【技术实现步骤摘要】
本专利技术涉及智能视觉分析，尤其涉及一种基于智能视觉分析的水域表面流速区域监测方法。
技术介绍
1、目前，水域表面流速监测的传统方法主要包括：
2、1. 点位式监测方法：利用流速仪或adcp（声学多普勒流速剖面仪）获取水域表面或不同深度的流速数据。此类方法测量精度较高，但只能监测单点流速，难以反映水域表面的整体流速分布情况。这导致在水位涨落幅度较大的山溪性河道或者水深较浅的河道中无法使用。其单站建设的投入成本也较高，限制了其在大范围推广应用方面的适用性。
3、2. 示踪物监测方法：通过投放漂浮物或染色示踪剂监测水流动向和流速。虽然该方法可以实现一定程度的区域化监测，但存在需要接触水体、部署复杂且对水体可能造成污染的缺点。
4、3. 遥感或激光扫描技术：利用遥感影像或激光扫描获取流速信息。这类方法具备一定的区域化监测能力，但设备成本高昂，且受环境条件（如光照、天气等）影响显著。如声学时差法流量计能够测量断面的平均流速，具有一定的代表性和准确性。但该技术设备成本较高，需要在两岸安装设备，对于安装环境和条件要求较高，同时设备的防护和供电也带来一定困难。
5、上述技术尽管在一定程度上满足了水域表面流速监测的需求，但依然存在以下局限性：
6、1. 区域化监测能力不足：点位式和示踪物方法仅能获取有限范围内的流速信息，难以反映水域表面的整体流速分布情况。
7、2. 部署复杂：示踪物方法需要接触水体，不适用于污染严重或高危环境的水域监测。
8、3. 成本与环境限
技术实现思路
1、基于此，本专利技术为解决现有水域表面流速监测方法存在监测范围有限、部署复杂以及成本较高的问题，提供了一种基于智能视觉分析的水域表面流速区域监测方法。
2、本专利技术提供了一种基于智能视觉分析的水域表面流速区域监测方法，包括：
3、对目标水域进行连续图像采集，获取水域表面流动的动态图像，并对所述动态图像的视频帧进行图像预处理；
4、利用卷积神经网络的光流估计算法，通过特征提取、特征匹配和光流优化，直接比较全局特征相似性，输出水域表面流速的光流场数据；
5、在获取所述光流场数据后，将光流估计的像素位移信息转换为实际物理单位上的流速场，同时分析水体表面流速的区域分布。
6、利用高分辨率摄像头对目标水域进行连续图像采集，对目标水域进行连续图像采集的过程中需要满足图像帧间隔要求、图像分辨率要求、水纹的连贯性要求以及高分辨率摄像头稳定性要求。
7、所述图像帧间隔要求具体包括，
8、设定所述高分辨率摄像头以恒定帧率 对图像进行采集，则相邻两帧的时间间隔为，为了确保光流估计模型能够准确捕捉水域表面流动的局部特征变化，帧率的选择需要满足以下条件：
9、；
10、其中，表示水域表面流速的最大值，表示相邻两帧的时间间隔，表示图像中允许的最大位移量；
11、所述图像分辨率要求具体包括，
12、；
13、；
14、其中，表示图像的宽度，表示图像的高度，l表示监测水域的实际宽度或长度，r表示每像素对应的实际距离；
15、所述水纹的连贯性要求具体包括，
16、设定图像中的一组纹理特征在帧t和帧t+1的像素位置分别为和，则需要满足：
17、；
18、；
19、其中，d表示位移向量，是光流估计的目标输出，l表示监测水域的实际宽度或长度；
20、所述高分辨率摄像头稳定性要求具体包括，
21、所述高分辨率摄像头在采集过程中需保持稳定，且光轴垂直于水面或具有固定倾斜角度，设定所述高分辨率摄像头在三维坐标系中的位置为，那么所述高分辨率摄像头在采集过程中的位置变化需满足：，即高分辨率摄像头位置不发生变化。
22、对所述动态图像的视频帧进行图像预处理的操作包括，
23、对所述视频帧依次进行去噪、灰度化、尺度归一化处理；
24、使用高斯滤波器对图像进行去噪处理，去除环境噪声对纹理特征的干扰，高斯滤波的操作可表示为：
25、；
26、其中，x、y分别表示图像x轴方向与y轴方向上的像素坐标，u、v分别表示高斯核x轴方向与y轴方向上的像素坐标，k表示高斯核的x轴与y轴分辨率，表示原始图像，表示滤波后的图像，表示高斯核函数；
27、高斯核函数的计算包括，
28、；
29、其中，表示高斯分布的标准差，表示圆周率；
30、将滤波后的图像进行灰度化处理，灰度值的计算公式包括，
31、；
32、其中，、、分别表示滤波后的图像中红、绿、蓝通道的像素值；
33、将完成去噪和灰度化处理的图像的像素值归一化到区间，以适应光流估计算法的输入要求，
34、；
35、其中，表示尺度归一化后的图像像素值，和分别表示图像的最小和最大像素值。
36、所述特征提取的操作包括，
37、将输入的连续两帧图像和被下采样到三个尺度，以提取不同分辨率下的特征，下采样后的特征图记为和，
38、；
39、；
40、其中，表示尺度层次，表示t时刻经过预处理后的图像，表示t+1时刻经过预处理后的图像；
41、对下采样后的特征图和分别进行归一化处理，
42、；
43、；
44、其中，表示的l2范数，表示经过 l2归一化处理后的特征图，表示的l2范数，表示经过l2归一化处理后的特征图。
45、所述特征匹配的操作包括，
46、基于归一化处理后的特征图和，获取全局相关性矩阵c，所述全局相关性矩阵c的计算包括，
47、；
48、其中，i表示归一化处理后的特征图的像素索引，j表示归一化处理后的特征图的像素索引；
49、利用基于 transformer 的全局注意力机制对所述全局相关性矩阵c进行优化，获取注意力权重a；
50、；
51、基于注意力权重a与归一化后的t+1时刻归一化处理后的特征图得到优化后的匹配特征，
52、。
53、所述光流优化的操作包括，
54、利用直接回归的方法生成初始光流场，
55、；
56、其中，regression是一个全连接层，负责将高维特征映射到二维光流向量场；
57、使用特征递归优化的模块对光流场进行细化，特征递归优化的模块由多个细化过程构成，每一个细化过程包含一个特征残差网络；在每个细化过程中，通过特征残差网络提取上一个细化过程输出光流场的增量更新，所述增量更新与上一个细化过程输出的光流场结合得到当前细化过程的光流场；本文档来自技高网...
【技术保护点】
1.一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：利用高分辨率摄像头对目标水域进行连续图像采集，对目标水域进行连续图像采集的过程中需要满足图像帧间隔要求、图像分辨率要求、水纹的连贯性要求以及高分辨率摄像头稳定性要求。
3.根据权利要求2所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：所述图像帧间隔要求具体包括，
4.根据权利要求1或3所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：对所述动态图像的视频帧进行图像预处理的操作包括，
5.根据权利要求1所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：所述特征提取的操作包括，
6.根据权利要求5所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：所述特征匹配的操作包括，
7.根据权利要求6所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：所述光流优化的操作包括，
8.
9.根据权利要求8所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：包括，
10.根据权利要求9所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：对水体表面流速的区域分布的分析包括，
...【技术特征摘要】
1.一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：利用高分辨率摄像头对目标水域进行连续图像采集，对目标水域进行连续图像采集的过程中需要满足图像帧间隔要求、图像分辨率要求、水纹的连贯性要求以及高分辨率摄像头稳定性要求。
3.根据权利要求2所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：所述图像帧间隔要求具体包括，
4.根据权利要求1或3所述的一种基于智能视觉分析的水域表面流速区域监测方法，其特征在于：对所述动态图像的视频帧进行图像预处理的操作包括，
5.根据权利要求1所述的一种基于智能...
【专利技术属性】
技术研发人员：胡琳琳，袁鑫，王良，陈焕宝，廖佳庆，池云飞，张丽红，李翰泽，闫滨，张新海，
申请(专利权)人：浙江省水利河口研究院浙江省海洋规划设计研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。