CN109801327A - 一种基于视频数据的城市内涝积水深度信息提取方法 - Google Patents
一种基于视频数据的城市内涝积水深度信息提取方法 Download PDFInfo
- Publication number
- CN109801327A CN109801327A CN201811574435.1A CN201811574435A CN109801327A CN 109801327 A CN109801327 A CN 109801327A CN 201811574435 A CN201811574435 A CN 201811574435A CN 109801327 A CN109801327 A CN 109801327A
- Authority
- CN
- China
- Prior art keywords
- ponding
- state
- under
- under non
- depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公布了一种基于视频数据的城市内涝积水深度信息提取方法,本发明将城市中泛在的且具有积水指示作用的地物作为积水参照物;构建非积水状态下的正负样本库,然后基于梯度方向直方图Hog和SVM分类器实现积水参照物的自动检测,得到积水参照物的外接矩形框;分别利用Grab Cut等图像分割算法提取外接矩形框中非积水状态和积水状态下的同一参照物精确目标;求取非积水状态下的参照物精确目标与积水状态下的同一参照物精确目标高度的差异,即为积水深度信息;推断积水参照物实际空间位置。本发明突破了现有内涝积水深度监测手段成本高、空间精度底、可移植性差等问题,在水利信息化、城市排水和海绵城市等领域具有广阔的应用前景。
Description
技术领域
本发明涉及一种基于视频数据的城市内涝积水深度信息提取方法,技术应用领域为水利信息化、城市水务和海绵城市。
背景技术
城市内涝严重威胁人民群众的生命和财产安全,已成为社会热点问题。空间详细的城市内涝积水深度信息是排水防涝的决策基础和科学依据,可以有效预防并减少内涝危害。
已有的城市内涝积水深度监测方法可分为三类:城市积水监测的人工手段、基于水位传感器的积水监测手段和基于图像处理的城市积水监测手段。城市积水监测的人工手段之一是在城市内涝的高发地点安装水位标尺,用以警示市民避开积水路段。该方式要求市民须抵达水位标尺的可视范围,才能通过水位标尺观察水深,提前预警的效果大打折扣。此外,人工视频监控是另外一种常用的水位监测手段,利用社会治安和交通等部门的视频监控平台,可对城市积水过程进行实时监控。该方式要求业务人员花费大量的时间通过目视判读、手动记录和发布积水信息,难以推送准确和实时的城市积水信息。
基于水位传感器的城市积水监测手段有压力水位计、超声波水位计、雷达水位计、激光水位计和电子水尺等。水位传感器在终端直接计算积水深度,实时性好,传输快捷;然而由于价格高昂,易受外界气温、湿度等环境因素的影响,在使用安装、日常维护等方面均存在一定的局限性,制约了其在城市中的广泛部署,一般重点部署在城市内涝的敏感地段。
为克服传统水位传感器价格高昂、安装维护困难的缺点,基于边缘检测技术的水位监测手段开始受到人们的关注。其基本原理是利用摄像头获取含有水位标记尺等水位参照物的视频或图像,基于边缘检测技术提取水体所对应的水位参照物的刻度或位置,从而实现水位(水深)的自动提取。然而,现有的人工安装水位标尺或手动选择水位参照物的方法费时费力,很难满足城市大范围积水监测的要求。现有的基于边缘检测的积水深度提取方法面向单一参照物,且需要手动设置方法参数阈值,适配性和智慧化程度较低。该方法目前尚未能在城市内涝监测中得到有效应用。
综合以上分析,现有的城市积水监测手段存在诸多问题,难以满足城市内涝监测预报的实际需求。
发明内容
本发明针对现有技术的不足,提供一种基于视频数据的城市内涝积水深度信息提取方法,能够从视频大数据中识别出城市中的泛在积水参照物,并基于泛在水位参照物自动提取城市范围内的积水深度和积水位置信息。
本发明的技术解决方案为:选取城市常见的地物作为积水参照物;构建非积水状态下的正负样本库;然后基于Hog和SVM分类器实现积水参照物的自动检测,得到积水参照物的外接矩形框;分别利用Grab Cut等图像分割算法提取外接矩形框中非积水状态和积水状态下的参照物精确目标;求取非积水状态下的参照物精确目标与积水状态下的同一参照物精确目标高度的差异,即为积水深度信息;基于摄影测量基本原理,利用摄像机焦距参数推断积水参照物实际空间位置。具体步骤如下:
(1)积水参照物类型的选取,将城市泛在的且具有积水指示作用的地物作为积水参照物(例如,行人、车辆、电线杆、隔离墩、护栏、信箱等);
(2)构建样本库和训练SVM,①构建多种光照条件(包括夜间)和天气条件下的正负样本库,其中,正样本为非积水状态下积水参照物的视频图片,负样本为非积水状态下参照物周围环境的视频图片;②提取所有正、负样本的Hog描述特征;③使用Hog描述特征和样本类别标签训练SVM分类器。从视频中自动检测出积水参照物,利用SVM分类器检测非积水状态下视频图像,识别出非积水状态下视频图像中积水参照物,并输出其外接矩形框,该外接矩形框同时作为积水状态下同一积水参照物的外接矩形框r;
(3)非积水状态下参照物精确提取,①指定积水参照物外接矩形框r为用于限定需要进行分割的图像范围,r同时包含了积水参照物及背景;②在r外部设定背景区域矩形框R,R比r的范围稍大即可,R与r之间的像素充当背景;③在非积水状态下参照物与路面背景差异明显,Grab Cut仅利用背景像素进行算法训练,便可精确分割出参照物;
(4)积水状态下参照物精确提取,①利用Grab Cut提取积水状态下的积水参照物,由于积水状态下背景复杂,Grab Cut很难提取精确的积水参照物,会混淆一部分背景地物,Grab Cut可能无法将其区分出来,需要进行后续步骤②、③进一步处理;②将非积水状态下参照物的轮廓与积水状态下同一积水参照物轮廓作差异处理,在左右轮廓处分别寻找“差异点”,两差异点的连线即为水位线;③将水位线以下部分去除,即可得到积水状态下精确的积水参照物;
(5)积水深度计算,求取非积水状态下的参照物精确目标与积水状态下的参照物精确目标高度的像素值差异,然后结合参照物的真实高度,通过线性变换计算得到真实积水深度;
(6)推断出积水发生的空间位置,根据摄影测量的基本原理,利用摄像机焦距参数推断积水参照物空间位置。①利用公式:求取参照物到相机的距离,其中,d为参照物到相机的距离,f为相机焦距,l为参照物在图像的高度,h为参照物实际高度。由于相机一般指向街道,且道路宽度一般不超过数十米,可根据相机位置和参照物与相机之间的距离d,大致推断出参照物的地理位置。
本发明的有益效果:
本发明有效利用城市中已经普及的视频监控数据作为数据源提取积水深度信息,极大地降低了监测成本;本发明以城市常见的地物作为积水参照物提取积水深度,不需要安装特定参照物和设置经验参数,具有良好的普及性;本发明可计算得到精确的积水参照物,从而保证积水深度的准确提取。综上,本发明具有经济成本低、智能化程度高、精度高、易在城市中普及应用等优点,从而可用于获取空间详细的城市内涝积水深度信息。
附图说明
图1为本发明的实现流程示意图。
图2为积水参照物自动检测流程图;
图3为提取非积水状态下积水参照物精确目标;
图4(A)为确定目标外接矩形和背景区域;
图4(B)为求取积水状态下初始目标;
图4(C)求取轮廓差异点,得到水位线;
图4(D)根据水位线求取精确目标;
图5为摄影测量基本原理图;
图6为由相机位置推算参数物大致位置示意图;
具体实施方式
下面结合如图1所示的流程图,以城市道路中常见的交通设施之一隔离墩作为参照物为例,说明本发明的具体实施方法:
(1)选择城市道路中常见的隔离墩作为积水参照物,该参照物外观形态,位置和高度等基本信息已知;相机选择枪型机,相机的位置和焦距参数已知。
(2)收集相机采集的视频数据,该视频数据包含非积水状态和积水状态。上述两种状态下的视频数据均包含同一个隔离墩。构建非积水状态下多种光照条件和天气条件下的正负样本库,其中,正样本为非积水状态下积水参照物的视频图片,负样本为非积水状态下参照物周围环境的视频图片。
(3)根据图2所示流程,可利用OpenCV实现积水参照物自动检测,具体步骤为:①提取所有正、负样本的Hog描述特征;②利用Hog描述特征和样本类别标签训练SVM分类器;③利用训练好的SVM分类器检测出非积水状态下输入的视频图像,识别出图像中的积水参照物,输出其外接矩形r,r同时作为积水状态下同一积水参照物的外接矩形框。
(4)利用Grab Cut提取非积水状态下的参照物精确目标,具体步骤如下:①指定积水参照物外接矩形框r为用于限定需要进行分割的图像范围,r同时包含了积水参照物及其背景;②在r外部设置背景区域矩形框R,R比r的范围稍大即可,R和r之间的像素充当背景;③在非积水状态下参照物与路面背景差异明显,Grab Cut可以精确分割出参照物,如图3所示。
(5)利用Grab Cut提取积水状态下的参照物精确目标,具体步骤如下:①按照(4)所述流程使用同一R和r(图4A)提取积水状态下的参照物的初始目标(图4B);②将非积水状态下参照物的轮廓与积水状态下同一积水参照物轮廓做差异处理,在左右轮廓处分别寻找“差异点”,两差异点的连线即为水位线(图4C);③将水位线以下部分去除,即可得到积水状态下精确的积水参照物(图4D)。
(6)计算积水深度,求取非积水状态下的参照物精确目标与积水状态下的同一参照物精确目标高度的像素值差异,然后结合参照物的真实高度,通过线性变换计算得到真实积水深度。
(7)积水空间位置推断,积水参照物空间位置代表积水的空间位置。自动检测方法得到积水参照物在视频图像上的位置,在实际内涝积水预警中需要获知积水点的确切地理位置。假定相机为枪型机,根据摄影测量基本原理(图5),在相机非标定状态下,利用相机焦距参数推断积水参照物空间位置。首先,利用公式:求取参照物到相机的距离,其中,d为参照物到相机的距离,f为相机焦距,l为参照物在图像的高度,h为参照物实际高度。枪型相机一般指向街道,且道路宽度w一般不超过数十米,可根据相机位置和参照物与相机之间的距离d(这里假设d为沿道路方向的直线距离),大致推断出参照物的地理位置(图6)。
Claims (1)
1.一种基于视频数据的城市内涝积水深度信息提取方法,其特征在于,该方法包括如下步骤:
(1)积水参照物类型的选取,将城市中泛在的且具有积水指示作用的地物作为积水参照物;
(2)构建样本库和训练SVM
①构建多种光照条件和天气条件下的正负样本库,其中,正样本为非积水状态下积水参照物的视频图片,负样本为非积水状态下参照物周围环境的视频图片;
②提取所有正、负样本的Hog描述特征;
③使用Hog描述特征和样本类别标签训练SVM分类器;
(3)从视频中自动检测出积水参照物
①利用训练好的SVM分类器对非积水状态下的输入图像进行检测,识别出非积水状态下视频图像中积水参照物;
②输出积水参照物的外接矩形框,该外接矩形框同时也作为积水状态下同一积水参照物的外接矩形框r;
(4)非积水状态下参照物精确提取
①指定积水参照物外接矩形框r为用于限定需要进行分割的图像范围,r同时包含了积水参照物及背景;
②在r外部设定背景区域矩形框R,R的范围大于r的范围即可,R与r之间的像素充当背景;
③在非积水状态下参照物与路面背景差异明显,使用Grab Cut利用背景像素进行算法训练,精确分割出参照物;
(5)积水状态下参照物精确提取
①利用步骤(4)的方法提取积水状态下的积水参照物;
②将非积水状态下参照物的轮廓与积水状态下同一积水参照物轮廓作差异处理,在左右轮廓处分别寻找“差异点”,两差异点的连线即为水位线;
③将水位线以下部分去除,即可得到积水状态下精确的积水参照物;
(6)积水深度计算,求取非积水状态下的参照物精确目标与积水状态下的同一参照物精确目标高度的像素值差值,然后结合参照物的真实高度,通过线性变换计算得到真实积水深度;
(7)积水空间位置推断,根据摄影测量的基本原理,利用摄像机焦距参数推断积水参照物空间位置:
①利用公式:求取参照物到相机的距离,其中,d为参照物到相机的距离,f为相机焦距,l为参照物在图像的高度,h为参照物实际高度;
②根据相机位置和参照物与相机之间的距离d,推断出参照物的地理位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574435.1A CN109801327B (zh) | 2018-12-21 | 2018-12-21 | 一种基于视频数据的城市内涝积水深度信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574435.1A CN109801327B (zh) | 2018-12-21 | 2018-12-21 | 一种基于视频数据的城市内涝积水深度信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109801327A true CN109801327A (zh) | 2019-05-24 |
CN109801327B CN109801327B (zh) | 2020-07-21 |
Family
ID=66557390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574435.1A Active CN109801327B (zh) | 2018-12-21 | 2018-12-21 | 一种基于视频数据的城市内涝积水深度信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801327B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
CN111127405A (zh) * | 2019-12-09 | 2020-05-08 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
TWI749770B (zh) * | 2020-09-16 | 2021-12-11 | 英業達股份有限公司 | 淹水警示方法 |
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
CN113823088A (zh) * | 2021-09-11 | 2021-12-21 | 淮阴工学院 | 基于视觉识别技术的城市道路积水深度预测及预警方法 |
CN114419901A (zh) * | 2022-01-27 | 2022-04-29 | 中国第一汽车股份有限公司 | 一种积水预警方法、装置、电子设备和存储介质 |
CN115375683A (zh) * | 2022-10-24 | 2022-11-22 | 江西省大气探测技术中心 | 基于图像处理的涝点检测方法、系统、存储介质及设备 |
CN115880627A (zh) * | 2022-05-20 | 2023-03-31 | 杭州电子科技大学 | 一种基于视频图像的内涝场景下行人风险评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074553A1 (en) * | 2008-09-22 | 2010-03-25 | Solomon Systech Limited | Method and apparatus of local contrast enhancement |
CN101789128A (zh) * | 2010-03-09 | 2010-07-28 | 成都三泰电子实业股份有限公司 | 一种基于dsp的目标检测与跟踪方法以及数字图像处理系统 |
CN105488788A (zh) * | 2015-11-24 | 2016-04-13 | 大连楼兰科技股份有限公司 | 汽车液体余量检测方法 |
CN207579869U (zh) * | 2017-12-06 | 2018-07-06 | 通号轨道车辆有限公司 | 一种轨道车辆的车顶排水结构 |
CN108621998A (zh) * | 2017-03-21 | 2018-10-09 | 奥迪股份公司 | 用于车辆的水深检测系统和方法 |
-
2018
- 2018-12-21 CN CN201811574435.1A patent/CN109801327B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074553A1 (en) * | 2008-09-22 | 2010-03-25 | Solomon Systech Limited | Method and apparatus of local contrast enhancement |
CN101789128A (zh) * | 2010-03-09 | 2010-07-28 | 成都三泰电子实业股份有限公司 | 一种基于dsp的目标检测与跟踪方法以及数字图像处理系统 |
CN105488788A (zh) * | 2015-11-24 | 2016-04-13 | 大连楼兰科技股份有限公司 | 汽车液体余量检测方法 |
CN108621998A (zh) * | 2017-03-21 | 2018-10-09 | 奥迪股份公司 | 用于车辆的水深检测系统和方法 |
CN207579869U (zh) * | 2017-12-06 | 2018-07-06 | 通号轨道车辆有限公司 | 一种轨道车辆的车顶排水结构 |
Non-Patent Citations (2)
Title |
---|
JINGCHAO JIANG ET AL.: "Extraction of Urban Waterlogging Depth from Video Images Using Transfer Learning", 《WATER》 * |
申家双等: "基于Canny算子和GAC模型相结合的影像水边线提取方法", 《测绘科学技术学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
CN111046773B (zh) * | 2019-12-05 | 2023-05-12 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
CN111127405A (zh) * | 2019-12-09 | 2020-05-08 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
CN111127405B (zh) * | 2019-12-09 | 2023-08-04 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
TWI749770B (zh) * | 2020-09-16 | 2021-12-11 | 英業達股份有限公司 | 淹水警示方法 |
CN113823088A (zh) * | 2021-09-11 | 2021-12-21 | 淮阴工学院 | 基于视觉识别技术的城市道路积水深度预测及预警方法 |
CN114419901A (zh) * | 2022-01-27 | 2022-04-29 | 中国第一汽车股份有限公司 | 一种积水预警方法、装置、电子设备和存储介质 |
CN115880627A (zh) * | 2022-05-20 | 2023-03-31 | 杭州电子科技大学 | 一种基于视频图像的内涝场景下行人风险评估方法 |
CN115880627B (zh) * | 2022-05-20 | 2023-06-16 | 杭州电子科技大学 | 一种基于视频图像的内涝场景下行人风险评估方法 |
CN115375683A (zh) * | 2022-10-24 | 2022-11-22 | 江西省大气探测技术中心 | 基于图像处理的涝点检测方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109801327B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801327A (zh) | 一种基于视频数据的城市内涝积水深度信息提取方法 | |
CN109716108B (zh) | 一种基于双目图像分析的沥青路面病害检测系统 | |
CN111259809B (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检系统 | |
KR102129893B1 (ko) | 딥러닝 네트워크 및 평균 이동을 기반으로 하는 선박 자동추적 방법 및 시스템 | |
CN107506798B (zh) | 一种基于图像识别的水位监测方法 | |
CN101281142B (zh) | 一种测量大气能见度的方法 | |
CN101957309B (zh) | 一种能见度的全天候视频测量方法 | |
CN106770087B (zh) | 油污遥感探测模块、系统及方法 | |
CN103955583B (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
CN114359181B (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
CN112149543A (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN104182992B (zh) | 一种基于全景视觉的海上弱小目标检测方法 | |
CN106803087A (zh) | 一种车号自动识别方法及系统 | |
CN110415189A (zh) | 一种基于遥感的海上溢油污染监测系统和方法 | |
Cai et al. | Measurement of vehicle queue length based on video processing in intelligent traffic signal control system | |
CN115060343B (zh) | 一种基于点云的河流水位检测系统、检测方法 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN105184308A (zh) | 一种基于全局优化决策的遥感图像建筑物检测分类方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN113823088A (zh) | 基于视觉识别技术的城市道路积水深度预测及预警方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN108198422A (zh) | 一种基于视频影像的道路积水提取系统和方法 | |
Bahety et al. | Automatic quantification and visualization of street trees |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190524 Assignee: Nanjing Qishengyun Information Technology Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2021330000845 Denomination of invention: A method for extracting depth information of urban waterlogging based on video data Granted publication date: 20200721 License type: Common License Record date: 20211225 |
|
EE01 | Entry into force of recordation of patent licensing contract |