一种针对变化特征检测的改进算法

一种针对变化特征检测的改进算法
【技术领域】
1.本发明涉及一种自动变化检测的检测算法，具体涉及一种针对变化特征检测的改进算法，属于人工智能技术领域。


背景技术：

2.自动变化检测已经引起了广泛关注并且有助于遥感影像的应用发展。而传统的变化检测方法一般采用图像处理手段来获取图像的低级特征信息，例如边缘、轮廓和纹理信息等，这很难适应于复杂的遥感影像变化检测场景。由于深度卷积神经网络能够提取层级特征，并且高层特征具有抽象的语义信息，低层特征包含丰富的空间细节信息，而高层语义信息对复杂变化场景的理解至关重要，这导致了基于深度学习的变化检测方法的兴起。
3.遥感影像变化检测需要像素级预测，而全卷积神经网络主要用于密集预测任务，因此基于深度学习的变化检测方法主要使用类似全卷积网络结构，然后通过深度特征比较生成差异图或者变化向量。
4.将双时相遥感影像合并为一张输入图像，并对u-net网络结构进行修改，在u-net网络进行跳层连接时使用循环神经网络来获取时序变化信息。通过改进语义分割网络u-net++以适应于变化检测任务，在编解码结构中使用密集跳层连接和深度监督策略，以获取全局信息和精细的边界信息，显著提升了高分辨率遥感影像的变化检测性能，但早期融合方法缺乏单个图像的深度特征信息。
5.因此，为解决上述问题，确有必要提供一种创新的针对变化特征检测的改进算法，以克服现有技术中的所述缺陷。


技术实现要素：

6.本发明的目的在于提供一种针对变化特征检测的改进算法，其能够有效地对不断变化的目标进行检测。
7.为实现上述目的，本发明采取的技术方案为：一种针对变化特征检测的改进算法，其包括如下步骤：
8.1)，提取第一帧的目标特征作为训练样本；
9.2)，获取第一帧的目标特征；
10.3)，在autotrack算法的基础上，引入空间正则项获取可靠的滤波器惩罚系数，相邻两帧的响应图联系作为时间正则项控制滤波器的更新，将两者相结合实现对滤波器的约束。
11.4)，使用相关滤波方法训练目标滤波器模板，在下一帧图像目标范围提取目标特征，构建尺度金字塔估计出最优尺度模板并更新；用自适应更新策略机制对目标响应峰值位置进行置信度判断，并对模板进行自适应更新。
12.本发明的针对变化特征检测的改进算法进一步为：所述步骤2)具体为：
13.使用相同结构的两个预训练的resnet-50网络结构作为所提出网络模型的特征提
取网络，它包含4个层级模块，以获取图像的多层级特征{li|i＝1
…
4}。
14.在两个resnet-50网络末端引入扩张卷积空间金字塔模块。该模块有四个分支，其中有三个分支为扩张卷积层，扩张率r为(1，2，3)，另一个分支为全局平均池化层，并使用双线性插值进行上采样处理；
15.将相同结构的两个特征提取网络对应层级的特征进行级联，即两个特征图在通道维度上进行拼接，并使用变换函数提取对应层级级联特征的变化特征图，使用通道数为256的1
×
1卷积层来实现；
16.通过变化特征融合模块，学习不同层级变化特征中可能的变化区域信息，形成空间注意力图，并重新与变化特征相乘得到优化的变化特征图，然后不同层级优化的变化特征进行逐像素点求和，并且后跟一个3
×
3卷积层来消除求和过程中的混叠效应，最终产生具有多个尺度的变化特征图；
17.通过门控融合模块，对得到的多尺度变化特征图分别进行滤波和上采样操作，使多尺度变化特征{p5,p4,p3}上采样到p2的大小，对p5的处理是使用3
×
3卷积滤波和2倍的上采样，并迭代3次，同理，p4迭代两次，p3迭代一次。最后使用一个门控单元，对4个多尺度变化特征图以加权和的方式获得最终的变化特征。
18.本发明的针对变化特征检测的改进算法进一步为：所述网络模型的损失函数为
[0019][0020]
本发明的针对变化特征检测的改进算法进一步为：所述步骤2)进一步包括：将高层级的变化特征进行2倍上采样处理，再将两种不同层级的变化特征进行级联得到特征图m，然后采用空间注意力机制思想产生两种不同的注意力图s1和s2；其中，
[0021]
s1＝conv(m,w1)
[0022]
s2＝conv(m,w2)；
[0023]
将两种注意力图在对应空间位置上使用softmax函数：
[0024][0025]
a2
(i,j)
＝e
s2(i,j)
/(e
s1(i,j)
+e
s2(i,j)
)
[0026]
a1
(i,j)
+a2
(i,j)
＝1
[0027]
其中，a1表示为变化特征图f1中每一个空间位置分配的权重，a2表示为变化特征图f2中每一个空间位置分配的权重，接着将变化特征f1和f2分别与a1和a2逐像素点相乘并求和以产生融合特征；最后采用3
×
3卷积层对融合特征进行处理。
[0028]
本发明的针对变化特征检测的改进算法还为：所述步骤3)中，时间正则的表达函数为：
[0029][0030]
式中：k表示通道总数；表示从第t个训练样本中提取的向量化后的第j个通道的特征；t表示向量化后的长度；分别表示第t个训练样本以及第t-1个训练样本在j通道的滤波器；y∈r
t
×1表示理想的高斯型输出；*表示卷积操作；
分别表示沿用autotrack算法中的时间正则项系数的相关值与优化值。
[0031]
与现有技术相比，本发明具有如下有益效果：本发明的针对变化特征检测的改进算法通过取第一帧目标所在的位置，提取感兴趣区域的特征作为训练样本引入空间正则项获取可靠的滤波器惩罚系数，相邻两帧的响应图联系作为时间正则项控制滤波器的更新，将两者相结合实现对滤波器的合理约束；使用相关滤波方法训练目标滤波器模板，在下一帧图像目标范围提取目标特征，构建尺度金字塔，估计出最优尺度模板并更新；采用自适应更新策略机制对目标响应峰值位置进行置信度判断并对模板进行自适应更新。为了提升网络感受野和利用全局特征信息，在特征提取网络末端引入扩张卷积空间金字塔模块，在不同变化特征融合时，使用变化特征融合模块来控制信息传播以减少特征融合时的差异性；最后使用门控机制将不同尺度预测的变化特征图进行加权求和，最终产生具有高精度的变化特征图；该方法不仅能获取多尺度变化特征，还能利用全局信息和精确的空间细节来提升预测特征图的空间精度。
【附图说明】
[0032]
图1是本发明的步骤2)中网络模型的网络结构图。
[0033]
图2是发明的步骤2)中变化特征融合模块的原理图。
【具体实施方式】
[0034]
请参阅说明书附图1和附图2所示，本发明为一种针对变化特征检测的改进算法，其包括如下步骤：
[0035]
1)，提取第一帧的目标特征作为训练样本。
[0036]
2)，获取第一帧的目标特征，其具体为：
[0037]
使用相同结构的两个预训练的resnet-50网络结构作为所提出网络模型的特征提取网络，它包含4个层级模块，以获取图像的多层级特征{li|i＝1
…
4}。
[0038]
在两个resnet-50网络末端引入扩张卷积空间金字塔模块，提升网络感受野和利用全局特征信息。该模块有四个分支，其中有三个分支为扩张卷积层，扩张率r为(1，2，3)，从而增加了网络感受野；为了获取整个特征图的全局信息，另一个分支为全局平均池化层，并使用双线性插值进行上采样处理。
[0039]
将相同结构的两个特征提取网络对应层级的特征进行级联，即两个特征图在通道维度上进行拼接，并使用变换函数提取对应层级级联特征的变化特征图，使用通道数为256的1
×
1卷积层来实现。
[0040]
为了使高层变化特征包含浅层的空间细节信息以及使浅层的变化特征具有语义判别信息，通过变化特征融合模块，学习不同层级变化特征中可能的变化区域信息，形成空间注意力图，并重新与变化特征相乘得到优化的变化特征图，然后不同层级优化的变化特征进行逐像素点求和，并且后跟一个3
×
3卷积层来消除求和过程中的混叠效应，最终产生具有多个尺度的变化特征图；
[0041]
通过门控融合模块恢复高层变化特征中丢失的空间细节信息以及产生最终的变化特征图，其对得到的多尺度变化特征图分别进行滤波和上采样操作，使多尺度变化特征{p5,p4,p3}上采样到p2的大小，对p5的处理是使用3
×
3卷积滤波和2倍的上采样，并迭代3
次，同理，p4迭代两次，p3迭代一次。最后使用一个门控单元，对4个多尺度变化特征图以加权和的方式获得最终的变化特征。加权求和的目的是从多尺度变化特征图中融合有用的特征信息以形成最终的特征比较图。
[0042]
进一步的，将高层级的变化特征进行2倍上采样处理，再将两种不同层级的变化特征进行级联得到特征图m，然后采用空间注意力机制思想产生两种不同的注意力图s1和s2；通过注意力图来控制这两种不同变化特征图之间的信息流动，即突出变化区域的特征信息。其中，
[0043]
s1＝conv(m,w1)
[0044]
s2＝conv(m,w2)。
[0045]
本实施例中，使用1
×
1卷积来实现这种映射函数，其中w1、w2分别表示学习参数。
[0046]
将两种注意力图在对应空间位置上使用softmax函数：
[0047][0048]
a2
(i,j)
＝e
s2(i,j)
/(e
s1(i,j)
+e
s2(i,j)
)
[0049]
a1
(i,j)
+a2
(i,j)
＝1
[0050]
其中，a1表示为变化特征图f1中每一个空间位置分配的权重，a2表示为变化特征图f2中每一个空间位置分配的权重，接着将变化特征f1和f2分别与a1和a2逐像素点相乘并求和以产生融合特征；最后采用3
×
3卷积层对融合特征进行处理，以避免求和融合带来的混叠效应。
[0051]
3)，在autotrack算法的基础上，引入空间正则项获取可靠的滤波器惩罚系数，对距离目标中心比较远的样本进行相应的惩罚，由此所得到的相关响应在目标背景处的值得到了明显的抑制，从而有效缓解边界效应。相邻两帧的响应图联系作为时间正则项控制滤波器的更新，将两者相结合实现对滤波器的约束。
[0052]
其中，时间正则的表达函数为：
[0053][0054]
式中：k表示通道总数；表示从第t个训练样本中提取的向量化后的第j个通道的特征；t表示向量化后的长度；分别表示第t个训练样本以及第t-1个训练样本在j通道的滤波器；y∈r t
×1表示理想的高斯型输出；*表示卷积操作；分别表示沿用autotrack算法中的时间正则项系数的相关值与优化值。
[0055]
通过将将相邻两帧全局响应图变化量作为时间正则项，使其在解决边界效应的同时有效地抑制畸变，从而提升跟踪器在应对快速运动场景下的鲁棒性。时间正则对应的表达式为：
[0056][0057]
式中：k表示通道总数；表示从第t个训练样本中提取的向量化后的第j个通道的特征；t表示向量化后的长度；分别表示第t个训练样本
以及第t-1个训练样本在j通道的滤波器；y∈r t
×1表示理想的高斯型输出；*表示卷积操作；分别表示沿用autotrack算法中的时间正则项系数的相关值与优化值。
[0058]
4)，使用相关滤波方法训练目标滤波器模板，在下一帧图像目标范围提取目标特征，构建尺度金字塔估计出最优尺度模板并更新；用自适应更新策略机制对目标响应峰值位置进行置信度判断，并对模板进行自适应更新。
[0059]
以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。