一种免水尺的河流水位视觉测量方法技术

本发明专利技术公开了一种免水尺的河流水位视觉测量方法，包括如下步骤：利用标定好内参和外参的相机拍摄河流完整断面的图像并做非线性畸变校正；在校正后的图像中的测量断面上选取水边线区域，其大小覆盖水位变幅；采用基于深度学习的PSPnet网络对选取的水边线区域进行图像分割，获得河岸为前景、水面为背景的二值图像；对二值图像进行水平投影并搜索梯度最大值得到水边线像点纵坐标的观测值；基于变高水面摄影测量模型迭代水位值计算水边线像点纵坐标，将其与观测值之差小于测量精度作为迭代停止条件得到水位近似值。本发明专利技术仅需测流断面地形，无需安装水尺及标志物，具有布设简单、抗损毁性强、结果直观的优点。结果直观的优点。结果直观的优点。

【技术实现步骤摘要】
一种免水尺的河流水位视觉测量方法


[0001]本专利技术属于水面监测
，涉及图像法水位监测技术，具体涉及一种免水尺的河流水位视觉测量方法。

技术介绍

[0002]水位不仅是江河湖库水体状况的重要参数，也是水资源调配和水利工程运行的重要依据，此外城市和灌区的供水情况、暴雨情况、洪涝灾害情况、径流信息、泥沙含量、养分输移率等信息通常需要根据实测水位进行计算，随着智慧水利行业的发展，出现越来越多的水位自动化检测设备，其中水位视觉测量技术成为了当前水位测量方法的重要部分，其中有水尺的水位测量难免存在人工涉水安装危险，水尺维护繁琐等问题，因此免水尺的河流水位视觉测量方法应运而生，可以作为有图像法水尺水位测量方法的重要补充和替代手段。
[0003]目前，国内外免水尺的水位视觉测量方法可分为：
[0004](1)设置控制点。设置控制点的方法进行水位测量需要事先在被测水域岸边处较高点处设置三个及以上控制点，获取控制点之间的位置数据以及控制点自身的大小数据，然后对在实验室内已经进行内参标定的相机架设在固定位置根据控制点的数据位置信息进行外参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种免水尺的河流水位视觉测量方法，其特征在于，包括如下步骤：S1：利用标定好内参和外参的相机拍摄河流完整断面的图像并做非线性畸变校正；S2：在校正后的图像中的测量断面上选取水边线区域，其大小覆盖水位变幅；S3：采用基于深度学习的PSPnet网络对选取的水边线区域进行图像分割，获得河岸为前景、水面为背景的二值图像；S4：对二值图像进行水平投影并搜索梯度最大值得到水边线像点纵坐标的观测值；S5：基于变高水面摄影测量模型迭代水位值计算水边线像点纵坐标，将其与观测值之差小于测量精度作为迭代停止条件得到水位近似值。2.根据权利要求1所述的一种免水尺的河流水位视觉测量方法，其特征在于，所述步骤S1中相机的内参标定方法为：在实验室中标定相机内参矩阵K和畸变参数矩阵D如下：D＝[k
1 k
2 p
1 p2]
ꢀꢀꢀꢀꢀꢀ
(2)其中，C
x
表示像主点的横坐标，C
y
表示像主点的纵坐标，f
x
表示摄像机在像平面x轴上的等效焦距，f
y
表示摄像机在像平面y轴上的等效焦距，k1表示第一径向畸变参数，p1表示第一切向畸变参数，k2表示第二径向畸变参数，p2表示第二切向畸变参数；根据图像传感器的像元尺寸s得到相机焦距f：f＝(f
x
+f
y
)
·
s/2
ꢀꢀꢀꢀꢀꢀ
(3)相机的外参标定方法为：在河岸边架设相机，使其视场覆盖最高水位时的完整端面且光轴与断面方向平行，利用倾角传感器测量相机相对于水平面的俯仰角ω和横滚角3.根据权利要求1所述的一种免水尺的河流水位视觉测量方法，其特征在于，所述步骤S1中非线性畸变校正的具体方法：其中，(x',y')和(x,y)分别为畸变和无畸变的相机坐标，它们与对应的图像坐标(u',v')和(u,v)间满足：v')和(u,v)间满足：公式(4)～公式(6)建立了无畸变图像坐标到畸变图像坐标的变换关系。4.根据权利要求1所述的一种免水尺的河流水位视觉测量方法，其特征在于，所述步骤S3具体为：采用基于深度学习的PSPnet网络对水边线区域进行图像分割，构建水体目标检测模型，获取不同光照、水流条件下的水边线区域图像，并进行人工标注，将水体和水岸用
不同类别区分，获得样本训练集，然后构建基于图像语义分割的深度网络模型，深度网络模型输出为与输入图像分辨率相同的二值图像，通过深度网络模型获得河岸为前景、水面为背景的二值图像。5.根据权利要求1所述的一种免水尺的河流水位视觉测量方法，其特征在于，所述步骤S3中PSPnet网络的网络结构包括依次连接的多组卷积层、多组反卷积层和softmax分类器。6.根据权利要求4所述的一种免水尺的河流水位视觉测量方法，其特征在于，所述步骤S3中深度网络模型获得河岸为前景、水面为背景的二值图像的过程为：输入图像InputImg；CONV1(3*3*3*32)
→
DW_CONV(3*3*1*32+1*1*32*64)
→
DW_CONV(3*3*1*64+1*1*64*128)
→
DW_CONV(3*3*1*128+1*1*128*128)
→
DW_CONV(3*3*1*128+1*1*128*256)
→
DW_CONV(3*3*1*256+1*1*256*256)
→
DW_CONV(3*3*1*256+1*1*256*512)
→
DW_CONV(3*3*1*512+1*1*512*512)
→
DW_CONV(3*3*1*512+1*1*512*512)
→
DW_CONV(3*3*1*512+1*1*512*512)
→
DW_CONV(3*3*1*512+1*1*512*512)
→
DW_CONV(3*3*1*512+1*1*512*512)；其中“CONV1”代表卷积层，包括卷积、BatchNormalization和ReLU操作，括号内部为该层所使用的卷积核的参数即宽度*长度*通道数*卷积核个数；“DW_CONV”代表深度可分离卷积层，包括分离卷积、BatchNormalization和ReLU操作，深度可分离卷积需要用到两个卷积核先后对输入图像进行卷积操作，括号内部为该层所使用的两个卷积核的参数即宽度*长度*通道数*卷积核个数，最终经过下采样操作后得到Img_dw为原始图像大小的1/16；之后对Img_dw进行上采样操作，使其恢复到原始图像大小；CONV2(3*3*512*512)
→
Up_Sampling(2,2)
→
CONV2(3*3*512*256)
→
Up_Sampling(2,2)
→
CONV2(3*3*256*12...

【专利技术属性】
技术研发人员：张振，张田雨，王慧斌，刘海韵，沈洁，
申请(专利权)人：河海大学，
类型：发明
国别省市：