[发明专利]一种河堤坍塌自动监测方法

权利要求书

1.一种河堤坍塌自动监测方法，其特征在于，具体包括以下步骤：

步骤1，实时获取多路监控设备的监控视频，使用时序卷积动态变化监控视频帧检测模型对监控视频进行初步筛选，获取有可能存在河堤坍塌的监控视频片段；

步骤2，使用运动目标检测模型对获取的监控视频片段进行运动目标检测，获取运动目标区域图像；

使用河堤检测语义分割模型对获取的监控视频片段进行语义分割检测，提取河堤区域图像；

步骤3，将提取的河堤区域与获取的运动目标区域进行图像做差，获得不包含运动目标的河堤区域图像；

步骤4，创建高斯滤波器，将获取的不包含运动目标的河堤区域图像进行灰度处理和高斯滤波，建立背景模板；

步骤5，最后利用帧差法确定坍塌位置和面积。

2.根据权利要求1所述的河堤坍塌自动监测方法，其特征在于：所述时序卷积动态变化监控视频帧检测模型由深度3维卷积网络模型训练而成，所述深度3维卷积网络包括8个卷积层、5个池化层和两个全连接层，所有3D卷积滤波器均为3×3×3，步长为1×1×1；所述深度3维卷积网络模型的输入为：通过对监控视频序列进行预处理后得到的数据维度为3*16*112*112的监控视频片段，其中，3为图像通道数，16为监控视频序列的长度，112*112为图像尺寸；

在所述深度3维卷积网络模型的输出数据值上进行逻辑斯蒂回归激活，实现坍塌现象的预测与监控视频片段的类型判定，其中，输出结果为1，则表示监控视频片段内可能有坍塌现象；输出结果为0，则表示监控视频片段内没有坍塌现象。

3.根据权利要求1所述的河堤坍塌自动监测方法，其特征在于：所述运动目标检测模型由yolo v3 模型训练而成，yolo v3 模型的输入为步骤1得到的有可能存在河堤坍塌的监控视频片段。

4.根据权利要求1所述的河堤坍塌自动监测方法，其特征在于：所述河堤检测语义分割模型由基于DeepLab V3+的深度神经网络训练而成，其中，语义分割模型的输入为步骤1得到的有可能存在河堤坍塌的监控视频片段；

所述基于DeepLab V3+的深度神经网络以Resnet101作为基础网络，选取基础网络Conv1和基础网络Conv2作为特征提取器，其中基础网络Conv1进行7×7卷积操作，滤波器个数为64；引由入空洞卷积进行3×3多尺度池化，修改空洞卷率为(8,16,24)，构建特征编码器；构建解码器，将所述解码器与所述特征提取器和所述特征编码器连接，从而实现图像特征与编码特征的融合，并引入反卷积进行上采样操作。

5.根据权利要求2所述的河堤坍塌自动监测方法，其特征在于：

步骤1中，多路监控设备的监控视频为RGB彩色图像，在将RGB彩色图像送入所述深度3维卷积网络模型之前，还使用以下公式进行图像预处理：

上式中，R、G和B分别为RGB颜色空间的红、绿、蓝分量。

6.根据权利要求1所述的河堤坍塌自动监测方法，其特征在于：步骤3中，使用通过语义分割检测提取的河堤区域的掩模图，减去通过运动目标检测获取的运动目标区域的掩模图，保留河堤区域的掩模图中灰度差值大于0的像素点，将河堤区域的掩模图中灰度差值小于0的像素点的灰度值设置为0。

7.根据权利要求1所述的河堤坍塌自动监测方法，其特征在于：步骤4中，所述高斯滤波采用双边位置和颜色进行组合滤波，其内核为：

其中，p_i表示第i个像素点的位置，p_j表示第j个像素点的位置，I_i表示第i个像素点的颜色强度，I_j表示第j个像素点的颜色强度，和均为用于控制高斯核尺度的超参数。