[发明专利]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

说明书

本发明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。

技术领域

本发明涉及流场测量技术领域，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。

背景技术

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。

发明内容

本发明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。

为了解决上述技术问题，本发明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。

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。

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；