Automatic detection of a designated building area (DBA) is a research hotspot in the field of target detection using remote sensing images. Target detection is urgently needed for tasks such as illegal building monitoring, dynamic land use monitoring, antiterrorism efforts, and military reconnaissance. The existing detection methods generally have low efficiency and poor detection accuracy due to the large size and complexity of remote sensing scenes. To address the problems of the current detection methods, this paper presents a DBA detection method that uses hierarchical structural constraints in remote sensing images. Our method was conducted in two main stages. (1) During keypoint generation, we proposed a screening method based on structural pattern descriptors. The local pattern feature of the initial keypoints was described by a multilevel local pattern histogram (MLPH) feature; then, we used one-class support vector machine (OC-SVM) merely to screen those building attribute keypoints. (2) To match the screened keypoints, we proposed a reliable DBA detection method based on matching the local structural similarities of the screened keypoints. We achieved precise keypoint matching by calculating the similarities of the local skeletal structures in the neighboring areas around the roughly matched keypoints to achieve DBA detection. We tested the proposed method on building area sets of different types and at different time phases. The experimental results show that the proposed method is both highly accurate and computationally efficient.

中文翻译：

---

使用分层结构约束从遥感图像中检测指定的建筑区域

指定建筑物区域（DBA）的自动检测是使用遥感图像进行目标检测领域的研究热点。对于诸如非法建筑物监控，动态土地使用监控，反恐努力以及军事侦察等任务，迫切需要进行目标检测。由于遥感场景的大尺寸和复杂性，现有的检测方法通常效率低，检测精度差。为了解决当前检测方法的问题，本文提出了一种在遥感图像中使用层次结构约束的DBA检测方法。我们的方法分两个主要阶段进行。（1）在关键点生成过程中，我们提出了一种基于结构模式描述符的筛选方法。初始关键点的本地模式特征由多级本地模式直方图（MLPH）功能描述；然后，我们仅使用一类支持向量机（OC-SVM）来筛选那些建筑物属性关键点。（2）为了匹配筛选出的关键点，我们提出了一种基于匹配筛选出的关键点的局部结构相似性的可靠DBA检测方法。我们通过计算粗略匹配的关键点周围相邻区域中局部骨骼结构的相似度来实现关键点匹配，从而实现DBA检测。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们仅使用一类支持向量机（OC-SVM）来筛选那些建筑物属性关键点。（2）为了匹配筛选出的关键点，我们提出了一种基于匹配筛选出的关键点的局部结构相似性的可靠DBA检测方法。我们通过计算粗略匹配的关键点周围相邻区域中局部骨骼结构的相似度来实现关键点匹配，从而实现DBA检测。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们仅使用一类支持向量机（OC-SVM）来筛选那些建筑物属性关键点。（2）为了匹配筛选出的关键点，我们提出了一种基于匹配筛选出的关键点的局部结构相似性的可靠DBA检测方法。我们通过计算粗略匹配的关键点周围相邻区域中局部骨骼结构的相似度来实现关键点匹配，从而实现DBA检测。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们提出了一种基于匹配筛选关键点的局部结构相似性的可靠DBA检测方法。我们通过计算粗略匹配的关键点周围相邻区域中局部骨骼结构的相似度来实现关键点匹配，从而实现DBA检测。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们提出了一种基于匹配筛选关键点的局部结构相似性的可靠DBA检测方法。我们通过计算粗略匹配的关键点周围相邻区域中局部骨骼结构的相似度来实现关键点匹配，从而实现DBA检测。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。我们在不同类型和不同时间阶段的建筑区域集上测试了该方法。实验结果表明，该方法具有较高的准确性和计算效率。