CN114594533A - 一种基于自适应高斯混合算法的视频雨量监测方法与装置 - Google Patents

一种基于自适应高斯混合算法的视频雨量监测方法与装置 Download PDF

Info

Publication number
CN114594533A
CN114594533A CN202210504229.3A CN202210504229A CN114594533A CN 114594533 A CN114594533 A CN 114594533A CN 202210504229 A CN202210504229 A CN 202210504229A CN 114594533 A CN114594533 A CN 114594533A
Authority
CN
China
Prior art keywords
raindrop
rainfall
camera
video
frame
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.)
Pending
Application number
CN202210504229.3A
Other languages
English (en)
Inventor
陈华
鄢康
黄凯霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210504229.3A priority Critical patent/CN114594533A/zh
Publication of CN114594533A publication Critical patent/CN114594533A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Hydrology & Water Resources (AREA)
  • Geometry (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明涉及一种基于自适应高斯混合算法的视频降雨测量方法及装置。视频降雨测量方法包括：基础数据收集与处理；对降雨视频逐帧分离背景和雨滴，得到雨纹二值化图；根据透镜方程和终端速度假设，进行雨滴定位和实际尺寸推求，并筛选出景深内的雨滴；统计景深内雨滴尺寸分布，拟合Gamma分布雨滴谱，从而推求降雨量。视频降雨测量装置包括相机参数获取部、雨滴识别分离部、雨滴尺寸统计部、降雨量计算部、输入显示部、控制部。本发明提出的基于视频的非接触式降雨量测量方法可实时监测降雨量，经济快捷，且具有较高的时空分辨率。

Description

一种基于自适应高斯混合算法的视频雨量监测方法与装置
技术领域
本发明属于水文监测技术领域，具体涉及一种基于自适应高斯混合算法的视频雨量监测方法与装置。
背景技术
降水作为水文循环基本三要素之一，降水量的监测预报对水文模拟及洪水预报提供了数据基础。基于视频的河道流量和水位监测，已起到了不错的效果，基于视频的降雨量监测也成为一个新颖的研究方向。不同于传统降雨监测技术，城市、乡村和野外水利工程中广泛分布的监控摄像头可以监测完整的降雨过程，具有实时性及较高的时空分辨率。然而当前视频测雨算法的雨滴识别和尺寸计算精确性有限，降雨量计算准确性有待提高。具体问题是：（1）现有算法一般都需要进行一些重要参数设置，根据不同降雨事件或场景进行改变，仅适用于有限的场景，难以适应实时降雨监测的要求；（2）雨滴识别的精确性和准确性与算法计算时间成本之间存在矛盾；（3）没有充分考虑雨滴运动的模糊视觉效应和相机景深问题，无法对雨滴实际尺寸精确计算。
近年，监控摄像头广泛分布，计算机视觉技术不断发展，在基于视频的降雨量计算中，如果充分考虑雨滴在相机光学成像中的规律，得到更为精确的雨滴尺寸信息，并在降雨视频的雨滴识别中的准确性和计算效率之间找到一个平衡，对于提高降雨量的计算精度和实时性有显著意义，可对暴雨洪水预警和实时洪水预报等提供数据支撑。
发明内容
本发明针对现有技术的不足，提供一种基于自适应高斯混合算法的视频雨量监测方法与装置，实现对降雨过程的高精度实时监控。
为了达到上述目的，本发明提供的技术方案是一种基于自适应高斯混合算法的视频雨量监测方法，包括以下步骤：
步骤1，初次测雨前的准备工作；
步骤1.1，考察测雨地点，配置测雨基础设施；
步骤1.2，采集降雨视频；
步骤1.3，收集基础参数和景深信息；
步骤2，逐帧分离降雨视频中的背景和雨滴，得到逐帧雨纹二值图；
步骤3，逐帧对步骤2得到雨纹二值化图进行形态学分析，并根据透镜方程推求各个雨滴距相机的距离；
步骤4，利用步骤3求得的各个雨滴距相机的距离筛选出景深内的雨滴，计算景深内雨滴的实际直径，拟合雨滴密度分布函数；
步骤5，利用步骤4拟合的雨滴密度分布函数计算降雨量。
而且，所述步骤1.1中对测雨地点进行考察，选择的位置应具有足够的视野以保证降雨事件的完整监测，同时应避开容易对设备造成损害的环境。配置视频录制、传输所需要的供电、传输等基础设施，包括用于拍摄的高清相机、电源、固定载具、用于传输数据的桥接设备、远端PC设备。
而且，所述步骤1.2先将摄像头架在拍摄的固定平台上，调整拍摄角度和焦距使得视野能清晰地拍摄近景深的雨滴，然后使用相机对降雨事件进行拍摄，通过桥接设备传输至PC终端进行初步审核，检查视频帧数、是否有破损帧，并将符合要求的视频序列转入预处理阶段，不符合的予以删除。
而且，所述步骤1.3中收集的基础参数包括相机焦距f、成像最清晰的位置距相机距离、镜头数、曝光时间、最大允许弥散圆、视频帧率、拍摄图像的分辨率、单幅图像的垂直和水平尺寸；
景深为近焦距和远焦距所在两焦平面之间的锥形范围，近焦距和远焦距的表达式为：
Figure 528622DEST_PATH_IMAGE001
（1）
Figure 914604DEST_PATH_IMAGE002
（2）
式中，
Figure 366445DEST_PATH_IMAGE003
为近焦距，
Figure 496075DEST_PATH_IMAGE004
为远焦距，f为相机焦距，
Figure 472297DEST_PATH_IMAGE005
为成像最清晰的位置距相机 距离，F为镜头数，
Figure 763601DEST_PATH_IMAGE006
为最大允许弥散圆。
而且，所述步骤2中对步骤1获取的降雨视频逐帧分析，使用自适应高斯混合模型算法分离出降雨视频中每帧的雨纹，即雨滴在相机曝光时间的下落轨迹，得到逐帧雨纹二值图。
而且，所述步骤3中逐帧对步骤2得到雨纹二值化图进行形态学分析，利用最小外 接矩形对每个雨纹进行外接，认为最小外接矩形的长和宽分别为雨纹的长和宽，根据相机 像素和单幅图像尺寸换算关系，得到图像中雨纹的长
Figure 765055DEST_PATH_IMAGE007
和宽
Figure 636059DEST_PATH_IMAGE008
；根据透镜方程推得雨滴 的实际直径D和雨滴在相机曝光时间的下落距离L关于雨滴距相机的距离u的表达式为：
Figure 39359DEST_PATH_IMAGE009
（3）
Figure 501564DEST_PATH_IMAGE010
（4）
式中，f为相机焦距，
Figure 426533DEST_PATH_IMAGE007
和
Figure 897965DEST_PATH_IMAGE008
分别为视频帧图像中雨纹的长度和宽度；
雨滴下落速度
Figure 359034DEST_PATH_IMAGE011
的表达式为：
Figure 460982DEST_PATH_IMAGE012
（5）
式中，
Figure 437028DEST_PATH_IMAGE013
为相机的曝光时间，L为雨滴在相机曝光时间的下落距离，D为雨滴的实际 直径；
根据终端速度假设，认为雨滴的下落速度
Figure 885720DEST_PATH_IMAGE011
就是终端速度
Figure 998033DEST_PATH_IMAGE014
，雨滴终端速度 表达式为Atlas雨滴终端速度经验公式，即：
Figure 67620DEST_PATH_IMAGE015
（6）
由公式（3）、式（4）、式（5）、式（6）联立求得各个雨滴距相机的距离u：
Figure 468645DEST_PATH_IMAGE016
（7）
式中，
Figure 281881DEST_PATH_IMAGE017
，
Figure 950497DEST_PATH_IMAGE018
，
Figure 190986DEST_PATH_IMAGE019
，
Figure 876045DEST_PATH_IMAGE020
是指 朗伯W函数，是
Figure 430654DEST_PATH_IMAGE021
的反函数，用于求解包含指数函数
Figure 517559DEST_PATH_IMAGE022
的方程，f为相机焦距，
Figure 928949DEST_PATH_IMAGE023
是曝光时间。
而且，所述步骤4中通过不等式
Figure 540452DEST_PATH_IMAGE024
筛选出景深内的雨滴，由式（4）利用 景深内雨滴实际直径大小D，统计各直径区间大小
Figure 695490DEST_PATH_IMAGE025
内的雨滴数目
Figure 840163DEST_PATH_IMAGE026
，
Figure 688033DEST_PATH_IMAGE025
根据雨型 确定，从而拟合Gamma分布雨滴谱，Gamma分布雨滴谱表达式为：
Figure 285368DEST_PATH_IMAGE027
（8）
式中，D为景深内雨滴的实际直径，
Figure 978518DEST_PATH_IMAGE028
是雨滴密度分布函数，
Figure 7391DEST_PATH_IMAGE029
是常数，
Figure 26163DEST_PATH_IMAGE030
是 与雨强有关的参数，
Figure 110793DEST_PATH_IMAGE031
是形状因子。
而且，所述步骤5是利用步骤4拟合的雨滴密度分布函数，结合Atlas雨滴终端速度经验公式，求解降雨量R；
降雨量R计算方式如下：
Figure 607634DEST_PATH_IMAGE032
（9）
式中，D为景深内雨滴的实际直径，
Figure 523637DEST_PATH_IMAGE028
为步骤4所拟合得到的雨滴密度分布函 数，
Figure 385414DEST_PATH_IMAGE033
为Atlas雨滴终端速度经验公式。
本发明还提供一种基于自适应高斯混合算法的视频雨量监测装置，包括相机参数获取部、雨滴识别分离部、雨滴尺寸统计部、降雨量计算部、输入显示部、控制部。
相机参数获取部，调整拍摄角度和焦距使视野能清晰地拍摄近景深的雨滴，获取 基本相机参数包括相机型号、焦距f、成像最清晰的位置距相机距离
Figure 521123DEST_PATH_IMAGE034
、镜头数F、曝光时间
Figure 556075DEST_PATH_IMAGE013
、最大允许弥散圆
Figure 529847DEST_PATH_IMAGE006
、视频帧率、拍摄图像的分辨率、单幅图像的垂直和水平尺寸，得到 景深信息，景深为近焦距和远焦距所在两焦平面之间的锥形范围。
雨滴识别分离部，通过图像获取装置对降雨事件进行视频采集，采用自适应高斯混合模型算法进行雨滴分离，得到逐帧雨纹二值化图。
雨滴尺寸统计部，根据雨滴识别分离部得到的雨纹二值化图和相机参数获取部确 定的相机像素和单幅图像尺寸换算关系，得到图像中雨纹的长
Figure 359263DEST_PATH_IMAGE007
和宽
Figure 480802DEST_PATH_IMAGE008
，并求得各雨滴 物距u，筛选出景深内的雨滴，统计雨滴尺寸分布，拟合雨滴谱N(D)。
降雨量计算部，根据雨滴尺寸统计部获得的雨滴谱参数，并结合雨滴终端速度与直径之间的经验关系，计算得到降雨量R。
输入显示部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计、降雨量计算部和控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
控制部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计部和降雨量计算部均通信相连，并控制它们的运行。
与现有技术相比，本发明具有如下优点：
1）利用自适应高斯混合模型算法进行雨滴识别，可适应多种场景变化，且计算效率高；
2）在雨滴尺寸计算过程中充分相机光学成像规律和景深问题，并基于雨滴谱计算降雨量，降低了因雨滴识别不准确导致的不确定性，提高了降雨量测量精度，可实时监测降雨量，经济快捷，且具有较高的时空分辨率。
附图说明
图1为本发明实施例的流程图。
图2为本发明雨纹二值化图示意图。
图3为本发明雨滴成像光学分析示意图。
具体实施方式
本发明提供一种基于自适应高斯混合算法的视频雨量监测方法与装置，下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，一种基于自适应高斯混合算法的视频雨量监测方法，可分为初次测雨前的准备、雨滴识别分离、雨滴尺寸统计、降雨量计算四个部分，具体步骤如下：
步骤1，初次测雨前的准备工作。
步骤1.1，考察测雨地点，配置测雨基础设施。
对测雨地点进行考察，选择的位置应具有足够的视野以保证降雨事件的完整监测，同时应避开容易对设备造成损害的环境。配置视频录制、传输所需要的供电、传输等基础设施，包括用于拍摄的高清相机、电源、固定载具、用于传输数据的桥接设备、远端PC设备。
步骤1.2，采集降雨视频。
首先将摄像头架在拍摄的固定平台上，调整拍摄角度和焦距使得视野能清晰地拍摄近景深的雨滴，然后使用相机对降雨事件进行拍摄，通过桥接设备传输至PC终端进行初步审核，检查视频帧数、是否有破损帧，并将符合要求的视频序列转入预处理阶段，不符合的予以删除。
步骤1.3，收集基础参数和景深信息。
基础参数包括相机焦距f、成像最清晰的位置距相机距离
Figure 522708DEST_PATH_IMAGE034
、镜头数F、曝光时间
Figure 380680DEST_PATH_IMAGE013
、最大允许弥散圆
Figure 646576DEST_PATH_IMAGE006
、视频帧率、拍摄图像的分辨率、单幅图像的垂直和水平尺寸。
景深为近焦距
Figure 989833DEST_PATH_IMAGE003
和远焦距
Figure 632167DEST_PATH_IMAGE004
所在两焦平面之间的锥形范围。近焦距
Figure 314952DEST_PATH_IMAGE003
和远焦 距
Figure 751750DEST_PATH_IMAGE004
的表达式为：
Figure 582302DEST_PATH_IMAGE001
（1）
Figure 88432DEST_PATH_IMAGE002
（2）
步骤2，雨滴识别分离。
对步骤1获取的降雨视频逐帧分析，使用开源的背景消除算法——自适应高斯混合模型算法（MOG2, Mixture of Gaussians），分离出降雨视频中每帧的雨纹（即雨滴在相机曝光时间的下落轨迹），得到逐帧雨纹二值图，如图2所示。
步骤3， 雨滴尺寸统计。
逐帧对步骤2得到雨纹二值化图进行形态学分析，利用最小外接矩形对每个雨纹 进行外接，认为最小外接矩形的长和宽分别为雨纹的长和宽，根据相机像素和单幅图像尺 寸换算关系，得到图像中雨纹的长（
Figure 625723DEST_PATH_IMAGE007
，mm）和宽（
Figure 233422DEST_PATH_IMAGE008
，mm）。
如图3所示，根据透镜方程推得雨滴的实际直径D和雨滴在相机曝光时间的下落距离L关于雨滴距相机的距离u的表达式为：
Figure 285692DEST_PATH_IMAGE009
（3）
Figure 269828DEST_PATH_IMAGE010
（4）
式中，f为相机焦距，
Figure 927206DEST_PATH_IMAGE007
和
Figure 204341DEST_PATH_IMAGE008
分别为视频帧图像中雨纹的长度和宽度。
雨滴下落速度
Figure 9486DEST_PATH_IMAGE011
的表达式为：
Figure 734997DEST_PATH_IMAGE012
（5）
式中，
Figure 309197DEST_PATH_IMAGE013
为相机的曝光时间，L为雨滴在相机曝光时间的下落距离，D为雨滴的实际 直径。
根据终端速度假设，认为雨滴的下落速度
Figure 258699DEST_PATH_IMAGE011
就是终端速度
Figure 223244DEST_PATH_IMAGE014
，雨滴终端速度 表达式为Atlas雨滴终端速度经验公式，即：
Figure 316227DEST_PATH_IMAGE015
（6）
由公式（3）、式（4）、式（5）、式（6）联立求得各个雨滴距相机的距离u：
Figure 479355DEST_PATH_IMAGE016
（7）
式中，
Figure 803020DEST_PATH_IMAGE035
，
Figure 582757DEST_PATH_IMAGE036
，
Figure 650070DEST_PATH_IMAGE037
，
Figure 933284DEST_PATH_IMAGE038
是指朗 伯W函数（Lambert W Function），是
Figure 191965DEST_PATH_IMAGE039
的反函数，用于求解包含指数函数
Figure 927840DEST_PATH_IMAGE040
的方程，f为相机焦距，
Figure 64423DEST_PATH_IMAGE041
是曝光时间。
通过不等式
Figure 202143DEST_PATH_IMAGE024
筛选出景深内的雨滴，由式（4）计算景深内雨滴的实际 直径D，利用景深内雨滴实际直径大小D，统计各直径区间大小
Figure 133190DEST_PATH_IMAGE042
内（
Figure 123405DEST_PATH_IMAGE042
根据雨型确定） 的雨滴数目
Figure 532521DEST_PATH_IMAGE026
，从而拟合Gamma分布雨滴谱。
Gamma分布雨滴谱表达式为：
Figure 790327DEST_PATH_IMAGE027
（8）
式中，D为景深内雨滴的实际直径，
Figure 892275DEST_PATH_IMAGE028
是雨滴密度分布函数，
Figure 602742DEST_PATH_IMAGE029
是常数，
Figure 314084DEST_PATH_IMAGE030
是 与雨强有关的参数，
Figure 691976DEST_PATH_IMAGE031
是形状因子。
步骤4，降雨量计算。
利用步骤3拟合所得的雨滴谱参数，结合Atlas雨滴终端速度经验公式，求解降雨量R。
降雨量R计算方式如下：
Figure 699246DEST_PATH_IMAGE032
（9）
式中，D为景深内雨滴的实际直径，
Figure 162588DEST_PATH_IMAGE028
为步骤3所拟合得到的雨滴密度分布函 数，
Figure 710244DEST_PATH_IMAGE033
为Atlas雨滴终端速度经验公式。
本实施例提供能够自动实现上述方法的视频降雨监测装置，该装置包括相机参数获取部、雨滴识别分离部、雨滴尺寸统计部、降雨量计算部、输入显示部、控制部。
相机参数获取部，调整拍摄角度和焦距使视野能清晰地拍摄近景深的雨滴，成像 最清晰的位置距相机距离为
Figure 880326DEST_PATH_IMAGE034
，获取基本相机参数和景深等信息。
具体地，基本相机参数包括相机型号、焦距f、成像最清晰的位置距相机距离
Figure 622279DEST_PATH_IMAGE034
、 镜头数F、曝光时间
Figure 510601DEST_PATH_IMAGE013
、最大允许弥散圆
Figure 861948DEST_PATH_IMAGE006
、视频帧率、拍摄图像的分辨率、单幅图像的垂直 和水平尺寸。
景深为近焦距
Figure 948852DEST_PATH_IMAGE003
和远焦距
Figure 563504DEST_PATH_IMAGE004
所在两焦平面之间的锥形范围。近焦距
Figure 735860DEST_PATH_IMAGE003
和远 焦距
Figure 123853DEST_PATH_IMAGE004
的表达式为：
Figure 268527DEST_PATH_IMAGE001
（10）
Figure 850818DEST_PATH_IMAGE002
（11）
雨滴识别分离部通过图像获取装置对降雨事件进行视频采集，采用自适应高斯混合模型算法，分离出降雨视频中每帧的雨纹（即雨滴在相机曝光时间的下落轨迹），得到逐帧雨纹二值化图，如图2所示。
雨滴尺寸统计部根据雨滴识别分离部得到的雨纹二值化图，对每帧中的雨纹进行 形态学分析，利用最小外接矩形对每个雨纹进行外接，认为最小外接矩形的长和宽分别为 雨纹的长和宽，根据相机像素和单幅图像尺寸换算关系，得到图像中雨纹的长（
Figure 448153DEST_PATH_IMAGE007
，mm）和 宽（
Figure 141302DEST_PATH_IMAGE008
，mm），并计算各个雨滴距相机的距离u。具体地，雨滴距相机的距离u表达式为：
Figure 202799DEST_PATH_IMAGE016
（12）
式中，
Figure 649000DEST_PATH_IMAGE017
，
Figure 530368DEST_PATH_IMAGE043
，
Figure 761629DEST_PATH_IMAGE044
，
Figure 677633DEST_PATH_IMAGE045
是指朗 伯W函数（Lambert W Function），是
Figure 804989DEST_PATH_IMAGE046
的反函数，用于求解包含指数函数
Figure 173653DEST_PATH_IMAGE047
的方程，f为相机焦距，
Figure 972720DEST_PATH_IMAGE048
是曝光时间。
通过不等式
Figure 477650DEST_PATH_IMAGE024
筛选出景深内的雨滴，计算出景深内各雨滴的实际直 径大小D：
Figure 775908DEST_PATH_IMAGE049
（13）
式中，u为雨滴距相机的距离，f为相机焦距，
Figure 897447DEST_PATH_IMAGE008
为图像中雨纹的宽。
进而统计景深内雨滴直径的密度分布，即统计各直径区间大小
Figure 470511DEST_PATH_IMAGE050
内（
Figure 298790DEST_PATH_IMAGE042
根据 雨型确定）的雨滴数目
Figure 66151DEST_PATH_IMAGE026
，从而拟合Gamma分布雨滴谱，求解雨滴谱参数，Gamma分布雨滴谱 表达式为：
Figure 409408DEST_PATH_IMAGE027
（14）
式中，D为景深内雨滴的实际直径，
Figure 51742DEST_PATH_IMAGE028
是雨滴密度分布函数，
Figure 734527DEST_PATH_IMAGE029
是常数，
Figure 171324DEST_PATH_IMAGE030
是 与雨强有关的参数，
Figure 1877DEST_PATH_IMAGE031
是形状因子。
降雨量计算部根据雨滴尺寸统计部拟合的雨滴谱参数和Altas雨滴终端速度经验公式计算求得降雨量。具体地，Altas雨滴终端速度经验公式和降雨量计算公式如下：
Figure 916744DEST_PATH_IMAGE015
（15）
Figure 218150DEST_PATH_IMAGE032
（16）
式中，D为景深内雨滴的实际直径，
Figure 91428DEST_PATH_IMAGE028
为雨滴密度分布函数，
Figure 143697DEST_PATH_IMAGE033
为Atlas雨 滴终端速度经验公式。
输入显示部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计、降雨量计算部和控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
控制部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计部和降雨量计算部均通信相连，并控制它们的运行。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于，包括以下步骤：
步骤1，初次测雨前的准备工作；
步骤1.1，考察测雨地点，配置测雨基础设施；
步骤1.2，采集降雨视频；
步骤1.3，收集基础参数和景深信息；
步骤2，逐帧分离降雨视频中的背景和雨滴，得到逐帧雨纹二值图；
步骤3，逐帧对步骤2得到雨纹二值化图进行形态学分析，并根据透镜方程推求各个雨滴距相机的距离；
步骤4，利用步骤3求得的各个雨滴距相机的距离筛选出景深内的雨滴，计算景深内雨滴的实际直径，拟合雨滴密度分布函数；
步骤5，利用步骤4拟合的雨滴密度分布函数计算降雨量。
2.如权利要求1所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于：步骤1.1中对测雨地点进行考察，选择的位置具有足够的视野以保证降雨事件的完整监测，同时避开容易对设备造成损害的环境；配置视频录制、传输所需要的供电、传输基础设施，包括用于拍摄的高清相机、电源、固定载具、用于传输数据的桥接设备、远端PC设备。
3.如权利要求1所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于：步骤1.2中先将摄像头架在拍摄的固定平台上，调整拍摄角度和焦距使得视野能清晰地拍摄近景深的雨滴，然后使用相机对降雨事件进行拍摄，通过桥接设备传输至PC终端进行初步审核，检查视频帧数、是否有破损帧，并将符合要求的视频序列转入预处理阶段，不符合的予以删除。
4.如权利要求1所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于：步骤1.3中收集的基础参数包括相机焦距、成像最清晰的位置距相机距离、镜头数、曝光时间、最大允许弥散圆、视频帧率、拍摄图像的分辨率、单幅图像的垂直和水平尺寸；
景深为近焦距和远焦距所在两焦平面之间的锥形范围，近焦距和远焦距的表达式为：
Figure 886882DEST_PATH_IMAGE001
（1）
Figure 544260DEST_PATH_IMAGE002
（2）
式中，
Figure 588439DEST_PATH_IMAGE003
为近焦距，
Figure 331267DEST_PATH_IMAGE004
为远焦距，f为相机焦距，
Figure 853515DEST_PATH_IMAGE005
为成像最清晰的位置距相机距离， F为镜头数，
Figure 929181DEST_PATH_IMAGE006
为最大允许弥散圆。
5.如权利要求1所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于：步骤2中对步骤1获取的降雨视频逐帧分析，使用自适应高斯混合模型算法分离出降雨视频中每帧的雨纹，即雨滴在相机曝光时间的下落轨迹，得到逐帧雨纹二值图。
6.如权利要求4所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在 于：步骤3中逐帧对步骤2得到雨纹二值化图进行形态学分析，利用最小外接矩形对每个雨 纹进行外接，认为最小外接矩形的长和宽分别为雨纹的长和宽，根据相机像素和单幅图像 尺寸换算关系，得到图像中雨纹的长
Figure 81945DEST_PATH_IMAGE007
和宽
Figure 108807DEST_PATH_IMAGE008
；根据透镜方程推得雨滴的实际直径D和 雨滴在相机曝光时间的下落距离L关于雨滴距相机的距离u的表达式为：
Figure 638008DEST_PATH_IMAGE009
（3）
Figure 269978DEST_PATH_IMAGE010
（4）
式中，f为相机焦距，
Figure 154495DEST_PATH_IMAGE007
和
Figure 668653DEST_PATH_IMAGE008
分别为视频帧图像中雨纹的长度和宽度；
雨滴下落速度
Figure 735966DEST_PATH_IMAGE011
的表达式为：
Figure 19180DEST_PATH_IMAGE012
（5）
式中，
Figure 779325DEST_PATH_IMAGE013
为相机的曝光时间，L为雨滴在相机曝光时间的下落距离，D为雨滴的实际直 径；
根据终端速度假设，认为雨滴的下落速度
Figure 780779DEST_PATH_IMAGE011
就是终端速度
Figure 899388DEST_PATH_IMAGE014
，雨滴终端速度表达式 为Atlas雨滴终端速度经验公式，即：
Figure 302687DEST_PATH_IMAGE015
（6）
由公式（3）、式（4）、式（5）、式（6）联立求得各个雨滴距相机的距离u：
Figure 233734DEST_PATH_IMAGE016
（7）
式中，
Figure 456905DEST_PATH_IMAGE017
，
Figure 131600DEST_PATH_IMAGE018
，
Figure 887941DEST_PATH_IMAGE019
，
Figure 521048DEST_PATH_IMAGE020
是指朗伯 W函数，是
Figure 700357DEST_PATH_IMAGE021
的反函数，用于求解包含指数函数
Figure 913163DEST_PATH_IMAGE022
的方程，f为相机焦距，
Figure 25476DEST_PATH_IMAGE023
是曝 光时间。
7.如权利要求6所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在 于：步骤4中通过不等式
Figure 799790DEST_PATH_IMAGE024
筛选出景深内的雨滴，由式（4）计算景深内雨滴的实 际直径D，利用景深内雨滴实际直径大小D，统计各直径区间大小
Figure 997553DEST_PATH_IMAGE025
内的雨滴数目
Figure 14051DEST_PATH_IMAGE026
，
Figure 246449DEST_PATH_IMAGE025
根据雨型确定，从而拟合Gamma分布雨滴谱，Gamma分布雨滴谱表达式为：
Figure 424621DEST_PATH_IMAGE027
（8）
式中，D为景深内雨滴的实际直径，
Figure 109680DEST_PATH_IMAGE028
是雨滴密度分布函数，
Figure 225141DEST_PATH_IMAGE029
是常数，
Figure 249729DEST_PATH_IMAGE030
是与雨 强有关的参数，
Figure 661119DEST_PATH_IMAGE031
是形状因子。
8.如权利要求7所述的一种基于自适应高斯混合算法的视频雨量监测方法，其特征在于：步骤5是利用步骤4拟合的雨滴密度分布函数，结合Atlas雨滴终端速度经验公式，求解降雨量R，降雨量R计算方式如下：
Figure 567895DEST_PATH_IMAGE032
（9）
式中，D为景深内雨滴的实际直径，
Figure 191774DEST_PATH_IMAGE028
为步骤4所拟合得到的雨滴密度分布函数，
Figure 867606DEST_PATH_IMAGE033
为Atlas雨滴终端速度经验公式。
9.一种基于自适应高斯混合算法的视频雨量监测装置，其特征在于，包括相机参数获取部、雨滴识别分离部、雨滴尺寸统计部、降雨量计算部、输入显示部、控制部；
相机参数获取部，调整拍摄角度和焦距使视野能清晰地拍摄近景深的雨滴，获取基本 相机参数包括相机型号、焦距f、成像最清晰的位置距相机距离
Figure 154624DEST_PATH_IMAGE034
、镜头数F、曝光时间
Figure 548697DEST_PATH_IMAGE013
、 最大允许弥散圆
Figure 241846DEST_PATH_IMAGE006
、视频帧率、拍摄图像的分辨率、单幅图像的垂直和水平尺寸，得到景深 信息，景深为近焦距和远焦距所在两焦平面之间的锥形范围；
雨滴识别分离部，通过图像获取装置对降雨事件进行视频采集，采用自适应高斯混合模型算法进行雨滴分离，得到逐帧雨纹二值化图；
雨滴尺寸统计部，根据雨滴识别分离部得到的雨纹二值化图和相机参数获取部确定的 相机像素和单幅图像尺寸换算关系，得到图像中雨纹的长
Figure 303343DEST_PATH_IMAGE007
和宽
Figure 56535DEST_PATH_IMAGE008
，并求得各雨滴物距 u，筛选出景深内的雨滴，统计雨滴尺寸分布，拟合雨滴谱N(D)；
降雨量计算部，根据雨滴尺寸统计部获得的雨滴谱参数，并结合雨滴终端速度与直径之间的经验关系，计算得到降雨量R；
输入显示部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计、降雨量计算部和控制部均通信相连，用于让用户输入操作指令，并进行相应显示；
控制部与相机参数获取部、雨滴识别分离部、雨滴尺寸统计部和降雨量计算部均通信相连，并控制它们的运行。
CN202210504229.3A 2022-05-10 2022-05-10 一种基于自适应高斯混合算法的视频雨量监测方法与装置 Pending CN114594533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210504229.3A CN114594533A (zh) 2022-05-10 2022-05-10 一种基于自适应高斯混合算法的视频雨量监测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210504229.3A CN114594533A (zh) 2022-05-10 2022-05-10 一种基于自适应高斯混合算法的视频雨量监测方法与装置

Publications (1)

Publication Number Publication Date
CN114594533A true CN114594533A (zh) 2022-06-07

Family

ID=81813564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210504229.3A Pending CN114594533A (zh) 2022-05-10 2022-05-10 一种基于自适应高斯混合算法的视频雨量监测方法与装置

Country Status (1)

Country Link
CN (1) CN114594533A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782561A (zh) * 2022-06-17 2022-07-22 山东浩坤润土水利设备有限公司 基于大数据的智慧农业云平台监控系统
CN117953445A (zh) * 2024-03-26 2024-04-30 南京大学 基于交通监控相机雨天道路能见度测定方法、系统及介质
CN118135465A (zh) * 2024-05-08 2024-06-04 南京大学 基于监控近红外视频的夜间雨滴降落速度测量方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254149A (zh) * 2011-06-13 2011-11-23 南京航空航天大学 视频图像雨滴的检测及识别方法
CN102707340A (zh) * 2012-06-06 2012-10-03 南京大学 一种基于视频图像的降雨量测量方法
CN104976960A (zh) * 2015-06-11 2015-10-14 西北农林科技大学 一种雨滴物理特性观测方法及装置
CN105205791A (zh) * 2015-08-28 2015-12-30 中国科学院深圳先进技术研究院 一种基于高斯混合模型的视频雨滴去除方法及其系统
CN105469394A (zh) * 2015-11-20 2016-04-06 成都因纳伟盛科技股份有限公司 一种基于复杂环境的目标智能跟踪方法
CN110018529A (zh) * 2019-02-22 2019-07-16 南方科技大学 降雨测量方法、装置、计算机设备和存储介质
CN112822402A (zh) * 2021-01-08 2021-05-18 重庆创通联智物联网有限公司 图像拍摄方法、装置、电子设备和可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254149A (zh) * 2011-06-13 2011-11-23 南京航空航天大学 视频图像雨滴的检测及识别方法
CN102707340A (zh) * 2012-06-06 2012-10-03 南京大学 一种基于视频图像的降雨量测量方法
CN104976960A (zh) * 2015-06-11 2015-10-14 西北农林科技大学 一种雨滴物理特性观测方法及装置
CN105205791A (zh) * 2015-08-28 2015-12-30 中国科学院深圳先进技术研究院 一种基于高斯混合模型的视频雨滴去除方法及其系统
CN105469394A (zh) * 2015-11-20 2016-04-06 成都因纳伟盛科技股份有限公司 一种基于复杂环境的目标智能跟踪方法
CN110018529A (zh) * 2019-02-22 2019-07-16 南方科技大学 降雨测量方法、装置、计算机设备和存储介质
CN112822402A (zh) * 2021-01-08 2021-05-18 重庆创通联智物联网有限公司 图像拍摄方法、装置、电子设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊飞麟 等: "估算雨滴谱ｒ 分布三参数的阶矩法研究", 《气象》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782561A (zh) * 2022-06-17 2022-07-22 山东浩坤润土水利设备有限公司 基于大数据的智慧农业云平台监控系统
CN117953445A (zh) * 2024-03-26 2024-04-30 南京大学 基于交通监控相机雨天道路能见度测定方法、系统及介质
CN117953445B (zh) * 2024-03-26 2024-05-28 南京大学 基于交通监控相机雨天道路能见度测定方法、系统及介质
CN118135465A (zh) * 2024-05-08 2024-06-04 南京大学 基于监控近红外视频的夜间雨滴降落速度测量方法及系统
CN118135465B (zh) * 2024-05-08 2024-07-16 南京大学 基于监控近红外视频的夜间雨滴降落速度测量方法及系统

Similar Documents

Publication Publication Date Title
CN114594533A (zh) 一种基于自适应高斯混合算法的视频雨量监测方法与装置
CN111798386B (zh) 一种基于边缘识别与最大序列密度估计的河道流速测量方法
CN103279949B (zh) 基于自定位机器人的多相机参数自动标定系统运行方法
JP4706978B2 (ja) 流体計測システム及びコンピュータプログラム
CN104482860B (zh) 鱼类形态参数自动测量装置和方法
CN101969548B (zh) 基于双目摄像的主动视频获取方法及装置
CN104976960B (zh) 一种雨滴物理特性观测方法
JP6622156B2 (ja) 情報処理装置、情報処理方法およびプログラム
CN112950634B (zh) 基于无人机巡检的风力机叶片损伤识别方法、设备和系统
CN103808723A (zh) 一种柴油车烟气黑度自动检测装置
KR101461184B1 (ko) Cctv 영상을 이용한 기상 상황 정보 추출 시스템
CN110046584B (zh) 一种基于无人机巡检的道路裂纹检测装置及检测方法
CN104215795A (zh) 基于昊控表面流场计算算法的大尺度粒子图像测速方法
CN108471497A (zh) 一种基于云台摄像机的船目标实时检测方法
CN113763484A (zh) 基于视频图像分析技术的船舶目标定位及速度估算方法
CN116665125A (zh) 用于桥隧病害的智能识别系统
JP4025161B2 (ja) 流速分布計測システム、流速分布計測方法、流速分布計測プログラム、流量計測システム、流量計測方法及び流量計測プログラム
CN112927233A (zh) 一种船用激光雷达与视频联合目标捕捉方法
CN117953445B (zh) 基于交通监控相机雨天道路能见度测定方法、系统及介质
CN115471777A (zh) 基于视频识别的精细化水流速度场获取方法和系统
CN109658359B (zh) 大气悬浮物检测系统及其检测方法
CN110702016A (zh) 输电线路覆冰测量系统及方法
CN117129390B (zh) 一种基于线阵摄像的降雨粒子实时监测系统及方法
CN117704970A (zh) 一种建筑体视觉位移监控系统及其监测方法
KR101111434B1 (ko) 가상 측량자를 이용한 실측방법 및 가상 측량자를 이용한 실측시스템

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