一种河流表面流速的估计方法技术

本申请公开了一种河流表面流速的估计方法

【技术实现步骤摘要】
一种河流表面流速的估计方法、装置、设备及存储介质


[0001]本申请涉及图像处理和流速估计
，尤其是一种河流表面流速的估计方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]目前常见流速测量方法包括：
1)
浮标测流法：主要应用在山溪性河流和漂浮物多
、
洪峰涨落急剧的洪水测验，具有“选材简单
、
价格低
、
投放速度快
、
易操作
、
易成活
、
稳定性强
、
测流速度快
、
安全性能好”等优点
。
浮标系数是影响该方法测验精度的关键，其与河流的水利因素
、
天气因素
、
浮标材质等密切相关
。2)
声学多普勒测流仪法：多普勒超声波流量计是是利用声波在流体中传播的多普勒效应，通过测定流体中运动粒子散射声波的多普勒频移，即可得到流体的速度，结合内置压力式水位计，利用速度面积法，即可测量液体的流量
。
适合于明渠
、
河道及难以建造标准断面的流速流量测量以及于各种满管和非满管明渠流速流量测量
。3)
雷达流速仪流速测量法：基于多普勒效应，将发射电磁波的雷达探头斜向下发出一束雷达波，雷达波在照射到水体表面反射，由于多普勒效应，发出去和雷达波和接收到的雷达波会产生多普勒频移
Δ
f
，多普勒频移
Δ
f
正比于流速
。
通过测量多普勒频移
Δ
f
即可测量出流体的流速
。
[0003]现有的基于图像的表面流速估计方法，主要存在以下问题：
1.
传统流速测量方法存在安装设备实施测量的难度大，设备成本高，且维护难度大等问题
。2.
现有基于视觉的流速测量方法，主要是基于图像表面二维特征进行匹配，当水面较为平静缺乏特征细节信息时，测量精度难以保证
。3.
现有基于视觉分析的流速测量方法中，主要采用单目相机将进行测量
。
而单目相机缺乏距离感知能力，因此需要对每台设备使用前在安装现场对每个断面分别标定，否则无法将像素坐标转换为世界坐标
。
同时单目相机中，容易收到前景干扰
(
如浪花
、
降雨等
)
，从而产生错误计算结果
。4.
对于基于光流的视频流速测量方法中，训练时无法对每个像素点进行标注，大多通过
2D
图像变换等方式进行模拟，容易导致结果产生较大误差
。

技术实现思路

[0004]有鉴于此，本申请提供一种河流表面流速的估计方法
、
装置
、
设备及存储介质，以准确地确定河流表面的流速
。
[0005]本申请的一方面提供了一种河流表面流速的估计方法，包括：
[0006]获取双目相机对河流表面拍摄得到的多组图像，每组图像包括同一时间戳下拍摄得到的左目图和右目图；
[0007]将各组图像依次输入至预先构建的细节增强模型，利用所述细节增强模型提取每组图像的特征，根据每组图像的特征生成一组分辨率达到设定阈值的图像，进而得到多组分辨率达到设定阈值的图像，作为高清图像集合；
[0008]将所述高清图像集合输入至预先构建的流速估计模型，利用所述流速估计模型提
取所述高清图像集合的隐特征，根据所述隐特征生成运动增强图像，再根据所述运动增强图像估计得到河流表面的流速
。
[0009]可选地，所述利用所述细节增强模型提取每组图像的特征，根据每组图像的特征生成一组分辨率达到设定阈值的图像，包括：
[0010]利用所述细节增强模型中的卷积层
、NAFBlock
层
、SCAM
层和
Pixel Shuffle
层生成分辨率达到设定阈值的图像，作为高清图像；
[0011]其中，所述
NAFBlock
层用于提取单个图像的特征；
[0012]所述
SCAM
层用于输出从左目图相对于右目图的第一特征映射并将所述第一特征映射与对应的右目图的特征进行融合，也用于输出从右目图相对于左目图的第二特征映射并将所述第二特征映射与对应的左目图的特征进行融合；
[0013]所述
Pixel Shuffle
层用于将经过所述
SCAM
层融合得到的特征并结合对应的左目图或右目图进行上采样，生成所述高清图像
。
[0014]可选地，所述利用所述细节增强模型中的卷积层
、NAFBlock
层
、SCAM
层和
Pixel Shuffle
层生成分辨率达到设定阈值的图像，包括：
[0015]将每组图像的左目图和右目图分别依次经过一个所述卷积层
、
一个所述
NAFBlock
层
、
多个所述
SCAM
层
、
一个所述
NAFBlock
层
、
一个所述
SCAM
层
、
一个所述卷积层以及一个所述
Pixel Shuffle
层进行处理，进而生成分辨率达到设定阈值的图像
。
[0016]可选地，所述输出从左目图相对于右目图的第一特征映射并将所述第一特征映射与对应的右目图的特征进行融合，包括：
[0017]将左目图的特征对应的特征矩阵作为查询向量，将右目图的特征对应的特征矩阵作为键向量，将查询向量和键向量经层标准化和线性化，且对键向量进行转置后，对查询向量和键向量进行点积操作并堆叠，得到堆叠特征；将堆叠特征转置再经过
softmax
层与左目图线性化后的特征矩阵进行点积操作，得到的结果再与右目图的原始特征相加，以融合左目图和右目图的特征；
[0018]所述输出从右目图相对于左目图的第二特征映射并将所述第二特征映射与对应的左目图的特征进行融合，包括：
[0019]将右目图的特征对应的特征矩阵作为查询向量，将左目图的特征对应的特征矩阵作为键向量，将查询向量和键向量经层标准化和线性化，且对键向量进行转置后，对查询向量和键向量进行点积操作并堆叠，得到堆叠特征；将堆叠特征经转置再经过
softmax
层与右目图线性化后的特征矩阵进行点积操作，得到的结果再与左目图的原始特征相加，以融合左目图和右目图的特征
。
[0020]可选地，所述将所述高清图像集合输入至预先构建的流速估计模型，利用所述流速估计模型提取所述高清图像集合的隐特征，根据所述隐特征生成运动增强图像，再根据所述运动增强图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种河流表面流速的估计方法，其特征在于，包括：获取双目相机对河流表面拍摄得到的多组图像，每组图像包括同一时间戳下拍摄得到的左目图和右目图；将各组图像依次输入至预先构建的细节增强模型，利用所述细节增强模型提取每组图像的特征，根据每组图像的特征生成一组分辨率达到设定阈值的图像，进而得到多组分辨率达到设定阈值的图像，作为高清图像集合；将所述高清图像集合输入至预先构建的流速估计模型，利用所述流速估计模型提取所述高清图像集合的隐特征，根据所述隐特征生成运动增强图像，再根据所述运动增强图像估计得到河流表面的流速
。2.
根据权利要求1所述的一种河流表面流速的估计方法，其特征在于，所述利用所述细节增强模型提取每组图像的特征，根据每组图像的特征生成一组分辨率达到设定阈值的图像，包括：利用所述细节增强模型中的卷积层
、NAFBlock
层
、SCAM
层和
Pixel Shuffle
层生成分辨率达到设定阈值的图像，作为高清图像；其中，所述
NAFBlock
层用于提取单个图像的特征；所述
SCAM
层用于输出从左目图相对于右目图的第一特征映射并将所述第一特征映射与对应的右目图的特征进行融合，也用于输出从右目图相对于左目图的第二特征映射并将所述第二特征映射与对应的左目图的特征进行融合；所述
Pixel Shuffle
层用于将经过所述
SCAM
层融合得到的特征并结合对应的左目图或右目图进行上采样，生成所述高清图像
。3.
根据权利要求2所述的一种河流表面流速的估计方法，其特征在于，所述利用所述细节增强模型中的卷积层
、NAFBlock
层
、SCAM
层和
Pixel Shuffle
层生成分辨率达到设定阈值的图像，包括：将每组图像的左目图和右目图分别依次经过一个所述卷积层
、
一个所述
NAFBlock
层
、
多个所述
SCAM
层
、
一个所述
NAFBlock
层
、
一个所述
SCAM
层
、
一个所述卷积层以及一个所述
Pixel Shuffle
层进行处理，进而生成分辨率达到设定阈值的图像
。4.
根据权利要求2或3所述的一种河流表面流速的估计方法，其特征在于，所述输出从左目图相对于右目图的第一特征映射并将所述第一特征映射与对应的右目图的特征进行融合，包括：将左目图的特征对应的特征矩阵作为查询向量，将右目图的特征对应的特征矩阵作为键向量，将查询向量和键向量经层标准化和线性化，且对键向量进行转置后，对查询向量和键向量进行点积操作并堆叠，得到堆叠特征；将堆叠特征转置再经过
softmax
层与左目图线性化后的特征矩阵进行点积操作，得到的结果再与右目图的原始特征相加，以融合左目图和右目图的特征；所述输出从右目图相对于左目图的第二特征映射并将所述第二特征映射与对应的左目图的特征进行融合，包括：将右目图的特征对应的特征矩阵作为查询向量，将左目图的特征对应的特征矩阵作为键向量，将查询向量和键向量经层标准化和线性化，且对键向量进行转置后，对查询向量和键向量进行点积操作并堆叠，得到堆叠特征；将堆叠特征经转置再经过
softmax
层与右目图
线性化后的特征矩阵进行点积操作，得到的结果再与左目图的原始特征相加，以融合左目图和右目图的特征
。5.
根据权利要求1所述的一种河流表面流速的估计方法，其特征在于，所述将所述高清图像集合输入至预先构建的流速估计模型，利用所述流速估计模型提取所述高清图像集合的隐特征，根据所述隐特征生成运动增强图像，再根据所述运动增强图像估计得到河流表面的流速，包括：利用所述流速估计模型中的
VQ
‑
VAE
编码器分别提取所述高清图像集合中前
m
张图像和第2张至第
m+1
张图像的隐特征，得到两组隐特征，每组隐特征包括
m
个隐特征；将每组提取得到的
m
个隐特征分别输入运动预测模块，利用所述运动预测模块分别推演得到第
m+1
张图像的运动增强特征和第
m+2
张图像的运动增强特征；将每组提取得到的
m
个隐特征分别输入所述流速估计模型中的先验模型模块，利用所述先验模型模块分别推演得到第
m+1
张图像的图像增强特征和第
m+2
张图像的图像增强特征；将第
m+1
张图像的运动增强特征与第
m+1
张图像的图像增强特征融合，得到第一融合特征；将第
m+2
张图像的运动增强特征与第
m+2

【专利技术属性】
技术研发人员：黄本胜，刘智，孙秀峰，陈亮雄，杨静学，郭恒瑞，涂强，高仁强，
申请(专利权)人：广东省水利水电科学研究院，
类型：发明
国别省市：