CN115015904A - 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质 - Google Patents

一种基于雷达与摄像头融合测速方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115015904A
CN115015904A CN202210457736.6A CN202210457736A CN115015904A CN 115015904 A CN115015904 A CN 115015904A CN 202210457736 A CN202210457736 A CN 202210457736A CN 115015904 A CN115015904 A CN 115015904A
Authority
CN
China
Prior art keywords
water flow
camera
radar
speed
river
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
CN202210457736.6A
Other languages
English (en)
Inventor
唐仕斌
陈淑武
蓝发财
林建立
曾原野
郑清锋
彭府
林怡彬
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.)
XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD
Original Assignee
XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD
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 XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD filed Critical XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD
Priority to CN202210457736.6A priority Critical patent/CN115015904A/zh
Publication of CN115015904A publication Critical patent/CN115015904A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供了一种基于雷达与摄像头融合测速方法、系统、设备及存储介质，所述方法包括以下步骤：将目标河流表面水流划分成多个网格状；通过摄像装置对网格状内的河流表面水流图像采集；对采集后的水流图像进行预处理；根据预处理后的图片，对水流流速进行计算；将计算后的水流速度与雷达检测的水流速度进行融合修正。本申请实施例通过将计算后的水流速度与雷达检测的水流速度进行融合修正，可以对轻量级模型分类天气环境，使雷达测速与图像测速融合，通过修正图像测速，使得表面测速更加精整。

Description

一种基于雷达与摄像头融合测速方法、系统、设备及存储介质
技术领域
本申请各实施例属于通讯技术领域，特别是涉及一种基于雷达与摄像头融合测速方法、系统、设备及存储介质。
背景技术
陆地上的大小河流，水情均不稳定，有些常年川流不息，有些遇枯水季节可能会出现断流现象，有些在高洪期常常泛滥成灾。而河流的表面流速能有效地反映水情：平静河流的表面流速一般保持在0～1m/s之间；涌动时，流速为1～3m/s；湍急流淌时，能达到4～5m/s以上的高流速。遇断流情况，流速逐渐小于0.5m/s，直至无水流。
此外，洪涝灾害时，最大的表面流速可达8～12m/s。因此，实时掌握天然河流的表面水文变化规律不仅是河流水文学、河流动力学等研究的科学基础，而且对于监测河流的水文现象，预报与防治洪水有着至关重要的作用。由于天然河流复杂的紊动特性及河流周边复杂的现场环境大大增加了水文测验的难度。
因此，在检测的过程中，通过单一的雷达多普勒测速，或者通过摄像头特征移动测速，传统方法，雷达测速相对简单，范围较小，摄像头移动测速容易受到环境，光线干扰，导致出现这种问题的原因是，雷达通过发送接收微波，通过多普勒频移得到表面流速，覆盖区域与微波衰减，限制表面流速覆盖，同时表面流速不均匀，摄像头测速，天气因素导致特征点变差。
发明内容
本申请实施例的目的在于提供一种基于雷达与摄像头融合测速方法、系统、设备及存储介质，通过将计算后的水流速度与雷达检测的水流速度进行融合修正，可以对轻量级模型分类天气环境，使雷达测速与图像测速融合，通过修正图像测速，使得表面测速更加精整，从而解决背景技术中的问题。
为了解决上述技术问题，本申请实施例提供的基于雷达与摄像头融合测速方法、系统、设备及存储介质的技术方案具体如下：
第一方面，本申请实施例公开了一种基于雷达与摄像头融合测速方法，所述方法包括以下步骤：
将摄像装置在户外安装及配置；
将目标河流表面水流划分成多个网格状；
通过摄像装置对网格状内的河流表面水流图像采集；
对采集后的水流图像进行预处理；
根据预处理后的图片，对水流流速进行计算；
将计算后的水流速度与雷达检测的水流速度进行融合修正。
在上述任一方案中优选的实施例，所述将摄像装置在户外安装及配置，包括：
勘测所需监测目标河流的周边环境；
将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像。
在上述任一方案中优选的实施例，所述对网格状内的河流表面水流图像采集，包括：
摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；
使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台。
在上述任一方案中优选的实施例，所述对网格状内的河流表面水流图像采集，还包括：
利用视频处理软件逐帧截取水流图像；
将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；
根据所采集图像和类别标签的映射关系，建立训练样本数据集；
根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表。
在上述任一方案中优选的实施例，所述对采集后的水流图像进行预处理，包括：
对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维预处理；
将预处理后的图像转换为计算机矢量形式进行存储。
在上述任一方案中优选的实施例，所述水流图像的分辨率为1920像素×1080像素。
在上述任一方案中优选的实施例，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：
计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天或晴天时，p值大于晚上或阴天。
与现有技术相比，本申请实施例的基于雷达与摄像头融合测速方法，通过将计算后的水流速度与雷达检测的水流速度进行融合修正，可以对轻量级模型分类天气环境，使雷达测速与图像测速融合，通过修正图像测速，使得表面测速更加精整。
第二方面，一种基于雷达与摄像头融合测速系统，包括：
安装模块，用于将摄像装置在户外安装及配置，所述将摄像装置在户外安装及配置，包括：勘测所需监测目标河流的周边环境；将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像；
采集模块，用于通过摄像装置对网格状内的河流表面水流图像采集，所述对网格状内的河流表面水流图像采集，包括：摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台，利用视频处理软件逐帧截取水流图像；将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；根据所采集图像和类别标签的映射关系，建立训练样本数据集；根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表；
处理模块，用于对采集后的水流图像进行预处理，所述对采集后的水流图像进行预处理，包括：对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维预处理；将预处理后的图像转换为计算机矢量形式进行存储；
计算模块，用于根据预处理后的图片，对水流流速进行计算；
修正模块，用于将计算后的水流速度与雷达检测的水流速度进行融合修正，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天或晴天时，p值大于晚上或阴天。
第二方面与第一方面其有益效果一致，故在此不再赘述。
第三方面，一种基于雷达与摄像头融合测速设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的基于雷达与摄像头融合测速方法的步骤。
第三方面与第一方面其有益效果一致，故在此不再赘述。
第四方面，一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的基于雷达与摄像头融合测速方法。
第四方面与第一方面其有益效果一致，故在此不再赘述。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一组件分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的组件件或组件分，本领域技术人员应该理解的是，这些附图未必是按比例绘制的，在附图中：
图1为本申请实施例基于雷达与摄像头融合测速方法的流程示意图。
图2为本申请实施例基于雷达与摄像头融合测速系统示意图。
图3为本申请实施例基于雷达与摄像头融合测速设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一组件分的实施例，而不是全组件的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
实施例
如图1所示，本申请实施例提供了一种基于雷达与摄像头融合测速方法，所述方法包括以下步骤：
将摄像装置在户外安装及配置；
将目标河流表面水流划分成多个网格状；
通过摄像装置对网格状内的河流表面水流图像采集；
对采集后的水流图像进行预处理；
根据预处理后的图片，对水流流速进行计算；
将计算后的水流速度与雷达检测的水流速度进行融合修正。
在本发明实施例所述的基于雷达与摄像头融合测速方法中，通过将计算后的水流速度与雷达检测的水流速度进行融合修正，可以对轻量级模型分类天气环境，使雷达测速与图像测速融合，通过修正图像测速，使得表面测速更加精整。
在本发明当中，所述将摄像装置在户外安装及配置，包括：
勘测所需监测目标河流的周边环境；
将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像；所述对网格状内的河流表面水流图像采集，包括：
摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；
使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台；所述对网格状内的河流表面水流图像采集，还包括：
利用视频处理软件逐帧截取水流图像；
将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；
根据所采集图像和类别标签的映射关系，建立训练样本数据集；
根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表。
在本发明实施例所述的基于雷达与摄像头融合测速方法中，在摄像头的拍摄倾角问题上(摄像头平行投射于河流水面上倾角为0°)，摄像头与水面的夹角越大，即摄像头倾斜越多，捕获的画面杂物越多，提取的水流特征越不清晰；夹角越小，与水面越接近平行，捕获的水流画面越清晰，提取的水流特征越明显。因此，如果河流周边环境允许，摄像头应尽量垂直拍摄图像。特殊情况下，也应尽力减少夹角。
在本发明当中，所述对采集后的水流图像进行预处理，包括：
对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维预处理；
将预处理后的图像转换为计算机矢量形式进行存储，所述水流图像的分辨率为1920像素×1080像素。
在本发明当中，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：
计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天或晴天时，p值大于晚上或阴天。
在本发明实施例所述的基于雷达与摄像头融合测速方法中，对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维等预处理。其中，将彩色图像转化为灰度图像的灰度化过程能减少后续处理时的计算量。直方图均衡可以有效加强图像的局部对比度，尤其对水流图像来说，能够更好地突出特征。而通过对比度增强能扩大图像中不同物体特征之间的差异，抑制无用信息，提高识别率。通过降维就能有效去除冗余信息，提取有用特征，提高识别的效率。最后，将预处理后的图像转换为计算机矢量形式进行存储。
与现有技术相比，本申请实施例的基于雷达与摄像头融合测速方法，通过将计算后的水流速度与雷达检测的水流速度进行融合修正，可以对轻量级模型分类天气环境，使雷达测速与图像测速融合，通过修正图像测速，使得表面测速更加精整。
如图2所示，第二方面，一种基于雷达与摄像头融合测速系统，包括：
安装模块，用于将摄像装置在户外安装及配置，所述将摄像装置在户外安装及配置，包括：勘测所需监测目标河流的周边环境；将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像；
采集模块，用于通过摄像装置对网格状内的河流表面水流图像采集，所述对网格状内的河流表面水流图像采集，包括：摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台，利用视频处理软件逐帧截取水流图像；将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；根据所采集图像和类别标签的映射关系，建立训练样本数据集；根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表；
处理模块，用于对采集后的水流图像进行预处理，所述对采集后的水流图像进行预处理，包括：对截取的水流图像进行灰度化、降维预处理；将预处理后的图像转换为计算机矢量形式进行存储；
计算模块，用于根据预处理后的图片，对水流流速进行计算；
修正模块，用于将计算后的水流速度与雷达检测的水流速度进行融合修正，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天、晴天时，图像采集较为精确，所以p值小，例如，当在晚上、晴天的时候，那么图像采集信息没有雷达采集信息准确，所以这时p值会大一些，例如，此时p值为0.55，所以经过融合后的水流速度Vc＝Va×0.55+Vb×(1-0.55)，再例如，当在白天、阴天天气时，此时，图像采集信息的准确度要高于雷达采集信息的准确度，此时p值较小，如p值为0.4，所以经过融合后的水流速度Vc＝Va×0.4+Vb×(1-0.4)，通过根据不同的外界环境的影响，来计算融合水流速度，可以使其检测更加精确，其中，所述环境因素通过深度学习推理出来的，再例如，当在晚上、雨天时，图像采集的精确程度低于雷达采集的精确度，所以此时，p值较，如为0.6，则经过融合后的水流速度为Vc＝Va×0.6+Vb×(1-0.6)，再例如，当在白天，并且下雨天气时，此时，雷达采集与图像采集的精确度相似，因此p值为0.5，所以经过融合后的水流速度Vc＝Va×0.5+Vb×(1-0.5),再例如，当在晚上，并且晴天时，此时雷达采集的精确度大于图像采集的精确度，因此，p值为0.55，所以经过融合后的水流速度Vc＝Va×0.55+Vb×(1-0.55)；再例如，当在白天，并且阴天时，此时图像采集的精确度大于雷达采集的精确度，因此，p值为0.45，所以经过融合后的水流速度Vc＝Va×0.45+Vb×(1-0.45)；再例如，当在晚上，并且阴天时，此时图像采集的精确度与雷达采集的精确度相似，因此，p值为0.5，所以经过融合后的水流速度Vc＝Va×0.5+Vb×(1-0.5)。
第三方面，如图3所示，一种基于雷达与摄像头融合测速设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如所述基于雷达与摄像头融合测速方法的步骤。
其中，处理器用于控制该测量设备的整体操作，以完成上述的基于雷达与摄像头融合测速方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该测量设备的操作，这些数据例如可以包括用于在该测量设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandomAccessMemory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory，简称EPROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口为处理器和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件用于该测量设备与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G、4G或5G，或它们中的一种或几种的组合，因此相应的该通信组件可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，测量设备可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、数字信号处理器(DigitalSignalProcessor，简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice，简称DSPD)、可编程逻辑器件(ProgrammableLogicDevice，简称PLD)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于雷达与摄像头融合测速方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于雷达与摄像头融合测速方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由测量设备的处理器执行以完成上述的基于雷达与摄像头融合测速方法。
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于雷达与摄像头融合测速方法可相互对应参照。
第四方面，一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于雷达与摄像头融合测速方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中组件分或者全组件技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种基于雷达与摄像头融合测速方法，其特征在于，所述方法包括以下步骤：
将摄像装置在户外安装及配置；
将目标河流表面水流划分成多个网格状；
通过摄像装置对网格状内的河流表面水流图像采集；
对采集后的水流图像进行预处理；
根据预处理后的图片，对水流流速进行计算；
将计算后的水流速度与雷达检测的水流速度进行融合修正。
2.根据权利要求1所述的基于雷达与摄像头融合测速方法，其特征在于，所述将摄像装置在户外安装及配置，包括：
勘测所需监测目标河流的周边环境；
将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像。
3.根据权利要求1或2所述的基于雷达与摄像头融合测速方法，其特征在于，所述对网格状内的河流表面水流图像采集，包括：
摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；
使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台。
4.根据权利要求3所述的基于雷达与摄像头融合测速方法，其特征在于，所述对网格状内的河流表面水流图像采集，还包括：
利用视频处理软件逐帧截取水流图像；
将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；
根据所采集图像和类别标签的映射关系，建立训练样本数据集；
根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表。
5.根据权利要求4所述的基于雷达与摄像头融合测速方法，其特征在于，所述对采集后的水流图像进行预处理，包括：
对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维预处理；
将预处理后的图像转换为计算机矢量形式进行存储。
6.根据权利要求5所述的基于雷达与摄像头融合测速方法，其特征在于，所述水流图像的分辨率为1920像素×1080像素。
7.根据权利要求6所述的基于雷达与摄像头融合测速方法，其特征在于，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：
计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天或晴天时，p值大于晚上或阴天。
8.一种基于雷达与摄像头融合测速系统，其特征在于，包括：
安装模块，用于将摄像装置在户外安装及配置，将目标河流表面水流划分成多个网格状；所述将摄像装置在户外安装及配置，包括：勘测所需监测目标河流的周边环境；将摄像头安装在合适的安装位置，若河流有桥，则将摄像头安装于桥梁上，若河流无桥，则选取平坦的河岸树立柱子或架设索道来安装摄像头，所选取的摄像头可通过调整球机的角度使摄像头平行投射于河流水面之上，再调整摄像头的焦距，使其捕获的画面仅存在水流图像；
采集模块，用于通过摄像装置对网格状内的河流表面水流图像采集，所述对网格状内的河流表面水流图像采集，包括：摄像头以60fps的帧速率拍摄各个时间段、各种天气条件下的河流表面水流视频；使用流速仪或测速雷达记录每段视频对应时刻的河流流速，通过无线网络将视频数据传输到中心监控管理平台，利用视频处理软件逐帧截取水流图像；将同一流速范围内的水流图像归为同一类别标签，且设置它们的流速值为该流速范围；根据所采集图像和类别标签的映射关系，建立训练样本数据集；根据类别标签和流速范围的对应关系，建立类别标签与流速的关系映射表；
处理模块，用于对采集后的水流图像进行预处理，所述对采集后的水流图像进行预处理，包括：对截取的水流图像进行灰度化、直方图均衡、对比度增强、降维预处理；将预处理后的图像转换为计算机矢量形式进行存储；
计算模块，用于根据预处理后的图片，对水流流速进行计算；
修正模块，用于将计算后的水流速度与雷达检测的水流速度进行融合修正，所述将计算后的水流速度与雷达检测的水流速度进行融合修正，包括：计算雷达检测到的网格状内的河流表面水流流速Va,
计算摄像头检测到的网格状内的河流表面水流流速Vb；
计算融合水流速度Vc，且Vc＝Va×p+Vb×(1-p)，其中，p为速度权重，且0≤p＜1，并与环境因素有关，所述环境因素为白天、晚上、晴天、阴天，当在白天或晴天时，p值大于晚上或阴天。
9.一种基于雷达与摄像头融合测速设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7中任一项所述的基于雷达与摄像头融合测速方法的步骤。
10.一种存储介质，其特征在于，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于雷达与摄像头融合测速方法。
CN202210457736.6A 2022-04-28 2022-04-28 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质 Pending CN115015904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210457736.6A CN115015904A (zh) 2022-04-28 2022-04-28 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210457736.6A CN115015904A (zh) 2022-04-28 2022-04-28 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115015904A true CN115015904A (zh) 2022-09-06

Family

ID=83067409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210457736.6A Pending CN115015904A (zh) 2022-04-28 2022-04-28 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115015904A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116222676A (zh) * 2023-05-08 2023-06-06 成都赐华科技有限公司 精准定位的毫米波水流量监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116222676A (zh) * 2023-05-08 2023-06-06 成都赐华科技有限公司 精准定位的毫米波水流量监测方法及系统
CN116222676B (zh) * 2023-05-08 2023-07-28 成都赐华科技有限公司 精准定位的毫米波水流量监测方法及系统

Similar Documents

Publication Publication Date Title
US11561092B2 (en) Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
Taravat et al. Neural networks and support vector machine algorithms for automatic cloud classification of whole-sky ground-based images
CN109416413B (zh) 太阳能预报
CN112766274B (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
US20170031056A1 (en) Solar Energy Forecasting
Yang et al. Deep learning‐based bolt loosening detection for wind turbine towers
US20160148383A1 (en) Estimating rainfall precipitation amounts by applying computer vision in cameras
CN113469278B (zh) 一种基于深度卷积神经网络的强天气目标识别方法
CN110852164A (zh) 一种基于YOLOv3的自动检测违章建筑方法及系统
CN111291684A (zh) 一种自然场景下的船牌检测方法
CN116503318A (zh) 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备
CN114037907A (zh) 输电线路的检测方法、装置、计算机设备、存储介质
CN115015904A (zh) 一种基于雷达与摄像头融合测速方法、系统、设备及存储介质
Wang et al. Clouda: A ground-based cloud classification method with a convolutional neural network
Li et al. Hybrid cloud detection algorithm based on intelligent scene recognition
CN113781478A (zh) 油罐图像检测方法、装置、电子设备和计算机可读介质
CN116630866B (zh) 音视频雷达融合的异常事件监控方法、装置、设备及介质
CN111339950A (zh) 一种遥感图像目标检测方法
Rossi et al. Analysis of a statistically initialized fuzzy logic scheme for classifying the severity of convective storms in F inland
KR102457470B1 (ko) 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법
Richardson et al. Machine learning versus ray-tracing to forecast irradiance for an edge-computing SkyImager
Sharma et al. A review on physical and data-driven based nowcasting methods using sky images
Priantama et al. The innovation development of early flash flood warning system based on digital image processing through android smartphone
CN113361405A (zh) 一种基于yolo v3的亚洲象识别方法及系统
CN113128559A (zh) 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法

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