基于图像识别控制摄像机跟踪水位涨落的方法技术

本发明专利技术公开了基于图像识别控制摄像机跟踪水位涨落的方法，包括以下步骤：步骤一，水尺分段；步骤二，水位标注；步骤三，水域分割；步骤四，模型训练；步骤五，掩膜获取；步骤六，距离计算；步骤七，水位跟踪；该发明专利技术用机器学习的图像识别方法取代了传统的人工图像识别方式，从而避免了水位涨落过大导致水位脱离摄像头拍摄范围的问题，实时监控当前的水位涨落情况，并及时调整摄像头自动跟踪水位的涨落，减少对无效数据的采集，提高了数据的有效率，降低了摄像头与传感器的铺设成本，且利用onvif协议控制摄像头跟踪水位的涨落，也提高了利用图像识别水位的量程和准确度，扩大了图像识别水位方法的应用范围。法的应用范围。法的应用范围。

【技术实现步骤摘要】
基于图像识别控制摄像机跟踪水位涨落的方法


[0001]本专利技术涉及水文监测
，具体为基于图像识别控制摄像机跟踪水位涨落的方法。

技术介绍

[0002]现有的摄像机跟踪水位涨落方法主要采用人工观察摄像头采集的数据的方式，通过人工观察摄像头采集回来的图像或者视频来判断当前水位是否在摄像头的拍摄范围之内，再通过手动的方式调整摄像头对当前水位的拍摄位置。
[0003]然而，基于人工的方法去控制摄像头跟踪水位的方法，由于人工无法24小时全程对水位点进行监控，导致水位变化后摄像头采集回来的数据无法观察到当前水位，且人工图像识别方式只能对对现有的图像进行识别，获取当前的水位数据，在水库等需要较大量程的监控点时，若水位涨落变化较大，导致水位脱离摄像头的拍摄范围后，则无法识别到当前水位。
[0004]因此，设计基于图像识别控制摄像机跟踪水位涨落的方法是很有必要的。

技术实现思路

[0005]本专利技术的目的在于提供基于图像识别控制摄像机跟踪水位涨落的方法，以解决上述
技术介绍
中提出的问题。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案：基于图像识别控制摄像机跟踪水位涨落的方法，包括以下步骤：步骤一，水尺分段；步骤二，水位标注；步骤三，水域分割；步骤四，模型训练；步骤五，掩膜获取；步骤六，距离计算；步骤七，水位跟踪；
[0007]其中在上述步骤一中，利用onvif协议控制摄像头拍摄出水尺的多个分段图像，并合成水尺全段图像，同时记录下每个分段图像对应的摄像头的分段预置位；
[0008]其中在上述步骤二中，对步骤一中得到的水尺全段图像进行水位标注，标注出每个水尺分段的最高水位值和最低水位值，并在每个水尺分段上标定出上标定点和下标定点，获取两个标定点之间的像素距离和实际距离，同时计算出像素距离与实际距离的比值；
[0009]其中在上述步骤三中，基于深度学习语义分割方法，对水域图像进行图像分割，得到水域网络结构；
[0010]其中在上述步骤四中，以步骤一中得到的水尺全段图像为样本，对水域网络结构进行模型训练，训练通过后得到水域分割模型；
[0011]其中在上述步骤五中，将当前摄像头拍摄到的水位图像输入到步骤四中得到的水域分割模型中，获取水域的掩膜图像，并利用掩膜图像对图像中的水域范围进行精确的分割；
[0012]其中在上述步骤六中，根据步骤二中得到的上标定点和下标定点，获取两个标定点的连线，并计算出两个标定点的连线或其延长线与步骤五中得到的掩膜图像的交点，再根据步骤二中得到的像素距离与实际距离的比值，计算出上标定点与交点之间的实际距离
值；
[0013]其中在上述步骤七中，根据步骤六中得到的实际距离值，判定当前水位的对应预置位，并利用onvif协议将摄像头调整到对应预置位上，跟踪水位的涨落。
[0014]根据上述技术方案，所述步骤二中，上标定点的位置为该水尺分段的最高水位值，下标定点的位置为该水尺分段的最低水位值。
[0015]根据上述技术方案，所述步骤七中，若实际距离值为零，则根据步骤一中得到的分段预置位，判定当前水位的对应预置位为摄像头当前分段预置位向上的一个分段预置位。
[0016]根据上述技术方案，所述步骤七中，若实际距离值不为零，则利用步骤二中得到的最高水位值减去步骤六中得到的实际距离值，获得当前水位值。
[0017]根据上述技术方案，所述步骤七中，若当前水位值高于步骤二中得到的该水尺分段的最低水位值，则判定当前水位的对应预置位为摄像头当前分段预置位。
[0018]根据上述技术方案，所述步骤一中，若当前水位值低于步骤二中得到的该分段最低水位值，则判定当前水位的对应预置位为摄像头当前分段预置位向下的一个分段预置位。
[0019]与现有技术相比，本专利技术所达到的有益效果是：该基于图像识别控制摄像机跟踪水位涨落的方法，用机器学习的图像识别方法取代了传统的人工图像识别方式，从而避免了水位涨落过大导致水位脱离摄像头拍摄范围的问题，降低了水位监测的人力成本，实时监控当前的水位涨落情况，及时调整摄像头自动跟踪水位的涨落，减少对无效数据的采集，提高了数据的有效率，且利用onvif协议控制摄像头跟踪水位的涨落，也提高了利用图像识别水位的量程和准确度，扩大了图像识别水位方法的应用范围。
附图说明
[0020]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0021]图1是本专利技术的方法流程图；
[0022]图2是本专利技术的水位标注图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]请参阅图1
‑
2，本专利技术提供一种技术方案：基于图像识别控制摄像机跟踪水位涨落的方法，包括以下步骤：步骤一，水尺分段；步骤二，水位标注；步骤三，水域分割；步骤四，模型训练；步骤五，掩膜获取；步骤六，距离计算；步骤七，水位跟踪；
[0025]其中在上述步骤一中，利用onvif协议控制摄像头拍摄出水尺的多个分段图像，并合成水尺全段图像，同时记录下每个分段图像对应的摄像头的分段预置位；
[0026]其中在上述步骤二中，对步骤一中得到的水尺全段图像进行水位标注，标注出每个水尺分段的最高水位值和最低水位值，并在每个水尺分段上标定出上标定点和下标定
点，上标定点的位置为该水尺分段的最高水位值，下标定点的位置为该水尺分段的最低水位值，获取两个标定点之间的像素距离和实际距离，同时计算出像素距离与实际距离的比值；
[0027]其中在上述步骤三中，基于深度学习语义分割方法，对水域图像进行图像分割，得到水域网络结构；
[0028]其中在上述步骤四中，以步骤一中得到的水尺全段图像为样本，对水域网络结构进行模型训练，训练通过后得到水域分割模型；
[0029]其中在上述步骤五中，将当前摄像头拍摄到的水位图像输入到步骤四中得到的水域分割模型中，获取水域的掩膜图像，并利用掩膜图像对图像中的水域范围进行精确的分割；
[0030]其中在上述步骤六中，根据步骤二中得到的上标定点和下标定点，获取两个标定点的连线，并计算出两个标定点的连线或其延长线与步骤五中得到的掩膜图像的交点，再根据步骤二中得到的像素距离与实际距离的比值，计算出上标定点与交点之间的实际距离值；
[0031]其中在上述步骤七中，根据步骤六中得到的实际距离值，判定当前水位的对应预置位，若实际距离值为零，则根据步骤一中得到的分段预置位，判定当前水位的对应预置位为摄像头当前分段预置位向上的一个分段预置位；若实际距离值不为零，则利用步骤二中得到的最高水位值减去步骤六中得到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像识别控制摄像机跟踪水位涨落的方法，包括以下步骤：步骤一，水尺分段；步骤二，水位标注；步骤三，水域分割；步骤四，模型训练；步骤五，掩膜获取；步骤六，距离计算；步骤七，水位跟踪；其特征在于：其中在上述步骤一中，利用onvif协议控制摄像头拍摄出水尺的多个分段图像，并合成水尺全段图像，同时记录下每个分段图像对应的摄像头的分段预置位；其中在上述步骤二中，对步骤一中得到的水尺全段图像进行水位标注，标注出每个水尺分段的最高水位值和最低水位值，并在每个水尺分段上标定出上标定点和下标定点，获取两个标定点之间的像素距离和实际距离，同时计算出像素距离与实际距离的比值；其中在上述步骤三中，基于深度学习语义分割方法，对水域图像进行图像分割，得到水域网络结构；其中在上述步骤四中，以步骤一中得到的水尺全段图像为样本，对水域网络结构进行模型训练，训练通过后得到水域分割模型；其中在上述步骤五中，将当前摄像头拍摄到的水位图像输入到步骤四中得到的水域分割模型中，获取水域的掩膜图像，并利用掩膜图像对图像中的水域范围进行精确的分割；其中在上述步骤六中，根据步骤二中得到的上标定点和下标定点，获取两个标定点的连线，并计算出两个标定点的连线或其延长线与步骤五中得到的掩膜图像的交点，再根据步骤二中得到的像素距离与实际距离的比值，计算出上标定点与交点之间的实...

【专利技术属性】
技术研发人员：林作永，周威，田丁，邹煜，陈鹏飞，舒伟，
申请(专利权)人：江河瑞通北京技术有限公司，
类型：发明
国别省市：