本發(fā)明涉及深度學習和流速計算，特別涉及一種基于超級點的非接觸式河流流速計算方法及系統(tǒng)。

背景技術：

1、傳統(tǒng)的河流流速測量方法，主要包括接觸式的粒子測速、傳感器測速等。這些方法雖然具備一定的精度，但在實際應用中存在諸多不足。首先，設備安裝復雜且成本高，特別是在地形復雜、交通不便的山區(qū)河流，設備的布設和維護極為困難。其次，接觸式測量方法通常需要將設備置于水體中，這不僅容易對河流生態(tài)環(huán)境造成影響，還增加了設備被洪水或漂浮物損壞的風險。此外，傳統(tǒng)方法的數(shù)據(jù)獲取范圍有限，無法提供全面的空間覆蓋。由于這些設備需要進行定期的維護與更換，進一步增加了運行成本。實時性也是傳統(tǒng)方法的一大缺點，這些測量方法往往依賴人工干預，難以實現(xiàn)持續(xù)、自動化的實時監(jiān)測，限制了其在洪水預警中的應用。

2、隨著科技的發(fā)展，非接觸式流量測量技術逐漸興起，成為解決傳統(tǒng)方法局限性的重要方向。非接觸式技術利用聲、光、電及圖像處理技術，通過遙測手段估算水體表面流速，極大地提高了測量的安全性和便捷性。如雷達、激光多普勒等方法，已實現(xiàn)了在不接觸水體的情況下，獲取水面流速數(shù)據(jù)的能力。這些技術不僅避免了設備安裝在水體中的復雜操作，還增強了測量的空間覆蓋能力，能夠監(jiān)測更大范圍的河流流速。同時，隨著深度學習和計算機視覺技術的發(fā)展，基于圖像處理的河流流速監(jiān)測方法開始應用于實際場景。這類方法通過深度學習算法提取水面特征點，并結(jié)合光流法進行流速估算，能夠?qū)崿F(xiàn)更加精確、實時的流速計算，并減少人為干預，大幅提升了自動化和實時性的水平。

3、因此，進一步研究非接觸式河流流速監(jiān)測，降低計算復雜度，并保持高度的實時性和自動化，應用于無人值守的長期河流監(jiān)測任務，有著重要的研究意義。

技術實現(xiàn)思路

1、本發(fā)明所要解決的問題是：提供一種基于超級點的非接觸式河流流速計算方法及系統(tǒng)，通過非接觸式的方法實時、準確地估算河流流速，滿足防洪減災及水環(huán)境管理的需求，同時大幅降低計算復雜度，并保持高度的實時性和自動化，能夠適用于無人值守的長期河流監(jiān)測任務。

2、本發(fā)明采用如下技術方案：一種基于超級點的非接觸式河流流速計算方法，包括如下步驟：

3、s1、數(shù)據(jù)采集與預處理：通過攝像設備采集不同的光照和氣候條件下河流水面動態(tài)視頻圖像，捕捉流動水面的變化，并進行數(shù)據(jù)清洗；

4、s2、圖像特征提?。和ㄟ^超級點算法對采集到的視頻圖像進行處理，提取水面特征點信息，包括特征點位置坐標以及特征點描述符；

5、s3、模型構(gòu)建與訓練：構(gòu)建深度特征網(wǎng)絡模型，通過多層感知器將輸入的原始描述符映射到高維特征空間，優(yōu)化特征點的描述符信息，進行模型訓練；

6、s4、特征點匹配：利用所述深度特征網(wǎng)絡模型生成特征點的增強描述符，根據(jù)歐幾里得距離匹配相鄰圖像之間的特征點，利用dbscan算法對特征點進行劃分，通過基于密度的聚類方法篩選出相近點或相似點所處的特征區(qū)域，作為特征顯著區(qū)域；

7、s5、河流流速計算：在特征顯著區(qū)域內(nèi)，結(jié)合光流法，計算特征區(qū)域內(nèi)整體的光流大??；并根據(jù)透射變換原理計算三維真實世界中河流的速度大小，進行實時流速分析和河流監(jiān)測。

8、優(yōu)選的，步驟s1中，數(shù)據(jù)清洗包括：原始圖像的噪聲過濾、對比度和亮度增強及色彩平衡。

9、優(yōu)選的，步驟s3模型構(gòu)建，包括如下子步驟：

10、s301、構(gòu)建深度特征網(wǎng)絡，包括輸入層、多個隱藏層和輸出層，每個隱藏層通過激活函數(shù)進行非線性變換，增強描述符表現(xiàn)能力；

11、s302、通過多層感知器，將特征點自身坐標信息轉(zhuǎn)化至描述符中，對于初始描述符，得到增強后特征點的描述符。

12、優(yōu)選的，步驟s3模型訓練，包括如下子步驟：

13、s311、通過設置學習率和批次大小，平衡訓練速度與穩(wěn)定性；

14、s312、通過損失函數(shù)優(yōu)化平均精度，計算每個描述符的精度ap，；

15、s313、使用表示損失，對所有的描述符匹配的平均精度求和取平均；

16、s304、通過正則化策略減少過擬合，通過動態(tài)調(diào)整超參數(shù)監(jiān)控驗證集；所述正則化策略包括l2正則化和dropout。

17、優(yōu)選的，步驟s4特征點匹配，包括如下子步驟：

18、s401、利用深度特征網(wǎng)絡生成的增強描述符，選取河流視頻一定時間間隔內(nèi)的兩幀圖像，得到兩幀圖像的特征點描述符；

19、s402、采用最近鄰匹配，對兩幀圖像的特征點描述符進行匹配，利用歐幾里得方法計算距離，得到對應的最接近的特征點距離；

20、s403、使用比率測試，比較最接近和次接近的特征點距離，若比率小于預設閾值，則認為匹配是有效的，否則舍棄；

21、s404、使用dbscan聚類算法對匹配的特征點進行篩選，找到特征點分布顯著區(qū)域，計算特征顯著區(qū)域的左上坐標和右下坐標，用于河流速度估算。

22、優(yōu)選的，步驟s5對于穩(wěn)定的河流，河流流速計算采取均值法，包括如下子步驟：

23、s501、假設經(jīng)過dbscan聚類算法分類后，得到顯著區(qū)域特征點集合為p，顯著區(qū)域特征點的數(shù)量為；

24、s502、根據(jù)集合p利用最近鄰匹配后，得到第一張圖像的特征點位置坐標集合，第二張圖像的特征點位置坐標集合，將第一張、第二張圖像匹配后的特征點坐標做差，得到光流集合，通過計算光流的歐幾里得大小求和計算平均速度；

25、s503、通過將光流的歐幾里得大小求和，計算整體光流平均速度。

26、優(yōu)選的，步驟s5對于非穩(wěn)定的河流，河流流速計算包括如下子步驟：

27、s511、基于特征顯著區(qū)域的左上坐標和右下坐標，過raft光流法生成全局的光流矩陣，獲得該區(qū)域的光流大??；

28、s512、計算該區(qū)域內(nèi)像素點的光流平均大小，篩選出大于平均大小的光流，過濾非明顯運動的特征點，計算出的速度臨時值；

29、s513、采用二次查找，對于光流矩陣f，重新遍歷該區(qū)域，選出光流大小大于temp一半的像素點光流向量，得到像素點光流集合，執(zhí)行步驟s502至s503計算整體光流大小。

30、本發(fā)明技術方案還包括：一種基于超級點的非接觸式河流流速計算系統(tǒng)，包括：視頻數(shù)據(jù)采集單元、圖像特征提取單元、流速計算單元；

31、視頻數(shù)據(jù)采集單元，通過高分辨率攝像設備實時獲取河流水面的動態(tài)視頻圖像數(shù)據(jù)，在不同的光照和氣候條件下捕捉流動水面的小幅變化，為河流流速計算提供數(shù)據(jù)基礎；

32、圖像特征提取單元，基于采集的視頻圖像數(shù)據(jù)采集完成后，利用超級點算法對視頻圖像進行處理，提取水面特征點，生成特征點的描述符信息；

33、流速計算單元，采用深度特征網(wǎng)絡框架，通過多層感知器優(yōu)化特征點的描述符信息，進行特征點匹配后利用dbscan算法對特征點進行劃分，得到不同的特征點區(qū)域，利用基于密度的聚類方法篩選相近或者相似點所處的特征顯著區(qū)域，通過計算特征顯著區(qū)域的光流大小，得到不同的流速條件下河流速度和方向。

34、優(yōu)選地，還包括后端服務器單元和前端展示單元；

35、后端服務器單元，通過實時流媒體協(xié)議接收所述視頻數(shù)據(jù)采集單元采集到的實時視頻圖像，利用flask框架和flask-socketio擴展實現(xiàn)websocket支持，將所述流速計算單元計算得到河流速度和方向通過所述流速結(jié)果保存，并通過socketio推送至前端展示單元；

36、前端展示單元實時接收與展示河流數(shù)據(jù)，用于無人值守的長時間監(jiān)測任務。

37、優(yōu)選地，后端服務器單元，包括：圖像數(shù)據(jù)接收模塊、深度學習推理模塊、流速結(jié)果保存查詢與返回模塊；

38、所述圖像數(shù)據(jù)接收模塊，攝像設備通過實時流媒體協(xié)議，推送原始圖像視頻流數(shù)據(jù)到服務器，所述服務器逐幀提取視頻流數(shù)據(jù)，存儲于服務器的內(nèi)存或文件系統(tǒng)中，并對每一幀圖像進行分割，傳輸至深度學習推理模塊進行處理；

39、所述深度學習推理模塊，利用超級點算法從每一幀圖像中提取特征點，通過深度特征網(wǎng)絡模型對特征點描述符進行處理，增強特征點的描述符信息，結(jié)合光流法計算圖像中特征點的運動矢量，計算實時流速；

40、所述流速結(jié)果保存查詢與返回模塊，將流速數(shù)據(jù)實時存儲到數(shù)據(jù)庫，并基于時間戳和地理位置索引機制進行管理和查詢，查詢數(shù)據(jù)以json格式返回；并利用flask-socketio擴展，基于websocket協(xié)議將最新流速信息即時推送至所述前端展示單元。

41、本發(fā)明采用以上技術方案與現(xiàn)有技術相比，具有以下技術效果：

42、1、本發(fā)明非接觸式河流流速計算方法，通過遠程視頻采集及圖像處理方式，有效避免了設備與水體的直接接觸，提高了系統(tǒng)對復雜環(huán)境的適應性及數(shù)據(jù)采集的穩(wěn)定性；通過引入視頻圖像處理技術，利用計算機視覺方法實現(xiàn)非接觸式流速測量，從而有效簡化了流速監(jiān)測流程，提升了操作效率。

43、2、本發(fā)明設計了多層感知器（mlp）增強的超級點特征提取方法，并結(jié)合密度聚類算法（dbscan）對水面特征點進行分割，通過光流法進行流速計算，使系統(tǒng)能夠在河流波動較大和不均勻的流場中保持較高的測量精度和數(shù)據(jù)穩(wěn)定性。

44、3、本發(fā)明非接觸式河流流速計算系統(tǒng)，基于低成本的攝像設備實現(xiàn)流速測量，通過視覺算法，以計算機視覺和深度學習框架替代昂貴的硬件系統(tǒng)，顯著降低了硬件投入和維護費用，同時避免了現(xiàn)場操作，提升了在高風險環(huán)境中的測量安全性，滿足無人值守的流速測量需求。