[发明专利]基于聚类分区进行刻度识别的水位监测方法

说明书

本发明涉及一种基于聚类分区进行刻度识别的水位监测方法，属于水位监测技术领域。包括：1)从实时监控视频中获取t时刻的原始图像；2)截取原始图像中的水尺区域，以水尺末端作为水位线的位置；3)对水尺区域图像进行二值化处理，根据“E”的三条边，采用聚类方法将处理后的水尺区域图像划分成若干子区域；4)对每个子区域的内容进行识别，得到水位线所在区域的上一个包含数字的区域的数值；5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示。本发明避免了传统识别算法中复杂的特征提取和数据重建过程，能快速高效识别水尺水位，并将误差控制在一定的范围内。

技术领域

本发明涉及水位监测技术领域，具体地说，涉及一种基于聚类分区进行刻度识别的水位监测方法。

背景技术

水位监测是针对江、河、水库等水体的重要监测指标，具有重要意义。在现有技术中，常规的水位监测方法有传感器监测和水位尺人工监测。其中，水位尺人工监测采用视频图像监控的方法对河道、溉渠内的水位进行实时监控。再通过人工读取视频的方法定时记录水尺的水位等数据。

人工记录水位的缺点在于：1、不能实现水位的实时记录；2、监控点的增多会直接导致人工成本上升。而采用计算机视觉解决水尺读数问题，一台服务器就可以替代多人对水位进行实时监控。现在已经有很多自动识别水尺的方法，其中深度学习方法由于其特点获得了较多应用，如：

公布号为CN109145830A的中国专利文献公开的一种智能水尺识别方法，该方法通过截取待识别水尺图像的目标区域，然后再利用卷积神经网络学习来识别水尺的刻度。公布号为CN110427933A的中国专利文献公开的一种基于深度学习的水尺识别方法，该方法通过深度学习的目标检测算法实现对水尺的定位，并对定位结果进行部分调整，再通过字符识别等步骤来计算得到最终的水位值。公布号为CN108318101A的中国专利文献公开的一种基于深度学习算法的水尺水位视频智能监测方法及系统，方法包括视频采集、视频帧处理、水位线识别和水位测算等步骤。但这些方法都是对图像数据进行处理，使识别精度受到影响。

公布号为CN110472636A的中国专利文献公开了基于深度学习的水尺E字形刻度识别方法，该通过识别E字，来计算得到刻度值，其精度相对较低。公布号为CN109903303A的中国专利文献公开的一种基于卷积神经网络的船舶吃水线提取方法，该方法只需要识别船舶的吃水线，不能识别水尺区域，且不需要识别吃水线的角度等，也不能识别具体的刻度。公布号为CN110619328A的中国专利文献公开的基于图像处理和深度学习的船舶水尺读数智能识别方法，该方法通过截取水尺感兴趣区域，将截取的水尺感兴趣区域输入卷积神经网络进行识别来确定水尺读数。但并没有对图像中水尺区域如何确定进行说明。

以上方法在进行水位识别的过程中有些只考虑了水质浑浊不透明的情况，当水质清澈，水的颜色和水位线不容易识别时会有比较大的误差，因此导致使用范围受到限制。而且河道、溉渠等水位监控点都在户外，场地对架设监控摄像头的影响较大。因此在不同的监控点，水尺的拍摄距离，拍摄角度，图像质量等都存在较大的差异。在户外的水尺还容易受到光照，遮挡等因素的影响，增大了水尺识别的难度。

发明内容

本发明的目的是提供一种基于聚类分区进行刻度识别的水位监测方法，以避免传统识别算法中复杂的特征提取和数据重建过程。

为了实现上述目的，本发明提供的基于聚类分区进行刻度识别的水位监测方法包括以下步骤：

1)从实时监控视频中获取t时刻的原始图像；

2)截取原始图像中的水尺区域，以水尺末端作为水位线的位置；

3)对水尺区域图像进行二值化处理，根据“E”的三条边，采用聚类方法将处理后的水尺区域图像划分成若干子区域；

4)对每个子区域的内容进行识别，得到水位线所在区域的上一个包含数字的区域的数值；

5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示。