图像变化检测方法的步骤。
本发明公开了一种图像变化检测方法,包括:获取遥感图像对应的管控区域内的监控图像;利用深度学习神经网络对所述监控图像中的变化进行检测,得到第一变化信息;利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告。
可见,本发明采用监控图像的第一变化信息对遥感图像的第二变化信息进行补充和支撑,由于监控图像采集设备能够从不同视角获取管控区域的变化信息,同时该采集设备的布设高度远小于遥感图像采集设备所处的高度,因此监控图像采集设备能够从更加接近地面的位置以不同的视角采集管控区域中更加细节的监控图像,利用监控图像能够检测出管控区域中更细致的第一变化信息,例如管控区域中人、车等对象的变化信息,可有效补充、支撑并丰富遥感图像的第二变化信息,并综合第一变化信息和第二变化信息生成多时相变化报告,有效降低分析人员对管控区域变化的分析成本并提升分析效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种图像变化检测方法的流程图;
图2为本发明实施例所提供的一种图像变化检测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
相关技术中,由于遥感图像的覆盖面较广、分辨率较高,其中包含的数据量较大,难以对遥感图像中细小的变化进行检测,这为分析人员分析遥感图像带来了不便。而本申请实施例采用提取监控图像中的变化信息来为遥感图像的变化信息进行补充和支撑,可有效地解决多时相遥感图像变化检测难以对小变化进行提取的问题,进而提升分析人员的工作效率。请参考图1,图1为本申请实施例所提供的一种图像变化检测方法的流程图,该方法可以包括:
S100、获取遥感图像对应管控区域内的监控图像。
相关技术中,由于遥感图像对应的管控区域覆盖面较广,在多时相变化检测中难以对管控区域中的小变化进行提取,进而为分析人员的图像分析工作带来困难,因此本申请实施例采用管控区域中的监控图像对遥感图像的变化分析进行补充和支撑。其中,多时相变化检测是指从同一场景不同时刻的两幅或多幅图像之前,提取自然或人工变化区域的过程。可以理解的是,由于监控图像采集设备所处的高度远小于遥感图像采集设备所处的高度,同时监控图像采集设备的图像采集角度与遥感图像采集设备的图像采集角度不同,因此监控图像采集设备能够从更接近地面的高度以不同的采集视角采集更细节的监控图像,监控图像中将包含例如人、车等物体对象的信息,同时也将包含建筑物、地形地貌在其他视角中的细节信息,对监控图像进行多时相变化检测将能够提供这些对象或细节信息的变化情况,并对遥感图像的多时相变化信息提供有力的补充和支持。同时,考虑到监控图像的数据量要远小于遥感图像的数据量,在进行变化检测的过程中具有较高的运算速度,因此本申请实施例采用监控图像进行变化检测,在拥有较高计算速度的同时,可有力地补充和支持遥感图像的变化信息,降低分析人员的分析成本并提升工作效率。
可以理解的是,由于本申请实施例进行的变化检测目的在于反映该区域的多时相变化情况,因此本申请中的监控图像应当为多时相监控图像,即应当为从同一角度为同一场景于不同时间拍摄的监控图像,这样监控图像的变化信息才能够反映该区域在拍摄时间点之间的变化情况。
需要说明的是,本申请实施例并不限定监控图像的获取方式,例如该监控图像可以由监控摄像头直接拍摄获取,也可以从监控视频中抽帧得到。由于从监控视频中抽帧具有更高的自定义空间,且监控视频具有其他应用价值,因此在本申请实施例中,监控图像可从监控视频中抽帧得到。本申请实施例并不对抽帧操作的具体过程进行限定,用户可参考视频抽帧的相关技术。本申请实施例也不限定监控图像的采集时间,该时间可为任意时间,也可以为每日中的任意时间,也可以为每日中的一个固定时刻。为了减小时间因素对区域变化的影响,在本申请实施例中可以在每日中的一个固定时刻获取监控图像。本申请实施例也不限定固定时刻的具体数值,用户可根据具体需求选择合适的时间。
本申请实施例也不限定监控图像的具体拍摄参数,只要该监控图像能够满足变化检测的需求,并能够显著反映该区域的变化情况即可。
进一步,本申请实施例并不限定不限定管控区域中监控摄像头的数量,当仅需要对某个建筑物、地形地貌或其他场景进行监测,单个监控摄像头能够满足监控区域的变化监测需求时,管控区域可以只有一个监控摄像头,需要对多个建筑物、地形地貌或其他场景进行检测,需要对管控区域进行多角度监测时,该管控区域可以有多个监控摄像头。本申请实施例也不限定监控摄像头的具体硬件配置,只要该监控摄像头拍摄的监控图像能够满足变化检测要求即可。
进一步,本申请实施例并不限定获取监控图像时是否需要增加预设条件,该预设条件与管控区域中监控摄像头的数量及监控图像采集时间有关。当只存在一个监控摄像头时便可满足变化监测需求时,获取监控图像可以无需增加预设条件,当存在多个监控摄像头时,可以增加预设条件以进行筛选。本申请实施例也不限定预设条件的具体内容,用户可根据监控区域的数量、监控区域中监控摄像头的数量及监控图像采集时间等的具体情况进行选择。
在一种可能的情况中,获取遥感图像对应管控区域内的监控图像,可以包括:
获取遥感图像对应管控区域内的符合第一预设条件的监控图像;其中,第一预设条件包括为同一区域拍摄、在每日同一时刻拍摄和利用同一摄像头拍摄中任一种或任几种的组合。
需要说明的是,本申请实施例并不限定第一预设条件中的其他内容,用户可根据实际情况进行补充设置,例如当对管控区域进行分区管理,将管控区域划分为多个监控区域时,该第一预设条件中还可以包含在同一个监控区域拍摄。
S101、利用深度学习神经网络对监控图像中的变化进行检测,得到第一变化信息。
由于深度学习神经网络具有多层特征提取能力及强大的拟合能力,能够很好地提取影响中抽象的特征,适合于检测并快速提取监控图像中的变化信息,无需人工比对,可有效提升图像分析人员的工作效率,因此本申请实施例采用深度学习神经网络进行变化检测。
可以理解的是,为了得到监控图像中的变化信息需要进行图像比对,因此在本申请实施例中监控图像的数量至少为两幅。当需要检测多个时间段的变化时,本申请实施例中监控图像也可以大于两幅。
本申请实施例并不限定用于变化检测的图像的具体拍摄时间,只要不同图像拍摄于不同的时间即可。为了减小采集时间点对变化监测的影响,在本申请实施例中,用于变化检测的图像可以均拍摄于每日的固定时刻。本申请实施例并不限定固定时刻的具体数值,用户可根据实际情况进行设定。本身亲实施例也不限定用于检测的监控图像的拍摄日期,可以为任意日期,也可以为每月或每年中固定的一天。当研究某一时间段该区域的变化时,监控图像的拍摄日期可根据研究的具体要求设置为任意日期,当需要观察每月或每年同期变化时,监控图像的拍摄时间可以为每月或每年中固定的一天。本申请实施例也不限定该固定的一天的具体日期,可根据实际情况进行设定。
进一步,本申请实施例并不限定深度学习神经网络基于的学习框架,例如可以使用TensorFlow、Torch、PyTorch或其他深度学习框架,其中,TensorFlow是谷歌开源的一款使用C++语言开发的数学计算软件,Torch是一个有大量机器学习算法支持的科学计算框架,PyTorch的底层与Torch框架一样,但比Torch更加灵活,支持动态图,且提供了Python接口。本申请实施例也不限定该深度学习网络基于的学习机制,例如可以为基于时空注意力机制的深度学习神经网络,或基于其他机制的深度学习神经网络。由于采取时空注意力机制,能够从众多信息中选择出对当前任务的实现更关键的信息,因此在本申请实施例中,可以采用基于时空注意力机制的深度学习神经网络。本申请实施例也不限定深度学习神经网络监测第一变化信息的具体过程,该过程与深度学习神经网络基于的学习框架、学习机制等有关,用户可参考深度学习神经网络的相关技术。
进一步,本申请实施例并不限定在利用深度学习神经网络对监控图像中的变化进行检测之前是否需要对监控图像进行预处理。可以理解的是,对监控图像进行预处理可有效提升变化检测的质量并提高检测的效率,因此在本申请实施例中可以对监控图像进行预处理,本申请实施例也不限定预处理的具体内容,例如可以是预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
S102、利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告。
由于遥感图像的第二变化信息并不能很好地反应管控区域中较小的变化情况,因此利用监控图像的第一变化信息便可对第二变化信息进行补充和支撑,同时生成综合的多时相变化报告,可有效提升图像分析人员的工作效率。
需要说明的是,本申请实施例并不限定多时相变化报告的具体形式,该形式与分析人员的具体需求有关,可根据分析人员的分析需求进行自定义,只要该报告包含第一变化信息及第二变化信息即可。
基于上述实施例,本方法采用监控图像的第一变化信息对遥感图像的第二变化信息进行补充和支撑,由于监控图像采集设备能够从不同视角获取管控区域的变化信息,同时该采集设备的布设高度远小于遥感图像采集设备所处的高度,因此监控图像采集设备能够从更加接近地面的位置以不同的视角采集管控区域中更加细节的监控图像,利用监控图像能够检测出管控区域中更细致的第一变化信息,可有效补充、支撑并丰富遥感图像的第二变化信息,并综合第一变化信息和第二变化信息生成多时相变化报告,有效降低分析人员对管控区域变化的分析成本并提升分析效率。
基于上述实施例,为了保证遥感图像的第二变化信息的时效性及精准性,需要对第二变化信息进行更新,以保证图像分析人员及时获取并分析最新信息,因此在利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告之后,还可以包括:
S200、获取更新的遥感图像。
需要说明的是,本申请实施例并不限定遥感图像的具体图像参数,只要能够达到变化检测的需求即可。本申请实施例也不限定遥感图像的获取方式,例如可以是直接从遥感图像采集设备处获取,也可通过其他方式获取。
S201、利用深度学习神经网络对更新的遥感图像中的变化进行检测,得到第三变化信息,并利用第三变化信息替换第二变化信息。
由于监控图像只能反映较小范围内的变化情况,因此对于管控区域中较大的变化需要利用遥感图像进行检测并更新原有的变化信息,以保证图像分析人员及时获取并分析变化信息。
需要说明的是,该部分对深度学习神经网络的限定描述与上述描述一致,可参考相关部分。
进一步,本申请实施例并不限定在利用深度学习神经网络对监控图像中的变化进行检测之前是否需要对监控图像进行预处理。可以理解的是,对监控图像进行预处理可有效提升变化检测的质量并提高检测的效率,因此在本申请实施例中可以对监控图像进行预处理,本申请实施例也不限定预处理的具体内容,例如可以是预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
在一种可能的情况中,在获取更新的遥感图像之后,在利用深度学习神经网络对遥感图像中的变化进行检测之前,还可以包括:
对更新的遥感图像进行预处理;预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
需要说明的是,本申请实施例并不限定几何校正、辐射校正、配准、去云和去阴影的具体操作,用户可参考相关技术。
S202、执行利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告的步骤。
由于更新的遥感图像的第三变化信息以替换完了原有的第二变化信息,因此需要对原有的多时相变化报告进行更新,以保证图像分析人员及时获取并分析变化信息。
基于上述实施例,本申请实施例利用更新的遥感图像对原有的第二变化信息进行更新,保证第二变化信息的时效性及精准性,并利用更新的第二变化信息更新多时相变化报告,以保证多时相变化报告的准确性,确保图像分析人员及时获取并分析最新的变化数据。
基于上述实施例,为了进一步丰富多时相变化报告的内容,提升图像分析人员的分析效率,在利用第一变化信息和第二变化信息生成管控区域内的多时相变化报告之后,还可以包括:
S300、获取监控图像对应的监控视频,利用智能识别技术对监控视频中的对象进行识别,得到对象识别信息;其中,对象包括人、车、事件中的任一种或任几种的组合。
由于监控视频中仍包含大量兴趣信息,例如该区域中人的流量、流量峰值等,因此可以利用监控视频进行对象检测,并利用检测结果对多时相变化报告进行补充丰富,进一步提升分析人员的分析效率。
需要说明的是,本申请实施例并不限定监控视频的形式,例如可以获取已经录制好的视频片段,也可以是实时的视频流。为了实时监测区域中的对象变化情况,在本申请实施例中,可以采用实时的视频流进行对象检测。本申请实施例也不限定监控视频的具体参数,只要能够保证对象检测的画质要求即可。
本申请实施例并不限定智能识别技术对监控视频中的对象进行识别的具体实现过程,用户可参考对象识别的相关技术。本申请实施例也不限定对象识别信息的具体内容,该内容与对象有关,例如识别信息可以为人体、人脸、车辆、是否发生某种事件等。
S301、将对象识别信息添加至多时相变化报告。
需要说明的是,本申请实施例并不限定是否需要对添加至多时相变化报告的对象识别信息进行处理,例如多时相变化报告中可以保存原始的对象识别信息,也可以为对象识别信息进行统计,并将统计结果添加至多时相变化报告。考虑到统计结果能够更好地展示对象变化情况,因此一种可能的情况中,将对象识别信息添加至多时相变化报告可以包括:
利用统计分析工具对对象识别信息进行统计,得到统计结果;
将统计结果添加至多时相变化报告。
需要说明的是,本申请实施例并不限定统计分析工具的类型,例如可以为可视化统计分析工具,也可为其他统计分析工具。由于可视化统计工具能够更好地展示变化情况,因此在本申请实施例中可以采用可视化统计分析工具。本申请实施例并不限定具体的可是化统计分析工具,用户可参考相关工具。
本申请实施例也不限定统计结果的形式,例如可以为趋势线统计图、圆饼图等,用户可根据实际需求选择具体的可视化形式。本申请实施例也不限定是否需要按照预设条件对对象识别统计信息进行统计,可以理解的是,利用预设条件进行统计能够更加精准地确定某些条件下的对象变化情况,因此在本申请实施例中可以利用预设条件进行统计。本申请实施例也不限定预设条件的具体内容,例如可以为时间条件、对象类型条件等。
基于上述实施例,本申请实施例利用监控视频进行对象识别,并利用兑现识别结果补充和丰富多时相变化报告的内容,进一步提升了图像分析人员的分析效率。
下面对本发明实施例提供的图像变化检测装置、电子设备和存储介质进行介绍,下文描述的图像变化检测装置、电子设备和存储介质与上文描述的图像变化检测方法可相互对应参照。
请参考图2,图2为本申请实施例所提供的一种图像变化检测装置的结构框图,该装置可以包括:
获取模块100,用于获取遥感图像对应的管控区域内的监控图像;
变化检测模块200,用于利用深度学习神经网络对监控图像中的变化进行检测,得到第一变化信息;
报告生成模块300,用于利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告。
可选的,该图像变化检测装置,还包括:
第二获取模块,用于获取更新的遥感图像;
第二变化检测模块,用于利用深度学习神经网络对更新的遥感图像中的变化进行检测,得到第三变化信息,并利用第三变化信息替换第二变化信息。
可选的,该图像变化检测装置,还包括:
预处理模块,用于对更新的遥感图像进行预处理;预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
可选的,获取模块100,包括:
第三获取模块,用于获取遥感图像对应管控区域内的符合第一预设条件的监控图像;其中,第一预设条件包括为同一区域拍摄、在每日同一时刻拍摄和利用同一摄像头拍摄中任一种或任几种的组合。
可选的,变化检测模块200中的深度学习神经网络为基于时空注意力机制的深度学习神经网络。
可选的,该图像变化检测装置,还包括:
第三获取模块,用于获取监控图像对应的监控视频,利用智能识别技术对监控视频中的对象进行识别,得到对象识别信息;其中,对象包括人、车、事件中的任一种或任几种的组合;
第一添加模块,用于将对象识别信息添加至多时相变化报告。
可选的,添加模块,包括:
统计模块,用于利用统计分析工具对对象识别信息进行统计,得到统计结果;
第二添加模块,用于将统计结果添加至多时相变化报告。
本申请实施例还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的图像变化检测方法的步骤。
由于电子设备部分的实施例与图像变化检测方法部分的实施例相互对应,因此电子设备部分的实施例请参见图像变化检测方法部分的实施例的描述,这里暂不赘述。
本申请实施例还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的图像变化检测方法的步骤。如计算机程序被处理器执行时实现获取遥感图像对应管控区域内的监控图像;利用深度学习神经网络对监控图像中的变化进行检测,得到第一变化信息;利用第一变化信息及遥感图像已有的第二变化信息生成管控区域内的多时相变化报告。
由于存储介质部分的实施例与图像变化检测方法部分的实施例相互对应,因此存储介质部分的实施例请参见图像变化检测方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种图像变化检测方法、装置、电子设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种图像变化检测方法,其特征在于,包括:
获取遥感图像对应管控区域内的监控图像;
利用深度学习神经网络对所述监控图像中的变化进行检测,得到第一变化信息;
利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告。
2.根据权利要求1所述的图像变化检测方法,其特征在于,在利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告之后,还包括:
获取更新的遥感图像;
利用所述深度学习神经网络对所述更新的遥感图像中的变化进行检测,得到第三变化信息,并利用所述第三变化信息替换所述第二变化信息;
执行利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告的步骤。
3.根据权利要求2所述的图像变化检测方法,其特征在于,在获取更新的遥感图像之后,在利用深度学习神经网络对所述遥感图像中的变化进行检测之前,还包括:
对所述更新的遥感图像进行预处理;所述预处理包括几何校正、辐射校正、配准、去云和去阴影中的任一种或任几种的组合。
4.根据权利要求1所述的图像变化检测方法,其特征在于,所述获取遥感图像对应管控区域内的监控图像,包括:
获取所述遥感图像对应管控区域内的符合第一预设条件的监控图像;其中,所述第一预设条件包括为同一区域拍摄、在每日同一时刻拍摄和利用同一摄像头拍摄中任一种或任几种的组合。
5.根据权利要求1所述的图像变化检测方法,其特征在于,所述深度学习神经网络为基于时空注意力机制的深度学习神经网络。
6.根据权利要求1至5任一项所述的图像变化检测方法,其特征在于,在利用所述第一变化信息和所述第二变化信息生成所述管控区域内的多时相变化报告之后,还包括:
获取所述监控图像对应的监控视频,利用智能识别技术对所述监控视频中的对象进行识别,得到对象识别信息;其中,所述对象包括人、车、事件中的任一种或任几种的组合;
将所述对象识别信息添加至所述多时相变化报告。
7.根据权利要求6所述的图像变化检测方法,其特征在于,所述将所述对象识别信息添加至所述多时相变化报告,包括:
利用统计分析工具对所述对象识别信息进行统计,得到统计结果;
将所述统计结果添加至所述多时相变化报告。
8.一种图像变化检测装置,其特征在于,包括:
获取模块,用于获取遥感图像对应的管控区域内的监控图像;
变化检测模块,用于利用深度学习神经网络对所述监控图像中的变化进行检测,得到第一变化信息;
报告生成模块,用于利用所述第一变化信息及所述遥感图像已有的第二变化信息生成所述管控区域内的多时相变化报告。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的图像变化检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像变化检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284742.3A CN112381802A (zh) | 2020-11-17 | 2020-11-17 | 一种图像变化检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284742.3A CN112381802A (zh) | 2020-11-17 | 2020-11-17 | 一种图像变化检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381802A true CN112381802A (zh) | 2021-02-19 |
Family
ID=74584942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011284742.3A Pending CN112381802A (zh) | 2020-11-17 | 2020-11-17 | 一种图像变化检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381802A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033454A (zh) * | 2021-04-07 | 2021-06-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
CN106339657A (zh) * | 2015-07-09 | 2017-01-18 | 张�杰 | 基于监控视频的秸秆焚烧监测方法、装置 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN111695589A (zh) * | 2020-04-22 | 2020-09-22 | 华南师范大学 | 智慧国土物联网云监测方法和人工智能机器人系统 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
-
2020
- 2020-11-17 CN CN202011284742.3A patent/CN112381802A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
CN106339657A (zh) * | 2015-07-09 | 2017-01-18 | 张�杰 | 基于监控视频的秸秆焚烧监测方法、装置 |
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN111695589A (zh) * | 2020-04-22 | 2020-09-22 | 华南师范大学 | 智慧国土物联网云监测方法和人工智能机器人系统 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033454A (zh) * | 2021-04-07 | 2021-06-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
CN113033454B (zh) * | 2021-04-07 | 2023-04-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN109684916B (zh) | 基于路径轨迹数据异常检测方法、系统、设备及存储介质 | |
US20200234397A1 (en) | Automatic view mapping for single-image and multi-view captures | |
EP3420544B1 (en) | A method and apparatus for conducting surveillance | |
US20230419438A1 (en) | Extraction of standardized images from a single-view or multi-view capture | |
CN110400352A (zh) | 利用特征识别的摄像机校准 | |
CN110458895A (zh) | 图像坐标系的转换方法、装置、设备及存储介质 | |
CN108200334B (zh) | 图像拍摄方法、装置、存储介质及电子设备 | |
CN107566781A (zh) | 视频监控方法和视频监控设备 | |
CN110728670A (zh) | 一种基于ar技术的低压设备运维方法 | |
CN105191287A (zh) | 替换视频流中的对象的方法及计算机程序 | |
CN111242025A (zh) | 一种基于yolo的动作实时监测方法 | |
US20200394418A1 (en) | Image processing method, an image processing apparatus, and a surveillance system | |
CN103679745B (zh) | 一种运动目标检测方法及装置 | |
CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
CN109035307B (zh) | 基于自然光双目视觉的设定区域目标追踪方法及系统 | |
CN111683221B (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 | |
CN116781869B (zh) | 一种基于监控视野分析的安防监控系统分布管理方法 | |
CN112381802A (zh) | 一种图像变化检测方法、装置、电子设备及存储介质 | |
CN114442805A (zh) | 一种监控场景展示方法、系统、电子设备及存储介质 | |
CN108876672A (zh) | 一种远程教育教师自动识别图像优化跟踪方法及系统 | |
CN111612895A (zh) | 抗树叶遮挡的检测共享单车异常停放的cim实时成像方法 | |
CN113055657A (zh) | 基于电网线路巡检的图像采集方法和系统 | |
Kollert et al. | Mapping of 3D eye-tracking in urban outdoor environments | |
CN110298229B (zh) | 视频图像处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |
|
RJ01 | Rejection of invention patent application after publication |