违章建筑检测硕士论文提纲

违章建筑检测硕士论文提纲--基于无人机影像的违章建筑检测方法研究

摘要：随着经济水平的不断提高，我国城市扩张速度也越来越快。在城市扩张的同时，也有许多非法建筑。这些非法建筑不符合建筑规章制度的要求，因此具有很大的风险。传统的人工检查方法需要大量的人力来检查和拆除非法建筑。无人机也是近年来发展迅速的技术，可以在很短的时间内获得实验区域的超高分辨率图像，因此经常用于电力检查、灾害调查等领域。无人机可以轻松快速地获得超高分辨率图像，并使用变化检测技术进行快速非法建筑检测。然而，传统的变化检测方法仅适用于中低分辨率和高分辨率图像，但如何利用超高分辨率的无人机图像进行建筑变化检测仍是一个亟待解决的问题。本文主要研究了无人机图像的使用情况。（1）对无人机摄影测量原理技术和深度学习理论进行了深入研究和总结；（2）研究了现有面向对象的主动轮廓变化检测技术，并将其扩展到无人机超高分辨率图像的建筑变化检测。首先，利用统计区域合并对无人机图像进行分割，并使用主动轮廓模型进行变化检测。实验结果表明，该方法可用于无人机建筑的变化检测，但受分割规模和光变化的影响较大；（3）研究了卷积式深度学习网络，并将其扩展到无人机图像建筑的场景变化检测。通过构建变化和不变化的场景，对深度网络进行培训，实现建筑场景变化检测。实验结果表明，该网络可以实现高精度的建筑场景变化检测，受光、准确误差等因素的影响较小。通过以上研究，本文实现了基于无人机图像的建筑自动检测方法，可以大大降低外部工作量和人工调查工作量，为无人机变更检测和非法建筑检测提供理论基础和技术支持。

关键词：变化检测;无人机影像;深度学习;违章建筑物检测;

摘要

abstract

1 引言

    1.1 选题背景与意义

    1.2 研究现状与存在问题

        1.2.1 遥感影像变化检测研究现状

        1.2.2 城市违章建筑检测研究现状

        1.2.3 存在问题分析

    1.3 研究目标和内容

        1.3.1 研究目标

        1.3.2 研究内容

    1.4 技术路线与研究方案

        1.4.1 研究方法

        1.4.2 技术路线

2 无人机与深度学习

    2.1 无人机

        2.1.1 无人机摄影测量系统

        2.1.2 无人机摄影测量原理

        2.1.3 无人机在违规建筑变化检测中的应用

    2.2 深度学习

        2.2.1 深度学习的概念

        2.2.2 浅层学习和深度学习

        2.2.3 卷积神经网络

    2.3 实验数据介绍

3 基于主动轮廓模型的对象级无人机违章建筑物检测

    3.1 统计区域合并分割方法

    3.2 主动轮廓模型

    3.3 基于主动轮廓模型的对象级无人机违章建筑物检测

        3.3.1 检测方法与流程

        3.3.2 实验结果与分析

    3.4 小结

4 基于Siamese网络的违章建筑物场景检测

    4.1 Siamese深度学习网络

    4.2 网络模型

        4.2.1 数据输入

        4.2.2 网络结构

        4.2.3 网络配置选择

    4.3 违章建筑检测实验结果和分析

    4.4 小结

5 总结与展望

    5.1 总结

    5.2 展望

致谢

参考文献

附录