一种基于图像识别技术的城市监控防洪方法技术

本发明专利技术提供一种基于图像识别技术的城市监控防洪方法，属于智慧水利技术领域，包括：划分监控探头并进行云计算数据处理平台初始参数设定及算法录入；云计算数据处理平台处理识别受灾城市积水情况与受灾范围；云计算数据处理平台信息整合并反馈至目标城市服务器；智能筛查决策信息供调度使用，目标城市服务器生成洪灾实时反馈地图。本发明专利技术有效调用了现有大规模布置的城市监控探头，实现城市智慧防洪，相较现有仅仅依赖降雨监测的防洪手段，判别更精准可靠。本发明专利技术采用灰度算法、卷积神经网络识别等手段，利用分级探头由点及面，从识别探头位置的积水深度、积水面积到覆盖确定整个城市受灾范围，分区域判定受灾情况，为有关部门有效调度提供参考。效调度提供参考。效调度提供参考。

【技术实现步骤摘要】
一种基于图像识别技术的城市监控防洪方法


[0001]本专利技术属于智慧水利
，尤其涉及一种基于图像识别技术的城市监控防洪方法。

技术介绍

[0002]近年来，突发灾害性降水导致城市洪涝灾害频发，造成了巨大的生命财产安全损害，面对这一突发灾害，我国城市尚未具备系统的即时反馈方法来快速、高效地进行防洪调度。同时，现有的能够实现智能防洪的方法需要布置大量的各类传感器设备，其供电和保养等问题解决起来非常困难，且需要投入巨大人力物力，较难覆盖全部城市。
[0003]近年来，基于卷积神经网络的图像识别技术也迅猛发展，其通过对图像局部特征的提取来进行分析识别，属于一种能够高效识别的图像分析方法。目前城市监控探头普及迅速，位置遍布各个角落，巨量的图像数据能够极大程度覆盖或者代表某区域的实时情况。基于此，本专利技术设计了一种基于图像识别技术的城市监控防洪方法，充分利用了巨大数量的监控探头，发挥其在智慧城市建设中的作用，以供防洪过程中能够实时调度，以较低的成本实现较好的防洪监控。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种基于图像识别技术的城市监控防洪方法，充分利用了城市中的大量监控探头，发挥其在智慧城市建设中的作用，以供防洪过程中能够实时调度，以较低的成本实现较好的防洪监控。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种基于图像识别技术的城市监控防洪方法，包括如下过程：
[0007]S1：划分各级城市监控探头，进行云计算数据处理平台的初始参数设定及相应算法录入；
[0008]S11：将各级城市监控探头按功能分为主干探头和二级探头，主干探头为位于城市公路上的探头，包括交通信号灯及路口位置的探头，二级探头为位于各社区、小径等位置的其余探头；
[0009]S12：设定初始参数和数据，并录入云计算数据处理平台，初始设定包括：参照物标准化图像识别所需特征矩阵及数据库、图像处理模型的分析算法、主干探头和二级探头位置参数及范围参数、积水面积所需的合理容差；
[0010]S13：将图像分析算法录入云计算数据处理平台，录入的图像分析算法包括：标准化图像神经网络识别算法、灰度矩阵转换浮点算法、图像容差分析积水面积算法、灾区范围确定计算方法、识别训练模型。
[0011]S2：云计算数据处理平台进行图像识别及信息处理，智能识别受灾城市积水情况与受灾范围；
[0012]S21：城市洪灾发生时，各级城市监控探头分时打包输入数据源图像至防洪目标城
市服务器，每3帧为一个传输节点截取实时监控影像，以微小间断形式传输进入防洪目标城市服务器，进一步打包传输至云计算数据处理平台进行后续分析处理，数据传输源设置为相同服务器，且数据源截取影像的时间采用统一地点卫星标准时，保证传输同步及数据源同步，且各数据源图像对应有其位置信息；
[0013]其中，在云计算数据处理平台中，目标城市服务器所需上传数据包括：由主干探头输出的分时打包图像、由二级探头输出的分时打包图像；图像上传后，根据云计算数据处理平台内初始参数确定探头位置信息。
[0014]S22：运用浮点算法将图像按像素转化为灰度矩阵，转换表达式如下：
[0015]C0＝0.2989
×
R+0.5870
×
G+0.1140
×
B
[0016]C
value
＝0.3906C0[0017]式中，R、G、B分别对应红色、绿色、蓝色的通道值，C
value
是转换的灰度值，将图像中每个像素的转换灰度值存储于相应位置的灰度矩阵中；C0表示单个像素的灰度强度；
[0018]S23：识别图像动态部分与静态部分，以每3帧为识别节点，将图像A与图像B叠加比较，采用灰度矩阵比较的方式，将未发生位移的图像部分判定为静态部分，发生位移的像素块所构成的图像部分判定为动态部分，同时设定像素块变化色彩整体的整体容差度，排除光线对判定结果的干扰；
[0019]S24：采用图像容差分析法判定积水度，并排除漂浮物干扰；其中，图像容差分析法的原理是基于灰度矩阵中灰度的接近程度来计算容差值T，以欧式距离大小代表灰度差异，同时根据水流特性，简化神经网络识别方法在洪灾识别方法中的应用，共分为判定积水面积和排除漂浮物干扰2块内容，具体过程如下：
[0020]S241：首先将每个图像按像素块的灰度值构建为一个m
×
n的灰度矩阵，动态监控灰度矩阵各点数值。
[0021]S242：将识别级数简化为0、1、2三级，判定转化级数0的区域：由S23中灰度矩阵比较的方法判定相对静止区域的所有灰度块，将其值转化为0，其余区域定义为待定区域。
[0022]S243：分析积水面积，判定转化级数1的区域：已知在时间轴上先后上传的图像A和图像B，得到2个灰度矩阵，分别在灰度矩阵的待定区域(非0区)进行大量随机落点，需保证图像A与图像B的落点位置相同；设定最优容差值M1，M1由步骤S13中录入的识别训练模型进行训练确定，当T＝M1时，会出现若干在图像A和B中位置相同但面积不同的区域S
Ai
和S
Bi
，若存在区域面积S
Bi
>S
Ai
，将区域S
Bi
判定为积水面积，将该区域所有灰度块数值转化为1；
[0023]其中，容差值T计算公式为：其中，容差值T计算公式为：和分别代表灰度矩阵中的两个像素块的灰度值。
[0024]S244：在灰度矩阵中，由于灰度不符合最优容差值M1，级数1区域范围内存在没有被包含进入积水面积的灰度块，该小区域所有灰度块在矩阵中转化为2，实际情况通常为漂浮物、生物轨迹、车辆或波浪；若后续图像中级数2区域灰度块发生变化，将级数2转化为级数1；若未发生变化，将级数2转化为级数0；最终反馈的积水面积以百分数形式呈现，即通过下式计算积水度S：
[0025][0026]式中，N1表示灰度矩阵中级数1像素块数量，N
T
表示灰度矩阵中总像素块数量，S单位为％。
[0027]S25：依据标准化图像识别积水深度，其依据的原理是积水发生时会淹没不同深度的标记基准物，洪水较为浑浊，能够阻挡各标准化图像的可视度，因此选择探头能够识别的最小深度作为积水深度，具体过程如下：
[0028]选择位于探头视野范围内的电线杆、墙体等不可移动物体作为备选标记基准物，在不同高度设定对应的标准化图像作为识别对象，固定于标记基准物上，对图像0级块采用卷积神经网络进行特征识别，所需特征矩阵为标准化图像转化的特征矩阵，得到的积水深度数据为多个特征矩阵对应的最小深度，识别的积水深度H表达式如下：
[0029]H＝min(h1,h2,
…
h
n
)
[0030]式中，h1、h2、h
n
分别表示探头能够识别的第1个、第2个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别技术的城市监控防洪方法，其特征在于，包括如下过程：S1：划分各级城市监控探头，进行云计算数据处理平台的初始参数设定及相应算法录入；S2：云计算数据处理平台进行图像识别及信息处理，智能识别受灾城市积水情况与受灾范围；S3：云计算数据处理平台进行信息整合，并反馈至目标城市服务器，同步处理数据；S4：目标城市服务器智能筛查决策信息供调度使用，生成洪灾实时反馈地图。2.根据权利要求1所述的基于图像识别技术的城市监控防洪方法，其特征在于，所述S1的具体过程为：S11：将各级城市监控探头按功能分为主干探头和二级探头；S12：设定初始参数和数据，并录入云计算数据处理平台，初始设定包括：参照物标准化图像识别所需特征矩阵及数据库、图像处理模型的分析算法、主干探头和二级探头位置参数及范围参数、积水面积所需的合理容差；S13：将图像分析算法录入云计算数据处理平台，录入的图像分析算法包括：标准化图像神经网络识别算法、灰度矩阵转换浮点算法、图像容差分析积水面积算法、灾区范围确定计算方法、识别训练模型。3.根据权利要求1所述的基于图像识别技术的城市监控防洪方法，其特征在于，所述S2的具体过程为：S21：城市洪灾发生时，各级城市监控探头分时打包输入数据源图像至防洪目标城市服务器，每3帧为一个传输节点截取实时监控影像，以微小间断形式传输进入防洪目标城市服务器，进一步打包传输至云计算数据处理平台；S22：运用浮点算法将图像按像素转化为灰度矩阵，转换表达式如下：C0＝0.2989
×
R+0.5870
×
G+0.1140
×
BC
value
＝0.3906C0式中，R、G、B分别对应红色、绿色、蓝色的通道值，C
value
是转换的灰度值，将图像中每个像素的转换灰度值存储于相应位置的灰度矩阵中；C0表示单个像素的灰度强度；S23：识别图像动态部分与静态部分，以每3帧为识别节点，将图像A与图像B叠加比较，采用灰度矩阵比较的方式，将未发生位移的图像部分判定为静态部分，发生位移的像素块所构成的图像部分判定为动态部分，同时设定像素块变化色彩整体的整体容差度，排除光线对判定结果的干扰；S24：采用图像容差分析法判定积水度，并排除漂浮物干扰；S25：依据标准化图像识别积水深度：选择位于探头视野范围内的不可移动物体作为备选标记基准物，在不同高度设定对应的标准化图像作为识别对象，固定于标记基准物上，对图像0级块采用卷积神经网络进行特征识别，所需特征矩阵为标准化图像转化的特征矩阵，得到的积水深度数据为多个特征矩阵对应的最小深度，识别的积水深度H表达式如下：H＝min(h1,h2,
…
h
n
)式中，h1、h2、h
n
分别表示探头能够识别的第1个、第2个、第n个标准化图像代表的深度值；
S26：确定城市受灾范围：提前将探头信息录入云计算数据处理平台，采用多米诺原理，选取的主干探头位于主干交通道，首先以主干探头为中心探头，由中心探头先识别出画面出现积水，然后通过S24和S25分析得到其积水度与积水深度两个积水参数；定义安全积水度和积水深度的数值，若超过设定安全值则触发启动条件，对中心探头周围相邻的二级探头进行识别，若其中二级探头画面中积水参数超过安全值，即确定该二级探头感知范围为灾区；将该二级探头作为中心探头，继续循环识别；若出现...

【专利技术属性】
技术研发人员：娄起浩，金光球，唐洪武，周哲成，冯昊天，陈鹤翔，
申请(专利权)人：河海大学，
类型：发明
国别省市：