CN116071323A - 一种基于相机参数归一化的雨强测量方法 - Google Patents

一种基于相机参数归一化的雨强测量方法 Download PDF

Info

Publication number
CN116071323A
CN116071323A CN202310076415.6A CN202310076415A CN116071323A CN 116071323 A CN116071323 A CN 116071323A CN 202310076415 A CN202310076415 A CN 202310076415A CN 116071323 A CN116071323 A CN 116071323A
Authority
CN
China
Prior art keywords
rain
image
rainfall
curtain image
rain curtain
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
CN202310076415.6A
Other languages
English (en)
Inventor
张泽
邱赛
张绍
陈永超
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.)
Qilu Aerospace Information Research Institute
Original Assignee
Qilu Aerospace Information Research Institute
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 Qilu Aerospace Information Research Institute filed Critical Qilu Aerospace Information Research Institute
Priority to CN202310076415.6A priority Critical patent/CN116071323A/zh
Publication of CN116071323A publication Critical patent/CN116071323A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Hydrology & Water Resources (AREA)
  • Quality & Reliability (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于相机参数归一化的雨强测量方法，属于水文监测技术领域，解决了现有技术中无法实现大范围测量的问题。通过对多个相机的参数进行参数归一化后在分别获取多个第一雨幕图像和与之对应的带有雨量筒的第二雨幕图像；对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像；识别第二雨幕图像中雨量筒中雨量实际的液面高度；根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络；使用参数归一化的相机获取待测量的雨幕图像，经图像归一化处理后，利用训练好的雨量测量神经网络得到测量的雨量值。实现了可以大范围的测量，并提高了算法的可推广性。

Description

一种基于相机参数归一化的雨强测量方法
技术领域
本发明涉及水文监测技术领域，尤其涉及一种基于相机参数归一化的雨强测量方法。
背景技术
交通、气象监测、灾害预防等等诸多领域都需要准确测量降雨量数值。雨量过大会引起道路湿滑，引发交通事故；暴雨等极端天气条件会引起洪涝灾害，因此降雨量的准确测量非常重要。
当前降雨量的测量方式主要有翻斗式雨量计、超声波雷达雨量计、红外光学雨量计。其中翻斗式雨量计测量较为精确，但它无法进行大范围的雨量监测，超声波雷达雨量计设备较为昂贵，无法进行大范围的推广。光学雨量计的硬件设备为相机，可用于大范围的雨量监测且成本低廉。
相机通过统计画面中雨量的外形轮廓大小方式估计雨量值大小，虽然实现了实时雨量监测，但每帧的雨量数量、大小均不相同，因此其测量精度有限。除此之外，不同型号的相机分辨率、焦距、雨线角度等均不相同，传统的雨量测量方法只能在指定的相机中运行，经修改匹配之后，才可应用至其他相机，因此无法有效利用城市现有的监控相机网络进行大范围的雨量测量。算法的可推广性较差。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于相机参数归一化的雨强测量方法，用以解决现有无法实现大范围测量的问题。
一方面，本发明实施例提供了一种基于相机参数归一化的雨强测量方法，该方法具体包括：
对多个相机的参数进行参数归一化处理；
使用参数归一化后的多个相机分别获取多个第一雨幕图像和与所述第一雨幕图像对应的带有雨量筒的第二雨幕图像；
对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像；
识别第二雨幕图像中雨量筒中雨量实际的液面高度；
根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络；
使用参数归一化的相机获取待测量的雨幕图像，经图像归一化处理后，利用训练好的雨量测量神经网络得到测量的雨量值。
可选地，所述对多个相机的参数进行归一化处理，包括：
将各相机对准视野内的最远物体，调整各相机焦距使最远物体最清晰，对各相机的焦距归一化。
可选地，所述对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像，包括：
根据获取的第一雨幕图像进行去除静态背景信息干扰，得到去除静态背景信息干扰后的第一雨幕图像；
对去除干扰后的第一雨幕图像中的雨线角度进行归一化，得到所述角度归一化后的雨幕图像；
对角度归一化后的雨幕图像的分辨率进行归一化，将图片分辨率以最小分辨率大小为基准得到统一大小分辨率的第三雨幕图像。
可选地，所述初始雨量测量神经网络模型包括：卷积层、池化层和全连接层；
所述卷积层，用于对输入的第三雨幕图像进行尺寸压缩，得到压缩尺寸后的第四雨幕图像；
所述卷积层和池化层，用于依次对第四雨幕图像再次进行卷积以及池化处理，得到降低图像维度后的第五雨幕图像；
所述全连接层，用于将经过池化层降维后得到的数据进行分类并输出。
可选地，所述识别第二雨幕图像中雨量筒中雨量实际的液面高度，包括：
基于第二雨幕图像中的雨量筒图像，利用液面识别网络识别得到液面位置，根据液面位置以及雨量筒自身高度，得到液面的实际高度；其中，
所述液面识别网络基于Mask R-CNN神经网络对带有雨量筒的图片训练集及与图片训练集对应的人工标记的雨量筒的液面位置训练得到。
可选地，所述雨线角度进行归一化，包括：
选择其中一条雨线，其外接矩大小为m*n；
此外接矩中所有的像素值组成了一个m*n的矩阵A；
计算A的协方差矩阵C＝A*AT/m；并求矩阵C的特征向量B；
特征向量B的方向即为雨线方向，特征向量B与图像高度方向夹角为D；计算出所有与图像高度方向夹角的均值D’，将图像按照矩阵旋转公式转动D’角度得到垂直方向上的雨线；
某像素点原始坐标(x1，y1)，根据矩阵旋转公式得到旋转后坐标(x2，y2)；
基于所述旋转后坐标(x2，y2)，得到将雨线旋转到垂直方向的所述角度归一化后的雨幕图像。
可选地，所述根据液面位置以及雨量筒自身高度，得到液面的实际高度，包括：
已知雨量筒高度为L，若已知液面位置，则液面与雨量筒底部的像素距离为P1个像素，雨量筒高度为P2个像素，计算出实际的液面高度为：
Figure BDA0004066360380000041
可选地，所述根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络，包括：
读取雨量筒中的真实液面高度得到对应的第三雨幕图像的雨量标签；具体如下：
Figure BDA0004066360380000042
其中，在t1时刻读取雨量筒示值A1，在t2时刻读取雨量筒示值A2，R为t1至t2时间段的雨量标签；
基于所述第三雨幕图像和所述雨量标签训练Mask R-CNN神经网络得到雨量测量神经网络。
可选地，所述根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络，还包括：卷积核筛选；
根据图像特征对卷积核进行筛选，得到颜色卷积核和线条卷积核；
根据获得的雨幕图像特点，仅保留线条卷积核。
可选地，所述使用参数归一化的相机获取待测量的雨幕图像，经图像归一化处理后，利用训练好的雨量测量神经网络得到测量的雨量值，包括：
将待测量的雨幕图像输入到雨量测量神经网络后，得到输出值；所述输出值为雨量标签，找到与雨量标签对应的雨量数值，即为得到的雨量值。
另一方面，与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明提出的一种基于相机参数归一化和卷积核分类筛选的雨量强度测量方法，通过焦距归一化、雨线角度归一化、分辨率归一化操作完成相机参数归一化，相机参数归一化后，各类相机经相机参数归一化之后输出的输出的图像参数相同。故本发明的算法可用于多类相机之中，尤其适用于监控相机网络之中。之后通过对卷积神经网络的卷积核分类筛选，去除对图像颜色和亮度变化对测量算法的影响。因此相机参数归一化与卷积核分类筛选操作拓宽了本发明算法的应用场景和应用范围，提高了本发明算法的可推广性。
2、本发明实施例中使用的是相机，相机可观测视锥角内的所有物体，可实现大范围测量功能；且神经网络可对单幅图像进行处理获得雨量值，因此本发明算法可实现实时测量。故本发明具备大范围、实时测量功能。其应用前景较为广泛。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施中一种相机参数归一化的雨强测量方法流程图；
图2为本发明实施中获取的第一雨幕图像；
图3为本发明实施例中去除静态背景信息干扰后的第一雨幕图像；
图4为本发明实施例中第三雨幕图像；
图5为本发明实施例中分辨率归一化中大于归一化尺寸图像进行分辨率归一化；
图6为本发明实施例中分辨率归一化中小于归一化尺寸图像进行分辨率归一化；
图7为本发明实施例中卷积神经网络结构图；
图8为本发明实施例中轮廓卷积核图像；
图9为本发明实施例中颜色卷积核图像；
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种相机参数归一化和卷积核分类筛选的雨强测量方法，如图1所示。
步骤S1：对多个相机的参数进行参数归一化处理；
具体地，多个相机可以是设置于不同位置的多个监控相机。由于各类相机的分辨率、焦距不尽相同，因此获取的雨幕图像也不相同，在本发明实施例中，为使本发明实施例中获得的雨幕图像均清晰可见，且对于不同相机均可以对获得的雨量进行测量，因此需对相机参数进行归一化操作从而保证获得的雨幕图像有相同的清晰度。
具体地，参数归一化包括焦距归一化，所有相机对准视野内的最远物体，调节相机焦距使最远物体最清晰，这样可使得各类相机的物体模糊程度都在一个相近的范围内。具体地，将各相机对准视野内的最远物体，调整各相机焦距使最远物体最清晰，对各相机的焦距归一化。
步骤S2：使用参数归一化后的多个相机分别获取多个第一雨幕图像和与所述第一雨幕图像对应的带有雨量筒的第二雨幕图像。
具体地，根据参数归一化后的多个相机分别获取第一雨幕图像，同时获取第一雨幕图像对应的带有雨量筒的第二雨幕图像。
步骤S3：对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像。
根据获取的第一雨幕图像进行去除静态背景信息干扰，得到去除静态背景信息干扰后的第一雨幕图像；
对去除干扰后的第一雨幕图像中的雨线角度进行归一化，得到角度归一化后的雨幕图像；
对角度归一化后的雨幕图像的分辨率进行归一化，将图片分辨率以最小分辨率大小为基准得到统一大小分辨率的第三雨幕图像。
具体地，通过多个相机获取大量带有静态背景信息的第一雨幕图像以及第一雨幕图像对应的带有雨量筒的第二雨幕图像。
具体地，相机采集的图像包含了大量的静态背景信息，这些静态背景信息增加了图像的信息复杂度，不利于后续的神经网络训练。且由于雨滴是运动的。因此，本发明采用三帧帧间差方法提取雨幕图像，去除静态背景信息的干扰，公式如下：
Figure BDA0004066360380000071
其中，I1、I2、I3分别为第一帧图像、第二帧图像和第三帧图像。即连续的三帧图像。
进行雨线角度归一化操作，由于相机角度不一致、或受风力影响，雨幕图像中的雨线角度不是垂直向下的，为实现归一化操作，采用主成分分析法检测出雨线方向，计算所有雨线的平均倾斜角度，之后采用图像旋转将雨线旋转至垂直方向。
具体地，在选用主成分分析法检测雨线过程中：
a1：选择其中一条雨线。其外接矩大小为m*n；
a2：此外接矩中所有的像素值组成了一个m*n的矩阵A；
a3：计算A的协方差矩阵C＝A*AT/m；并求矩阵C的特征向量B；
a4：特征向量B的方向即为雨线方向，特征向量B与图像高度方向夹角为D。计算出所有与图像高度方向夹角的均值D’，将图像按照矩阵旋转公式转动D’角度，进而雨线就旋转到了垂直方向。
例如：某像素点原始坐标(x1，y1)，根据矩阵旋转公式：
x2＝x1*cos(D’)-y1*sin(D’)
y2＝y1*cos(D’)+x1*sin(D’)得到旋转后坐标(x2，y2)。基于所述旋转后坐标(x2，y2)，得到将雨线旋转到垂直方向的所述角度归一化后的雨幕图像。
进行分辨率归一化操作，监控相机的最小分辨一般都大于640*480，且神经网络输入的一般为宽高相等的图像，因此选取480*480作为归一化图像尺寸，对于图像尺寸超过480*480的图像，以图像中心为绩点，上下各取240像素，组合为480*480图像，其余部分舍弃。
若被截取图像尺寸小于归一化图像尺寸时，调整相机角度，采用图像拼接法将不同角度的图像拼接在一起形成尺寸超过480*480的图像，此时，再截取拼接后480*480的图像为归一化图像，拼接后的图像由于拼接精度问题，拼接处的图像效果较差，因此选取的图像需尽可能避免截取拼接部分，用以减小图像拼接的影响。
步骤S4：识别第二雨幕图像中雨量筒中雨量实际的液面高度。
S41：采用一个归一化参数后的相机得到去除静态背景信息干扰后的雨幕图像并得到对应的雨量筒图像，采用神经网络识别处液面区域并读取雨量筒中的液面高度，之后采用人工及算法计算实时的雨量值标签。
具体地，读取雨量筒中的真实液面高度得到对应的第三雨幕图像的雨量标签，
在t1时刻读取雨量筒示值A1，在t2时刻读取雨量筒示值A2，那么t1至t2时间段的雨量标签为：
Figure BDA0004066360380000091
至此便可获得雨幕图像与雨量值标签的一一对应数据。
具体地，利用相机对准雨量筒，拍摄雨量筒图像，提前采集大量的带液面的图像，采用人工标记法标记出液面的位置，制作成训练集。对Mask R-CNN神经网络进行训练，训练后，将图像输入Mask R-CNN神经网络，Mask R-CNN神经网络即可标记出液面区域，取液面区域的形心为液面位置。
基于所述第三雨幕图像和所述雨量标签训练Mask R-CNN神经网络得到雨量测量神经网络。
S42：首先已知雨量筒高度为L，雨量筒在图像中的位置是固定不变的，因为相机是固定的。因此仅需识别出液面位置即可获得液面高度，若已知液面位置，则液面与雨量筒底部的像素距离为P1个像素，雨量筒高度为P2个像素，因此可计算出实际的液面高度为：
Figure BDA0004066360380000092
步骤S5：根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络。
S51：本文采用卷积神经网络模型(CNN)对雨量进行测量，卷积神经网络模型结构图如图3所示。
具体地，此神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层。
所述第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层依次连接；
所述第一卷积层用于对输入的第三雨幕图像进行特征提取，得到特征提取后的第四雨幕图像；
所述第一池化层用于对第四雨幕图像进行尺寸压缩，得到压缩后的第四雨幕图像；
所述第二卷积层用于将得到的压缩后的第四雨幕图像进行特征提取，得到特征提取后的第五雨幕图像；
所述第二池化层用于将第五雨幕图像进行尺寸压缩，得到压缩后的第五雨幕图像；
所述全连接层，用于将根据第五雨幕图像得到的数据进行分类并输出。
具体地，雨幕图像尺寸为480*480，先经过处理后得到尺寸为32*32的图像。接着需要将尺寸为32*32的图像输入至神经网络中。
尺寸为32*32的图像经过第一卷积层的特征提取后，得到提取特征后的雨幕图像，即第四雨幕图像；将经过特征提取后的雨幕图像经过第一池化层，进行尺寸压缩，得到尺寸压缩后14*14的雨幕图像。
将得到的第四雨幕图像经过第二卷积层进行特征提取，得到特征提取后的第五雨幕图像，并将第五雨幕图像输入第二池化层进行尺寸压缩，得到尺寸压缩后5*5的雨幕图像。
所述全连接层，用于将根据第五雨幕图像得到的数据进行分类并输出。
输入图像与5*5的卷积核进行卷积操作，卷积操作中的卷积核中存储有特征数据，经过卷积操作后，获得初步处理的图像，卷积操作后得到28*28的雨幕图像。
此图像与2*2的池化核进行池化处理，池化即为在28*28的图像中，从每个与池化核卷积的2*2的像素区域中选取一个数作为下一副图像的像素。经池化作用之后，像素尺寸收缩，变为14*14的雨幕图像，池化的主要作用就是降低图像维度，提高运算速度。
在此训练过程中，需对卷积核进行筛选，在首次训练完成后，观察所有卷积层的卷积核图像，卷积核按照其内的图像特征可大致分为两类，一类中整体颜色单一，呈灰色，且有明显边界，则判定为线条卷积核；另一类中颜色不是灰色，颜色是蓝色红色或其他颜色，这类色彩比较丰富，但边界非常模糊，肉眼无法找出精确的边界，这一类的为颜色卷积核。因为想得到不收环境颜色和光照变化影响的图像，因此通过卷积核进行筛选得到线条卷积核并将颜色卷积核舍弃。并将线条卷积核用于雨量检测，这样得到的雨量检测结果稳定性更高。
通过对线条卷积核再经过一轮的卷积和池化之后，即可展开图像，按照设定顺序将二维图像转化为一维数据即1600*1个数据，之后便可输入至全连接层。
全连接层第一层有为1600个神经元，第二层有512个神经元，最后为输出层，共100个分类数据。
展开的1600*1的数据经两层神经网络运算后输出一个数值，此数值属于100个分类数据。这100个分类数据对应范围0.1-10mm/min，以分辨率0.1mm/min步进产生的100个数据。
至此便可完成初始雨量测量神经网络的搭建。
S52：将待测量的雨幕图像输入到雨量测量神经网络后，得到输出值；所述输出值为雨量标签，找到与雨量标签对应的雨量数值，即为得到的雨量值。
具体地，将归一化后的雨幕图像输入上述的雨量测量神经网络中，经神经网络运算之后获得一个输出值，此输出值即为雨量数值，由于神经网络的标签有100个，故此输出值必与其中之一相同，至此完成了雨量测量功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，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。

Claims (10)

1.一种基于相机参数归一化的雨强测量方法，其特征在于，该方法包括：
对多个相机的参数进行参数归一化处理；
使用参数归一化后的多个相机分别获取多个第一雨幕图像和与所述第一雨幕图像对应的带有雨量筒的第二雨幕图像；
对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像；
识别第二雨幕图像中雨量筒中雨量实际的液面高度；
根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络；
使用参数归一化的相机获取待测量的雨幕图像，经图像归一化处理后，利用训练好的雨量测量神经网络得到测量的雨量值。
2.根据权利要求1所述的相机参数归一化的雨强测量方法，其特征在于，所述对多个相机的参数进行归一化处理，包括：
将各相机对准视野内的最远物体，调整各相机焦距使最远物体最清晰，对各相机的焦距归一化。
3.根据权利要求2所述的相机参数归一化的雨强测量方法，其特征在于，所述对所述第一雨幕图像进行图像归一化处理，得到第三雨幕图像，包括：
根据获取的第一雨幕图像进行去除静态背景信息干扰，得到去除静态背景信息干扰后的第一雨幕图像；
对去除干扰后的第一雨幕图像中的雨线角度进行归一化，得到所述角度归一化后的雨幕图像；
对角度归一化后的雨幕图像的分辨率进行归一化，将图片分辨率以最小分辨率大小为基准得到统一大小分辨率的第三雨幕图像。
4.根据权利要求1所述的相机参数归一化的雨强测量方法，其特征在于，所述初始雨量测量神经网络模型包括：第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层；
所述第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层依次连接；
所述第一卷积层用于对输入的第三雨幕图像进行特征提取，得到特征提取后的第四雨幕图像；
所述第一池化层用于对第四雨幕图像进行尺寸压缩，得到压缩后的第四雨幕图像；
所述第二卷积层用于将得到的压缩后的第四雨幕图像进行特征提取，得到特征提取后的第五雨幕图像；
所述第二池化层用于将第五雨幕图像进行尺寸压缩，得到压缩后的第五雨幕图像；
所述全连接层，用于将根据第五雨幕图像得到的数据进行分类并输出。
5.根据权利要求1所述的相机参数归一化的雨强测量方法，其特征在于，所述识别第二雨幕图像中雨量筒中雨量实际的液面高度，包括：
基于第二雨幕图像中的雨量筒图像，利用液面识别网络识别得到液面位置，根据液面位置以及雨量筒自身高度，得到液面的实际高度；
其中，所述液面识别网络基于Mask R-CNN神经网络对带有雨量筒的图片训练集及与图片训练集对应的人工标记的雨量筒的液面位置训练得到。
6.根据权利要求3所述的相机参数归一化的雨强测量方法，其特征在于，所述雨线角度进行归一化，包括：
选择其中一条雨线，其外接矩大小为m*n；
此外接矩中所有的像素值组成了一个m*n的矩阵A；计算A的协方差矩阵C＝A*AT/m；并求矩阵C的特征向量B；其中，AT表示A矩阵的转置；特征向量B的方向即为雨线方向，特征向量B与图像高度方向夹角为D；计算出所有与图像高度方向夹角的均值D’，将图像按照矩阵旋转公式转动D’角度得到垂直方向上的雨线；
某像素点原始坐标(x1，y1)，根据矩阵旋转公式得到旋转后坐标(x2，y2)；
基于所述旋转后坐标(x2，y2)，得到将雨线旋转到垂直方向的所述角度归一化后的雨幕图像。
7.根据权利要求5所述的相机参数归一化的雨强测量方法，其特征在于，所述根据液面位置以及雨量筒自身高度，得到液面的实际高度，包括：
已知雨量筒高度为L，若已知液面位置，则液面与雨量筒底部的像素距离为P1个像素，雨量筒高度为P2个像素，计算出实际的液面高度为：
Figure FDA0004066360370000031
8.根据权利要求1所述的相机参数归一化的雨强测量方法，其特征在于，所述根据实际的液面高度以及对应的第三雨幕图像对构建的初始雨量测量神经网络进行训练得到训练好的雨量测量神经网络，包括：
读取雨量筒中的真实液面高度得到对应的第三雨幕图像的雨量标签；具体如下：
Figure FDA0004066360370000032
其中，在t1时刻读取雨量筒示值A1，在t2时刻读取雨量筒示值A2，R为t1至t2时间段的雨量标签；
基于所述第三雨幕图像和所述雨量标签训练Mask R-CNN神经网络得到雨量测量神经网络。
9.根据权利要求4所述的相机参数归一化的雨强测量方法，其特征在于，还包括：对所述卷积层进行卷积核筛选；
根据图像特征对卷积核进行筛选，得到颜色卷积核和线条卷积核；
根据获得的雨幕图像特点，仅保留线条卷积核。
10.根据权利要求4所述的相机参数归一化的雨强测量方法，其特征在于，所述使用参数归一化的相机获取待测量的雨幕图像，经图像归一化处理后，利用训练好的雨量测量神经网络得到测量的雨量值，包括：
将待测量的雨幕图像输入到雨量测量神经网络后，得到输出值；所述输出值为雨量标签，找到与雨量标签对应的雨量数值，即为得到的雨量值。
CN202310076415.6A 2023-01-28 2023-01-28 一种基于相机参数归一化的雨强测量方法 Pending CN116071323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310076415.6A CN116071323A (zh) 2023-01-28 2023-01-28 一种基于相机参数归一化的雨强测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310076415.6A CN116071323A (zh) 2023-01-28 2023-01-28 一种基于相机参数归一化的雨强测量方法

Publications (1)

Publication Number Publication Date
CN116071323A true CN116071323A (zh) 2023-05-05

Family

ID=86178238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310076415.6A Pending CN116071323A (zh) 2023-01-28 2023-01-28 一种基于相机参数归一化的雨强测量方法

Country Status (1)

Country Link
CN (1) CN116071323A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333745A (zh) * 2023-10-10 2024-01-02 南京工程学院 一种监控视听数据融合的降水定量估算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333745A (zh) * 2023-10-10 2024-01-02 南京工程学院 一种监控视听数据融合的降水定量估算方法

Similar Documents

Publication Publication Date Title
CN111563889B (zh) 基于计算机视觉的液晶屏幕Mura缺陷检测方法
CN110660023B (zh) 一种基于图像语义分割的视频拼接方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN112819094A (zh) 一种基于结构相似度度量的目标检测与识别方法
CN111965636A (zh) 一种基于毫米波雷达和视觉融合的夜间目标检测方法
CN109146859A (zh) 一种基于机器视觉的路面裂缝检测系统
JP2009086926A (ja) 画像認識方法および装置
CN112560619B (zh) 一种基于多聚焦图像融合的多距离鸟类精准识别方法
CN112613568B (zh) 基于可见光及红外多光谱图像序列的目标识别方法和装置
CN111476314B (zh) 一种融合光流算法与深度学习的模糊视频检测方法
CN113052170B (zh) 一种无约束场景下的小目标车牌识别方法
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和系统
CN115908774B (zh) 一种基于机器视觉的变形物资的品质检测方法和装置
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN109242787A (zh) 一种中小学艺术测评中绘画录入方法
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN113435407A (zh) 一种输电系统的小目标识别方法及装置
CN107977959B (zh) 一种适用于电力作业机器人的呼吸器状态识别方法
CN116071323A (zh) 一种基于相机参数归一化的雨强测量方法
CN104299234B (zh) 视频数据中雨场去除的方法和系统
CN115965934A (zh) 一种停车位检测方法及装置
CN107301421A (zh) 车辆颜色的识别方法及装置
CN113506275B (zh) 一种基于全景城市图像处理方法
CN112924037A (zh) 基于图像配准的红外体温检测系统及检测方法

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