一种适用于带弯曲河道的全河段表面流速计算方法及系统技术方案

本发明专利技术公开了适用于带弯曲河道的全河段表面流速计算方法及系统，利用深度学习方法建立直道弯道分类模型，对河流直道弯道进行自动判断，判断结束后对直道弯道分别进行计算，对于直道采用改良后的插值网格法对河流对应的测流图像矩阵进行网格划分，每一个网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个网格的平均河流速度；再根据每一个网格的平均河流速度计算最终的河流速度，对于弯曲河道可以转换为顺直河道后进行计算，或者采用其他网格划分的形式进行计算，本发明专利技术加快了识别全河段直道弯道的速度，提升插值网格法的计算精度，也减少了计算误差。算误差。算误差。

【技术实现步骤摘要】
一种适用于带弯曲河道的全河段表面流速计算方法及系统


[0001]本专利技术涉及流场测量
，尤其涉及一种适用于带弯曲河道的全河段表面流速计算方法及系统。

技术介绍

[0002]随着计算机视觉领域的发展，通过图片计算河流表面流速的方法逐渐被应用到实际场景中。光流法是一种利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧和当前帧的对应关系，从而计算出流速的方法。由于河流各部分的流速不相同，中间快，两边慢，为了整体评估河流流速，需要得到全河段表面流速，利用光流法计算全河段表面流速时，通常会采用插值网格计算，但是这个方法只适用于顺直河段的全河段表面流速计算，在弯道段不适用，因为弯道方向并非垂直于河流断面，会出现较大误差。对于既有顺直段又有弯道段的弯曲河道，现有基于插值网格的光流法一方面无法对顺直段与弯道段进行区分，另一方面在弯道段的计算结果误差较大。

技术实现思路

[0003]本专利技术通过提供一种适用于带弯曲河道的全河段表面流速计算方法及系统，用以解决或者至少部分解决现有技术中存在的计算结果误差较大的技术问题。
[0004]为了解决上述技术问题，本专利技术第一方面提供了一种适用于带弯曲河道的全河段表面流速计算方法，包括：采集河流流动视频，从采集的河流流动视频中每隔预设时间间隔和预设帧间隔提取1帧，得到测流图像矩阵，测流图像矩阵包括多个图像；对得到的测流图像矩阵中的图像进行预处理；利用预训练的分类模型对预处理后的测流图像矩阵中的图像进行分类，分类结果包括顺直河道和弯曲河道，其中，预训练的分类模型为深度学习模型；当分类结果为顺直河道时，采用改良后的插值网格法对河流对应的测流图像矩阵进行网格划分，网格的大小相同，每一个网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个网格的平均河流速度；再根据每一个网格的平均河流速度计算最终的河流速度；当分类结果为弯曲河道时，采用两种方法中的一种进行计算，其中，方法一为：将判断为弯曲河道的部分从图像中分离，并选取与测流断面距离符合预设条件的部分，然后利用顺直河道的计算方法进行河流速度的计算，方法二为：根据对弯曲河道的覆盖情况，划分大网格，其中，大网格的对角线长度为断面长度，根据对角线长度确定正方形的大小，然后在正方形的对角线上取小网格；每一个小网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个小网格的平均河流速度；再根据每一个小网格的平均河流速度计算最终的河流速度。
[0005]在一种实施方式中，对得到的测流图像矩阵中的图像进行预处理，包括：
对测流图像矩阵中的图像消除色调和饱和度信息，将彩色图像转换为灰度图，并利用log校正方法调整图像的色调，对图像边界进行裁剪。
[0006]在一种实施方式中，预训练的分类模型通过下述方式获得：采集大量的河流表面图像，对采集得到的河流表面图像进行标注，构建实验数据集；对构建的实验数据集按照k折交叉验证分为训练集和测试集；采用深度学习模型，将训练集作为输入对模型进行训练，将测试集作为输入，根据评价因子判断模型的效果，根据评价因子的结果调整模型的参数，得到预训练的分类模型。
[0007]在一种实施方式中，根据每个特征点的速度计算每一个网格的平均河流速度的方式为：其中，为第a个网格内包含的特征点的数量，、分别为第a个网格中第1个特征点和第m个特征点的速度，为第a个网格的平均河流速度。
[0008]在一种实施方式中，根据每一个网格的平均河流速度计算最终的河流速度的方式为：计算所有网格的河流速度的平均值：其中，为第1个网格的平均河流速度，、分别为第a个和第f个网格的平均河流速度，为网格的总数量，为所有网格的河流速度的平均值；计算每一个网格的平均河流速度与所有网格的河流速度的平均值之间的差值；对计算出的差值按照从高到低进行排序，并删除符合预设条件的差值所对应的网格；对剩余的网格计算河流速度的平均值，作为最终河流速度：其中，为剩余的网格的数量，为剩余网格中第s个网格的平均河流速度，为顺直河道计算方法得到的最终河流速度。
[0009]在一种实施方式中，根据每个特征点的速度计算每一个小网格的平均河流速度的方式为：其中，为第b个小网格内包含的特征点的数量，、分别为第b个小网格的第1个特征点和第z个特征点的速度，为第b个小网格的平均河流速度。
[0010]在一种实施方式中，根据每一个小网格的平均河流速度计算最终的河流速度的方式为：计算所有小网格的河流速度的平均值：其中，为第1个小网格的平均河流速度，、分别为第b个和第q个小网格的平均河流速度，q为网格的总数量，为所有小网格的河流速度的平均值；计算每一个小网格的平均河流速度与所有小网格的河流速度的平均值之间的差值；对计算出的差值按照从高到低进行排序，并删除符合预设条件的差值所对应的小网格；对剩余的小网格计算河流速度的平均值，作为最终河流速度：其中，为剩余的网格的数量，为剩余网格中第h个网格的平均河流速度，为弯曲河道的方法二计算得到的最终河流速度。
[0011]基于同样的专利技术构思，本专利技术第二方面提供了一种适用于带弯曲河道的全河段表面流速计算系统，包括：视频采集模块，用于采集河流流动视频，从采集的河流流动视频中每隔预设时间间隔和预设帧间隔提取1帧，得到测流图像矩阵，测流图像矩阵包括多个图像；预处理模块，用于对得到的测流图像矩阵中的图像进行预处理；
分类模块，用于利用预训练的分类模型对预处理后的测流图像矩阵中的图像进行分类，分类结果包括顺直河道和弯曲河道，其中，预训练的分类模型为深度学习模型；顺直河道计算模块，用于当分类结果为顺直河道时，采用改良后的插值网格法对河流对应的测流图像矩阵进行网格划分，网格的大小相同，每一个网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个网格的平均河流速度；再根据每一个网格的平均河流速度计算最终的河流速度；弯曲河道计算模块，用于当分类结果为弯曲河道时，采用两种方法中的一种进行计算，其中，方法一为：将判断为弯曲河道的部分从图像中分离，并选取与测流断面距离符合预设条件的部分，然后利用顺直河道的计算方法进行河流速度的计算，方法二为：根据对弯曲河道的覆盖情况，划分大网格，其中，大网格的对角线长度为断面长度，根据对角线长度确定正方形的大小，然后在正方形的对角线上取小网格；每一个小网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个小网格的平均河流速度；再根据每一个小网格的平均河流速度计算最终的河流速度。
[0012]相对于现有技术，本专利技术的优点和有益的技术效果如下：本专利技术提供的一种适用于带弯曲河道的全河段表面流速计算方法，首先构建了预训练的分类模型，可以对弯曲河道和顺直河道进行分类，从而实现对河道的识别，分类之后，对于顺直河道，采用网格划分的方式对测流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于带弯曲河道的全河段表面流速计算方法，其特征在于，包括：采集河流流动视频，从采集的河流流动视频中每隔预设时间间隔和预设帧间隔提取1帧，得到测流图像矩阵，测流图像矩阵包括多个图像；对得到的测流图像矩阵中的图像进行预处理；利用预训练的分类模型对预处理后的测流图像矩阵中的图像进行分类，分类结果包括顺直河道和弯曲河道，其中，预训练的分类模型为深度学习模型；当分类结果为顺直河道时，采用改良后的插值网格法对河流对应的测流图像矩阵进行网格划分，网格的大小相同，每一个网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个网格的平均河流速度；再根据每一个网格的平均河流速度计算最终的河流速度；当分类结果为弯曲河道时，采用两种方法中的一种进行计算，其中，方法一为：将判断为弯曲河道的部分从图像中分离，并选取与测流断面距离符合预设条件的部分，然后利用顺直河道的计算方法进行河流速度的计算，方法二为：根据对弯曲河道的覆盖情况，划分大网格，其中，大网格的对角线长度为断面长度，根据对角线长度确定正方形的大小，然后在正方形的对角线上取小网格；每一个小网格包括多个特征点，对于每一个特征点采用LK光流算法计算光流值，并根据光流值计算特征点的速度；根据每个特征点的速度计算每一个小网格的平均河流速度；再根据每一个小网格的平均河流速度计算最终的河流速度。2.如权利要求1所述的适用于带弯曲河道的全河段表面流速计算方法，其特征在于，对得到的测流图像矩阵中的图像进行预处理，包括：对测流图像矩阵中的图像消除色调和饱和度信息，将彩色图像转换为灰度图，并利用log校正方法调整图像的色调，对图像边界进行裁剪。3.如权利要求1所述的适用于带弯曲河道的全河段表面流速计算方法，其特征在于，预训练的分类模型通过下述方式获得：采集大量的河流表面图像，对采集得到的河流表面图像进行标注，构建实验数据集；对构建的实验数据集按照k折交叉验证分为训练集和测试集；采用深度学习模型，将训练集作为输入对模型进行训练，将测试集作为输入，根据评价因子判断模型的效果，根据评价因子的结果调整模型的参数，得到预训练的分类模型。4.如权利要求1所述的适用于带弯曲河道的全河段表面流速计算方法，其特征在于，根据每个特征点的速度计算每一个网格的平均河流速度的方式为：其中，为第a个网格内包含的特征点的数量，、分别为第a个网格中第1个特征点和第m个特征点的速度，为第a个网格的平均河流速度。5.如权利要求1所述的适用于带弯曲河道的全河段表面流速计算方法，其特征在于，根据每一个网格的平均河流速度计算最终的河流速度的方式为：计算所有网格的河流速度的平均值：
其中，为第1个网格的平均河流速度，、分别为第a个和第f个网格的平均河流速度，为网格的总数量，为所有网格的河流速度的平均值；计算每一个网格的平均河流速度与所有网格的河流速...

【专利技术属性】
技术研发人员：刘炳义，李玉琳，嵇莹，刘维高，
申请(专利权)人：武汉大水云科技有限公司，
类型：发明
国别省市：