(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111648318.7 (22)申请日 2021.12.3 0 (71)申请人 中北大学 地址 030051 山西省太原市学院路3号 (72)发明人 王斌　白桂峰　赵康　张轩然　 薛颂东　 (74)专利代理 机构 北京汇捷知识产权代理事务 所(普通合伙) 11531 代理人 李鑫 (51)Int.Cl. G06V 10/56(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 20/20(2019.01) (54)发明名称 基于多特征提取的多尺寸图像变化检测装 置及方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于多特征提取的多尺寸图像变化检测装置 及方法， 本发明首先提取图像块颜色、 形状、 纹理 等多层特征并计算各个特征间的相似度； 将多个 分类器通过集成模型组合为图像变化检测的分 类器模型， 将图像块之间的特征作为输入特征进 行分类； 准备训练分类器所需的正、 负样本并据 此训练由集成学习模型构成的分类器； 通过训练 好的集成学习模 型预测图像内容是否发生变化。 本发明实现了多尺寸图像变化检测算法， 对任意 尺寸的输入图像均使用； 提高了变化检测算法的 鲁棒性； 降低了模型复杂度且提升了分类精度； 通过麻雀搜索算法优化了集 成学习模 型参数， 进 一步提高了变化检测结果的准确率 等指标。 权利要求书3页 说明书12页 附图6页 CN 114332498 A 2022.04.12 CN 114332498 A 1.一种基于多特 征提取的多尺寸图像 变化检测方法， 其特 征在于， 包括以下步骤： S1初始化， 获取待检测图像， 并提取图像块颜色、 形状、 纹理等多层特征并计算各个特 征间的相似度； S2将多个分类器通过集成模型组合为图像变化检测的分类器模型， 并将图像块之间的 特征作为输入特 征进行分类； S3初始化训练分类 器所需的正、 负 样本并据此训练由集成学习模型构成的分类 器； S4通过训练好的集成学习模型 预测图像内容是否发生变化， 并输出检测结果。 2.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法采用颜色直方图表示图像的颜色特征， 颜色直方图通过统计图像中各种颜色出现的 像素点次数获得， 其中， 颜色直方图的公式为： 式中， c表示RGB颜色 空间中的R、 G、 B三个颜色通道， h[ck]表示在c通道中第k种颜色在图 像中出现的像素点次数， M和N分别表 示图像的宽和高， I[i,j]表 示图像在c通道中第i行第j 列的像素值。 3.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法采用方向梯度直方图表示图像的形状特征， 利用HOG来表征图像中变化区域的细节 信息， 其中， 梯度大小和方向的公式为： 式中， I(i+1,j)表示图像以(i,j)为中心点时， (i+1,j)处的像素值， 将图像划分为若干 个大小相同的cell， 并根据cell中每个像素点的梯度信息得到梯度直方图， 再将其进行归 一化处理后就构成了图像的HO G特征向量。 4.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法采用Gabor变换和等价局 部二值模式表示图像的纹理特征， 其中， 对图像进行Gabor 变换的Gabor函数的公式为： 式中， x'＝xcosθ+ysinθ， y'＝ ‑xsinθ+ycosθ， 参数x， y为图像中某点的坐标信息， λ和θ 分别表示Gabor 函数的尺度和方向， ψ表示Gabor 函数的相位参数， σ 表 示高斯半径， γ为高斯 的方向角； 经过Gabor变换后得到图像的实部和虚部， 对其进行取模、 降维和归一化操作后 得到图像的Gabor特 征向量。 5.根据权利要求4所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法中， Uniform  LBP首先比较图像中每个像素点与其3 ×3的领域内像素点的值， 再将二 进制数通过等价模式转化为十进制数作为LBP值， 然后将各个像素点的LBP值统计直方图作 为特征向量， 来表示图像的局部纹 理信息， 其中， Un iform LBP的公式为：权　利　要　求　书 1/3 页 2 CN 114332498 A 2式中， Pi表示领域内第i个像素点的灰度值， Pc表示窗口中心点的灰度值， S(Pi‑Pc)代表 二值化函数， 表示像素点的灰度值与中心点的灰度值比较后得到的二值化结果， 计算公式 为： 如果U(Pi)小于等于2， 那么就被定义是均匀化的， 每一个均匀化的LBP编码值可以保持 原值， 而非均匀化的LBP值看作同一种， 将得到的每个像素点的LBP值统计直方图即可得到 最终的Un iform LBP特征向量。 6.根据权利要求5所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法中， 在得到图像的颜色、 形状和纹理特征后， 通过对参考图像和检测图像中对应图像 块的特征向量进行距离度量， 得到两者之间的变化程度， 则采用欧氏距离作为度量函数， 计 算结果作为进一 步变化检测方法的特 征数据集， 欧氏距离的公式为： 式中， a,b分别为 参考图像和检测图像的特 征向量。 7.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法使用感知哈希 算法通过离散余弦变换提取出图像的主要信息， 然后根据哈希函数将 其转化为哈希序列， 以作为图像的唯一标识， 通过对感知哈希序列进 行距离度量， 得到图像 块之间的变化 程度， 则所述方法采用汉明距离对哈希序列进行对比， 汉明距离的公式为： d(X,Y)＝q+r 式中， X和Y分别为参考图像和检测图像的哈希序列， q表示X向量为1， Y向量为0的变量 个数； r表示X向量 为0， Y向量 为1的变量个数。 8.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法采用灰度方差来表示对应图像块之间的统计量变化首先将对应图像块作差得到差 值图像， 然后计算差值图像的灰度方差， 通过灰度方差值的大小， 判断图像块的变化程度， 其中， 灰度方差的公式为： 式中， M和N分别表示图像的宽和高， I[i,j]表示图像第i行第j列的灰度 值， 表示图像的 灰度均值。 9.根据权利要求1所述的基于多特征提取的多尺寸图像变化检测方法， 其特征在于， 所 述方法采用stacking策略对分类器进行集成， stacking由多个基 分类器和一个元分类器组 成， 对于每 个基分类器， stack ing采用交叉验证的方法进行训练； 将训练集划分为 k份， 其中k ‑1份为训练数据， 剩余1份为验证数据； 通过一次交叉验证得到基分类器对于当前验证数据的分类结果， 经过k 次交叉验证， 且 每次交叉验证的验证数据不重复， 则得到基分类 器对于训练集的全部分类结果； 将每个基分类器重复上述的k折交叉验证， 得到所有基分类器的分类结果， 并将其作为权　利　要　求　书 2/3 页 3 CN 114332498 A 3