王劍平，朱 芮，張 果，何興波，蔡如鵬

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650000；2.貴州省黔西南州水文水資源局，貴州 興義 562400)

中國河流眾多，水資源豐富，水資源的合理以及有效利用對我國的經(jīng)濟發(fā)展具有重要的意義。天然河流的流量監(jiān)測是管理地表水資源的重要要素之一，高洪時期的流速和流量信息的獲取也是山洪地質(zhì)災(zāi)害防治非工程措施的重要組成部分。20世紀80年代以前，絕大部分國內(nèi)外的水文監(jiān)測站都使用基于轉(zhuǎn)子式流速儀的流速–面積法來測量各個河道斷面布置點的平均流速，并進行流量計算。但由于自然河流復(fù)雜多變的流動特性以及嚴峻的戶外測量環(huán)境，點流速測量的代價高昂，導(dǎo)致流速儀等傳統(tǒng)的接觸式測量方法不能正常開展或者儀器無法正常施測。因此，發(fā)展非接觸式測流方法是必要且迫切的。

近幾年來，機器視覺及傳感器技術(shù)的迅速發(fā)展推動非接觸式測流技術(shù)取得巨大的突破，基于光學(xué)、圖像以及雷達的各種測流技術(shù)都已經(jīng)得到了快速地發(fā)展和應(yīng)用，尤其是圖像法測流技術(shù)，該技術(shù)因其簡便、高效、安全等優(yōu)點得到了普遍的關(guān)注。粒子圖像測速（particle image velocimetry，PIV）技術(shù)發(fā)展于20世紀80年代，該技術(shù)在流場中布撒示蹤粒子，以激光片光作為光源，用底片或CCD（charge coupled device，CCD）相機記錄示蹤粒子的圖像，利用自相關(guān)法、互相關(guān)法或光學(xué)楊氏條紋法處理這些圖像，從而獲得流場的速度分布。Fujita等提出了大尺度粒子圖像測速（large-scale particle image velocimetry，LSPIV）方法，改進PIV技術(shù)用于大尺度水面流場觀測。該方法以波紋、植物碎片、泡沫等天然水面漂浮物和天然水面模式代替粒子作為示蹤物，用普通的數(shù)字相機或視頻錄像機記錄自然光光源下的河流圖像，簡化了硬件配置，還避免了示蹤物對河流的污染。該方法自提出以來，被廣泛地應(yīng)用于水文站流量、流速的監(jiān)測。但由于采用極易受到環(huán)境影響的天然水面漂浮物和諸如泡漩等不穩(wěn)定的天然水面模式作為示蹤物，該方法存在穩(wěn)定性差的問題。且LSPIV方法在運動估計時采用空域相關(guān)匹配法，相關(guān)性計算的時間復(fù)雜度達O(

n

)，所需存儲空間大且計算效率低。相比于LSPIV，F(xiàn)ujita等在2007年提出了基于時空圖像的測流（spatio-temporal image velocimetry，STIV）方法。該方法在斷面流量測量方面展現(xiàn)出了更好的性能，目前正在被廣泛地研究，但該方法只能獲得一維流速場，且對河流流態(tài)穩(wěn)定性要求高。王萬良等將深度學(xué)習(xí)用于流速測量，采用條件邊界平衡生成對抗網(wǎng)絡(luò)對流速圖像進行生成，采用多特征融合的卷積分類網(wǎng)絡(luò)對流速圖像進行分類，此方法僅能獲得流速區(qū)間，但為非接觸式測流技術(shù)提供了一種全新的思路。Lin等結(jié)合無人機利用熱水作為示蹤劑，利用Lucas-Kanade光流法取得了優(yōu)于常用跟蹤方法的測流結(jié)果。但由于將熱水作為大尺度天然河流的示蹤劑并不具有普遍的可行性，該方法也存在局限性。Tauro等利用金字塔Lucas-Kanade光流法跟蹤了FAST、Shi-Tomasi、SIFT、SURF、ORB5種特征點，并利用先驗信息對特征點的跟蹤軌跡進行濾波，只保留視場中與實際物體運動相關(guān)的軌跡，此方法在實驗過程中取得了良好的結(jié)果，但特征點的選取是一個復(fù)雜過程，考慮天然河道實際工況的復(fù)雜性，在不同的現(xiàn)場環(huán)境下選取光流跟蹤特征點的統(tǒng)一規(guī)則并沒有制定，且先驗信息的獲取并不具有普遍性，故該方法在實際場景下穩(wěn)定性較差。

由于天然環(huán)境下水流的復(fù)雜特性，主流的圖像法測流技術(shù)依然存在著不穩(wěn)定和耗時嚴重的問題。為此，提出一種結(jié)合幀間差分與快速密集光流（fast optical flow using dense inverse search grouping，DIS）的分組測流方法（frame difference-fast optical flow using dense inverse search-grouping，F(xiàn)D-DIS-G），以實現(xiàn)河流平均流速和斷面流量的準確、實時、可持續(xù)監(jiān)測。

1 FD-DIS-G測流算法

河流的流動反映在圖像上為圖像灰度的表面運動，本方法利用密集光流法跟蹤像素點的運動，不依賴于天然水面模式作為示蹤物，有利于增強方法的穩(wěn)定性；且只選取測速點鄰域的塊區(qū)域進行快速密集光流計算，保證了算法的實時性；在光流計算之前進行了運動顯著性圖計算，通過捕捉水面不顯著的運動，進一步保障了算法的準確性。

基于FD-DIS-G的分組測流方法主要包括以下步驟：計算運動顯著性圖、計算幀間光流位移、分組處理奇異值以及計算表面流速。算法流程圖如圖1所示。

圖1 算法流程圖Fig. 1 Algorithm flowchart

1.1 運動顯著性圖

對車輛或行人等運動目標進行運動檢測時，目標和背景之間通常很容易就被區(qū)分開來，但在天然河流的視頻圖像中水面是作為整體一起運動的。圖2為河流表面圖和運動顯著性圖。

圖2 河流表面圖與運動顯著性圖Fig. 2 River surface map and motion saliency map

1.2 基于密集逆向搜索的快速光流估計

由第1.1節(jié)得到運動顯著性圖，根據(jù)顯著性圖中斷面線的起點加上起點距

b

可得測速點

P

的坐標，并以

P

為中心點確定當(dāng)前幀（第

t

幀）的塊區(qū)域

G

，下一幀的塊區(qū)域

G

，塊區(qū)域大小為(δ×δ)， δ為塊區(qū)域的邊長，由相鄰兩個測速點之間的像素距離決定。于是對兩幀塊區(qū)域之間位移 Δ

d

的求解可轉(zhuǎn)化為對兩塊區(qū)域之間的密集光流位移

A

進行計算，計算過程如下：Step1：以 ρ為尺度金字塔下采樣系數(shù)，分別對

G

和

G

構(gòu)建尺度金字塔，如圖3所示。定義模板

T

為金字塔在第

s

層塊區(qū)域

G

里的子區(qū)域，模板大小為(θ×θ)。用均勻的網(wǎng)格塊初始化

G

且每個網(wǎng)格塊的大小和模板

T

相同，如圖4所示，并用式（2）初始化第

k

個網(wǎng)格塊

I

中心點的光流位移(

u

,

v

)。

圖3 塊區(qū)域金字塔Fig. 3 Block area pyramid

圖4 塊區(qū)域網(wǎng)格化Fig. 4 Block area meshing

式中：(

x

,

y

)為網(wǎng)格塊

I

中心點的坐標；為

A

的元素，包含了

x

、

y

方向的位移；

A

為第

s

+1層的光流位移。

Step4：定義能量函數(shù)（8）對當(dāng)前尺度產(chǎn)生的密集光流進行優(yōu)化：

1.3 分組處理奇異數(shù)據(jù)

視頻拍攝過程中常常會出現(xiàn)丟幀、無效幀或光照突變的情況，這會導(dǎo)致算法在進行幀間計算時產(chǎn)生奇異數(shù)據(jù)，從而影響整體計算結(jié)果，降低算法的準確率。因此，奇異數(shù)據(jù)的處理是必要的。本研究方法設(shè)計了一種分組處理奇異數(shù)據(jù)的方法對運動顯著性圖之間得到的光流位移 Δ

d

進行處理，使得算法更具有魯棒性。視頻分組圖如圖5所示。

圖5 視頻分組處理圖Fig. 5 Video grouping processing diagram

式中，

s

為

M

個數(shù)據(jù)的標準差。

Z

分數(shù)以標準差為單位衡量某一原始數(shù)據(jù)偏離平均值的距離，

Z

分數(shù)的值就表示了原始數(shù)據(jù)與平均值之間相差的標準差個數(shù)。本算法定義，與最佳估計值的偏差超過2倍標準差的測量值稱為奇異值，因此當(dāng)|

Z

|＞2時，該數(shù)據(jù)被認為是奇異值，應(yīng)該舍掉該數(shù)據(jù)。

1.4 地面標定與透視投影變換

采用透視投影變換的方法將流場中的運動矢量從圖像坐標系轉(zhuǎn)換到世界坐標系，從而獲得兩幀之間的真實位移，并除以時間間隔得到以“m·s”為單位的河流表面流速，再由流速–面積法求得平均流速和斷面流量。

綜上，可以通過上述變換將圖像中的幀間位移轉(zhuǎn)化為實際的幀間位移，從而獲得河流表面流速。

1.5 表面流速估測與流量計算

由第1.4節(jié)所述的變換可以得到實際的幀間位移，并除以時間間隔得到以“m·s”為單位的表面流速。設(shè)得到測速點

i

的表面流速為

v

（

i

=1,2,···,

n

；

n

為斷面線上測速點的個數(shù)），測速點

i

-1到

i

對應(yīng)的過水?dāng)嗝娴拿娣e為

s

，測速點

i

-1到

i

之間的平均表面流速為：

最后通過河流的流量和面積可以得到整條河流的平均流速

v

ˉ：

式中，

S

為斷面總面積。

2 試驗結(jié)果與分析

2.1 試驗設(shè)計

在水文測驗中，流速儀法得到的測量結(jié)果普遍被認為是真值。因此本算法將流速儀法得到的結(jié)果作為比測標準，以垂線平均流速、平均流速和流量作為衡量指標，對某水文站經(jīng)過斷面修整的河道進行算法比測實驗，并選取了貴州省黔西南州?；恼镜奶烊缓拥肋M行算法普遍適用性驗證實驗。

2.2 比測實驗

比測實驗在某水文站經(jīng)過斷面修整的河道進行了比測試驗，選取LSPIV方法、STIV方法、DIS方法（未進行運動顯著性處理）以及未進行分組奇異值處理的方法（frame difference-fast optical flow using dense inverse search，F(xiàn)D-DIS）測得的流速和流量做為對比對象，并分析了5種算法的運行時間。實驗設(shè)備處理器的型號為i5-7300CPU，操作系統(tǒng)為Windows10(x64)，程序運行環(huán)境為Python3.7和OpenCV4.2。根據(jù)該水文站多年實測經(jīng)驗，得岸邊系數(shù)為0.80，水面流速系數(shù)為0.82。實驗地面標定點布置如圖6所示。左岸布置

A

、

B

兩個點，右岸布置

D

、

C

兩個點，起點與

D

點重合，終點與

A

點重合，以

DA

為斷面線，斷面數(shù)據(jù)如表1所示。

圖6 比測實驗的地面標定點布設(shè)示意圖Fig. 6 Layout diagram of ground mark in comparison test

表1 比測實驗的斷面數(shù)據(jù)
Tab. 1 Cross section data of the comparison test

注：斷面總面積為9.70 m。

起點距b/m深度/m 0.10.59 0.50.70 1.00.81 1.50.82 2.00.76 2.50.86 3.00.93 3.50.90 4.00.96 4.51.00 5.00.99 5.50.94 6.01.04 6.50.95 7.00.86 7.50.78 8.00.77 8.50.70 9.00.92 9.50.85 10.00.81 10.50.74 11.00.55 11.50.42 11.90.39

為了控制變量單一，于同一時段進行流速儀測量與視頻拍攝以保證兩者是測的同一段時段的水流。測量期間水流穩(wěn)定、天氣晴朗、測量流速儀型號為LJ-20。利用流速儀法在起點距分別為2、3、4、5、6、7、8、9、10、11 m的垂線上測得垂線平均流速，結(jié)果如表2所示，并計算得到了河流平均流速為0.47 m/s，斷面流量為4.56 m/s。根據(jù)流速儀的位置，在相同起點距位置確定測速點，如圖6中的小圓點所示，利用本文所介紹的方法測量測速點的表面流速，并按照河流流量測驗規(guī)范計算平均流速和流量，將本文方法(FD-DIS-G)的測量結(jié)果與流速儀法、LSPIV方法、STIV方法、DIS方法以及FD-DIS方法的測量結(jié)果進行比較。

表2 比測實驗的流速儀測量結(jié)果
Tab. 2 Current meter measurement results of the experiment were compared

起點距b/m 垂線平均流速/(m·s-1)部分平均流速/(m·s-1)部分面積/m2部分流量/(m3·s-1)0（岸邊）0——0～2—0.291.450.42 2 0.36——2～3—0.400.850.34 3 0.43——3～4—0.390.920.36 4 0.35——4～5—0.400.990.40 5 0.45——5～6—0.600.980.59 6 0.76——6～7—0.720.950.68 7 0.68——7～8—0.640.800.51 8 0.61——8～9—0.540.770.42 9 0.48——9～10—0.430.860.37 100.38——10～11—0.440.710.31 110.49——11～11.9—0.390.420.16 11.9（岸邊）0——

2.2.1 運動顯著性圖

實驗視頻拍攝時長為10 s，共切分成325幀，捕獲視頻的原始圖像分辨率為1 920×1 080 像素/英寸，為捕捉細微的水面運動，先對325幀圖片進行運動顯著性計算。在利用視頻圖像進行表面流速測量時，大部分方法對圖像的預(yù)處理是對圖像進行灰度化，但在低流速下的河流中如果只對圖像進行灰度化處理會難以突出很多微小的水面運動。本算法在進行運動矢量估計前先進行運動顯著性計算，分別對幀差圖中大于和小于設(shè)定閾值的像素值進行了縮放，認為大于設(shè)定閾值的像素為細微的運動區(qū)域?qū)ζ溥M行放大，從而達到了運動顯著性計算的效果，突出了微小的水面運動。圖7為獲取運動顯著性圖過程。從圖7（d）中看出進行運動顯著性計算后水面運動更為清晰，且捕捉到了很多細微的水面運動，如7（d）中方框框出的部分。

圖7 獲取運動顯著性圖過程示意Fig. 7 Obtaining motion saliency map

2.2.2 密集光流場

由于LSPIV方法使用空域或頻域相關(guān)匹配來獲得運動矢量時相關(guān)性的計算耗時長，本算法提出利用DIS方法進行運動矢量的估計，在相鄰兩幀運動顯著性圖中選取塊區(qū)域計算密集光流位移。由于沒有在全局區(qū)域進行密集光流的計算，且在計算密集光流時運用了逆向搜索的法則，使得本方法不僅可以得到亞像素精度的運動矢量，并在運算速度上也得到了保證。將視頻圖像中得到的密集光流可視化，如圖8所示。

圖8 密集光流可視化Fig. 8 Dense optical flow visualization

2.2.3 奇異數(shù)據(jù)處理

設(shè)計了一種分組處理奇異值的方法，對相鄰4幀中較大、較小的光流估計進行剔除，并保留中間值，并對所有組保留的光流估計值按照其是否滿足獨立同分布分別進行奇異值處理，使得由于不明顯的光照變化或視頻缺幀丟幀導(dǎo)致的奇異光流估計被舍棄。如圖9所示，奇異值（圖9中紅色的點）剔除后每個測量點的幀間像素位移分布更集中，從而降低了由于視頻拍攝過程中操作不當(dāng)而產(chǎn)生的誤差，故本方法測得的值更穩(wěn)定，更接近于流速儀真值，因此提高了本方法的精度。

圖9 奇異數(shù)據(jù)處理Fig. 9 Abnormal data processing

2.2.4 結(jié)果對比

FD-DIS-G方法、LSPIV方法、STIV方法、DIS方法以及FD-DIS方法的測流結(jié)果如表3所示。將FDDIS-G方法得到的垂線平均流速、平均流速和流量分別與流速儀法測量結(jié)果進行對比得到結(jié)果如圖10（a）、（b）、（c）所示。將表3中5種方法的測量結(jié)果與流速儀真值相比可計算出5種方法的絕對誤差（表4）和相對誤差（表5）。5種方法的耗時對比結(jié)果如圖10（d）所示。

表3 5種方法測量結(jié)果對比
Tab. 3 Comparison of measurement results of five methods

垂線平均流速/(m·s–1)平均流速/(m·s–1) 流量/(m3·s–1)b=2 m b=3 m b=4 m b=5 m b=6 m b=7 m b=8 m b=9 m b=10 m b=11 m流速儀0.360.430.350.450.760.680.610.480.380.490.474.56 LSPIV0.230.010.450.580.380.410.570.620.370.620.393.77 STIV0.380.460.030.450.130.790.720.720.610.400.434.21 DIS0.280.270.470.610.480.490.590.690.550.340.454.32 FD-DIS0.380.440.480.540.480.530.580.780.720.770.525.08 FD-DIS-G0.330.410.450.520.460.510.540.750.680.640.494.75方法

表5 5種方法的相對誤差對比
Tab. 5 Relative error comparison of five methods

方法垂線平均流速相對誤差/%平均流速相對誤差/%流量相對誤差/%b=2 mb=3 mb=4 mb=5 mb=6 mb=7 mb=8 mb=9 mb=10 mb=11 m LSPIV34.9397.7028.6729.2150.2140.157.0128.283.6126.8617.0017.30 STIV4.606.7091.000.8082.8016.8018.049.6061.5017.7012.807.70 DIS22.2037.2034.3035.6036.8027.903.3043.8044.7030.604.305.30 FD-DIS5.602.3037.1020.0036.8022.104.9062.5089.5057.1010.6011.40 FD-DIS-G8.304.7028.6015.6039.5025.0011.5056.3079.0030.604.304.20

圖10 5種方法測量結(jié)果Fig. 10 Five methods of measurement results

分析垂線平均流速可得（圖10（a））：在靠近起點的7個點中，本文提出的FD-DIS-G算法和未經(jīng)過分組奇異值處理的FD-DIS方法所得結(jié)果是最穩(wěn)定且接近于流速儀真值的，相比與LSPIV方法和STIV方法具有良好的一致性；但在靠近終點的3個點中，奇異值處理就體現(xiàn)出了其作用，尤其是最靠近終點的測點提高了0.13 m/s的精度。從表4、5可以看出，該條河流流速較小，在起點距5 m處，即使是小于0.1 m/s的絕對誤差也會表現(xiàn)為15%左右的相對誤差。而在靠近終點的3個點中，5種方法的相對誤差都偏大，這是由于靠近終點的地方距離鏡頭較遠，鏡頭畸變和靠近岸邊表面流態(tài)較混亂造成?？傮w來看，由于捕捉到了細微的水面運動并進行了奇異值處理，本文算法穩(wěn)定性得到了提高，使得測量整體精度也得到了提高。

表4 5種方法的絕對誤差對比
Tab. 4 Absolute error comparison of five methods

方法垂線平均流速絕對誤差/(m·s–1)平均流速絕對誤差/(m·s–1)流量絕對誤差/(m3·s–1)b=2 m b=3 m b=4 m b=5 m b=6 m b=7 m b=8 m b=9 m b=10 m b=11 m LSPIV0.130.420.100.130.380.270.040.140.010.130.080.79 STIV0.020.030.320.000.630.110.110.240.230.090.060.35 DIS0.080.160.120.160.280.190.020.210.170.150.020.24 FD-DIS0.020.010.130.090.280.150.030.300.340.280.050.52 FD-DIS-G0.030.020.100.070.300.170.070.270.300.150.020.19

分析平均流速的相對誤差可得（表5）：本算法得到的平均流速是5種方法里面最精確的，與流速儀真值相比相對誤差僅為4.3%，本算法既穩(wěn)定的接近于流速儀真值且與流速儀真值的絕對誤差小，相比LSPIV方法和STIV方法，本文算法分別提高了12.7%和8.5%。

分析流量的相對誤差可知（表5）：與流速儀測量的流量真值相比，本方法的相對誤差僅為4.2%，符合水文站的監(jiān)測要求，其精度比LSPIV方法和STIV方法分別提高了13.1%和3.5%，與沒有計算運動顯著性圖的DIS方法和未經(jīng)過奇異值處理的FD-DIS方法相比，精度分別提高了1.1%和7.2%，說明通過運動顯著性計算捕捉到的微小運動和奇異值的處理對本算法精度的提高都是至關(guān)重要的。

由圖10（d）可知，本研究方法耗時74.337 6 s，相比于廣泛使用的LSPIV方法提高了13倍，雖比沒有計算運動性顯著性圖的DIS方法和未經(jīng)過奇異值處理的FD-DIS方法耗時要長，但相比算法提高的精度，60 s左右的耗時增加是在水文站實時監(jiān)測的可接受范圍內(nèi)的。

2.3 普適性驗證實驗

在貴州省黔西南州?；恼具M行了算法普遍適用性驗證試驗，根據(jù)該水文站多年實測，岸邊系數(shù)為0.70，水面流速系數(shù)為0.88。試驗地面標定點布置如圖11所示。

圖11 普適性驗證實驗的地面標定點布設(shè)示意圖Fig. 11 The layout diagram of ground mark for universal validation experiment

左岸布置

A

、

B

2個點，右岸布置

D

、

C

2個點，斷面線起點為

E

，斷面線終點為

F

，斷面數(shù)據(jù)如表6所示。于同一時段進行流速儀測量與視頻拍攝。測量期間水流穩(wěn)定、天氣陰、測量流速儀型號為LS25-3A。利用流速儀法在起點距分別為7、12、17、22、27、32、37和42 m的垂線上測得垂線平均流速，結(jié)果如表7所示，并計算得到了河流平均流速為1.57 m/s，斷面流量149 m/s。根據(jù)流速儀的位置，在相同起點距的位置確定測速點，如圖11中的小圓點所示。利用FD-DIS-G方法和DIS方法測量測速點的表面流速并計算垂線平均流速、流量及平均流速可以得到表8，將表8的結(jié)果與表7的流速儀測量結(jié)果進行對比分析和計算可以得到兩種方法與流速儀真值相比的絕對誤差（表9）和相對誤差（表10）。

表6 普適性驗證實驗的斷面數(shù)據(jù)
Tab. 6 Sectional data of the universal validation experiment

注：斷面總面積為94.9 m。

起點距b/m深度/m 1.81.37 7.01.90 12.01.75 17.01.72 22.01.84 27.01.88 32.02.12 37.02.33 42.02.47 48.41.35

表7 普適性驗證實驗的流速儀測量結(jié)果
Tab. 7 Current meter measurement results of the universal validation experiment

部分面起點距b/m 垂線平均流速 /(m·s–1)部分平均流速/(m·s–1)積/m2部分流量/(m3·s–1)0（岸邊）0——0～7—0.9310.109.39 7 1.33——7～12—1.608.9714.40 121.88——12～17—1.948.5916.70 172.01——17～22—2.148.8619.00 222.27——22～27—2.039.1818.60 271.79——27～32—1.7210.0017.20 321.64——32～37—1.6811.1018.60 371.73——37～42—1.5812.3019.40 421.43——42～51.4—1.0015.8015.80 51.40——

表9 流速儀方法、FD-DIS-G和DIS方法的絕對誤差分析
Tab. 9 Analysis between Flow meter, FD-DIS-G and DIS

方法垂線平均流速絕對誤差/(m·s–1)平均流速絕對誤差/(m·s–1)流量絕對誤差/(m3·s–1)b=7 mb=12 mb=17 mb=22 mb=27 mb=32 mb=37 mb=42 m FD-DIS-G0.400.400.190.510.060.350.190.470.044 DIS0.960.930.690.620.120.010.340.040.3836

分析表8、9的垂線平均流速可以看出，當(dāng)河流水面寬大于50 m，河流平均流速接近2 m/s時，F(xiàn)D-DISG方法除了靠近左岸和右岸的兩個測量點相對誤差超過30%，其余測量點的相對誤差都在23%以內(nèi)，相比于未進行運動顯著性計算的DIS方法，其穩(wěn)定性和精確性得到了提升。FD-DIS-G方法在靠近左岸和右岸的測量點測得的值比流速儀真值分別偏小0.40 m/s和偏大0.47 m/s，這是因為靠近岸邊的測量點受到了岸邊水草等雜物和鏡頭畸變的雙重影響。分析表10的平均流速和流量可知，F(xiàn)D-DIS-G方法所計算出的流量和平均流速與流速儀測量所得到的結(jié)果相比，相對誤差分別僅為2.7%和2.5%，相比于未進行運動顯著性計算的DIS方法分別提高了21.5%和21.7%。結(jié)合比測實驗和普適性驗證實驗的結(jié)果可知，本文提出的方法適用于不同環(huán)境和不同規(guī)模的河流流量、平均流速的測量，具有較好穩(wěn)定性和廣泛適用性。

表8 流速儀方法、FD-DIS-G和DIS方法的對比
Tab. 8 Comparison between Flow meter, FD-DIS-G and DIS

垂線平均流速/(m·s–1)平均流速/(m·s–1) 流量/(m3·s–1)b=2 m b=3 m b=4 m b=5 m b=6 m b=7 m b=8 m b=9 m b=10 m b=11 m流速儀1.331.882.012.271.791.641.731.431.571491.331.88 DIS0.370.951.321.651.671.651.391.391.191130.370.95 FD-DIS-G0.931.481.821.761.851.991.541.901.531450.931.48方法

表10 流速儀方法、FD-DIS-G和DIS方法的相對誤差分析
Tab. 10 Analysis between Flow meter, FD-DIS-G and DIS

方法垂線平均流速相對誤差/%平均流速相對誤差/%流量相對誤差/%b=7 mb=12 mb=17 mb=22 mb=27 mb=32 mb=37 mb=42 m FD-DIS-G30.121.49.522.33.121.511.132.92.52.7 DIS71.849.434.327.47.00.819.52.624.224.2

3 結(jié) 論

本文研究了一種基于幀間差分與DIS快速光流結(jié)合的分組圖像法(FD-DIS-G)測流方法。相比于LSPIV和STIV，利用幀差法計算運動顯著性圖捕捉不顯著的運動區(qū)域，并利用DIS快速密集光流法計算運動顯著性圖上的密集流場，還分組對數(shù)據(jù)進行奇異值處理，提高了算法精度。實驗結(jié)果表明，本文提出的方法計算出的河流平均流速和斷面流量與流速儀測流結(jié)果相比相對誤差小于5%，并且算法運行時間相比于相關(guān)性計算耗時嚴重的LSPIV方法提高了約13倍。本文提出的方法能滿足實際工程測量要求，是一種設(shè)備和人力成本低且可連續(xù)的河流流量監(jiān)測方法。

本文未考慮風(fēng)場對流速的影響，在低流速情況下風(fēng)場影響較大，未來工作將考慮風(fēng)場進行建模及分析計算。同時目前視頻測流工作中對算法的有效評價指標研究還不充分，未來將研究相關(guān)評價指標并建立基準評價數(shù)據(jù)集，結(jié)合深度學(xué)習(xí)的目標跟蹤方法，搭建端到端的圖像法測流神經(jīng)網(wǎng)絡(luò)框架，以建立更加科學(xué)合理的計算模型。