集成多特征信息的街景图像变化检测方法

图像变化检测是区分同一场景不同时间所获取图像的变化区域与未变化区域的重要方法。然而现有的基于深度学习的方法往往需要大量的数据样本进行训练和调参,使得模型的训练过程非常耗时且对内存的要求很高。另一方面,现有的大多数变化检测模型中,输入层的图像必须归一化到同样的大小,但是调整图像尺寸又会造成图像小目标信息缺失等问题,导致检测结果的精确度降低。针对上述问题,提出了一种集成多特征信息的街景图像变化检测方法。首先,将参考图像和检测图像分块,提取图像块的颜色特征、纹理特征和形状特征;然后,计算对应图像块之间上述三种特征的欧氏距离,同时计算图像块之间的感知哈希序列和灰度方差;最后,使用集成模型将几种分类器组合为变化检测的分类模型,将上述几种特征作为模型的输入特征,得到图像的变化检测结果。该方法对图像的输入尺寸没有固定的要求,并且有效降低了模型的复杂性。在CDnet2014数据集上的实验结果表明,只需要少量的训练样本,就可以得到较为鲁棒的变化检测结果。