开云优惠体育网页版入口

专利名称：一种应用于城市管理监督的违章建筑物检测方法及装置

专利类型：发明专利

专利申请号：CN202111598817.X

专利申请（专利权）人：中国科学院空天信息创新研究院
权利人地址：北京市海淀区邓庄南路9号

专利发明（设计）人：尹锴,田亦陈,袁超,陈芳淼,余堃,郑家祥

专利摘要：本发明提供一种应用于城市管理监督的违章建筑物检测方法及装置，该方法包括：将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果；基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果；其中，建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。本发明提供的一种应用于城市管理监督的违章建筑物检测方法及装置，能更准确、更高效的对目标区域进行违章建筑物检测。

主权利要求：
1.一种应用于城市管理监督的违章建筑物检测方法，其特征在于，包括：
获取多张目标区域不同时相的待识别遥感图像；
将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果；
基于各所述待识别遥感图像的建筑物识别结果，获取所述目标区域的违章建筑物检测结果；
其中，所述建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各所述样本图像的建筑物识别结果标签，进行训练后得到的；
所述建筑物识别模型，用于获取并基于每一所述待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各所述待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对所述待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于所述每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得；
所述建筑物识别模型，包括：特征提取层、语义分割层、变化检测层以及结果输出层；
相应地，所述将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果，具体包括：将各所述待识别遥感图像输入所述特征提取层，获取所述特征提取层输出的每一所述待识别遥感图像目标尺度的第一特征图和第二特征图；
将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述语义分割层，获取所述语义分割层输出的每一所述待识别遥感图像目标尺度的前景增强特征图；
将每一所述待识别遥感图像目标尺度的前景增强特征图输入所述变化检测层，由所述变化检测层基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果，生成所述每两个待识别遥感图像对应的目标尺度的差分特征图，进而获取所述变化检测层输出的所述每两个待识别遥感图像对应的目标尺度的差分特征图；
将每一所述待识别遥感图像目标尺度的前景增强特征图和所述每两个待识别遥感图像对应的目标尺度的差分特征图输入所述结果输出层，获取所述结果输出层输出的各所述待识别遥感图像的建筑物识别结果。
2.根据权利要求1所述的一种应用于城市管理监督的违章建筑物检测方法，其特征在于，所述建筑物识别模型的损失函数动态加权损失函数、语义分割损失函数以及变化检测损失函数；
所述动态加权损失函数，是基于训练中的建筑物识别模型的预设最大迭代次数和当前迭代次数、预先确定的最高权重和最低权重、所述语义分割损失函数以及所述变化检测损失函数确定的；
所述语义分割损失函数和所述变化检测损失函数是基于各所述样本图像的预测建筑物识别结果以及各所述样本图像的建筑物识别结果标签确定的，各所述样本图像的预测建筑物识别结果，是将各所述样本图像输入所述训练中的建筑物识别模型，由所述训练中的建筑物识别模型中的结果输出层输出的；
所述动态加权损失函数，用于在对所述建筑物识别模型进行训练的过程中，调节所述语义分割损失函数对应的第一权重随所述训练中的建筑物识别模型的迭代次数的增加而减。霰浠觳馑鹗Ш杂Φ牡诙权重随所述训练中的建筑物识别模型的迭代次数的增加而增大。
3.根据权利要求1所述的一种应用于城市管理监督的违章建筑物检测方法，其特征在于，所述基于所述建筑物识别结果，判断所述目标区域内是否存在违章建筑物，具体包括：对于每两张待识别遥感图像，基于所述建筑物识别结果和GIS空间分析方法，判断所述每两张待识别遥感图像中时相较后的待识别遥感图像中是否新增建筑物；
在所述每两张待识别遥感图像中时相较后的待识别遥感图像中新增建筑物的情况下，基于所述目标区域对应的功能区要素图层，判断每一新增建筑物是否为违章建筑物；
其中，所述功能区要素图层，是基于预先获取的原始功能区要素图层进行缓冲区分析获取的。
4.根据权利要求3所述的一种应用于城市管理监督的违章建筑物检测方法，其特征在于，所述基于所述目标区域对应的功能区要素图层，判断每一新增建筑物是否为违章建筑物，具体包括：基于所述目标区域对应的功能区要素图层，获取每一所述新增建筑物是违章建筑物的概率；
在任一新增建筑物是违章建筑物的概率大于预设阈值的情况下，确定所述新增建筑物为违章建筑物。
5.根据权利要求1所述的一种应用于城市管理监督的违章建筑物检测方法，其特征在于，所述语义分割层，包括：前景特征增强层和空间细节恢复层；
相应地，所述将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述语义分割层，获取所述语义分割层输出的每一所述待识别遥感图像目标尺度的前景增强特征图，具体包括：将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述前景特征增强层，由所述前景特征增强层基于每一所述待识别遥感图像的第一特征图生成每一所述待识别遥感图像对应的目标向量，获取所述目标向量与对应待识别遥感图像目标尺度的第二特征图的内积作为所述待识别遥感图像目标尺度的语义分割特征图，进而获取所述前景特征增强层输出的每一所述待识别遥感图像目标尺度的语义分割特征图；
将每一所述待识别遥感图像目标尺度的语义分割特征图输入所述空间细节恢复层，由所述空间细节恢复层通过恢复每一所述待识别遥感图像目标尺度的语义分割特征图的空间细节，生成每一所述待识别遥感图像目标尺度的前景增强特征图，进而获取所述空间细节恢复层输出的每一所述待识别遥感图像的前景增强特征图。
6.根据权利要求1至5任一所述的一种应用于城市管理监督的违章建筑物检测方法，其特征在于，所述目标尺度，包括多个尺度。
7.一种应用于城市管理监督的违章建筑物检测装置，其特征在于，包括：
数据获取模块，用于获取多张目标区域不同时相的待识别遥感图像；
图像识别模块，用于将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果；
违建检测模块，用于基于各所述待识别遥感图像的建筑物识别结果，获取所述目标区域的违章建筑物检测结果；
其中，所述建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各所述样本图像的建筑物识别结果标签，进行训练后得到的；
所述建筑物识别模型，用于获取并基于每一所述待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各所述待识别遥感图像进行建筑物识别，所述待识别遥感图像目标尺度的前景增强特征图通过对所述待识别遥感图像目标尺度的特征图进行前景特征增强获得，所述每两个待识别遥感图像对应的目标尺度的差分特征图基于所述每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得；
所述建筑物识别模型，包括：特征提取层、语义分割层、变化检测层以及结果输出层；
相应地，所述图像识别模块将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果，具体包括：将各所述待识别遥感图像输入所述特征提取层，获取所述特征提取层输出的每一所述待识别遥感图像目标尺度的第一特征图和第二特征图；
将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述语义分割层，获取所述语义分割层输出的每一所述待识别遥感图像目标尺度的前景增强特征图；
将每一所述待识别遥感图像目标尺度的前景增强特征图输入所述变化检测层，由所述变化检测层基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果，生成所述每两个待识别遥感图像对应的目标尺度的差分特征图，进而获取所述变化检测层输出的所述每两个待识别遥感图像对应的目标尺度的差分特征图；
将每一所述待识别遥感图像目标尺度的前景增强特征图和所述每两个待识别遥感图像对应的目标尺度的差分特征图输入所述结果输出层，获取所述结果输出层输出的各所述待识别遥感图像的建筑物识别结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述应用于城市管理监督的违章建筑物检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述应用于城市管理监督的违章建筑物检测方法的步骤。 说明书 : 一种应用于城市管理监督的违章建筑物检测方法及装置技术领域[0001] 本发明涉及人工智能技术领域，尤其涉及一种应用于城市管理监督的违章建筑物检测方法及装置。背景技术[0002] 随着社会经济的发展，违章建设的现象层出不穷，违章建设的违章建筑物侵蚀公共土地资源，对人们的生活环境、安全环境、生态环境、治安环境以及社会环境等都带来了严重威胁。基于我国产系列高分卫星遥感数据开发应用需要，及时、准确的发现违章建筑物，为城市管理监督行业部门提供有效数据支撑，具有十分重要的意义。[0003] 现有的违章建筑物检测方法中，可以基于卫星遥感、航空遥感、无人机遥感等多种方式获取影像数据，进而运用深度学习的方法实现违章建筑物的检测。但是，由于影像数据内容复杂，且上述影像数据的类内差异大、类间差异。贾禄谙钟械奈フ陆ㄖ物检测方法难以准确的获取违章建筑物的检测结果。发明内容[0004] 本发明提供一种应用于城市管理监督的违章建筑物检测方法及装置，用以解决现有技术中难以准确的获取违章建筑物检测结果的缺陷，实现更准确的获取违章建筑物的检测结果。[0005] 本发明提供一种应用于城市管理监督的违章建筑物检测方法，包括：[0006] 获取多张目标区域不同时相的待识别遥感图像；[0007] 将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果；[0008] 基于各所述待识别遥感图像的建筑物识别结果，获取所述目标区域的违章建筑物检测结果；[0009] 其中，所述建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各所述样本图像的建筑物识别结果标签，进行训练后得到的；[0010] 所述建筑物识别模型，用于获取并基于每一所述待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各所述待识别遥感图像进行建筑物识别，所述待识别遥感图像目标尺度的前景增强特征图通过对所述待识别遥感图像目标尺度的特征图进行前景特征增强获得，所述每两个待识别遥感图像对应的目标尺度的差分特征图基于所述每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0011] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述建筑物识别模型，包括：特征提取层、语义分割层、变化检测层以及结果输出层；[0012] 相应地，所述将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果，具体包括：[0013] 将各所述待识别遥感图像输入所述特征提取层，获取所述特征提取层输出的每一所述待识别遥感图像目标尺度的第一特征图和第二特征图；[0014] 将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述语义分割层，获取所述语义分割层输出的每一所述待识别遥感图像目标尺度的前景增强特征图；[0015] 将每一所述待识别遥感图像目标尺度的前景增强特征图输入所述变化检测层，由所述变化检测层基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果，生成所述每两个待识别遥感图像对应的目标尺度的差分特征图，进而获取所述变化检测层输出的所述每两个待识别遥感图像对应的目标尺度的差分特征图；[0016] 将每一所述待识别遥感图像目标尺度的前景增强特征图和所述每两个待识别遥感图像对应的目标尺度的差分特征图输入所述结果输出层，获取所述结果输出层输出的各所述待识别遥感图像的建筑物识别结果。[0017] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述建筑物识别模型的损失函数动态加权损失函数、语义分割损失函数以及变化检测损失函数；[0018] 所述动态加权损失函数，是基于训练中的建筑物识别模型的预设最大迭代次数和当前迭代次数、预先确定的最高权重和最低权重、所述语义分割损失函数以及所述变化检测损失函数确定的；[0019] 所述语义分割损失函数和所述变化检测损失函数是基于各所述样本图像的预测建筑物识别结果以及各所述样本图像的建筑物识别结果标签确定的，各所述样本图像的预测建筑物识别结果，是将各所述样本图像输入所述训练中的建筑物识别模型，由所述训练中的建筑物识别模型中的结果输出层输出的；[0020] 所述动态加权损失函数，用于在对所述建筑物识别模型进行训练的过程中，调节所述语义分割损失函数对应的第一权重随所述训练中的建筑物识别模型的迭代次数的增加而减。霰浠觳馑鹗Ш杂Φ牡诙权重随所述训练中的建筑物识别模型的迭代次数的增加而增大。[0021] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述基于所述建筑物识别结果，判断所述目标区域内是否存在违章建筑物，具体包括：[0022] 对于每两张待识别遥感图像，基于所述建筑物识别结果和GIS空间分析方法，判断所述每两张待识别遥感图像中时相较后的待识别遥感图像中是否新增建筑物；[0023] 在所述每两张待识别遥感图像中时相较后的待识别遥感图像中新增建筑物的情况下，基于所述目标区域对应的功能区要素图层，判断每一新增建筑物是否为违章建筑物；[0024] 其中，所述功能区要素图层，是基于预先获取的原始功能区要素图层进行缓冲区分析获取的。[0025] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述基于所述目标区域对应的功能区要素图层，判断每一新增建筑物是否为违章建筑物，具体包括：[0026] 基于所述目标区域对应的功能区要素图层，获取每一所述新增建筑物是违章建筑物的概率；[0027] 在任一新增建筑物是违章建筑物的概率大于预设阈值的情况下，确定所述新增建筑物为违章建筑物。[0028] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述语义分割层，包括：前景特征增强层和空间细节恢复层；[0029] 相应地，所述将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述语义分割层，获取所述语义分割层输出的每一所述待识别遥感图像目标尺度的前景增强特征图，具体包括：[0030] 将每一所述待识别遥感图像目标尺度的第一特征图和第二特征图输入所述前景特征增强层，由所述前景特征增强层基于每一所述待识别遥感图像的第一特征图生成每一所述待识别遥感图像对应的目标向量，获取所述目标向量与对应待识别遥感图像目标尺度的第二特征图的内积作为所述待识别遥感图像目标尺度的语义分割特征图，进而获取所述前景特征增强层输出的每一所述待识别遥感图像目标尺度的语义分割特征图；[0031] 将每一所述待识别遥感图像目标尺度的语义分割特征图输入所述空间细节恢复层，由所述空间细节恢复层通过恢复每一所述待识别遥感图像目标尺度的语义分割特征图的空间细节，生成每一所述待识别遥感图像目标尺度的前景增强特征图，进而获取所述空间细节恢复层输出的每一所述待识别遥感图像的前景增强特征图。[0032] 根据本发明提供的一种应用于城市管理监督的违章建筑物检测方法，所述目标尺度，包括多个尺度。[0033] 本发明还提供一种应用于城市管理监督的违章建筑物检测装置，包括：[0034] 数据获取模块，用于获取多张目标区域不同时相的待识别遥感图像；[0035] 图像识别模块，用于将各所述待识别遥感图像输入建筑物识别模型，获取所述建筑物识别模型输出的各所述待识别遥感图像的建筑物识别结果；[0036] 违建检测模块，用于基于各所述待识别遥感图像的建筑物识别结果，获取所述目标区域的违章建筑物检测结果；[0037] 其中，所述建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各所述样本图像的建筑物识别结果标签，进行训练后得到的；[0038] 所述建筑物识别模型，用于获取并基于每一所述待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各所述待识别遥感图像进行建筑物识别，所述待识别遥感图像目标尺度的前景增强特征图通过对所述待识别遥感图像目标尺度的特征图进行前景特征增强获得，所述每两个待识别遥感图像对应的目标尺度的差分特征图基于所述每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0039] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述应用于城市管理监督的违章建筑物检测方法的步骤。[0040] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述应用于城市管理监督的违章建筑物检测方法的步骤。[0041] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述应用于城市管理监督的违章建筑物检测方法的步骤。[0042] 本发明提供的一种应用于城市管理监督的违章建筑物检测方法及装置，通过基于训练好的建筑物识别模型，获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，分别对每两个待识别遥感图像进行建筑物识别，获取包括每两个待识别遥感图像的建筑物识别结果的各待识别遥感图像的建筑物识别结果之后，基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果，能实现自动提取前后时相的待识别遥感图像中的建筑物以及发生变化的建筑物，能更准确的对目标区域进行违章建筑物检测，使违章建筑物检测的过程更简单、更高效，能减少人力与物力的投入，降低违章建筑物检测的成本投入。附图说明[0043] 为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。[0044] 图1是本发明提供的一种应用于城市管理监督的违章建筑物检测方法的流程示意图之一；[0045] 图2是本发明提供的一种应用于城市管理监督的违章建筑物检测方法的流程示意图之二；[0046] 图3为本发明提供的一种应用于城市管理监督的违章建筑物检测方法中各待识别遥感图像的建筑物识别结果的示意图之一；[0047] 图4为本发明提供的一种应用于城市管理监督的违章建筑物检测方法中各待识别遥感图像的建筑物识别结果的示意图之二；[0048] 图5是本发明提供的一种应用于城市管理监督的违章建筑物检测方法中建筑物识别模型的结构示意图；[0049] 图6为现有技术中建筑物识别模型的结构示意图；[0050] 图7是本发明提供的一种应用于城市管理监督的违章建筑物检测装置的结构示意图；[0051] 图8是本发明提供的电子设备的结构示意图。具体实施方式[0052] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。[0053] 在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。[0054] 通常情况下，传统的违章建筑物检测方法可以包括以下几种：[0055] 一、人工定期巡查。由专人定点定期进行人工巡查，若发现违建情况，进行现场记录；[0056] 二、利用卫星遥感技术辅助目视判别。定期获取高分辨率遥感影像，基于遥感影像展示平台，在同一屏幕下对两幅不同时期的遥感影像进行人工目视判别，对发生变化的建筑物作为疑似的违章建筑物进行矢量化勾勒，生成疑似的违章建筑物图斑并同步上传至服务端；[0057] 三、利用无人机技术辅助目视判别。通过无人机航飞实时获取的影像或视频，通过人工目视判别上述影像或视频中是否出现疑似的违章建筑物，若有，则自动截图上传至服务端；[0058] 四、利用传统遥感解译的方法提取前后时相的遥感影像中的建筑物，通过人工目视或叠加相减得到发生变化的建筑物图斑之后，对比前后时相的遥感影像确定较后时相中出现的新增建筑物，并判断上述新增建筑物是否为违章建筑物；[0059] 五、利用传统的深度学习的方法提取前后时相的遥感影像中的建筑物，通过人工目视或叠加相减得到发生变化的建筑物图斑之后，与提取到的前后时相的遥感影像中的建筑物进行GIS空间分析，得到发生变化的建筑物图斑的新增建筑物，并判断上述新增建筑物是否为违章建筑物；[0060] 六、其他方式。如鼓励群众检举、无人机目视对比等。[0061] 但是，上述方法具有以下缺陷：[0062] 一、上述人工定期巡查以及其他技术耗费大量的人力物力，工作量巨大；[0063] 二、利用遥感卫星技术或无人机技术辅助目视判别虽然减少了工作人员的工作量，但仍需要工作人员目视解译，需要大量的时间发现上述影像中的新增建筑物；[0064] 三、传统遥感解译方法提取前后时相的遥感影像中的建筑物的方法精度较低，且难以进一步的对不同建筑物之间的变化做自动比对，无法应用到实际中；[0065] 四、基于传统的深度学习的方法和GIS空间分析虽然可以实现自动比对获取前后时相的遥感影像中变化的建筑，但是，一方面遥感图像内容复杂，类内差异大、类间差异。蠹煜窒笱现，且未考虑显式增强前景特征以及不同时相前景特征之间的差异；另一方面，识别结果受配准、光照、视角、天线以及传感器差异等因素的影响较大，识别结果中可能会出现前后时相的遥感影像中建筑物的“伪变化”。[0066] 对此，本发明提供了一种应用于城市管理监督的违章建筑物检测方法，该方法可以显式增强前后时相的遥感影像的前景特征并突出前后时相的遥感影像前景特征之间的差异，从而更准确的获取违章建筑物的检测结果。[0067] 图1是本发明提供的一种应用于城市管理监督的违章建筑物检测方法的流程示意图之一。下面结合图1描述本发明的一种应用于城市管理监督的违章建筑物检测方法。如图1所示，该方法包括：步骤101、获取多张目标区域不同时相的待识别遥感图像。[0068] 具体地，目标区域为本发明提供的一种应用于城市管理监督的违章建筑物检测方法的检测对象，基于本发明提供的一种应用于城市管理监督的违章建筑物检测方法，对目标区域中是否出现违章建筑物进行检测，获取目标区域的违章建筑物检测结果。[0069] 可选地，遥感技术具有观测范围广、信息量大、获取信息快、更新周期短、节省人力物力和人为干扰因素少等诸多优势，可以解决历史违章建设取证困难的问题，提高发现违章建筑物的时效性和准确性。本发明实施例中的待识别遥感图像可以是长时间序列、高重访的高分遥感影像。[0070] 可选地，通过高分辨率卫星可以获取至少两张目标区域不同时相的待识别遥感图像。上述高分辨率卫星可以是：我国国产的“高分”系列卫星等，也可以是IKONOS卫星、GeoEye卫星、QuickBird卫星、WorldView系列国外商业卫星等。[0071] 步骤102、将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果；其中，建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各样本图像的建筑物识别结果标签，进行训练后得到的；建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0072] 需要说明的是，在待识别遥感图像的数量大于两张的情况下，建筑物识别模型可以获取上述每两张待识别遥感图像的建筑物识别结果，作为各待识别遥感图像的建筑物识别结果进行输出。[0073] 对于每两张待识别遥感图像，可以将上述两张待识别遥感图像中时相较前的待识别遥感图像称为第一待识别遥感图像，将时相较后的待识别遥感图像称为第二待识别遥感图像。[0074] 图2是本发明提供的一种应用于城市管理监督的违章建筑物检测方法的流程示意图之二。如图2所示，在将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果之前，可以预先对建筑物识别模型进行训练，获得训练好的建筑物识别模型。[0075] 可选地，可以通过如下方式对建筑物识别模型进行训练，首先，获取多张样本区域不同时相的高分遥感影像，上述各高分遥感影像的分辨率相同，对上述各高分遥感影像进行处理后，获得多张样本区域不同时相的样本图像及上述各样本图像的建筑物识别结果标签，构建得到建筑物样本库。其中，发生变化的建筑物，可以包括扩建/改建的建筑物、新增的建筑物以及消失的建筑物。其次，可以基于上述样本区域不同时相的样本图像以及上述样本图像的建筑物识别结果标签，对建筑物识别模型进行训练，从而得到训练好的建筑物识别模型。[0076] 需要说明的是，建筑物识别模型可以是基于孪生神经网络(Siamese)构建的。建筑物识别模型为U型结构。[0077] 可选地，对样本区域的高分遥感影像进行处理，获得样本图像的具体过程可以包括：影像预处理和样本制作。影像预处理可以包括对上述高分遥感影像进行几何校正、融合、配准、镶嵌以及裁剪等预处理。样本制作可以包括在上述经过预处理的高分遥感影像进行建筑物矢量图层以及发生变化的建筑物矢量图层的标注，并将上述标注好的高分遥感影像裁剪为与未进行标注的高分遥感影像相同的尺寸。优选地，裁剪尺寸可以为512像素*512像素。可以在上述高分遥感影像中选取质量较好的进行清洗，并对清洗后的高分遥感影像进行水平翻转、垂直翻转、旋转、转置、随机裁剪后重采样、随机亮度、随机对比度、高斯噪声、高斯：却，获得多张样本区域的不同时相的样本图像以及上述各样本图像的建筑物识别结果标签。[0078] 获得训练好的建筑物识别模型之后，可以将各待识别遥感图像输入训练好的建筑物识别模型，训练好的建筑物识别模型可以端到端的输出各待识别遥感图像的建筑物识别结果。[0079] 对于每两张待识别遥感图像，训练好的建筑物识别模型可以用于获取第一待识别遥感图像目标尺度的特征图和第二待识别遥感图像目标尺度的特征图，并通过对第一待识别遥感图像目标尺度的特征图进行前景特征增强获得第一待识别遥感图像目标尺度的前景增强特征图，通过对第二待识别遥感图像目标尺度的特征图进行前景特征增强，获得第二待识别遥感图像目标尺度的前景增强特征图，还可以基于第一待识别遥感图像目标尺度的前景增强特征图与第二待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果，获取上述两张待识别遥感图像对应的目标尺度的差分特征图，进而可以基于第一待识别遥感图像目标尺度的前景增强特征图、第二待识别遥感图像目标尺度的前景增强特征图以及上述两张待识别遥感图像对应的目标尺度的差分特征图，对上述两张待识别遥感图像进行建筑物识别，获取并输出上述两张待识别遥感图像的建筑物识别结果。[0080] 需要说明的是，目标尺度可以包括一个或多个尺度。在目标尺度包括多个尺度的情况下，待识别遥感图像的特征图、前景特征增强特征图以及每两张待识别遥感图像对应的差分特征图的尺度具有对应关系。[0081] 需要说明的是，各待识别遥感图像的建筑物识别结果可以包括每两张待识别遥感图像的建筑物识别结果。每两张待识别遥感图像的建筑物识别结果可以包括第一待识别遥感图像中的每一建筑物的形状以及位置信息、第二待识别遥感图像中的每一建筑物的形状以及位置信息以及第一待识别遥感图像与第二待识别遥感图像中发生变化的建筑物的形状以及位置信息。[0082] 可以理解的是，建筑物识别模型输出的每两张待识别遥感图像的建筑物识别结果可以包括第一待识别遥感图像中的建筑物图斑、第二待识别遥感图像中的建筑物图斑以及第一待识别遥感图像和第二待识别遥感图像中发生变化的建筑物图斑。第一待识别遥感图像中的建筑物图斑可以指示第一待识别遥感图像中的每一建筑物的形状以及位置信息，第二待识别遥感图像中的建筑物图斑可以用于指示第二待识别遥感图像中的每一建筑物的形状及位置信息，第一待识别遥感图像和第二待识别遥感图像中发生变化的建筑物图斑可以用于指示第一待识别遥感图像与第二待识别遥感图像中发生变化的建筑物的形状以及位置信息。[0083] 图3为本发明提供的一种应用于城市管理监督的违章建筑物检测方法中各待识别遥感图像的建筑物识别结果的示意图之一。如图3所示，白色的图斑可以表示建筑物。图(a)为第一待识别遥感图像中的建筑物图斑，图(b)为第二待识别遥感图像中的建筑物图斑，图(c)第一待识别遥感图像和第二待识别遥感图像中发生变化的建筑物图斑。如图3所示，相较于第一待识别遥感图像，第二待识别遥感图像中没有发生变化的建筑物。[0084] 图4为本发明提供的一种应用于城市管理监督的违章建筑物检测方法中各待识别遥感图像的建筑物识别结果的示意图之二。如图4所示，白色的图斑可以表示建筑物。图(a)为第一待识别遥感图像中的建筑物图斑，图(b)为第二待识别遥感图像中的建筑物图斑，图(c)第一待识别遥感图像和第二待识别遥感图像中发生变化的建筑物图斑。如图4所示，相较于第一待识别遥感图像，第二待识别遥感图像中发生变化的建筑物较多。[0085] 步骤103、基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果。[0086] 具体地，基于各待识别遥感图像的建筑物识别结果可以通过多种方法获取目标区域的违章建筑物检测结果，例如：可以通过GIS空间分析方法，基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果。[0087] 本发明实施例通过基于训练好的建筑物识别模型，获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，分别对每两个待识别遥感图像进行建筑物识别，获取包括每两个待识别遥感图像的建筑物识别结果的各待识别遥感图像的建筑物识别结果之后，基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果，能实现自动提取前后时相的待识别遥感图像中的建筑物以及发生变化的建筑物，能更准确的对目标区域进行违章建筑物检测，违章建筑物检测的过程更简单、更高效，能减少人力与物力的投入，降低违章建筑物检测的成本投入。[0088] 基于上述各实施例的内容，目标尺度，包括多个尺度。[0089] 具体地，待识别遥感图像中可以包括多个不同尺度的建筑物，例如：建筑物目标为低矮建筑物和紧密排列的一排大型厂房。为了提高对各待识别遥感图像进行建筑物识别的准确性，本发明实施例中的目标尺度可以包括多个尺度，训练好的建筑物识别模型可以通过获取每一待识别遥感图像多个尺度的特征图，获取每一待识别遥感图像相应尺度的前景增强特征图，进而可以获取每两个待识别遥感图像对应的相应尺度的差分特征图，实现更准确的对各待识别遥感图像进行建筑物识别。[0090] 本发明实施例通过基于训练好的建筑物识别模型获取每一待识别遥感图像多个尺度的特征图，获取每一待识别遥感图像相应尺度的前景增强特征图，进而获取每两个待识别遥感图像对应的相应尺度的差分特征图，避免对各待识别遥感图像进行建筑物识别时，丢失小尺度的建筑物或无法识别尺度较大的建筑物，实现更准确的对各待识别遥感图像进行建筑物识别。[0091] 图5是本发明提供的一种应用于城市管理监督的违章建筑物检测方法中建筑物识别模型的结构示意图。如图5所示，建筑物识别模型，包括：特征提取层、语义分割层、变化检测层以及结果输出层。[0092] 相应地，将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果，具体包括：将各待识别遥感图像输入特征提取层，获取特征提取层输出的每一待识别遥感图像目标尺度的第一特征图和第二特征图。[0093] 需要说明的是，本发明实施例中以目标尺度包括五个尺度为例进行说明。可以用j作为目标尺度的标识，j＝1,2,3,4,5。[0094] 具体地，对于每两张待识别遥感图像，针对上述两张待识别遥感图像中不同尺度的建筑物，本发明实施例中的特征提取层可以采用特征金字塔网络(FeaturePyramidNetwork,FPN)自上而下的路径以及横向连接的方法，生成并输出每一待识别遥感图像金字塔状的第一特征图。还可以通过浅层的空间细节信息和深层的语义信息增强上述第一特征图，从而更好的融合空间信息、语义信息以及多尺度的上下文信息，获得每一待识别遥感图像金字塔状的第二特征图，进而可以基于上述各第一特征图和各第二特征图更准确的获取上述两张待识别遥感图像的建筑物识别结果。[0095] 可选地，特征提取层可以包括第一编码器和第二编码器。第一编码器和第二编码器的结构相同。相较于常用的Resnet网络，本发明实施例中的第一特征提取层和第二特征提取层可以采用Resnest?50网络作为编码器，从而可以通过在第一编码器和第二编码器引入注意力机制以提高第一编码器和第二编码器的计算精度。[0096] 在目标尺度包括五个尺度的情况下，第一编码器和第二编码器分别包括一层语义头和四层由Conv?Relu?BatchNormalization组成的残差块。[0097] 可选地，对于每两张待识别遥感图像，可以用Ii表示上述两张待识别遥感图像，其中，i表示待识别遥感图像的标识，i＝1,2，I1表示第一待识别遥感图像，I2表示第二待识别遥感图像。[0098] 将第一待识别遥感图像I1输入第一编码器，可以获取第一编码器输出的第一待识别遥感图像I1目标尺度的第一特征图{C(1,j)|j＝1,2,3,4,5}。其中，{C(1,j)|j＝1,2,3,4,5}是由第一编码器中的一层语义头和四层残差块输出的。[0099] 将第二待识别遥感图像I2输入第二编码器，获取第二编码器输出的第二待识别遥感图像I2目标尺度的第一特征图{C(2,j)|j＝1,2,3,4,5}。其中，{C(2,j)|j＝1,2,3,4,5}是由第二编码器中的一层语义头和四层残差块输出的。[0100] 需要说明的是，由于第一编码器和第二编码器的第一层语义头提取的特征图表达能力不强，因此不将第一编码器的第一层语义头提取到的第一特征图C(1,1)作为第一解码器的输入，不将第二编码器的第一层语义头提取到的第一特征图C(2,1)作为第二解码器的输入。[0101] 可选地，特征提取层可以包括第一解码器和第二解码器。第一解码器与第二解码器的结构相同。第一解码器和第二解码器可以采用FPN网络自上而下的融合上下文信息，并可以采用Unet网络的跳线连接方法恢复{C(1,j)|j＝2,3,4,5}和{C(2,j)|j＝2,3,4,5}的空间细节。[0102] 将{C(1,j)|j＝2,3,4,5}输入第一解码器，可以获取第一解码器输出的第一待识别遥感图像I1目标尺度的第二特征图{P(1,j)|j＝2,3,4,5}。[0103] 将{C(2,j)|j＝2,3,4,5}输入第二解码器，可以获取第二解码器输出的第二待识别遥感图像I2目标尺度的第二特征图{P(2,j)|j＝2,3,4,5}。[0104] P(i,j)可以通过如下公式表示：[0105][0106] 其中，ζ表示由1*1卷积层实现的跳线横向连接；Γ表示上采样因子为2的双线性插值。[0107] 将每一待识别遥感图像目标尺度的第一特征图和第二特征图输入语义分割层，获取语义分割层输出的每一待识别遥感图像目标尺度的前景增强特征图。[0108] 具体地，对于每两个待识别遥感图像，针对待识别遥感图像中内容复杂，类内差异性大、类间差异性小的特点，建筑物识别模型中的语义分割层可以采用高层语义信息增强前景特征，并通过关联与地理空间场景相关的上下文提高前景特征的辨别力，进而可以基于上述两张待识别遥感图像目标尺度的第一特征图{C(i,j)|i＝1,2j＝2,3,4,5}和第二特征图{P(i,j)|i＝1,2j＝2,3,4,5}进行前景特征增强，增强上述两张待识别遥感图像的前景特征与背景特征之间的差异，生成并输出上述两张待识别遥感图像目标尺度的前景增强特征图{Z(i,j)|i＝1,2j＝2,3,4,5}。[0109] 将每一待识别遥感图像目标尺度的前景增强特征图输入变化检测层，由变化检测层基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果，生成每两个待识别遥感图像对应的目标尺度的差分特征图，进而获取变化检测层输出的每两个待识别遥感图像对应的目标尺度的差分特征图。[0110] 具体地，对于每两张待识别遥感图像，为了突出第一待识别遥感图像与第二待识别遥感图像中建筑物的差异，变化检测层可以采用Sigmoid函数对上述两张待识别遥感图像目标尺度的前景增强特征图{Z(i,j)|i＝1,2j＝2,3,4,5}进行归一化，并获取每一目标尺度的归一化的{Z(1,j)|j＝2,3,4,5}与归一化的{Z(2,j)|j＝2,3,4,5}图像相减的结果作为每一目标尺度的上述两张待识别遥感图像的差分特征图{Dj|j＝2,3,4,5}。Dj可以通过以下公式表示：[0111] Dj＝S[ζ(Z(1,j))]?S[ζ(Z(2,j))]j＝2,3,4,5[0112] 其中，S表示Sigmoid函数。[0113] 图6为现有技术中的建筑物识别模型的结构示意图。图6中的图(a)、图(b)、图(c)和图(d)为单任务学习架构，图(e)为多任务学习框架。如图6所示，现有技术中的建筑物识别模型未考虑显式增强前景特征以及不同时相前景特征之间的差异，而本申请中的建筑物识别模型可以基于语义分割层和变化检测层显式增强前后时相的各待识别遥感图像的前景特征，并突出前后时相的各待识别遥感图像前景特征之间的差异，实现对各待识别遥感图像更准确的建筑物识别，进而可以基于各待识别遥感图像更准确的建筑物识别结果获取目标区域的违章建筑物检测结果。[0114] 将每一待识别遥感图像目标尺度的前景增强特征图和每两个待识别遥感图像对应的目标尺度的差分特征图输入结果输出层，获取结果输出层输出的各待识别遥感图像的建筑物识别结果。[0115] 具体地，对于每两张待识别遥感图像，结果输出层可以采用动态加权金字塔的策略实现每一目标尺度的上述两张待识别遥感图像的前景增强特征图{Z(i,j)|i＝1,2j＝2,3,4,5}和上述两张待识别遥感图像对应的差分特征图{Dj|j＝2,3,4,5}的特征融合，可以避免丢失上述两张待识别遥感图像中尺度较小的建筑物以及无法识别尺度较大的建筑物。[0116] 可选地，结果输出层还可以采用Conv?Relu?BatchNormalization?Upsample(记为Υj)的方式逐级恢复{Z(i,j)|i＝1,2j＝2,3,4,5}和{Dj|j＝2,3,4,5}的空间分辨率至与Z(1,2)和Z(2,2)相同之后，采用1*1的卷积核对{Z(i,j)|i＝1,2j＝2,3,4,5}和{Dj|j＝2,3,4,5}进行卷积，并基于每一目标尺度对应的权重进行特征融合，得到第一待识别遥感图像的融合特征O1、第二待识别遥感图像的融合特征O2以及上述两张待识别遥感图像对应的目标尺度的差分特征图的融合特征O1/2。待识别遥感图像的融合特征Oi可以通过如下公式表示：[0117][0118] 每两个待识别遥感图像对应的目标尺度的差分特征图的融合特征O1/2可以通过如下公式表示：[0119][0120] 其中，ωj表示目标尺度j对应的权重；J表示目标尺度包括的尺度的数量，在目标尺度包括5个尺度的情况下，J＝5。[0121] 可选地，结果输出层还可以采用Conv?Relu?BatchNormalization的方式构建分类器，用于将Oi和O1/2的通道数转换为两个类别，在语义分割层表示表示建筑物和非建筑物，在变化检测层表示发生变化的建筑物和未发生变化的建筑物。采用上采样因子为4的双线性插值将Oi和O1/2恢复至与I1或I2相同的空间分辨率后，输出上述两张待识别遥感图像的建筑物识别结果。[0122] 需要说明的是，结果输出层还可以对上述各待识别遥感图像的建筑物识别结果进行后处理之后，得到并输出经过后处理的各待识别遥感图像的建筑物识别结果，从而避免“椒盐现象”的发生，减少各待识别遥感图像的建筑识别模型的误检率和漏检率。[0123] 结果输出层对各待识别遥感图像的建筑物识别结果进行后处理的过程可以包括：采用全连接条件随机场和孔洞填充，优化识别到的各建筑物轮廓的边界，并填充前景中面积较小的孔洞，以降低建筑物识别模型的漏检率和误检率。[0124] 本发明实施例通过建筑物识别模型中的特征提取层，获取每一待识别遥感图像目标尺度的第一特征图和第二特征图，通过建筑物识别模型中的语义分割层，基于每一待识别遥感图像目标尺度的第一特征图和第二特征图获取每一待识别遥感图像目标尺度的前景增强特征图，通过建筑物识别模型中的变化检测层，获取每两个待识别遥感图像对应的目标尺度的差分特征图，通过建筑物识别模型中的结果输出层，基于每一待识别遥感图像目标尺度的前景增强特征图和每两个待识别遥感图像对应的目标尺度的差分特征图，获取待识别遥感图像的建筑物识别结果，能更加有效的关注待识别遥感图像中的前景特征差异，忽略待识别遥感图像中的背景特征差异，能更好的考虑上下文信息，提高获取到的各待识别遥感图像的建筑物识别结果的准确性，进一步提高对目标区域进行违章建筑物检测的准确性。[0125] 基于上述各实施例的内容，语义分割层，包括：前景特征增强层和空间细节恢复层。[0126] 相应地，将每一待识别遥感图像目标尺度的第一特征图和第二特征图输入语义分割层，获取语义分割层输出的每一待识别遥感图像目标尺度的前景增强特征图，具体包括：将每一待识别遥感图像目标尺度的第一特征图和第二特征图输入前景特征增强层，由前景特征增强层基于每一待识别遥感图像的第一特征图生成每一待识别遥感图像对应的目标向量，获取目标向量与对应待识别遥感图像目标尺度的第二特征图的内积作为待识别遥感图像目标尺度的语义分割特征图，进而获取前景特征增强层输出的每一待识别遥感图像目标尺度的语义分割特征图。[0127] 具体地，对于每两张待识别遥感图像，将每一待识别遥感图像目标尺度的第一特征图{C(i,j)|i＝1,2j＝2,3,4,5}和第二特征图{P(i,j)|i＝1,2j＝2,3,4,5}输入前景特征增强层，由前景特征增强层采用全局平均池化将具有更丰富的语义信息的{C(i,5)|i＝1,2}转化为每一待识别遥感图像对应的目标向量{C(i,6)|i＝1,2}。[0128] 将{P(i,j)|i＝1,2j＝2,3,4,5}通过1*1的卷积转换至地理场景空间之后得到{P′(i,j)|i＝1,2j＝2,3,4,5}，可以将{P′(i,j)|i＝1,2j＝2,3,4,5}与{C(i,6)|i＝1,2}的内积作为每一待识别遥感图像的语义分割特征图{R(i,j)|i＝1,2j＝2,3,4,5}，进而获取前景特征增强层输出的每一待识别遥感图像目标尺度的语义分割特征图{R(i,j)|i＝1,2j＝2,3,4,5}。R(i,j)可以通过如下公式表示：[0129] R(i,j)＝C(i,6)⊙ζP′(i,j)i＝1,2j＝2,3,4,5[0130] 其中，⊙表示内积。[0131] 将每一待识别遥感图像目标尺度的语义分割特征图输入空间细节恢复层，由空间细节恢复层通过恢复每一待识别遥感图像目标尺度的语义分割特征图的空间细节，生成每一待识别遥感图像目标尺度的前景增强特征图，进而获取空间细节恢复层输出的每一待识别遥感图像目标尺度的前景增强特征图。[0132] 具体地，将每一待识别遥感图像目标尺度的语义分割特征图{R(i,j)|i＝1,2j＝2,3,4,5}输入空间细节恢复层，由空间细节恢复层将{R(i,j)|i＝1,2j＝2,3,4,5}通过1*1的卷积由地理场景空间转换至特征空间之后得到{R′(i,j)|i＝1,2j＝2,3,4,5}，采用Sigmoid函数对{R′(i,j)|i＝1,2j＝2,3,4,5}进行归一化，得到归一化的{R′(i,j)|i＝1,2j＝2,3,4,5}，并采用Sigmoid函数对{C(i,j)|i＝1,2j＝2,3,4,5}进行归一化，并通过跳线连接改变归一化的{C(i,j)|i＝1,2j＝2,3,4,5}通道数后与归一化的{R′(i,j)|i＝1,2j＝2,3,4,5}相加，可以恢复{C(i,j)|i＝1,2j＝2,3,4,5}各目标尺度的空间细节，获得每一待识别遥感图像目标尺度的前景增强图{Z(i,j)|i＝1,2j＝2,3,4,5}。Z(i,j)可以通过如下公式表示：[0133] Z(i,j)＝S[ζ(R(i,j))]+S[ζ(C(i,j))][0134] 其中，S表示Sigmoid函数。[0135] 本发明实施例通过语义分割层中的前景特征增强层基于每一待识别遥感图像目标尺度的第一特征图，获取每一待识别遥感图像对应的目标向量之后，获取目标向量与对应待识别遥感图像目标尺度的第二特征图的内积作为待识别遥感图像目标尺度的语义分割特征图，通过语义分割层中的空间细节恢复层恢复每一待识别遥感图像目标尺度的语义分割特征图中的空间细节，获取每一待识别遥感图像目标尺度的前景增强特征图，能更高效、更准确的获取每一待识别遥感图像目标尺度的前景增强特征图，能进一步提高建筑物识别模型输出的各待识别遥感图像的建筑物识别结果的准确性。[0136] 基于上述各实施例的内容，建筑物识别模型的损失函数包括动态加权损失函数。[0137] 动态加权损失函数，是基于训练中的建筑物识别模型的预设最大迭代次数和当前迭代次数、预先确定的最高权重和最低权重、语义分割损失函数以及变化检测损失函数确定的。[0138] 语义分割损失函数和变化检测损失函数是基于各样本图像的预测建筑物识别结果以及各样本图像的建筑物识别结果标签确定的，各样本图像的预测建筑物识别结果，是将各样本图像输入训练中的建筑物识别模型，由训练中的建筑物识别模型中的结果输出层输出的。[0139] 动态加权损失函数，用于在对建筑物识别模型进行训练的过程中，调节语义分割损失函数对应的第一权重随训练中的建筑物识别模型的迭代次数的增加而减。浠觳馑鹗Ш杂Φ牡诙权重随训练中的建筑物识别模型的迭代次数的增加而增大。[0140] 具体地，为了提高建筑物识别模型输出的各待识别遥感图像的建筑物识别结果的准确性，可以基于动态加权损失函数对建筑物识别模型进行训练，训练目标为动态加权损失函数最小化。[0141] 动态加权损失函数是基于语义分割损失函数、变化检测损失函数、预先确定的最高权重和最低权重以及训练中的建筑物识别模型的最大迭代次数和当前迭代次数确定的。[0142] 可选地，语义分割损失函数和变化检测损失函数是基于DiceLoss函数和FocalLoss函数构建的。DiceLoss函数可以通过如下公式表示：[0143][0144] 其中，X表示各样本图像的预测建筑物识别结果；Y表示上述各样本图像的建筑物识别结果标签。上述各样本图像的预测建筑物识别结果，是将上述各样本图像输入训练中的建筑物识别模型，由上述训练中的建筑物识别模型中的结果输出层输出的。[0145] FocalLoss函数可以通过如下公式表示：[0146] Lfocal＝?α(1?pt)γlog(pt)[0147] 其中，α表示控制正负样本的权重；γ表示控制难易样本的权重；pt表示概率。[0148] 语义分割损失函数Lseg可以通过如下公式表示：[0149] Lseg＝Ldice+Lfocal[0150] 变化检测损失函数Lcd可以通过如下公式表示：[0151] Lcd＝Ldice+Lfocal[0152] 动态加权损失函数Ldwm可以通过如下公式表示：[0153] Ldwm＝ΨsegLcd+ΨcdLseg[0154][0155][0156] 其中，Ψseg表示语义分割损失函数Lseg对应的第一权重；Ψcd表示动态加权损失函数Ldwm对应的第二权重；epochmax表示训练中的建筑物识别模型的最大迭代次数；epoch表示训练中的建筑物识别模型的当前迭代次数；Ψmax表示预先确定的最高权重；Ψmin表示预先确定的最低权重。优选地，Ψmax＝1.5，Ψmin＝0.5。[0157] 基于动态加权损失函数对建筑物识别模型进行训练的过程中，随着训练中的建筑物识别模型当前迭代次数epoch的增加，语义分割损失函数Lseg对应的第一权重Ψseg从最高权重Ψmax逐渐降低至最低权重Ψmin，变化检测损失函数Lcd对应的第二权重Ψcd从最低权重Ψmin逐渐增加至最高权重Ψmax。基于动态加权损失函数对建筑物识别模型进行训练，可以使得训练的重心逐渐由语义分割损失函数Lseg偏向于变化检测损失函数Lcd，可以提高建筑物识别模型的性能。[0158] 本发明实施例基于动态加权损失函数对建筑物识别模型进行训练，能在建筑物识别模型的训练前期，确保训练重心偏向语义分割损失函数，在建筑物识别模型的训练候。繁Ｑ盗分匦钠虮浠觳馑鹗Ш，从而能提高建筑物识别模型的性能，能有效避免由多个单任务学习模型集成而成的多任务学习模型，上述单任务学习模型的精度降低。[0159] 基于上述各实施例的内容，基于建筑物识别结果，判断目标区域内是否存在违章建筑物，具体包括：对于每两张待识别遥感图像，基于建筑物识别结果和GIS空间分析方法，判断每两张待识别遥感图像中时相较后的待识别遥感图像中是否新增建筑物；其中，功能区要素图层，是基于预先获取的原始功能区要素图层进行缓冲区分析获取的。[0160] 如图2所示，原始功能区要素图层可以包括但不限于耕地保护区要素图层、风景名胜保护区要素图层、河流湖泊保护区要素图层以及生态保护区要素图层等。上述原始功能区要素图层可以是从相关资料库中预先获取的。[0161] 对原始功能区要素图层进行缓冲区分析，可以获取不同类型的功能区要素图层，例如：耕地类、风景名胜类、河流湖泊类以及生态保护区类等。基于目标区域的类型，可以确定目标区域对应的功能区要素图层。[0162] 对原始功能区要素图层进行缓冲区分析可以包括基于原始功能区要素图层中功能区的等级确定缓冲距离之后，基于上述缓存距离对原始功能区要素图层进行缓冲区分析。例如：对河流湖泊保护区要素图层进行缓冲区分析时，可以按照河流的等级设置缓冲距离，并基于上述缓存距离对河流湖泊保护区要素图层进行缓冲区分析；或者，对风景名胜保护区要素图层进行缓冲区分析时，可以按照风景名称保护区的等级设置缓冲距离，并基于上述缓存距离对风景名胜保护区要素图层进行缓冲区分析。[0163] 获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果之后，对于每两张待识别遥感图像的建筑物识别结果，可以基于GIS空间分析中叠置分析中的求交分析，遍历第一待识别遥感图像和第二待识别遥感图像中发生变化的建筑物图斑中的每一要素，对于上述每一要素与第二待识别遥感图像中的建筑物图斑进行相交分析，并将相交面积大于预设的第一面积阈值的要素添加至新增建筑物图层中，将相交面积小于预设的第二面积阈值的要素添加至消失建筑物图层中。[0164] 所有要素遍历结束后可以得到新增建筑物图层和消失建筑物图层。基于上述新增建筑物图层，可以判断第二待识别遥感图像中是否新增建筑物，并可以在确定第二待识别遥感图像中新增建筑物的情况下，获取新增建筑物的形状及位置信息。[0165] 需要说明的是，第一面积阈值和第二面积阈值可以根据实际情况确定。本发明实施例中对第一面积阈值和第二面积阈值不作具体限定。[0166] 在确定每两张待识别遥感图像中时相较后的待识别遥感图像中新增建筑物的情况下，基于目标区域对应的功能区要素图层，判断每一新增建筑物是否为违章建筑物。[0167] 具体地，在确定第二待识别遥感图像中新增建筑物的情况下，可以将上述新增建筑物图层与目标区域对应的功能区要素图层进行叠置分析，判断第二待识别遥感图像中的新增建筑物是否为违章建筑物。[0168] 本发明实施例通过基于各待识别遥感图像的建筑物识别结果，确定每两张待识别遥感图像中时相较后的待识别遥感图像中新增建筑物之后，基于目标区域对应的功能区要素图层，判断上述新增建筑物是否为违章建筑物，能从功能区的角度出发，为目标区域的违章建筑物检测提供科学依据，能仅通过一次GIS空间分析即可确定每两张待识别遥感图像中时相较后的待识别遥感图像中是否新增建筑物，能避免多次GIS空间分析产生的累积误差的影响，能进一步提高对目标区域进行违章建筑物检测的准确性。[0169] 基于上述各实施例的内容，基于目标区域对应的功能区要素图层，判断新增建筑物是否为违章建筑物，具体包括：基于目标区域对应的功能区要素图层，获取每一新增建筑物是违章建筑物的概率。[0170] 具体地，基于上述新增建筑物图层与目标区域对应的功能区要素图层的叠置分析结果，可以获取第二待识别遥感图像中的每一新增建筑物是违章建筑物的概率。[0171] 在任一新增建筑物是违章建筑物的概率大于预设阈值的情况下，确定新增建筑物为违章建筑物。[0172] 具体地，获取第二待识别遥感图像中的每一新增建筑物是违章建筑物的概率之后，对于任一新增建筑物，可以将该新增建筑物是违章建筑物的概率与预设的概率阈值进行比较。[0173] 在确定上述概率大于预设的概率阈值的情况下，确定该新增建筑物是违章建筑物。[0174] 需要说明的是，本发明实施例中的概率阈值可以根据实际情况确定。本发明实施例对概率阈值的具体取值不做限定。[0175] 本发明实施例通过基于目标区域对应的功能区要素图层，获取每两张待识别遥感图像中时相较后的待识别遥感图像中每一新增建筑物是违章建筑物的概率，并在任一上述新增建筑物为违章建筑物的概率大于预设的概率阈值的情况下，确定该新增建筑物为违章建筑物，能对目标区域的违章建筑物检测结果进行量化，能更直观的表示目标区域的违章建筑物检测结果，能使得工作人员聚焦于概率更高的新增建筑物，提高工作人员对违章建设的管理效率。[0176] 图7是本发明提供的一种应用于城市管理监督的违章建筑物检测装置的结构示意图。下面结合图7对本发明提供的一种应用于城市管理监督的违章建筑物检测装置进行描述，下文描述的一种应用于城市管理监督的违章建筑物检测装置与上文描述的本发明提供的一种应用于城市管理监督的违章建筑物检测方法可相互对应参照。如图7所示，该装置包括：数据获取模块701、图像识别模块702和违建检测模块703。[0177] 数据获取模块701，用于获取多张目标区域不同时相的待识别遥感图像。[0178] 图像识别模块702，用于将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果。[0179] 违建检测模块703，用于基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果。[0180] 其中，建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各样本图像的建筑物识别结果标签，进行训练后得到的。[0181] 建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0182] 具体地，数据获取模块701、图像识别模块702和违建检测模块703电连接。[0183] 本发明实施例通过基于训练好的建筑物识别模型，获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，分别对每两个待识别遥感图像进行建筑物识别，获取包括每两个待识别遥感图像的建筑物识别结果的各待识别遥感图像的建筑物识别结果之后，基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果，能实现自动提取前后时相的待识别遥感图像中的建筑物以及发生变化的建筑物，能更准确的对目标区域进行违章建筑物检测，违章建筑物检测的过程更简单、高效，能减少人力与物力的投入，降低违章建筑物检测的成本投入。[0184] 图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行一种应用于城市管理监督的违章建筑物检测方法，该方法包括：获取多张目标区域不同时相的待识别遥感图像；将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果；基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果；其中，建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各样本图像的建筑物识别结果标签，进行训练后得到的；建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0185] 此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read?OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。[0186] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种应用于城市管理监督的违章建筑物检测方法，该方法包括：获取多张目标区域不同时相的待识别遥感图像；将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果；基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果；其中，建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各样本图像的建筑物识别结果标签，进行训练后得到的；建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0187] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种应用于城市管理监督的违章建筑物检测方法，该方法包括：获取多张目标区域不同时相的待识别遥感图像；将各待识别遥感图像输入建筑物识别模型，获取建筑物识别模型输出的各待识别遥感图像的建筑物识别结果；基于各待识别遥感图像的建筑物识别结果，获取目标区域的违章建筑物检测结果；其中，建筑物识别模型，是基于多张样本区域不同时相的样本图像以及各样本图像的建筑物识别结果标签，进行训练后得到的；建筑物识别模型，用于获取并基于每一待识别遥感图像目标尺度的前景增强特征图以及每两个待识别遥感图像对应的目标尺度的差分特征图，对各待识别遥感图像进行建筑物识别，待识别遥感图像目标尺度的前景增强特征图通过对待识别遥感图像目标尺度的特征图进行前景特征增强获得，每两个待识别遥感图像对应的目标尺度的差分特征图基于每两个待识别遥感图像目标尺度的前景增强特征图进行图像相减的结果获得。[0188] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0189] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。[0190] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：北京

专利申请日期：2021-12-24

专利公开日期：2024-11-29

专利公告号：CN114463624B