[發明專利]水流測速方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202010075235.2
• 申請日: 2020-01-22
• 公開（公告）號: CN111275752A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 柴秀娟;楊晨雪;張文蓉;孫坦
• 申請（專利權）人: 中國農業科學院農業信息研究所
• 主分類號: G06T7/60
• 分類號: G06T7/60;G06K9/62;G01P5/00
• 代理公司: 泰和泰律師事務所 51219
• 代理人: 范相玉

1.一種水流測速方法，其特征在于，所述方法包括：

獲取待檢測水流的視頻序列；并從所述視頻序列中獲取視頻幀RGB圖像、視頻幀差灰度圖像以及視頻幀灰度圖像；

根據所述視頻幀RGB圖像、所述視頻幀差灰度圖像以及所述視頻幀灰度圖像分別確定所述待檢測水流的表觀特征、運動特征與紋理特征；

將所述待檢測水流的表觀特征、運動特征與紋理特征進行組合得到水流特征，并將所述水流特征輸入到特征融合網絡模型中得到與所述待檢測水流對應的水流流速的預測結果；所述特征融合網絡模型是根據樣本水流特征和其對應的水流流速標簽訓練得到的。

2.根據權利要求1所述的水流測速方法，其特征在于，所述根據所述視頻幀RGB圖像、所述視頻幀差灰度圖像以及所述視頻幀灰度圖像分別確定所述待檢測水流的表觀特征、運動特征與紋理特征，包括：

將所述視頻幀RGB圖像輸入到表觀流密集連接網絡模型得到所述待檢測水流的表觀特征，所述表觀流密集連接網絡模型是根據樣本視頻幀RGB圖像及其對應的表觀特征標簽訓練得到的；

將所述視頻幀差灰度圖像輸入到運動流密集連接網絡模型得到所述待檢測水流的運動特征，所述運動流密集連接網絡模型是根據樣本視頻幀差灰度圖像及其對應的運動特征標簽訓練得到的；

將所述及視頻幀灰度圖像輸入到紋理流密集連接網絡模型得到所述待檢測水流的紋理特征，所述紋理流密集連接網絡模型是根據樣本視頻幀灰度圖像及其對應的紋理特征標簽訓練得到的。

3.根據權利要求1所述的水流測速方法，其特征在于，所述根據所述視頻幀灰度圖像確定所述待檢測水流的紋理特征，包括：

根據預置局部紋理特征提取算法從所述視頻幀灰度圖像中確定所述待檢測水流的紋理特征。

4.根據權利要求3所述的水流測速方法，其特征在于，當所述預置局部紋理特征提取算法為CLBP算法時，所述根據預置局部紋理特征提取算法從所述視頻幀灰度圖像中確定所述待檢測水流的紋理特征，包括：

通過所述視頻幀灰度圖像獲取局部紋理特征差異及中心灰度級別全局紋理特征差異；

根據所述局部紋理特征差異確定差分符號算子CLBP_S和差分符值算子CLBP_M；根據所述中心灰度級別全局紋理特征差異確定中心像素灰度算子CLBP_C；

根據所述差分符號算子CLBP_S、所述差分符值算子CLBP_M和所述中心像素灰度算子CLBP_C以并聯的形式進行融合得到所述待檢測水流的紋理特征。

5.根據權利要求1所述的水流測速方法，其特征在于，所述方法還包括：

從水流樣本數據中確定樣本視頻幀RGB圖像、樣本視頻幀差灰度圖像以及視頻幀灰度圖像；

確定樣本視頻幀RGB圖像、樣本視頻幀差灰度圖像以及視頻幀灰度圖像分別對應的樣本表觀特征、樣本運動特征與樣本紋理特征；

將所述樣本表觀特征、所述樣本運動特征與所述樣本紋理特征進行合并得到所述樣本水流特征；

對所述樣本水流特征和所述水流樣本數據對應的水流流速標簽進行訓練得到所述特征融合網絡模型。

6.根據權利要求5所述的水流測速方法，其特征在于，所述特征融合網絡模型中包括歸一化層，所述歸一化層用于將最小批輸入數據的分布通過平移伸縮變為均值為0，方差為1的正態分布。

7.一種水流測速裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取待檢測水流的視頻序列；并從所述視頻序列中獲取視頻幀RGB圖像、視頻幀差灰度圖像以及視頻幀灰度圖像；

確定模塊，用于根據所述視頻幀RGB圖像、所述視頻幀差灰度圖像以及所述視頻幀灰度圖像分別確定所述待檢測水流的表觀特征、運動特征與紋理特征；

計算模塊，用于將所述待檢測水流的表觀特征、運動特征與紋理特征進行組合得到水流特征，并將所述水流特征輸入到特征融合網絡模型中得到與所述待檢測水流對應的水流流速的預測結果；所述特征融合網絡模型是根據樣本水流特征和其對應的水流流速標簽訓練得到的。