本发明涉及语义分割图像识别模型、后端识别、相对历史水位监测、水位预警，具体涉及一种后端简易识别相对历史水位和水位预警的方法。
背景技术：
1、语义分割图像识别模型是一种基于深度学习的模型，主要用于识别和分割图像中的不同区域或对象。该模型基于卷积神经网络（cnn）进行构建，通过训练来学习和理解图像中的特征，从而实现对像素级别的分类。
2、后端识别是指通过视频系统采集前端摄像头图像数据到服务器端，由服务器上的强大计算资源和专业算法进行进一步的处理和识别。相较于前端识别，它不需要对前端摄像头进行硬件改造，具有统一管理、高性能、高可靠性和高安全性的优势。
3、相对历史水位监测是一种通过比较当前水位与历史水位数据来评估水位变化的方法。这种监测方式有助于了解当前水位在历史水位中的相对位置、水位变化的趋势、速度以及可能的影响因素，对于水资源管理、洪水预警、环境保护等领域具有重要意义。
4、水位预警是指在水文监测系统中设定的一种水位阈值，用于提前警示可能发生的洪水、暴雨等灾害情况。这一机制旨在通过提前发现潜在的灾害风险，并向公众提供准确的信息和指导，以便他们能够采取适当的行动来应对可能发生的灾害。
5、目前，水位监测主要以雷达、压力、电阻等传感器监测为主，也有基于图像识别水尺刻度或者虚拟刻度等前端识别的方式。当前基于图像识别水位变化的监测和预警，需要在摄像头场景内进行现场测量或者安装前端边缘计算设备。由于水域监管面积大，已有摄像头基数大，想要快速掌握相对水位数据和水位预警需要大量的现场测量和安装，前期工作量巨大，同时后期由于摄像头场景位置发生变化，也将导致水位识别结果错误。对于大量的河道、山塘、水库、湖泊等已有监管摄像头，重复利用起来非常不便，实施难度较大，无法快速实现水位变化和预警的精细化监管。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷，提供一种后端简易识别相对历史水位和水位预警的方法，该方法利用现有摄像头接入后端视频系统，采集水域面相关图像，采用语义分割技术进行预标注、训练，获得水域面识别模型。在图像上设定相对水位最高点位和相对水位预警点位，通过水域面识别模型识别水域面，计算点位和水域面的空间位置关系，获得相对历史水位和水位预警信息,该方法无需现场测量标定和安装设备，操作简便。同时增加了场景位置变化校验，对当前图像和历史图像进行比对，判断场景位置是否改变，能够较好地排除摄像头角度移动、焦距变化、图像异常等异常事件，同时自动生成识别异常数据和预警数据进行人工审核，简化了人工审核的工作量,保障了识别结果的准确率和可用性。
2、本发明采用的技术方案为：
3、一种后端简易识别相对历史水位和水位预警的方法，包括以下步骤：
4、s1，接入视频：通过后端视频系统接入摄像头视频流。
5、s2，确定场景位置：确定识别相对历史水位和水位预警的场景位置；
6、进一步地，所述场景位置需要包含水域面，同时水域面的水位在变化范围内都有同一参照物能够对比观测。
7、s3，水域面识别模型训练：对符合条件的场景位置的图像数据进行数据集采集、水域面标注，并进行训练，获得水域面识别模型w；
8、所述数据集数量不少于5万张图像数据，图像数据覆盖不同场景位置、时间段和天气条件，其中场景位置包括河道、山塘、水库、湖泊、江河，不少于3000个场景；所述水域面标注是先采用语义分割大模型进行初步的水域面预标注，再对预标注结果进行人工标注。
9、s4，参数设定：对接入视频的场景位置进行参数设置，抽取一张图像，在图像中设置相对水位最高点位a、相对水位预警点位b，同时设置摄像头的抽帧时间和频率，参数设定后立即保存一张历史图像p1；
10、所述相对水位最高点位a为水位不能到达的墙体或者坝体顶部位置；所述相对水位预警点位b位于相对水位最高点位a的下方，是触发水位预警的点位；所述相对水位最高点位a和相对水位预警点位b的连线与地面或水域面垂直。
11、s5，校验场景位置：对当前抽帧时间的图像n1和历史图像p1采用特征匹配或模板匹配进行对比，如果校验场景位置正常，则执行步骤s6；如果校验场景位置异常，则记录为校验场景位置异常数据，识别中止，进而执行步骤s8；
12、进一步地，所述特征匹配是对当前抽帧时间的图像n1和历史图像p1依次进行灰度化、特征点提取、特征点匹配、特征点筛选、特征匹配初判断、图像分块特征点匹配；
13、灰度化是将彩色图像转成灰度图像；
14、特征点提取是采用sift算法提取特征点和特征点的描述子；
15、特征点匹配采用bf暴力特征匹配方法和k最近邻匹配策略对提取的特征点和特征点的描述子进行匹配获得匹配结果数组array；
16、特征点筛选是对匹配结果数组array进行遍历，候选距离误差值采用欧式距离计算，当第一候选距离误差值小于第二候选距离误差值的85%时，则保留当前匹配特征点对，否则，删除该匹配特征点对；
17、特征匹配初判断是当匹配特征点对数目小于等于匹配特征点对数目阈值z时，则校验场景位置异常；匹配特征点对数目大于匹配特征点对数目阈值z时，则进行图像分块特征点匹配；
18、所述匹配特征点对数目阈值z的计算方法是以图像分辨率1920*1080为标准，匹配特征点对数目阈值z为20；不同图像分辨率x的匹配特征点对数目阈值z计算见公式（1）：
19、 公式（1）
20、式中：
21、x表示图像分辨率；
22、z表示匹配特征点对数目；
23、图像分块特征点匹配是将当前抽帧时间的图像n1的灰度图和历史图像p1的灰度图分成等比例的图像块，按照位置顺序依次对图像块进行特征点提取、特征点匹配、特征点筛选，获得匹配特征点对，通过计算匹配特征点对的像素偏差，从而判断图像块是否移动；如果图像块移动的个数大于图像块不移动的个数，则认为摄像头有移动，校验场景位置异常；如果图像块移动的个数小于或等于图像块不移动的个数，则认为摄像头未移动，校验场景位置正常；
24、进一步地，所述模板匹配是当场景位置有一半以上的图像存在树叶扰动或者在所述步骤s8人工审核后发现校验场景位置错误时采用，模板匹配是在历史图像p1中选取固定目标为模板区域roia，并对当前抽帧时间的图像n1和历史图像p1依次进行灰度化、模板区域匹配、模板像素偏差计算；
25、模板区域匹配采用标准相关性匹配算法，以模板区域roia为标准,在当前抽帧时间的图像n1的灰度图中搜索最佳匹配位置roib；
26、模板像素偏差计算是计算模板区域roia和匹配位置roib的像素偏差，根据计算出的像素偏差判断校验场景位置是否异常。
27、s6，计算相对像素反向水位：采用水域面识别模型w对当前抽帧时间的图像n1进行水域面识别，如果未识别到水域面，则记录为水域面识别异常数据，识别中止，进而执行步骤s8；如果识别到水域面，则获得水域面的像素坐标点集,采用射线法计算相对水位最高点位a、相对水位预警点位b和水域面ps的空间位置关系，获得水位预警数据和相对水位交点r；通过计算相对水位交点和相对水位最高点位a之间像素距离获得当前抽帧时间的相对像素反向水位rpwl，并将当前抽帧时间的相对像素反向水位rpwl添加到历史相对像素反向水位记录集r1；
28、进一步地，所述采用射线法计算相对水位最高点位a、相对水位预警点位b和水域面ps的空间位置关系，具体为采用射线法判断相对水位最高点位a或相对水位预警点位b是否在水域面ps内部；如果相对水位预警点位b在水域面ps内部，则记录为水位预警数据；
29、所述相对水位交点a是通过相对水位最高点位朝向相对水位预警点位b的射线l2与水域面ps的第一个交点；如果相对水位最高点位a在水域面ps内部，则相对水位交点r就是相对水位最高点位a；如果没有相对水位交点r，则记录为水域面识别异常数据；
30、所述当前抽帧时间的相对像素反向水位rpwl计算见公式（2）:
31、 公式（2）
32、式中：
33、ax表示相对水位最高点位a在图像中水平方向上的位置；
34、ay表示相对水位最高点位a在图像中垂直方向上的位置；
35、rx表示相对水位交点r在图像中水平方向上的位置；
36、ry表示相对水位交点r在图像中垂直方向上的位置；
37、rpwl表示相对像素反向水位。
38、s7,计算相对历史水位：当历史相对像素反向水位记录集r1积累有两条以上的记录时，则对历史相对像素反向水位记录集r1里的相对像素反向水位rpwl进行计算，获得所有的相对历史水位rhwl，计算见公式（3）：
39、 公式（3）
40、式中：
41、rpwl表示相对像素反向水位；
42、hpwl表示最大像素反向水位；
43、lpwl表示最小像素反向水位；
44、rhwl表示相对历史水位；
45、进一步地，所述相对历史水位rhwl的范围在0～100之间；如果（hpwl-lpwl）为0，表示水位没有变化，不参与计算。
46、s8，审核识别异常和预警数据：对校验场景位置异常数据、水域面识别异常数据、水位预警数据进行人工审核，确定是否为错误数据，并进行处置。
47、所述对校验场景位置异常数据、水域面识别异常数据、水位预警数据进行人工审核，具体为如果是校验场景位置异常数据，人工审核场景位置没有变化，而是树叶扰动情况导致校验异常，则进行场景位置匹配方法设置，如果场景位置变化则进行场景位置矫正；场景位置匹配方法设置是将特征匹配改成模板匹配或者模板匹配中重新设置模板区域；场景位置矫正是对摄像头进行云台控制，实现校验场景位置正常；如果是水域面识别异常数据，判断是识别错误还是图像质量问题，如果是图像质量问题则对摄像头进行运维处理；图像质量问题包括：图像丢包、遮挡、模糊问题；
48、如果是水域面识别错误，则将图像数据回流，重复s3步骤，对增量数据进行标注和训练；
49、如果是水位预警数据，人工复核后，进行预警数据下发。
50、本发明的有益效果为：
51、1、本发明提出的水域面识别模型训练是使用语义分割大模型进行预标注，大大降低了人工标注的工作量和难度。
52、2、本发明能够基于现有摄像头后端识别相对历史水位和水位预警，无需现场测量标定和安装其他设备，实施简便，可以快速实现水位预警和相对历史水位监测功能。
53、3、本发明采用特征匹配和模板匹配两种方法，可以对摄像头场景位置进行校验，保障识别场景位置的一致性，进一步保障识别结果的可用性。
54、4、本发明能够自动生成识别异常和预警数据，极大地简化了人工审核的工作量，保障了识别结果的准确率。
1.一种后端简易识别相对历史水位和水位预警的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s2中，所述场景位置需要包含水域面，同时水域面的水位在变化范围内都有同一参照物能够对比观测。
3.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s3中，所述数据集数量不少于5万张图像数据，图像数据覆盖不同场景位置、时间段和天气条件，其中场景位置包括河道、山塘、水库、湖泊、江河，数量不少于3000个；所述水域面标注是先采用语义分割大模型进行初步的水域面预标注，再对预标注结果进行人工标注。
4.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s4中，所述相对水位最高点位a为水位不能到达的墙体或者坝体顶部位置；所述相对水位预警点位b位于相对水位最高点位a的下方，是触发水位预警的点位；所述相对水位最高点位a和相对水位预警点位b的连线与地面或水域面垂直。
5.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s5中，所述特征匹配是对当前抽帧时间的图像n1和历史图像p1依次进行灰度化、特征点提取、特征点匹配、特征点筛选、特征匹配初判断、图像分块特征点匹配；
6.根据权利要求5所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述匹配特征点对数目阈值z的计算方法是以图像分辨率1920*1080为标准，匹配特征点对数目阈值z为20；不同图像分辨率x的匹配特征点对数目阈值z计算见公式（1）：
7.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s5中，所述模板匹配是当场景位置有一半以上的图像存在树叶扰动或者在所述步骤s8人工审核后发现校验场景位置错误时采用，模板匹配是在历史图像p1中选取固定目标为模板区域roia，并对当前抽帧时间的图像n1和历史图像p1依次进行灰度化、模板区域匹配、模板像素偏差计算；
8.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s6中，所述采用射线法计算相对水位最高点位a、相对水位预警点位b和水域面ps的空间位置关系，具体为采用射线法判断相对水位最高点位a或相对水位预警点位b是否在水域面ps内部；如果相对水位预警点位b在水域面ps内部，则记录为水位预警数据；
9.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s7中，所述相对历史水位rhwl的计算见公式（3）：
10.根据权利要求1所述的后端简易识别相对历史水位和水位预警的方法，其特征在于：所述步骤s8中，所述对校验场景位置异常数据、水域面识别异常数据、水位预警数据进行人工审核，具体为如果是校验场景位置异常数据，人工审核场景位置没有变化，而是树叶扰动情况导致校验异常，则进行场景位置匹配方法设置，如果场景位置变化则进行场景位置矫正；场景位置匹配方法设置是将特征匹配改成模板匹配或者模板匹配中重新设置模板区域；场景位置矫正是对摄像头进行云台控制，实现校验场景位置正常；如果是水域面识别异常数据，判断是识别错误还是图像质量问题，如果是图像质量问题则对摄像头进行运维处理；图像质量问题包括：图像丢包、遮挡、模糊问题；如果是水域面识别错误，则将图像数据回流，重复s3步骤，对增量数据进行标注和训练；如果是水位预警数据，人工复核后，进行预警数据下发。
