基于FCN的循环卷积网络的变化检测方法研究

摘要

变化检测是检测不同时间同一地点拍摄的图像间所发生的变化.传统变化检测由于不同时刻下场景的光照强度不同、拍摄图像时相机位姿不同等因素引起的噪声与图像变化混在一起,难以确定场景中的变化.为了解决以上问题,提出一种基于循环卷积的变化检测模型,较传统的变化检测更加准确地提取出场景中的语义变化.该模型基于VGG16网络,使用全卷积神经网络(Fully Convolution Network,FCN)作为迭代的基本网络,将上一次检测出的变化图作为参考值与原始图像对一起作为下一次的输入再次送入网络中进行检测,通过多次迭代后,产生最终的变化检测结果.采用VL-CMU-CD、PCD和CDnet三个公共的变化检测数据集进行测试,在不同数据集上的量化结果较FCN方法有着不同程度的提高,其中在VL-CMU-CD数据集和CDnet数据集上的量化结果有明显提升.该方法有效地克服了光照和相机视角等困难,在不同的数据集上都得到了较为鲁棒性的变化检测结果.