本发明涉及城市积水深度监测方法，尤其涉及一种基于视频目标检测的积水深度计算方法。
背景技术：
近几十年来，随着城市化和全球气候变化的加快，洪涝灾害给城市造成了巨大的损失。城市聚集了大量的人口和财富，城市洪涝灾害会极大地影响人们的正常生活，给人们的生命财产带来了巨大的威胁，据水利部统计，2017年，全国30省(自治区、直辖市)1936县(市、区)17832乡(镇)遭受洪涝灾害，受灾人口5514.90万人，因灾死亡316人、失踪39人，紧急转移712.51万人，倒塌房屋13.78万间，104座城市进水受淹或发生内涝，临时关闭机场和港口243个，直接经济损失2142.53亿元，占当年国内生产总值的0.26％。由于城市洪涝灾害造成巨大的人员伤亡和财产损失，世界各国都十分重视城市洪涝灾害的预警和预防。积水深度是洪涝灾害预警的重要组成部分，为减轻城市洪涝灾害的危害，洪涝灾害预警和应急响应需要覆盖范围广、分辨率高的持续积水深度信息。因此，一种经济、准确、范围更广的城市积水深度测量方法具有迫切的发展需求。
目前，测量积水深度的方法主要有三种：利用水位线图像提取分级尺度数据进行预警、利用水位传感器监测水位、利用气象水文模型模拟径流过程。但这些方法在现实使用中仍然存在缺陷：(1)第一种方法需要特定的有水位线的图像，但只有河流、水库或水利设施附近等一些少数地方有水位线，无法大面积应用；(2)积水传感器是一种很好的水位监测装置，它能准确地监测水位，但是积水传感器设备较复杂，成本高，无法覆盖整个城市；(3)气象水文模型是模拟积水深度的常用方法，但容易受到数据的限制。模拟城市径流过程需要大量的数据，如遥感、数字高程模型(dem)、管网数据、水文数据和降雨数据，这些数据很难获得，而且由于城市化的快速发展，新产生的数据和变化的数据无法及时收集更到新模型。因此，该模型很难得到非常精确和详细的结果，而且气象水文模型过于复杂，用时较长无法及时模拟城市内涝过程。这些缺点对结果的准确性和精确性有很大影响。
随着城市化的快速发展，城市里车辆的数量急剧增加，车辆在城市里已随处可见。由于车辆的轮胎有着固定的尺寸，而且在城市非常普遍，因此将这些轮胎作为标尺来监测积水深度是非常有效的。受益于最新的互联网技术的发展，城市交通监控视频可以为城市积水深度的监测提供大量新的数据源。因此，需要人工智能技术从海量的数据中识别出汽车轮胎来监测积水深度。
技术实现要素：
针对现有技术存在的问题，本发明的目的是提供一种利用汽车轮胎快速准确地测量出城市内不同地方积水深度的基于深度学习的城市积水深度监测方法。
技术方案：一种基于深度学习的城市积水深度监测方法，包括如下步骤：
步骤一、将城市交通监控视频中的汽车轮胎视频作为数据源，对视频中可见部分的轮胎进行轮廓标记，将标记后的视频输入深度学习模型，检测轮胎；优选采用maskr-cnn模型进行轮胎检测。
步骤二、根据轮胎的规格参数计算轮胎的直径；
步骤三、将轮胎作为测量积水深度的标尺，通过勾股定理计算积水深度。
进一步的，所述步骤一具体包括如下内容：
(1)采集城市交通监控视频中有积水和没有积水时的汽车轮胎的视频；对监控视频中的汽车轮胎进行标记，标记出汽车轮胎的轮廓；
(2)将标记后的视频作为输入，并将其传递给预训练后的卷积神经网络，返回该视频的特征映射；
(3)通过区域生成网络传递特征图，得到一系列轮胎的标记轮廓及其概率；
(4)对网络传递特征图进行优化，通过双线性插值得到锚框的四个顶点坐标的像素值；
(5)通过全连接层来检测视频中的轮胎。
进一步的，所述步骤(5)后，还包括：通过k组交叉验证法判断探测结果与真实视频的误差，调整参数，重复步骤(1)-(5)，直到误差在精度范围内。
进一步的，所述步骤二中，轮胎直径的计算方法如下：
d＝dr 2×ws/ar
其中，d是轮胎直径，dr是轮毂直径，ar是扁平比，ws是断面宽度。
进一步的，所述步骤三中，城市积水深度的计算方法如下：
其中，h″为城市积水深度；wpx是轮胎露出水面部分的像素宽度；d是轮胎直径，dpx是完整轮胎直径的像素高度；h′px为轮胎直径的像素高度，rpx是轮胎半径的像素高度。
和现有技术相比，本发明具有如下显著优点：(1)本发明采用机会感知的方法，充分利用了城市交通监控视频数据提取汽车轮胎，基于提取的汽车轮胎来计算积水深度，而且本发明利用了勾股定理法可以解决由于不同视频质量引起的计算误差问题，数据来源丰富且容易获得，可以覆盖城市的绝大部分地方；(2)本发明只需采集在城市普遍存在的汽车轮胎视频数据，以此为输入训练模型即可得到准确的结果，相较积水传感器极大的降低了成本，可以大面积的推广实用；(3)本发明利用了城市交通监控视频分布的广泛性和实时性，可以迅速计算出准确的积水深度，此外结合交通监控视频的地理位置，可以迅速发布确切的预警信息到智能手机以及城市预警平台。
附图说明
图1是本发明实施例的城市积水深度监测流程图；
图2是本发明实施例中基于maskr-cnn的轮胎提取流程图；
图3(a)-3(b)是轮胎规格参数示意图；
图4是本发明实施例中积水深度高于轮胎半径积水深度计算示意图；
图5是本发明实施例中积水深度低于轮胎半径积水深度计算示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明的技术方案。
如图1所示为基于深度学习的城市积水深度监测方法的流程。包括如下步骤：
步骤一：将城市交通监控视频中的汽车轮胎视频作为数据源，对视频中可见部分的轮胎进行轮廓标记，将标记后的视频输入深度学习模型，检测轮胎。
具体的，采用maskr-cnn模型提取视频中的轮胎的具体过程如图2所示：
(1)采集城市交通监控视频中有积水和没有积水时的汽车轮胎的视频；对监控视频中的汽车轮胎进行标记，标记出汽车轮胎的轮廓；
(2)将标记后的视频作为输入，并将其传递给预训练后的卷积神经网络，返回该视频的特征映射；
(3)通过区域生成网络(rpn)传递特征图，得到一系列轮胎的标记轮廓及其概率；
(4)对步骤(3)中生成的特征图进行优化，通过双线性插值来得到固定四个点坐标的像素值，从而使得不连续的操作变得连续起来，返回到原图的时候误差也就更加的小；
(5)最后通过一个全连接层来探测视频中的轮胎，以及探测概率并对其进行标记；
(6)通过k组交叉验证法判断探测结果与真实视频的误差，调整参数，重复步骤(1)-(5)，直到误差在可接受范围内。
至此，完成了训练数据的收集预处理及模型的训练。
步骤二：根据轮胎的规格参数计算轮胎的直径。
由于轮胎高度无法直接提取，首先要根据轮胎的规格参数计算出轮胎的直径d，如图3(a)、3(b)所示。
d＝dr 2×hs(1)
ar＝ws/hs(2)
其中d是轮胎直径，dr是轮毂直径，ar是扁平比，ws是断面宽度，hs是断面高度，所以轮胎的直径可由下式计算得出：
d＝dr 2×ws/ar(3)
至此，完成了轮胎直径的计算。
步骤三：将轮胎作为测量积水深度的标尺，采用轮胎圆形的特性结合勾股定理来计算积水深度。
①当积水深度高于轮胎半径时，如图5所示：
h″px＝rpx h″′px(4)
其中，h″px轮胎被积水淹没的部分的像素高度，h″′px是轮胎被积水淹没部分超过轮胎半径的像素高度，rpx是轮胎半径的像素高度，wpx是轮胎露出水面部分的像素宽度，所以积水深度的像素高度h″px可以得出：
②当积水深度低于轮胎半径时，如图6所示：
h″px＝rpx-h″′px(7)
此时，h″′px是轮胎被积水淹没部分低于轮胎半径的像素高度，积水深度的像素高度h″px可以得出：
所以，积水的实际深度为：
其中，h′px为轮胎直径的像素高度，dpx是完整轮胎在图片中的像素高度。
至此，完成了勾股定理法对积水深度计算。
1.一种基于深度学习的城市积水深度监测方法，其特征在于，包括如下步骤：
步骤一、将城市交通监控视频中的汽车轮胎视频作为数据源，对视频中可见部分的轮胎进行轮廓标记，将标记后的视频输入深度学习模型，检测轮胎；
步骤二、根据轮胎的规格参数计算轮胎的直径；
步骤三、将轮胎作为测量积水深度的标尺，通过勾股定理计算积水深度。
2.根据权利要求1所述的基于深度学习的城市积水深度监测方法，其特征在于，所述步骤一，采用maskr-cnn模型进行轮胎检测。
3.根据权利要求1或2所述的基于深度学习的城市积水深度监测方法，其特征在于，所述步骤一中：
(1)采集城市交通监控视频中有积水和没有积水时的汽车轮胎的视频；对监控视频中的汽车轮胎进行标记，标记出汽车轮胎的轮廓；
(2)将标记后的视频作为输入，并将其传递给预训练后的卷积神经网络，返回该视频的特征映射；
(3)通过区域生成网络传递特征图，得到一系列轮胎的标记轮廓及其概率；
(4)对网络传递特征图进行优化，通过双线性插值得到锚框的四个顶点坐标的像素值；
(5)通过全连接层来检测视频中的轮胎。
4.根据权利要求3所述的基于深度学习的城市积水深度监测方法，其特征在于，所述步骤(5)后，还包括：通过k组交叉验证法判断探测结果与真实视频的误差，调整参数，重复步骤(1)-(5)，直到误差在精度范围内。
5.根据权利要求1所述的基于深度学习的城市积水深度监测方法，其特征在于，所述步骤二中，轮胎直径的计算方法如下：
d＝dr 2×ws/ar
其中，d是轮胎直径，dr是轮毂直径，ar是扁平比，ws是断面宽度。
6.根据权利要求1所述的基于深度学习的城市积水深度监测方法，其特征在于，所述步骤三中，城市积水深度的计算方法如下：
其中，h″为城市积水深度；wpx是轮胎露出水面部分的像素宽度；d是轮胎直径，dpx是轮胎直径的像素高度；h′px为轮胎直径的像素高度，rpx是轮胎半径的像素高度。
技术总结