CN114399692A - 基于深度学习的违建识别监控检测方法及系统 - Google Patents

Abstract

本发明适用于图像处理技术领域，提供一种基于深度学习的违建识别监控检测方法及系统，所述方法包括：步骤S1、影像上传步骤：通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理；步骤S2、违建比对步骤：选取待比对的两期影像数据，在服务端通过比对检测，输出建筑物变化图斑；步骤S3、数据自动入库步骤：步骤S4、结果核对步骤：通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性。本发明通过算法进行违建识别，能够快速且准确判断建筑是否违建，整个过程实现简单，只需训练建筑识别模型，能快速识别出建筑物的轮廓以及高度是否发生变化，然后识别出违建建筑的建筑变化图斑后，进一步核对确认，能够明显提高识别效率。

Description

基于深度学习的违建识别监控检测方法及系统

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于深度学习的违建识别监控检测方法及系统。

背景技术

近几年国家政策层面先后发布了针对城市管理中违建查处的若干指导意见，违建查处的工作在全国各地兴起，可以通过观察建筑物变化来判断建筑物是否属于违建。

目前的建筑物图像的检测方案一般是定期获取高分辨率卫星影响。其中也涌现出几种主流的技术解决方案：

(1)基于移动端APP现场拍照采集方案：提供违建采集的APP程序，工作人员在定期巡逻中，如果发现有疑似违建情况，则拍照并利用该APP登记和上传证据。

(2)基于卫星影像的目视解译采集方案：定期获取高分辨率卫星影像，基于卫星影像展示平台，在同一屏幕下对两幅不同时期的影像，通过人工目视判别，对发生变化的疑似违建物进行矢量化勾勒，生成违建图斑并同步上传至服务端。

(3)基于无人机视屏目视巡逻方案：通过无人机航飞实时传输的视频，工作人员用目视方式确定疑似违建，并自动截图上传至服务端。

(4)基于遥感技术识别方案：通过遥感技术对影像数据进行提取得到建筑物图斑，人工目视比对发现变化的图斑。对发生变化的图斑作为疑似违建上传至服务端。

可见，目前传统的几种判断方案存在以下不足：

(1)传统的违建核查方案容易受取证困难的影响。APP采集方案无法对院内建筑物、高层建筑物中的违建进行采集取证，并且需要工作人员全程参与，工作量大。

(2)针对卫星或者无人机影像的目视解译方案虽然缓解了取证困难的问题，但是依靠人眼逐像素对比的方式依然需要耗费很大的工作量。

(3)视屏巡逻目视解译的方案，在大范围下人工工作量很大，而且视频由于缺少鸟瞰作用，在后期通过回放核查会更加费事。

(4)传统基于遥感技术的解决方案，需要对影像进行高精度的几何纠正，而真实的数据情况下很难保证不同时期的影像数据在几何纠正下达到“完美”的叠加。并且这些算法仅完成了对建筑物的自动提取，没有再进一步对不同建筑物之间的变化做自动比对，依然需要人工参与去完成，并不能最大程度解放人力。

(5)大多数基于影像的方案，缺少对海量影像的存储、影像的快速共享和可视化的重视，导致对影像的管理需要耗费很多的人力。

总之，目前的几种判断方案需要技术人员干预，增加判断不确定性，也比较费时费力。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于深度学习的违建识别监控检测方法及系统，旨在解决现有违建判断方法准确度不高、费时费力的技术问题。

本发明采用如下技术方案：

一方面，所述基于深度学习的违建识别监控检测方法，包括下述步骤：

步骤S1、影像上传步骤：通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设；

步骤S2、违建比对步骤：选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑；

步骤S3、数据自动入库步骤：将所提取的建筑物变化图斑自动导入成果库；

步骤S4、结果核对步骤：通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

进一步的，获取的数据包括正射影像和倾斜摄影数据，所述步骤S2具体过程如下：

S21、针对同一区域，获取两期正射影像，通过建筑物提取和建筑物轮廓变化检测获得建筑物轮廓变化的栅格图斑，并进一步转换为矢量图斑；

S22、针对所述区域，获取与所述两期正射影像对应时期的倾斜摄影数据，通过建筑物高度变化检测获得建筑物高度变化矢量图斑；

S23、将建筑物轮廓变化矢量图斑与高度变化矢量图斑融合，得到整体的建筑物变化图斑。

进一步的，步骤21具体包括下述步骤：

通过收集样本数据训练基于深度学习的建筑识别模型，所述收集样本数据包括收集所需的高分遥感数据，记录高分遥感数据拍摄时间、高度，对数据进行预处理，重采样至所需的分辨率；将待勾画样本数据图像作为电子地图底图，通过矢量化工具箱形式对影像中的建筑物图斑做勾画，实现在线矢量化作业，矢量化完成的建筑物图斑将保存至样本库中用于在线调用训练；

获取同一区域的两期正射影像，将两期正射影像使用建筑识别模型预测正射影像影像中的建筑图，得到建筑物图斑；

将建筑物图斑使用Tensor Polygonization生成简化的建筑轮廓矢量，根据两期建筑轮廓矢量变化得到建筑物轮廓变化矢量图斑。

进一步的，所述生成简化的建筑轮廓矢量过程如下：

通过建筑识别模型生成建筑热力图，得到建筑矢量；

根据建筑形状特征原则，平滑建筑矢量，消除生成矢量中的锯齿；

根据建筑识别模型中生成的方向，识别建筑转角，标记转角位置；

删除转角之间的矢量，优化生成建筑轮廓矢量的位置。

进一步的，步骤S22具体包括下述步骤：

获取与两期正射影像对应时期的倾斜摄影数据，将倾斜摄影数据的三角网合并，形成单张大范围的倾斜摄影数据；

使用建筑物图斑轮廓数据叠加至合并后的倾斜摄影数据中，其中倾斜摄影数据自带所有像素的高层信息，获取到倾斜摄影数据范围内的最高高层信息作为高层值，将所述高层值作为一个属性字段，写入当前建筑物图斑轮廓数据中；

在获取到两个时期带高层值的建筑物轮廓数据后，根据范围坐标进行匹配后，进行高层值比对，获取高层发生变化的建筑物高度变化矢量图斑。

进一步的，所述步骤S1中的影像切片金字塔建设的过程为：在服务端将影像数据一次性全部读取到内存中，通过建立空间索引，进行分级别的重采样及切片输出，建立影像切片金字塔。

进一步的，所述步骤S4具体过程如下：

将识别出建筑物变化图斑在浏览器端以电子地图方式可视化的叠加至原始影像数据上，通过影像的卷帘对比查看或快截图切换查看方式，核实各疑似违建图斑是否准确，并且进行确认或过滤操作，被过滤的数据实时更新至原始影像数据中。

另一方面，所述基于深度学习的违建识别监控检测系统包括：

影像上传单元，用于通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设；

违建比对单元，用于选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑；

数据自动入库单元，用于将所提取的建筑物变化图斑自动导入成果库；

结果核对单元，用于通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

本发明的有益效果是：本发明通过深度学习算法针对性的实现了违建图斑的快速提取，并且形成了一套从影像数据上传、建筑物图斑和违建图斑提取，到影像和违建图斑入库、影像金字塔切片、空间数据服务共享的高度集成的自动化方案；本方案还进一步提供建筑物在线样本勾画功能，通过在线建筑物样本勾勒、违建结果核实等途径不断提高深度学习模型对违建的识别精度。

附图说明

图1是本发明实施例提供的基于深度学习的违建识别监控检测方法的流程图；

图2是比对图像的选择界面图；

图3是建筑物图斑做勾画显示界面图；

图4是本发明实施例提供的建筑识别模型的示意图；

图5是本发明实施例提供的建筑识别模型增加方向示意图；

图6是本发明实施例提供的Tensor Polygonization矢量化过程示意图；

图7是违建图斑列表显示界面图。

具体实施方式

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说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的基于深度学习的违建识别监控检测方法的流程，为了便于说明仅示出了与本发明实施例相关的部分。

如图1所示，本实施立体提供的基于深度学习的违建识别监控检测方法包括下述步骤：

步骤S1、影像上传步骤：通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设。

本发明采用卫星或无人机获取影像数据进行查建筑物违建，采集到的影像数据会自动上传至服务端，在上传中自动完成影像数据的预处理，比如分辨率重采样、几何纠正、影像切片金字塔建设，并并同步将影像元数据信息存储至数据库中。

通过自动几何纠正，可进一步减少同一范围内的两幅影像间空间偏移，对于同一区域选中两幅待对比影像后，本发明自动寻找两幅影像中的同名点，并对其中一幅影像进行自动化的几何纠偏。

另外为了提高影像切片性能，可优化切片边缘的平滑度。传统的影像切片工具需要顾及到界面化操作的流畅度等问题，并不能充分利用计算机的内存。而本发明实施例中，服务端无需考虑界面化流畅度，将影像一次性全部读取到内存中，通过建立空间索引，高效进行分级别的重采样及切片输出，其最大的瓶颈在IO输出上。通过对比分析，可以很大程度上提高切片效率。同时，传统的切片在大分辨率输出时，切片的边缘部分马赛克现象非常明显。本发明实施例中为了让切片边缘更加柔和，采用了对边界处的卷积重采样等方式让切片边界处更加平滑。对已上传的影像可以进行在数据线预览以及查询、删除、修改操作。

步骤S2、违建比对步骤：选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑。

本实施例通过比对同一建筑物的两期影响数据，判断建筑物在轮廓以及高度上有没有变化，最后输出建筑物变化图斑。比对图像的选择界面如图2所示。

这里获取的影响数据包括正射影像和倾斜摄影数据，正射影像是具有正射投影性质的遥感影像。原始遥感影像因成像时受传感器内部状态变化、外部状态及地表状况的影响，均有程度不同的畸变和失镇。对遥感影像的几何处理，不仅提取空间信息，还可按正确的几何关系对影像灰度进行重新采样，形成新的正射影像。

对于建筑物而言，对于遥感拍摄的原始影像，通过几何处理得到建筑物的正射影像，具体的处理过程，不是本实施例重点所在，这里不赘述。

本步骤具体过程如下：

S21、针对同一区域，获取两期正射影像，通过建筑物提取和建筑物轮廓变化检测获得建筑物轮廓变化的栅格图斑，并进一步转换为矢量图斑。

本步骤通过廓变化检测得到建筑物轮廓数据，最终通过两个时期正射影像建筑物轮廓数据，可以得到建筑物轮廓变化矢量图斑，包括：

S211、通过收集样本数据训练基于深度学习的建筑识别模型；

所述收集样本数据包括收集所需的高分遥感数据，记录高分遥感数据拍摄时间、高度，对数据进行预处理，重采样至所需的分辨率并导入；然后基于已有的建筑、道路数据，训练基于encoder-decoder的深度学习的建筑识别模型，该模型用于建筑提取。将待勾画样本数据图像作为电子地图底图，通过矢量化工具箱形式对影像中的建筑物图斑做勾画，实现在线矢量化作业，矢量化完成的建筑物图斑将保存至样本库中用于在线调用训练。建筑物图斑做勾画显示界面如图3所示。

如图4所示，建筑识别模型主要由编码网络(Encoder Network)、解码网络(Decoder Network)和逐像素分类器(Pixel-wise Classification Layer)组成。

其中编码网络是将高维向量转换成低维向量，实现了对高维特征的低维提取。编码网络通过多次最大池化操作虽然可以捕捉更多的平移不变性特征，但同样会丢失更多特征图的边界信息等分割的重要依据。因此，在池化过程中同时记录最大池化索引信息，保存了最大特征值所在的位置，然后利用最大池化索引信息对输入特征图进行上采，使得边界信息得以保存。最大池化索引可以进一步优化边界轮廓描述的准确度，并且减少参数数量，可以端对端训练，进一步提高了识别的精确度。

解码网络利用编码器下采样时保存的相应特征层的最大池化索引信息将低分辨率的特征图映射到高空间分辨率的特征图，实现了低维向量到高维向量的重构。在解码过程中重复使用最大池化索引具有几个优点：优化边界轮廓描述；减少参数数量，可以端对端训练；上采样方式可以应用到任何编码—解码的网络中。

编码网络、解码网络通过一个波段注意力连接(Band Attention Connection)。从而使模型在解码时能够再次读入原始得高维数据，保证几何特征得不变。

在最后一层解码器输出高维特征表示向量，作为可训练分类器的输入。编码网络可以使用经典的Resnet，Inception或是Efficientnet。

具体实现时，本建筑识别模型基于pytorch实现，使用3台GPU GeForce RTX2080Ti的服务器进行训练，训练批量大小为64(batch_size)，学习率(learning rate)为1e-04,采用AdamW优化参数，使用交叉熵损失作为损失模型约束模型训练。训练过程如下：

1.训练数据大小为512*512，使用滑动窗口的方式从原始影像中获取，迭代行数为256，保证大多数建筑都独立存在在一张图像中。选取总数据的60％为训练数据，40％为验证数据。

2.训练采用了随机图像增强发来增加模型泛化性能，避免过拟合。使用包括反转、缩放、随机亮度、对比度等图像增强方式对图像进行随机增强。

3.模型训练使用了融合的损失函数。其中包括两种交叉熵(Cross Entropy)和骰子系数(Dice coefficient)。其中交叉熵用来保证模型对建筑物类别的准确识别，骰子系数用于约束建筑轮廓。

4.模型训练400个循环。初始学习率为1e-04，在10个循环后开始递减至1e-07。最终寻用在测试数据中精度最高的模型为结果模型。

S212、获取同一区域的两期正射影像，将两期正射影像使用建筑识别模型预测正射影像影像中的建筑图，得到建筑物图斑.

预测建筑物的轮廓是否发生变化，需要将比对建筑物两期的正射影像。然后直接输入至前述步骤训练的建筑识别模型，即可建筑物图斑。

S213、将建筑物图斑使用Tensor Polygonization生成简化的建筑轮廓矢量，根据两期建筑轮廓矢量变化得到建筑物轮廓变化矢量图斑。

深度学习图像分割通常以栅格格式输出分割结果，而地理信息系统的应用往往需要矢量输出。为了优化栅格图像矢量化的过程，本步骤通过Tensor Polygonization进行矢量化处理。如图5所示，首先在建筑识别模型中增加了一个方向输出，使其与地面真实轮廓相一致。用于预测每个当前目标的方向，从而提取平滑的矢量效果。矢量化过程参照图6所示，过程如下：

1.过建筑识别模型生成建筑热力图，得到建筑矢量；

2.根据建筑形状特征原则，平滑建筑矢量，消除生成矢量中的锯齿；

3.根据建筑识别模型中生成的方向，识别建筑转角，标记转角位置；

4.删除转角之间的矢量，优化生成建筑轮廓矢量的位置。

本步骤的简化矢量生成方法(Tensor Polygonization)，基于建筑物轮廓多为直角或等角多边形的特点，提出了基于建筑方向的矢量化方法，从而大幅优化了从图像热图中生成建筑矢量的精度和数据量。

S22、针对所述区域，获取与所述两期正射影像对应时期的倾斜摄影数据，通过建筑物高度变化检测获得建筑物高度变化矢量图斑.

本步骤具体包括：

S221、获取与两期正射影像对应时期的倾斜摄影数据，将倾斜摄影数据的三角网合并，形成单张大范围的倾斜摄影数据。

倾斜摄影数据与正射影像是相对的。针对一个建筑物的违建判断，本步骤需要获取与该建筑物两期正射影像同期的倾斜摄影数据。时期A和时期B的两期正射影像分别为正射影像A和正射影像B，同样获取到的同期倾斜摄影数据A和倾斜摄影数据B。

由于倾斜摄影数据是由多个分开的osgb数据组成，当出现一个建筑图斑横跨多个osgb数据的情况时，对于数据读取检索都存在效率损耗，所以本实施例将各osgb数据合并成一个大的osgb数据，提高检索时的数据读取效率。倾斜摄影osgb数据一般为连续的三角网格，多个osgb数据的合并需要将每个数据中的顶点以及索引做合并，保证合并后的osgb数据只有一个三角网和一张纹理。

本步骤将碎片化的原始OSGB倾斜摄影数据重新整合成一张大的范围的OSGB数据。在数据高层读取时，减少原始数据的遍历次数，减少数据吞吐次数。

S222、使用建筑物图斑轮廓数据叠加至合并后的倾斜摄影数据中，即正射影像A叠加至倾斜摄影数据A，射影像B叠加至倾斜摄影数据B，其中倾斜摄影数据自带所有像素的高层信息，获取到倾斜摄影数据范围内的最高高层信息作为高层值，将所述高层值作为一个属性字段，写入当前建筑物图斑轮廓数据中，通过高层提取即可得到建筑物的高层信息。

S223、在获取到两个时期带高层值的建筑物轮廓数据后，根据范围坐标进行匹配后，进行高层值比对，获取高层发生变化的建筑物高度变化矢量图斑。

在提取图斑的高层过程中，由于原始倾斜摄影数据均是碎片化存储，对于原始的倾斜摄影数据的预处理非常重要，本步骤中通过对倾斜摄影数据的数据重组，进一步提高倾斜摄影数据的高层信息读取效率。

S23、将建筑物轮廓变化矢量图斑与高度变化矢量图斑融合，得到整体的建筑物变化图斑。

整体的建筑物变化图斑代表了建筑的轮廓和高度变化，通过建筑物变化图斑只要发现轮廓和高度两者任一发生变化，即初步可认定建筑物违建，即为“疑似图斑”。

步骤S3、数据自动入库步骤：将所提取的建筑物变化图斑自动导入成果库。

步骤S4、结果核对步骤：通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

将识别出建筑物变化图斑在浏览器端以电子地图方式可视化的叠加至原始影像数据上，通过影像的卷帘对比查看或快截图切换查看方式，核实各疑似违建图斑是否准确，并且进行确认或过滤操作，被过滤的数据实时更新至原始影像数据中。本步骤核对时可以以卷帘的方式将两幅影像叠加显示在浏览器端，或者采用截图切换查看方式叠加，将所有违建图斑叠加至影像上，平台可控制该图斑的显隐。对于步骤S2识别出的建筑物变化图斑，形成违建图斑列表。

如图7所示界面，后台工作人员通过选中待核查图斑，地图同步缩放至该图斑所在位置，然后鼠标选中该图斑，即可在弹出框中进行核查核实操作。

本发明通过算法进行违建识别，能够快速且准确判断建筑是否违建，整个过程实现简单，只需训练建筑识别模型，同时获取同期的正射影像和倾斜摄影数据，通过数据处理和检测判断就能快速识别出建筑物的轮廓以及高度是否发生变化，此方法能够明显提高识别精确度和效率。然后识别出违建建筑的建筑变化图斑后，进一步核对确认。

本发明供多种违建“疑似图斑”核查的在线可视化操作方法，更加直观、快速的协助用户使用。在违建核查的可视化端，提供了卷帘比对、缩率图比对两种操作方式，让用户结合影像底图，快速判断违建图斑是否正确，并支持鼠标和键盘操作，进一步提高工作效率。

另外，本实施例还提供了一种基于深度学习的违建识别监控检测系统，包括：

影像上传单元，用于通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设；

违建比对单元，用于选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑；

数据自动入库单元，用于将所提取的建筑物变化图斑自动导入成果库；

结果核对单元，用于通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

上述各个功能单元对应实现了前述步骤S1-S4，具体实现过程这里不在赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的违建识别监控检测方法，其特征在于，所述方法包括下述步骤：

步骤S1、影像上传步骤：通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设；

步骤S2、违建比对步骤：选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑；

步骤S3、数据自动入库步骤：将所提取的建筑物变化图斑自动导入成果库；

步骤S4、结果核对步骤：通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

2.如权利要求1所述基于深度学习的违建识别监控检测方法，其特征在于，获取的数据包括正射影像和倾斜摄影数据，所述步骤S2具体过程如下：

S21、针对同一区域，获取两期正射影像，通过建筑物提取和建筑物轮廓变化检测获得建筑物轮廓变化的栅格图斑，并进一步转换为矢量图斑；

S22、针对所述区域，获取与所述两期正射影像对应时期的倾斜摄影数据，通过建筑物高度变化检测获得建筑物高度变化矢量图斑；

S23、将建筑物轮廓变化矢量图斑与高度变化矢量图斑融合，得到整体的建筑物变化图斑。

3.如权利要求2所述基于深度学习的违建识别监控检测方法，其特征在于，步骤21具体包括下述步骤：

通过收集样本数据训练基于深度学习的建筑识别模型，所述收集样本数据包括收集所需的高分遥感数据，记录高分遥感数据拍摄时间、高度，对数据进行预处理，重采样至所需的分辨率；将待勾画样本数据图像作为电子地图底图，通过矢量化工具箱形式对影像中的建筑物图斑做勾画，矢量化工具箱提供操作回退、数据保存、数据修改、图斑统计功能，实现在线矢量化作业，矢量化完成的建筑物图斑将保存至样本库中用于在线调用训练。

获取同一区域的两期正射影像，将两期正射影像使用建筑识别模型预测正射影像影像中的建筑图，得到建筑物图斑；

将建筑物图斑使用Tensor Polygonization生成简化的建筑轮廓矢量，根据两期建筑轮廓矢量变化得到建筑物轮廓变化矢量图斑。

4.如权利要求3所述基于深度学习的违建识别监控检测方法，其特征在于，所述生成简化的建筑轮廓矢量过程如下：

通过建筑识别模型生成建筑热力图，得到建筑矢量；

根据建筑形状特征原则，平滑建筑矢量，消除生成矢量中的锯齿；

根据建筑识别模型中生成的方向，识别建筑转角，标记转角位置；

删除转角之间的矢量，优化生成建筑轮廓矢量的位置。

5.如权利要求2所述基于深度学习的违建识别监控检测方法，其特征在于，步骤S22具体包括下述步骤：

获取与两期正射影像对应时期的倾斜摄影数据，将倾斜摄影数据的三角网合并，形成单张大范围的倾斜摄影数据；

使用建筑物图斑轮廓数据叠加至合并后的倾斜摄影数据中，其中倾斜摄影数据自带所有像素的高层信息，获取到倾斜摄影数据范围内的最高高层信息作为高层值，将所述高层值作为一个属性字段，写入当前建筑物图斑轮廓数据中；

在获取到两个时期带高层值的建筑物轮廓数据后，根据范围坐标进行匹配后，进行高层值比对，获取高层发生变化的建筑物高度变化矢量图斑。

6.如权利要求1所述基于深度学习的违建识别监控检测方法，其特征在于，所述步骤S1中的影像切片金字塔建设的过程为：在服务端将影像数据一次性全部读取到内存中，通过建立空间索引，进行分级别的重采样及切片输出，建立影像切片金字塔。

7.如权利要求1所述基于深度学习的违建识别监控检测方法，其特征在于，所述步骤S4具体过程如下：

将识别出建筑物变化图斑在浏览器端以电子地图方式可视化的叠加至原始影像数据上，通过影像的卷帘对比查看或快截图切换查看方式，核实各疑似违建图斑是否准确，并且进行确认或过滤操作，被过滤的数据实时更新至原始影像数据中。

8.一种基于深度学习的违建识别监控检测系统，其特征在于，所述系统包括：

影像上传单元，用于通过卫星或者无人机获取影像数据并将影像数据上传至服务端，在上传中自动完成影像数据的预处理，包括分辨率重采样、几何纠正、影像切片金字塔建设；

违建比对单元，用于选取待比对的两期影像数据，在服务端通过比对检测，输出包含建筑物轮廓变化和高度变化的建筑物变化图斑；

数据自动入库单元，用于将所提取的建筑物变化图斑自动导入成果库；

结果核对单元，用于通过将提取的建筑物变化图斑叠加至对应在线影像，进一步核对提取图斑数据的正确性，并将最终结果自动保存。

Images