1.一种监控摄像头远距离建筑物变化检测的方法，其特征在于，包括如下步骤，使用监控摄像头采集同一地点、不同时相的建筑物图像数据，建立建筑物低分辨率图像数据集；

将前时相影像和后时相影像进行双线性插值处理，得到两个分辨率相同的影像；

通过特征点匹配的方式将前时相影像和后时相影像进行配准，得到建筑物位置对应的两幅图像；

使用生成对抗网络对前后时相影像进行超分重建，生成高分辨率前时相影像和高分辨率后时相影像；

针对生成的高分辨率前时相影像和高分辨率后时相影像，采用影像差值法，生成低分辨率变化影像；

对生成的低分辨率变化影像，进行超分重建，将含有建筑物信息区域的像素进行二次增强，生成高分辨率变化影像；

利用faster‑rcnn目标检测网络检测高分辨率变化图像中的建筑物，得到高分辨率建筑物变化影像；

将高分辨率前时相影像二值化，并对其进行形态学后处理去除斑点噪声，得到高分辨率前时相影像二值图；

将高分辨率前时相影像二值图与高分辨率建筑物变化影像进行一比一的像素加权融合，得到建筑物变化区域结果图。

2.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“使用监控摄像头采集同一地点、不同时相的建筑物图像数据，建立建筑物低分辨率图像数据集”中，所述方法还包括，

针对安装的监控摄像头设置N个巡航点，每个巡航点每隔一段时间采集一次图像，将图像命名为易于读取的文件格式，建立建筑物低分辨率图像数据集。

3.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“将前时相影像和后时相影像进行双线性插值处理，得到两个分辨率相同的影像”中，所述方法还包括，

所述双线性插值采用python中resize函数，其中选取的插值方式为双线性插值，即在两个方向上分别进行一次线性插值。

4.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“通过特征点匹配的方式将前时相影像和后时相影像进行配准，得到建筑物位置对应的两幅图像”中，所述方法还包括，

所述特征点匹配的方式为使用sift算法提取图像中的不随外界环境变化而变化的关键点。

5.如权利要求4所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“所述特征点匹配的方式为使用sift算法提取图像中的不随外界环境变化而变化的关键点”中，所述方法还包括，

两幅图像中有相同的景物，提取各自的稳定点，并且这些稳定点之间会有相互对应的匹配点。

6.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“使用生成对抗网络对前后时相影像进行超分重建，生成高分辨率前时相影像和高分辨率后时相影像”中，所述方法还包括，

将输入的前时相影像双线性插值处理为(128，128，3)维的图片，经过卷积、上采样、标准化、反卷积生成(512，512，3)维的图像；

将生成的(512，512，3)维的图像与原始高分辨率图片分别输入至VGG19网络，提取两个图片的特征向量，进行loss1值的计算；

将生成的(512，512，3)维的图像输入至判别网络，输出为32x32x1的向量，对每个像素点进行逐个判断，最终用sigmoid函数将输出映射为0至1之间的概率值；

将输出的概率值与1进行比较，进行loss2值的计算；

对两个loss值进行训练，最终得到最优的高分辨率图片。

7.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“利用faster‑rcnn目标检测网络检测高分辨率变化图像中的建筑物，得到高分辨率建筑物变化影像”中，所述方法还包括，

将输入的高分辨率前时相影像的长和宽均双线性插值为600；

利用区域候选网络提取高分辨率变化影像中的建筑物，形成多个建议框，并对建议框进行筛选，计算建议框和真实框的重合程度；

最终对筛选后的建议框进行回归分类，最终得到预测结果和种类。

8.如权利要求7所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“利用区域候选网络提取高分辨率变化影像中的建筑物，形成多个建议框，并对建议框进行筛选，计算建议框和真实框的重合程度”中，所述方法还包括，若重合程度大于0.5，则建议框可调整为真实框，因此对建议框进行保留，将其视为正样本；若重合程度在0.1至0.5之间，将其视为负样本；若重合程度小于0.1，则忽略建议框。

9.如权利要求1所述的监控摄像头远距离建筑物变化检测的方法，其特征在于，在“将高分辨率前时相影像二值化，并对其进行形态学后处理去除斑点噪声，得到高分辨率前时相影像二值图”中，所述方法还包括，将高分辨率前时相影像二值化，并对其进行形态学后处理，先进行形态学闭运算填充高分辨率前时相影像二值图区域内部的孔洞，后进行形态学开运算，去除高分辨率前时相影像二值图斑点噪声，得到高分辨率前时相影像二值图。