CN104613892B - 融合视频检测技术和激光测距技术的复合雪深监测系统 - Google Patents

Abstract

本发明公开了一种面向多种复杂应用场景的雪深监测装置以及监测方法，所述监测装置包括感知层、处理层、传输层和服务层四层结构，所述感知层将采集到的信息发送给处理层，所述处理层实时处理接收的信息，并将经过检验的测量值发送给传输层，所述服务层用于将传输层上传的数据在数据中心进行存储和分发给各级服务终端。所述监测方法包括步骤S1.感知层的激光传感器和倾角传感器将采集的数据传输至处理层的前端处理模块；步骤S2.感知层的网络摄像机实时采集视频信息，并将压缩视频流转发给处理层的前端处理模块，前端处理模块对图像进行预处理；和步骤S3.将步骤S1的激光测距结果和步骤S2的视频检测结果进行数据融合，将雪深测量数据输出。

Description

融合视频检测技术和激光测距技术的复合雪深监测系统

技术领域

本发明涉及积雪深度监测技术领域，尤其是融合视频检测技术和激光测距技术的复合雪深监测系统。

背景技术

随着我国经济的增长，新建高速铁路和公路的里程也在不断增加，与此同时，交通事故频发，因此交通安全保障技术越来越成为关注的焦点和研究的热点。其中，恶劣天气是导致交通事故频发的一个重要因素，如：大风、暴雨、冰雹、暴风雪等；2008年发生在我国南方地区的大规模雨雪冰冻灾害，导致铁路供电中断、线路受阻，公路路面结冰，造成大面积交通瘫痪，严重影响了春运的运输能力和运输安全。因此，交通气象信息的获取变得尤为重要，也是公路和铁路防灾系统的重要组成部分。目前，雪深测量的方法主要有：(1)传统的手工测量方法，该方法费时费力、随机误差大，并且难以实时监控；(2)采用摄像头取代人眼观测标杆的方法，该方法通过摄像头拍摄树立的标尺的刻度，并通过图像处理提取出测量数值，但是受天气和光照条件影响大，精度不高；(3)基于超声的雪深测量方法，成本低、技术成熟、面测量的方法，但是超声波传播受温度、风速等因素的影响，精度不高；(4)基于激光测距技术的雪深测量方法，具有测量精度高，受外界温度、湿度等影响小的特点，使用范围逐步推广，但是激光测距方法一般只能获取单点的积雪深度，容易受积雪的不均匀性影响。此外，在实践中，激光传播容易受空气中的颗粒物(雾霾天气、扬沙天气等)的干扰以及进入测量范围的人或者物体都可能阻断测量线，进而导致错误的测量结果。因此，现有的雪深测量技术和方法都难以提供可靠的雪深数据，且无法获取实时的降雪信息，对未来一段时间的积雪情况进行预测，也就无法有效地对现场雪情进行有效评估。从 实际应用的角度来看，高速铁路防灾系统中就包括了雪情监测子系统，该系统需要实时获取铁路轨道中心线及其周边一定范围的积雪覆盖情况，当积雪覆盖达到一定程度时系统发出报警，为行车调度、工务抢修以及供电和信号部门提供雪情信息。在高速公路，尤其是一些深路堑路段和隧道口等容易造成雪堆积的区域，对雪情的监测都是十分有必要的。这些位置都存在监测环境恶劣、无人值守、存在异物入侵等不利因素，这些因素都可能导致测量错误和误报警。

发明内容

为了克服现有雪深测量技术的不足，尤其在难以适应真实的雪深监测环境，难以提供高可靠性、多维度的雪情信息方面，本发明提供了面向复杂雪深监测环境，运用多传感器数据融合技术，交叉验证雪深测量数据，提供高可靠性、多维度雪情信息的一种融合视频检测技术和激光测距技术的复合雪深监测装置，其特征是包括：感知层、处理层、传输层和服务层，所述感知层将采集到的信息发送给处理层，所述处理层实时处理接收的信息，并将经过检验的测量值发送给传输层，所述服务层用于将传输层上传的数据在数据中心进行存储和分发给各级服务终端；所述感知层包括激光传感器、倾角传感器和网络摄像机；所述处理层包括前端处理模块；所述传输层包括无线转发模块，具有有线和无线转发功能；所述服务层包括数据中心和各级服务终端。

进一步，所述感知层的网络摄像机的分辨率为1920*1080，支持ICR红外滤片式自动切换，支持最大64G存储卡进行本地存储，支持20路同时访问以及手机监控。

进一步，所述感知层的网络摄像机和激光传感器的探头与地面的倾角约为45°，网络摄像机位于激光传感器的探头上方约0.5m处位置，激光传感器距地面的高度约为4m。

进一步，所述感知层的激光传感器和倾角传感器绑定为一体，倾角传感器的测量轴与激光器发射的激光平行，二者封装在同一护罩中，护罩中加装有恒温装置。

进一步，所述处理层的前端处理模块距地面的高度约为1.25m， 该前端处理模块包括内置的图像处理软件，数据融合算法和网络通信软件。

进一步，所述传输层的无线转发模块具有多个RJ45接口和RS232/RS485接口，支持多种传输协议和功能的3G无线路由，具有VPN(虚拟专用网络)和DTU(数据传输单元)功能。

本发明还提供了使用上述一种融合视频检测技术和激光测距技术的复合雪深监测装置进行监测的方法，包括以下步骤：

S1.感知层的激光传感器和倾角传感器将采集的数据传输至处理层的前端处理模块；

S2.感知层的网络摄像机实时采集视频信息，并将压缩视频流转发给处理层的前端处理模块，前端处理模块对图像进行预处理；

S3.将步骤S1的激光测距结果和步骤S2的视频检测结果进行数据融合，经过正确性检验的雪深测量数据被输出到传输层的无线转发模块，进而转发给服务层的数据中心，对于未通过正确性检验的测量值，根据检验流程生成的错误报告日志进行本地存储，或在数据中心下载。

进一步，所述步骤S1中激光传感器每隔5秒钟采集一次雪深数据，步骤S2中前端处理模块的图像处理软件每隔1秒钟提取一张现场监控画面。

进一步，所述步骤S1中，激光传感器发射激光束，接收器接收反射的激光信号，计算出反射点到接收器的距离；测量出接收器和测量参考面的距离作为基准值，在后续的测量中通过与基准值作差，得到参考面和积雪面的倾斜高度；倾角传感器测量出激光传感器探头的倾斜角度，通过三角函数关系得出参考面和积雪面的垂直高度，即，雪深值。

进一步，所述步骤S2中，将采集到的无雪时的监控画面作为背景模板，通过将采集到的图像和背景模板进行对比，判断是否存在异物入侵或是否有雪覆盖；基于高斯背景建模方法对采集的图像提取运动前景，从雪花对光线的反射特性和雪花的几何特征来识别雪花像素点，经过筛选统计出雪花像素点的覆盖比例，进而评估出降雪等级。

进一步，所述步骤S3中当雪深测量数据从一个等级变化到另一个 等级时，处理层的前端处理模块启动网络摄像机抓拍和录像，并回传到数据中心。

下面结合附图和具体实施例对本发明的技术方案进行详细地说明。

附图说明

图1本发明监测系统层次结构示意图；

图2本发明监测系统架构图；

图3本发明激光传感器测雪深示意图；

图4本发明监测系统正确性检验流程图；

图5本发明激光传感器和网络摄像机安装示意图。

具体实施方式

下面结合附图，以部署在高速铁路沿线，用于监测铁路线路钢轨间积雪覆盖情况为例作详细说明，以对本发明内容作更详细的解释。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

一种融合视频检测技术和激光测距技术的复合雪深监测方法，包括以下步骤：

步骤1：降雪天气和轨道积雪会严重影响高速铁路的运行安全，因此高速铁路防灾系统已经把对雪情的监测纳入其中。本例中雪深监测系统用于监测高速铁路钢轨间的积雪覆盖情况，因此，通常将激光传感器、倾角传感器以及网络摄像机安装在铁路接触网支柱上，如图5所示。由于高速列车在通过线路时会形成负压以及较强的振动，因此，对安装在高速铁路沿线的设备稳固性要求较高，必须采用专用的固定装置进行加固，确保不会出现松动甚至脱落。此外，所有设备的安装一律不能超越铁路限界，防止影响正常的铁路行车。激光传感器的探头安装倾斜角度约45°，高度距轨枕面约4m。网络摄像机安装位置略高于(上方约0.5m处)激光传感器探头位置，其观察的视角范围要能够覆盖所监测的两条钢轨以及激光测量点，摄像机在首次安装时须进 行手动对焦，对焦完成后进行锁定。前端处理模块一般安装于铁路接触网支柱的外侧，也须用专用固定装置进行固定，安装高度一般距轨枕面约1.25m，也可以根据实际需要选择便于维护人员操作的高度进行布置，同时满足铁路限界要求。

步骤2：前端处理模块实质是一台高性能工控机，具有较大的工作温度区间，满足-30℃-60℃条件下的正常运行，在具体实践中为了确保稳定工作，常常在电器柜中加装保温装置，以确保设备正常运转。激光传感器和倾角传感器通过RS232接口与前端处理模块相连，激光传感器每隔5秒采集一次雪深数据，前端处理模块首先剔除奇异值，再结合倾角传感器数据，通过三角关系计算出雪深值。网络摄像机通过双绞线与前端处理模块相连，通过网络摄像机IP地址访问，图像处理软件每隔1秒提取一张现场监控画面，进行异物入侵和雪覆盖检测，以及雪密度估计。进行异物入侵检测和雪覆盖检测的图像处理算法目前已经比较成熟，具有较高的精度，通过现场试验，当有列车经过或者有工作人员进入监控区域时可以准确地进行识别。对于雪密度的估计算法达到了预定的精度，通过经典的高斯背景建模方法提取运动的前景信息，在此基础上通过雪花的反射特性和尺寸模型进行筛选，识别出雪花像素，最后统计出雪花像素点的覆盖比例，即雪花像素的数量与整幅图像的分辨率的比值。通常根据监测区域历年的降雪情况对降雪强度(单位时间内的降雪量)进行分级，如下表：

表3降雪强度分类以及对应的雪花像素点覆盖比例

表中降雪强度的定义以及雪花像素点的覆盖比例只是一个示意， 实际中还与网络摄像机的分辨率、筛选规则的阈值选取等有关，因此可以根据需要定义分级的标准。

上述高斯背景建模方法中，高斯背景模型是由Stauffer[1]等人提出的经典的自适应混合高斯背景提取方法，是一种基于背景建模的方法，它是根据视频中的每个像素在时域上的分布情况来构建各个像素的颜色分布模型，来达到背景建模的目的。混合高斯背景模型是有限多个高斯函数的加权和，它能描述像素的多峰状态，适用于对光照渐变、树木摇摆等复杂背景进行准确建模。此后经过很多研究人员的不断改进，该方法目前已经成为比较常用的背景提取方法。

混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分进行目标像素判断，可以对复杂动态背景进行建模。在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律。混合高斯模型使用K(一般为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。对于每个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性。对运动目标的背景提取建模，需要对高斯模型中方差和均值两个参数实时更新。

对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时，假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{x1,x2,…,xN}，xt＝(rt,gt,bt)为t时刻像素的样本，则单个采样点xt其服从的混合高斯分布概率密度函数：

其中，k为分布模式总数，η(X_t，μ_i，tτ_i，t)为t时刻第i个高斯分布，μ_i，t为其均值，τ_i，t为其协方差矩阵，为其方差，I为单位矩阵，w_i，t为t时刻第i个高斯分布的权重。

Garg和Nayar研究了雨的视觉特征,后来也有学者将这一研究推广到雪的视频检测中来。通过实验发现，雪的视觉特征分为动态和静态两种，且与摄像机拍摄时的参数有关。雪花具有下落速度快，尺寸小的特点，摄像机通常的曝光时间远大于雪花通过单个像素的时间，因此摄像机难以捕捉到完整的雪花，因此通常拍出的效果是由于雪花的运动而出现的模糊情景，称之为雪花的动态特征。但是，当摄像机曝光时间足够小(1ms)，则可以观察到完整的雪花，称之为雪花的静态特征。通过实验，背景被雪花覆盖时，相应像素的亮度会增加，明显高于未被覆盖的像素点，而且与拍摄时背景的亮度有关，背景亮度越高，雪花覆盖带来的像素点亮度的增加越小。而对于高速拍摄下的雪花，能够观察到雪花的静态特征，通过实验，被雪花覆盖的像素点亮度明显高于未被雪花覆盖的背景像素，但是被雪花覆盖点的亮度基本与背景像素的亮度无关，且由于雪花颗粒较小，基本不会受其它雪花的影响。因此，通过这一视觉特征，可以用于检测雪花像素点，即：

ΔI＝I_n-I_n-1＝I_n-I_n+1≥C

其中，C表示选取的阈值，用于筛选可能的雪花，这也被称之为雪花的光学特征筛选规则。

通过上述规则筛选出的潜在的雪花点，但是其中可能包含较大或者较小的块并不是真正的雪花点，因此，可以通过建立雪花的尺寸模型对潜在的雪花点进行筛选，提高检测的精度。

Brewer和Liu，通过研究认为由于存在噪声的干扰，潜在的雪花像素点需要进行形态学处理，通过设定阈值Y(通常Y＝5)，将连通区域中小于Y个像素的块认为是噪声而非真正的雪花点。Barnum等通 过研究发现，雪花的动态特征近似一条很细的条纹，其中条纹的长度L和宽度B，近似满足如下方程：

其中，d表示，雪花的直径；v(d)表示雪花的下落速度；e表示曝光时间；f表示焦距；z表示雪花距离摄像机的距离。因此，雪花条纹的纵横比AR如下：

上述表明，摄像机曝光时间越短，能观察到的雪花条纹的纵横比越小，而与雪花距离摄像机距离无关也和摄像机其它参数无关。通常，普通的摄像机曝光时间在1-40ms范围内，其纵横比在3.9-95之间。因此，可以据此建立雪花尺寸的筛选规则，进而对通过光学模型筛选出的潜在雪花点进行进一步筛选，提高雪花的检测精度，识别出雪花像素点，为进一步判断当前降雪强度提供准备。

步骤3：将视频检测结果和激光测距结果进行数据融合，如图4所示，数据融合的过程实质是一个正确性检验和综合决策的过程，图像处理的结果是分析出是否存在异物入侵和是否存在雪覆盖信息，排除非下雪因素导致的误测，如：当有列车、人、动物或者其它物体进入监控区域，阻断激光测量线路时，测量结果明显偏离正常值，应该剔除。同时对于高速铁路而言，异物入侵检测也是防灾系统的重要一环。本发明在检测出存在异物入侵时，可以自动启用摄像机进行抓拍和回传，为后方的调度、工务、电务等部门提供图像信息。通过正确性检验的雪深测量数据，加上时间戳以及位置编号，才可以输出到传输层的无线转发模块，进而转发给数据中心。未通过正确性检验的雪深测量数据，根据表1，依据错误类型，建立错误报告日志，进行本地存储，可以供后方进行查询和下载。根据表2，当雪深等级发生跳变时，表明积雪覆盖情况发生了较大的变化，因此有必要通知后方监控中心，引起相关部门注意。此时，前端处理模块自动调用摄像机抓拍和录像，并回传到数据中心，当网络状况不佳时，可以先对图片和视频进行缓 存，待网络状况好转时继续传输。

步骤4：无线转发模块支持APN/VPDN等方式接入运营商专用网络，支持PPTP/L2TP/GRE/IPSec VPN，支持SSH方式登录，使得应用数据在多层安全保障链路上传输，提高了无线应用的可靠性和安全性。无线转发模块具有多个RJ45接口和RS232/RS485接口，可以和前端处理模块经以太网线进行连接。无线转发模块还可以为下位机提供数据转发。无线转发模块拨号上网后，通过VPN方式与数据中心进行连接，无线转发模块作为VPN客户端，主动发起对数据中心VPN服务端的连接，在公网上架设安全局域网，实现数据交互。对无线转发模块进行VPN配置，这里采用PPTP协议。此外，无线转发模块也支持有线传输，在监控网络已经部署完善的区段，也可以将无线转发模块通过有线方式接入到附近的监控单元，以保证数据传输的可靠性和实时性。

步骤5：本例中，服务层主要是指铁路局数据中心以及各级服务终端，包括：行车调度、工务、电务等部门。数据中心能够接收管辖区段内上传的监测数据，通过相关阈值和业务流程生成监测数据报告，以及文本、图形、音频等报警信息，如表4，当积雪厚度达到一定值时，需要对列车限速运行，以保证行车安全。数据中心还具有对监测数据和错误报告进行存储功能，同时也可以为各级服务终端提供数据分发服务。此外，数据中心还具备对监测数据按固定时段和按固定日期进行数据统计分析的功能，为调度和维修管理人员提供现场监测数据、报警信息以及事故记录等信息的查询、报表功能。最后，数据中心提供完善的系统管理服务，包括基础数据维护，系统运行参数配置，访问事件日志以及权限管理功能。

表4雪深警戒值以及限速模式

枕面积雪厚度/cm	限速模式
		小于2.5cm	按灾害监测系统报警提示运行
2.5cm～5.0cm	限速160km/h
		5.0cm～10.0cm	限速120km/h
大于10.0cm	限速100km/h及以下，直至停运

换句话说：本发明融合视频检测技术和激光测距技术的复合雪深 监测系统的部署和使用步骤如下：

(1)设备的部署。从系统的空间物理位置来看，系统分为室内部分：服务层的数据中心；以及室外部分的感知层、处理层和传输层。其中所述感知层主要包括高分辨率网络摄像机、激光传感器、倾角传感器。所述处理层包括前端处理模块。所述传输层包括无线转发模块。所述网络摄像机和激光传感器一般安装在立柱或者墙壁等可以附着的稳定基础设施上，网络摄像机和激光传感器探头都与地面有一定的倾角(一般根据需要在45°左右)。所述倾角传感器用来测量激光传感器和地面的倾角，因此一般和激光探头绑定。所述网络摄像机安装位置略高于(上方约0.5m处)激光传感器的探头位置，其观察的视角范围要能够覆盖激光测量点及其周边一定区域。所述处理层的前端处理模块一般置于一个独立的电器柜内，固定在立柱上或者埋设在探测点下方的地面，前端处理模块应该满足在高低温(-30℃～60℃)等不利因素下的正常运行，否则需在电器柜中加装保温装置。所述无线转发模块经以太网口或RS232/RS485接口与处理器连接，通过拨号上网的方式把采集的数据经公网传输给数据中心，无线转发模块的主机部分可以与前端处理模块一起布置在电器柜中，只需将天线置于外侧便于信号传输。

(2)激光传感器以一定的频率发射激光束，再通过接收器接收反射的激光信号，计算出反射点到接收器的距离。首先测量出接收器和测量参考面的距离作为基准值，然后在后续的测量中通过与基准值作差，得到参考面和积雪面的倾斜高度。倾角传感器测量出激光传感器探头的倾斜角度，通过三角关系得出参考面和积雪面的垂直高度，也即雪深值。

(3)网络摄像机的分辨率最高可达1920*1080，支持ICR红外滤片式自动切换,实现日夜监控，支持最大64G存储卡进行本地存储，支持20路同时访问以及手机监控，具有透雾、防抖、电子去噪、强光抑制等功能。网络摄像机将监测点附近的视频信息实时采集，将压缩视频流转发给处理层的前端处理模块，前端处理模块对图像进行滤波、平滑、对比度增强等一系列预处理。降雪信息和异物入侵识别，通过 和预存的模板进行匹配判断出监测点是否有积雪覆盖以及是否存在异物入侵，得到识别结果，以利于数据融合。然后通过高斯背景建模的方法对采集到的图像进行前景提取，根据雪花对光线的反射特性和雪花的尺度模型定义筛选规则，对前景中的像素点进行筛选，选出最可信的雪花像素点(块)，然后对雪花像素点(块)的数量进行统计，将雪花像素点的覆盖比例作为雪花密度的一个特征量，最后对雪花密度进行分级，估计出当前的降雪强度。

(4)对雪深测量数据的正确性检验，通过对摄像机拍摄的监测点周边图像进行雪覆盖检测、异物入侵检测以及降雪强度评估，生成判据IC(is covered)和判据IT(isintruded)以及降雪强度IS(Intensity of Snow)。正确性检验流程图，见图4。

通过正确性检验的雪深测量值作为系统的输出值，经无线转发模块发送给数据中心，对于未通过正确性检验的测量值，根据检验流程生成的错误报告日志进行本地存储，也可以在数据中心下载。错误类型主要包括如下几种：

表1错误类型分类和处理方式

(5)网络摄像机具有自动抓拍和录像功能，前端处理模块根据上述方法计算得到的雪深值控制网络摄像机抓拍和录像，根据表2对雪深值的分级定义，当雪深值从一个等级变化到另一个等级时，启动网络摄像机抓拍和录像(通常根据需要和传输能力设置录像时间)，图片和视频的命名格式包括“时间-摄像机编号-变化前雪深等级-当前雪深等级”，即：yyyymmddhhmmNNBA,如：“20141230152407BC”表示：2014年12月30日15时24分07号摄像机雪深等级由B级变为C级。 此外，当前端处理模块识别出异物入侵或监测点有遮挡物时启动摄像机抓拍，可以将抓拍的图片进行本地存储，也可以根据网络情况，先将图片进行缓存再发送给数据中心。

表2雪深等级分类和触发动作

雪深值/mm	等级	触发动作
			小于25	A	抓拍、录像
25～50	B	抓拍、录像
			50～100	C	抓拍、录像
大于100	D	抓拍、录像

本发明的融合视频检测技术和激光测距技术的复合雪深监测系统采用视频检测技术和激光测距技术精确测量积雪深度，根据对监测数据的融合可以实时评估出当前的降雪情况，还可以对未来一段时间的雪情进行短期预测，为发布雪灾报警和决策提供信息支持。

以上所述，仅为本发明在高速铁路雪深监测方面的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种融合视频检测技术和激光测距技术的复合雪深监测装置，其特征在于，包括：感知层、处理层、传输层和服务层，感知层将采集到的信息发送给处理层，处理层实时处理接收的信息，并将经过检验的测量值发送给传输层，服务层用于将传输层上传的数据在数据中心进行存储和分发给各级服务终端；感知层包括激光传感器、倾角传感器和网络摄像机；处理层包括前端处理模块；传输层包括无线转发模块，具有有线和无线转发功能；服务层包括数据中心和各级服务终端；

感知层的网络摄像机的分辨率为1920*1080，支持I CR红外滤片式自动切换，支持最大64G存储卡进行本地存储，支持20路同时访问以及手机监控；

感知层的网络摄像机和激光传感器的探头与地面的倾角约为45°，网络摄像机位于激光传感器的探头上方约0.5m处位置，激光传感器距轨枕面的高度约为4m；

感知层的激光传感器和倾角传感器绑定为一体，倾角传感器的测量轴与激光器发射的激光平行，二者封装在同一护罩中，护罩中加装有恒温装置；

处理层的前端处理模块距轨枕面的高度约为1.25m，该前端处理模块包括内置的图像处理软件，数据融合算法和网络通信软件；

传输层的无线转发模块具有多个RJ45接口和RS232/RS485接口，支持多种传输协议和功能的3G无线路由，具有VPN和DTU功能；

包括以下步骤：

S1.感知层的激光传感器和倾角传感器将采集的数据传输至处理层的前端处理模块；

S2.感知层的网络摄像机实时采集视频信息，并将压缩视频流转发给处理层的前端处理模块，前端处理模块对图像进行预处理；

S3将步骤S1的激光测距结果和步骤S2的视频检测结果进行数据融合，经过正确性检验的雪深测量数据被输出到传输层的无线转发模块，进而转发给服务层的数据中心，对于未通过正确性检验的测量值，根据检验流程生成的错误报告日志进行本地存储，或在数据中心下载；

步骤S1中激光传感器每隔5秒钟采集一次雪深数据，步骤S2中前端处理模块的图像处理软件每隔1秒提取一张现场监控画面；

步骤S1中，激光传感器发射激光束，其接收器接收反射的激光信号，计算出反射点到接收器的距离；测量出接收器和测量参考面的距离作为基准值，在后续的测量中通过与基准值作差，得到参考面和积雪面的倾斜高度；倾角传感器测量出激光传感器探头的倾斜角度，通过三角关系得出参考面和积雪面的垂直高度，即，雪深值；

步骤S2中，将采集到的无雪时的监控画面作为背景模板，通过将采集到的图像和背景模板进行对比，判断是否存在异物入侵或是否有雪覆盖；基于高斯背景建模方法对采集的图像提取运动前景，从雪花对光线的反射特性和雪花的几何特征来识别雪花像素点，经过筛选统计出雪花像素点的覆盖比例，进而评估出当前的降雪等级；

步骤S3中当雪深测量数据从一个等级变化到另一个等级时，处理层的前端处理模块启动网络摄像机抓拍和录像，并回传到数据中心。