基于图像识别技术的河流流量测验方法研究进展

Research Progress on River Discharge Measurement Method Based on Image Recognition Technology

摘要: 河流流量监测对洪水灾害防治和河流管理具有重要意义，然而传统的接触式方法逐渐难以满足当下测流需求。视觉流量测验方法是一种利用视频图像识别表面流速和计算流量的非接触式流量测验方法，与传统的接触式方法相比具有高智能和低成本的优点，可以实现无人化和规模化推广应用，对现有水文监测技术提供有力支撑与补充。目前已发展出基于粒子图像识别、水流时空影像、概率和变分以及深度学习的多种图像测速算法，方法精度和适应性得到多场景验证，然而图像采集条件、复杂气象和水域环境以及参数的不确定性仍然制约着这项技术的发展。通过总结视觉测流实施过程存在的问题，并对现有方法提出改进需求，为进一步研究和应用提供借鉴。

Abstract: River discharge monitoring is important for flood prevention and river management. However, traditional contact methods are increasingly struggling to meet the current requirements. Visual discharge measurement is a non-contact flow test method that uses video images to identify the surface flow velocity and calculate the discharge, which has the advantages of high intelligence and low cost compared with the traditional contact methods. It can achieve unmanned and wide application, and provide a strong support and supplement to the hydrological monitoring technology. At present, there are various image velocimetry algorithms based on particle image recognition, space-time images of water flow, deep learning methods, probability and variational methods, and the accuracy and adaptability of them have been verified in multiple scenarios. However, the image acquisition conditions, complex meteorological and water environments, and parameter uncertainties still constrain the development of this technology. By summarising the problems in the implementation process of vision-based discharge measurement and putting forward the improvement needs for the existing methods, this paper provides a reference for further research and application.

1. 视觉测流背景

河流流量是重要的水文特征，流量监测对洪水灾害防治及河流管理具有重要意义。传统测流中通常使用流速仪、高水浮标或声学多普勒电流剖面仪(Acoustic Doppler Current Profilers, ADCP)进行现场测验，但考虑到仪器下水易受环境扰动、高洪施测存在安全隐患、设备和劳力成本较高等问题[1]，传统的接触式测流方式并不适合应对当下愈加频繁的大洪水挑战。高洪情形下很难将流速仪置于水中，此外，测验会对河流产生扰动，仪器也可能受到泥沙和漂浮物的影响[2]；ADCP法价格高昂，同时在高湍流、曝气和床层移动的情况下，测量误差较大[3]。随着技术进步，多种非接触式测流方法如雷达、卫星遥感等被提出并受到重视，丰富了流量测验手段。雷达测流在河流应急监测方面应用较广，目前发展出获取点流速的电波流速仪测流和获取流速场的侧扫雷达测流两种方式，但在低流速条件下测量准确度不佳，同时对于点流速测量需要考虑多台仪器的成本问题[4]；卫星遥感测流是一种较为新兴的水文遥感交叉应用方式，具有较大应用潜力，目前存在分辨率不够、对地面测量信息和历史数据过于依赖等问题[5] [6]。

近年来计算机视觉技术和人工智能技术迅猛发展，广泛使用的智能视频监控启发了人们的灵感，图像识别技术开始被引入到水文测验的前沿研究。视觉图像法基于表面波纹或漂浮物组成的表面流动特征随表面速度平移流动这一假设识别河面流速。方法核心即在于利用不同算法获取河流表面流速这一步。之后采用流速面积法，由表面流速系数估计出垂线平均流速，并参考测验前获取的河道大断面数据来估算流量。1998年Fujita等人[7]首次将对室内试验的粒子图像测速技术(Particle Image Velocimetry, PIV)改进并用于现场河流的水面流场观测和流量测量，这项技术被命名为大尺度粒子图像测速法(Large-Scale Particle Image Velocimetry, LSPIV)，很快引起广泛关注。时隔十多年后Muste等人[8]和张振等人[9]分别对LSPIV的研究进展进行了全面回顾，讨论了技术配置实例和改进的研究需求。为了克服LSPIV对示踪粒子的依赖和提高计算效率，Fujita等人[1]在2007年提出了利用天然波纹示踪的时空影像测速法(Space-Time Image Velocimetry, STIV)，随后该团队针对STIV受到的光照限制、河宽限制和图像噪声干扰等问题分别进行研究[10]-[12]，逐渐完善了这一测速方法。2022年，陈华等人[13]对基于时空影像的河流流量监测与计算方法进行了深入研究与全面总结。目前常见的视觉测流方法有四类：基于粒子图像识别、水流时空影像、概率和变分以及深度学习的方法。

视觉测流方法为流量测验工作提供了一种全新的解决思路，通过分析从河流表面捕获的视频图像可以安全方便地测量表面速度分布，据此估算断面流量。该方法已在多个场景中得到成功应用，证实其在监测效率、便捷性和环境适用性上相较传统的测流方法有更优异的表现[8] [14]。对于以下不利的监测环境尤为适用：不便观测的极端洪水条件、未设置水文站的河段测量和山区小型河流测量(流量变幅大，水浅，主要为岩石河床)。此外，通过视频形式可以实时监测流量状况并存储大量二维信息，从而可以访问历史和当前数据。国家第十四个五年规划中提出了关于水生态建设的总体工作目标，要大力推进现代化技术在水文行业的应用，进行水文信息的智能分析[15]。目前迫切需要开发新一代非接触、实时和高效的流量监测仪器。基于视觉的流量测验有望提升现有的水文监测能力，并满足当代流量测验的成本效益、精度和环境适应性需求。

本文将阐述基于视觉的河流流量测验方法的基本原理，重点梳理基于粒子图像识别、水流时空影像、概率和变分以及深度学习的测速算法研究进展，分析各种算法的优劣性和适用条件，总结目前的视觉测流产品应用进展，并就视觉测流面临的挑战展开讨论，为方法的进一步研究和应用提供借鉴。

2. 视觉测流方法研究现状

视觉测流方法包含4个主要步骤：1) 图像采集，2) 图像预处理，3) 图像识别，4) 流量计算，见图1。

图1. 视觉测流方法的典型工作流程

2.1. 图像采集

合适的水流图像对于保证河道表面流速的计算精度至关重要。采集图像前，需要在勘定好的河岸边布设固定摄像机，并安排配套的通讯及供电线路。对摄像机定义分辨率、帧率等参数，常用的采样频率有24~60 Hz，依据河流流速适当进行调整，以获取更有效的图像[16]。固定摄像机拍摄远处的流场还存在空间分辨率较低的问题，为此Kim等人[17]设计了一套可灵活布设的车载式摄像系统，通过控制汽车顶部的云台转动来调整相机的角度，Bechle等人[18]研发了一套基于双目成像的测量系统，使用两台相机分别拍摄河流的近场和远场，并通过信号发生器同步采样。随着航空观测技术的发展，媒体直升机和无人机(UAV)开始应用于图像采集，摄像机得以进行空中连续拍摄，对于短期观测的情况非常适用，图像采集范围和稳定性得到很大提高[19]-[22]。基于无人机技术，Biggs等人[23]研制了一种新型的航空示踪颗粒分布系统，为低流量或人工河道中缺乏示踪剂而无法识别流速的问题提供了可能的解决方案。

2.2. 图像预处理

由于镜头失真和环境干扰，通过相机直接拍摄获得的水面图像需要经过处理，以抑制背景噪声和增强粒子的示踪性，这个过程一般包括正射校正和滤波去噪。正射校正的理论基础是中心透视投影模型，见图2。

图2. 斜视图下的中心透视投影模型

正射校正是依托地面控制点(Ground Control Points, GCPs)进行图像重采样的过程，通过标定转换参数联系世界坐标($W-XY$ )与图像平面($I-xy$ )，消除地面高程引起的视差以加强速度场的分析。由中心透视投影模型的共线方程得到如下转换关系[24]：

$\left[\begin{array}{l}x\\ y\end{array}\right]=\left[\begin{array}{cccc}{C}_{11}& C_{12}& C_{13}& C_{14}\\ C_{21}& C_{22}& C_{23}& C_{24}\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\\ 1\end{array}\right]$ (1)

式中：x，y，z为图像像素坐标，X，Y，Z为世界物理坐标，$C_{11}~C_{24}$ 是坐标系转换矩阵中的参数。

计算和求解转换矩阵时，采用的形式通常为直接线性变换(DLT) [25]：

$\{\begin{array}{l}x=x_c+f\frac{r_{11}\left(X-X_p\right)+r_{12}\left(Y-Y_p\right)+r_{13}\left(Z-Z_p\right)}{r_{31}\left(X-X_p\right)+r_{32}\left(Y-Y_p\right)+r_{33}\left(Z-Z_p\right)}\\ y=y_c+f\frac{r_{21}\left(X-X_p\right)+r_{22}\left(Y-Y_p\right)+r_{23}\left(Z-Z_p\right)}{r_{31}\left(X-X_p\right)+r_{32}\left(Y-Y_p\right)+r_{33}\left(Z-Z_p\right)}\end{array}$ (2)

式中：$\left(x_c,y_c\right)$ 表示图像中心点的相平面坐标，$\left(X_c,Y_c,Z_c\right)$ 表示相机的实际空间直角坐标，$f$ 是相机焦距，$r_{ij}\left(i,j=1~3\right)$ 是图像坐标系与世界坐标系之间的转换系数。

上式中含有12个未知的转换参数，因此至少需要6组地面控制点的$\left(x,y\right)$ 与$\left(X,Y,Z\right)$ ，为此在拍摄现场设置6个或6个以上标定牌(使用固定点则无需摆放)，用全站仪测量其相对于测站点的世界坐标，通过视频图像获得图像坐标，代入公式中联立求解转化系数。在得到上述转换关系后，假设水面为水平面，即可以生成非应变图像，并根据测速点起止位置的图像坐标求得其实际坐标。该方法的局限性是未考虑非量测相机的光学畸变和水面高程的动态变化，因此针对这两个问题张振等人[24]在传统直接线性变换法的基础上引入畸变像差并提出基于变高单应的单目视觉平面测量方法，Li等人[26]开发了基于立体成像的LSPIV系统(SI-LSPIV)，利用点云重建三维地形和水面分布，测量精度得到了改善。

不同于实验室内无干扰和强激光的模拟环境，自然河面的照明较少、条件复杂，产生的冗余信息会降低图像质量。图像增强程序包括直方图均衡化、平滑化和边缘检测，能在去噪的同时有效压缩图片大小，通常使用的去噪工具是滤波器和频谱。Zhang等人[27]结合近红外(NIR)成像和空间高通滤波(SHPF)的方法研发了近红外智能相机进行图像采集和预处理，提高了所估计运动矢量的峰值信噪比(PSNR)。SHPF可以有效消除背景结构，通过减去偏移值来进一步降低噪声，从而提高瞬时流场中正确向量的百分比。Fujita等人[7]采用锐化滤波及直方图均衡化的方法增强水面图像对比度，并采用空域相关匹配法，之后又引入标准滤波器(STD)和二维自相关的函数方法处理图像[12]。近年来，Zhao等人[3]利用canny算子对图像进行边缘检测以抑制背景，并提出了一种新的基于频域的滤波技术来消除原始图像中的噪声和干扰；Lu等人[28]设计和采用了Multi-scale Retinex (MSR)、四阶高斯导数、噪声抑制函数和方向滤波函数来增强图像纹理的结构，最后利用傅里叶最大角度分析(FMAA)进一步滤除噪声，以获得关键信息。

2.3. 图像识别

基于图像识别以计算河流表面流速的算法已发展出多种。目前研究较多的算法主要分为四类：基于粒子的算法、基于水流时空影像的算法、基于概率和变分的算法和基于深度学习的算法。

2.3.1. 基于粒子的算法

基于粒子图像的速度识别模式依据的是示踪粒子的分布情况和图像帧的相关性，核心是假设粒子具有良好跟随性，通过匹配相邻间隔粒子计算各点的流速矢量，并推求高阶运动参数。早期在实验室研究较成功的有两种方法：粒子图像测速(PIV)和粒子跟踪测速(Particle Tracking Velocity, PTV)，可以基于粒子的连续运动图像提供瞬时流场信息，视频帧组合和特征匹配的算法机制在自动化和实时监测方面显示出很大潜力。在PIV的基础上，Fujita等人[7]提出了大尺度粒子图像测速法(LSPIV)并成功将其用于Yodo河的流场观测和流量测验，随后该方法由于在极端现场条件下河道水流监测中的出色表现得到了广泛关注[8]。

LSPIV实现的常用算法是互相关：1) 从水流视频中提取并处理两张时间间隔已知为Δt的图像作为输入；2) 在前一张图像中读取源像素块(Inquiry Area, IA)；3) 在下一张中搜索附近位置相似的像素块(Search Area, SA)直到相关性最大(图3)；4) 最后计算窗口内粒子的平均位移，速度矢量由位移矢量除以Δt得到。搜索块的大小可能与图像一样大，可以由使用者定义，但通常受到测量或估计水面上预期的最大速度的限制[29]。二维离散互相关函数的表达式如式(3)所示。自LSPIV提出后，学者们针对算法的改进开展了大量研究，成果汇总见表1。

$R_{a,b}={\displaystyle \sum _{i=1}^{M_x}{\displaystyle \sum _{j=1}^{M_y}M\left(i,j\right)\cdot B\left(i+a,j+b\right)}}$ (3)

式中：$M\left(i,j\right)$ 和$B\left(i,j\right)$ 分别表示前后两张图像中像素窗口内$\left(i,j\right)$ 像素的强度。R的值在每个坐标$\left(a,b\right)$ 处计算，受搜索块大小的限制，值越大越接近真实粒子的位移。

综上，基于粒子的图像测速方法是较典型的非接触式视觉测流方法，以LSPIV为代表的算法在粒子足够大且跟随性好的情形下流场估计效果较好，但计算量较大，河面存在眩光和阴影时精度受限。SSIV在其基础上减少了错误矢量的影响，但此类方法基本都存在天然示踪粒子有限、不可控，需要人工播种的问题。

图3. 基于相关操作的LSPIV算法[16]

表1. LSPIV改进成果汇总

研究目的	研究来源	研究内容
改善流速测验精度	[30]	进一步改进相关分析法，提出图像变形多重网格迭代算法(Window Deformation Iterative Multigrid, WIDIM)
	[31]	将WIDIM引入LSPIV，将大的查询区域算得的速度作为下个较小的区域的参考并进行迭代计算
改进测量的实时性和鲁棒性	[32]	开发了一套基于IP摄影机的LSPIV系统，并采用非线性处理策略对时间平均流场进行重构，充分利用河流流动中的先验信息使测验在非播种条件下可靠
提高计算效率	[29]	使用基于频域的快速傅里叶变换互相关(Fast Fourier Transform Cross Correlation, FFT-CC)方法来实现LSPIV计算，以保持较高的处理性能
敏感性分析与不确定度评估	[33]	在实验室水槽中分析了示踪粒子密度的敏感性
	[34]	系统评估了环境参数、相机内外参数以及分析算法参数的敏感性
	[35] [36]	通过流量比测研究分别得到LSPIV精度影响因素
	[8]	汇集了27个元素误差源并认为其对最终结果的相对贡献可按以下顺序排列：播种密度、GCPs的识别、播种颗粒对流动跟踪的准确性和采样时间
提出新的基于LSPIV的测速方法	Surface Structure Image Velocimetry (SSIV) [37]	提出运用局部过滤进行流场后处理，将和相邻速度矢量以及全局平均矢量偏差较大的矢量去除以修正结果
	LSPTV [38] [39]	基于不同的粒子跟踪算法(与使用图像帧数有关)来识别和跟踪单个粒子并重建粒子轨迹；适用于粒子浓度较低的图像，可提高流场空间分辨率及计算速度

2.3.2. 基于水流时空影像的算法

2007年，Fujita等人[1]首次将水面时空图像引入河流流量测验，使用梯度张量法(Gradient Tensor Method, GTM)检测时空图像中的纹理主方向以得到河流一维时均表面流速，并将其命名为时空影像测速法(STIV)。与LSPIV相比，该方法的一个显著进步是无需借助示踪粒子，而是借助于水流表面流动特征(涟漪、波纹等)形成时空图像，通过分析图像上灰度的特征变化来得到表面流速。STIV的实现过程是：在所拍摄的河流流动视频中沿水流方向设置一系列平行且等长的测速线，并从视频中逐帧提取每条测速线的灰度信息依次排列，合成该条测速线的时空图像。在每幅时空图像中，河流表面亮度的变化将呈现为近似平行的带状纹理，求解带状纹理与竖直方向所夹角度(纹理角)即可推求河流表面流速的大小[3]，如图4。图中红色箭头代表沿河流流动方向设置的一条测速线，黑白面板代表地面控制点，T = 0表示视频的第一帧，T = m是最后一帧，a为所得纹理角。

图4. 时空图像的生成过程

迄今为止，研究者已经提出梯度张量法(GTM)、二维自相关函数法(Two Dimensional Autocorrelation Function, QESTA) [12]和基于傅里叶变换的频谱法(FFT-STIV) [40]等多种方法进行纹理角求解。在GTM中，通过图像的局部灰度积分关系来计算纹理角。在QESTA中，首先求解图像在极坐标中的灰度分布，纹理角对应于函数沿角度方向的最大强度的位置。在FFT-STIV中，通过识别图像频域的高频部分来获得主要纹理信息。这些方法在实际野外河流流量测验的调查工作中已有应用，但对观测环境有一定要求。识别得到纹理角后，可用如下公式计算河流表面流速：

$v=\tan \alpha \cdot S_x\cdot fps$ (4)

式中：$\alpha$ 为纹理角大小(单位：度)，$S_x$ 代表测速线的分辨率(单位：m/像素)，在相机标定时计算得到，$fps$ 是相机的帧速率(单位：帧/s)，一般为定值，与拍摄所使用的摄像机的型号有关。

作为一种一维测速方法，STIV不适合用于湍流特征研究、流动模式研究、涡度研究等需要精细流场刻画的领域，但对于仅需获取断面一维流速分布的流量测验而言，STIV方法展现出更好的性能：空间分辨率高，达到单像素水平；计算效率高，算法效率是LSPIV的10倍以上[41]，独特的优势使得它自提出后得到迅速发展和应用。STIV的方法核心是纹理角的正确识别，在提高识别精度方面，各研究团队开展了大量工作[3] [42]-[44]。另外，张振等人[45]对STIV进行了敏感性分析和不确定度评估，发现测速线长度和示踪条件是影响其精度的主要敏感因素。考虑到STIV估计旋转流中二维流场的能力不足，Yu等人[46]提出了一种新的角度识别算法CASTI，并进行了初步验证；Tsuji等人[47]开发了空间时空体积测速(Space-Time Volume Velocimetry, STVV)技术，对STIV的识别维度进行了拓展。Al-Mamari等人[48]和Kim等人[49]则对STIV在干旱区山洪暴发和旋转波浪带的特殊测流场景下的适用性进行了评估。在国内，基于STIV的测流装置已在长江流域、闽江流域等多个水文站得到成功应用[50]-[52]。

2.3.3. 基于概率和变分的算法

在流场测定领域，基于光学理论的图像处理方法占有重要地位。稠密光流法解决了检测运动目标难的问题，1981年由Lucas和Kanade提出的稀疏光流法则改善了前者在实时性上的不足，Lin等人[53]将热水作为示踪剂，利用LK光流法能在小尺度内取得较好的测流结果，周登浩和武斌[54]根据景深图虚化背景影响的思想，提出一种基于景深和LK光流法的视频测速算法，有效消除复杂和动态背景对测速的影响。近年来结合光流技术应用概率和变分方法分析河流流速的多个算法也迅速流行，算法对比见表2。

表2. 基于概率和变分的测流算法对比

算法	提出年份	概述	优点	缺点
基于概率的方法[55]	2014	搭建基于概率的图像测流系统框架。已知图像观测函数，通过贝叶斯框架计算每个像素的后验分布，最大化得速度矢量	处理非平稳模式时准确性较高，光流场稠密	须提高光流和分类算法的精度，改进描述条件概率分布的似然估计
KLT-IV [56]	2016	使用空间强度信息来检测和搜索产生最佳匹配的位置。在连续帧间追踪平移或仿射后每个Tomasi角点的运动轨迹	在表面特征稀疏的条件下和不稳定流中效果很好	对改变特征提取率很敏感
OTV [57]	2018	利用光流和基于轨迹的滤波进行表面流观测。用Fast算法自动检测角点特征，通过稀疏变分LK算法跟踪特征，并进行基于后验的轨迹过滤	受噪声和表面播种的影响较小，计算效率和稳健性高	受不稳定的帧采集频率影响较大，速度场分辨率不高
SGSD [58]	2019	在变分光流框架中加入物理约束。通过标量输运方程计算光流场，引入加权扩散项补充小尺度流场特征，在此基础上重建特征粒子轨迹	速度矢量场计算精度较高	要求河流流速高，流动轨迹重建易受异常值影响
FS-VOF [59]	2019	基于场分割的变分频谱流方法。根据流体流动的速度分布对粒子图像进行分割，并在每个子区域进行多尺度图像扭曲操作。	可保持非均匀流场的空间不连续性，获得更精确的速度场	针对非均匀流场；方法需加入分割项

续表

帧差与快速密集光流结合的方法[60]	2022	结合帧间差分与快速密集光流的分组测流方法。用帧差法计算运动显著性图，DIS确定图中局部区域的密集流场	可识别细微水面运动特征，测流的精度和时效性较高	低流速情况下风场影响较大
L^1-扩散法[14]	2022	在对流扩散方程里附加一个正则化项来估计图像平面流场的方法。选择L^1范数作为能量函数的基础，通过LK方法等求解能量泛函最小值	计算结果精度和稳健性高，适应不同的水力条件和图像拍摄角度	有待对数据项和正则化项的选择进行更多研究

基于概率或变分的算法核心都是光流场的计算，将求解速度矢量场问题转换为求解流体力学中的目标函数极值问题。这类算法不需要示踪粒子即可求解全局流场运动矢量，但较为依赖流场先验知识且计算成本较高。对于基于概率的测速方法，难点在于先验模型和似然模型的选择上，已有研究提出了不同的似然模型和改进超参数估计[61]，而基于变分的方法的差异性主要体现在数据项和约束项的设计中，对如何优化选择有待进一步的研究。

2.3.4. 基于深度学习的算法

以卷积神经网络(Convolutional Neural Networks, CNN)为代表的深度学习方法在识别图像几何特征、进而构建河道表面流速图像识别模型方面表现出色。采用CNN构建的河道表面流速图像识别模型直接以计算机代替人脑对大量的水流图片数据集进行机器学习，识别过程如下：1) 判断水流图片所对应的流速标签；2) 通过反向传播算法不断调整结构参数，精确划分特征空间；3) 进行不同流速级下水流表面纹理特征的自动提取与流速分类；4) 最终实现水流图片与流速信息之间的实时高效转换。王万良等人[62]利用压缩感知来提取河流表面图像中的水流特征，并通过实验验证了该方法用于河流表面流速估计的可行性。针对不同流速类类间差异小而造成的分类困难问题，王万良等人[63]引入生成对抗网络，生成大量伪样本来增强数据，再利用多特征融合的卷积分类网络进行流速分类，该方法对小差异的水流图像识别具有较好的鲁棒性。Ansari等人[64]通过FlowNet架构开发了一种名为RivQNet的河流水流测速方案，无需用户输入即可获得准确、密集的水面流速空间分布。Watanabe等人[65]则将深度学习方法引入STIV中对纹理梯度进行分类，提高了STIV的准确性和鲁棒性。

基于深度学习的河流表面测速方法在国内外都处于起步阶段，目前仍存在较多不足，比如流速的分类识别区间较粗糙，准确性不高，对参数选择和数据集大小有较高要求。由于此类方法在特征提取上具有较大优势，样本集扩充后能显著提升精度和便捷性，仍是一类具有较好应用前景的测速算法。

2.4. 流量计算

基于表面流速的河道断面流量计算方法有一定发展，例如借助测站的辅助测量或者通过历史水文资料来间接确定流量的概率概念法和指标率定法，其中最常用的还是基于表面流速系数的流速面积法[66]：1) 根据测得的表面流速折算估计出每根垂线平均流速，用到的表面流速系数取值在0.70~0.93之间变化，通常取0.85 [36]；2) 再参考测验前获取的河道断面的形状和尺寸来测得子断面流量的大小；3) 将各个子断面的流量求和得到实测断面流量。

3. 视觉测流产品应用进展

在视觉测流方法理论和研究中成功的测量实例的支撑下，近年来国内外各研发团队已相继推出部分测流产品，在不同流域得到成功应用。其中影响较大、应用较多的有法国的FUDAA-LSPIV、日本的KU-STIV以及国内的天地伟业视觉测流产品、南京昊控视觉测流系统、武大AIFLOW视觉测流产品等。

FUDAA-LSPIV [67]是一款基于LSPIV方法实现测速和测流的免费软件，2010年由EDF、Irstea与DeltaCAD共同开发和发行，目前更新至版本1.9.1。自2017年起，每年在里昂会举办用户日活动。KU-STIV (神户大学时空影像速度测验系统) [68]是一款基于STIV方法进行河流流量测量的商业软件，由Fujita等人于2016年开发，日文版和英文版均已上市。该系统目前已被日本国土、设施、交通和旅游等领域的众多河流专家和管理局所采用，并于兵库县等地部署影像河流监测系统。

天地伟业视觉测流产品是一款由天地伟业技术有限公司于2020年研发的基于视觉AI的测流产品，正式发布于2020年8月第十二届中国水文水资源技术于装备展览会，产品基于由天地伟业技术有限公司生产的前端视频监控设备和LSPIV算法相结合，利用可转动云台的监控设备对河道不同区域进行表面流速测算。南京昊控视觉测流系统是一款由南京昊控软件技术有限公司研发，基于PIV/PTV粒子图像测速原理，衍生为一种适用测量自然界中的流体流动形态的测量产品。

武大AiFlow视觉测流产品[69]是由武汉大学智慧水业研究所和武汉大水云科技有限公司于2019年联合研发的视觉测流产品，于2021年6月中国水博会正式发布1.0版本。武大AiFlow视觉测流产品基于前端视频监控设备，采用图像识别及人工智能技术，融合时空图像算法，是一款全新的水位、流速、流量和断面实时水文情势视频一体化自动监测设备体系，产品已形成固定式、无人机、便携式和手机端等多种产品形态。目前产品在长江、黄河、珠江、淮河、闽江等流域等都有广泛应用，已应用推广全国二十多个省份，并在贵州省水文局正式投入商用。产品技术已获多项创业创新及专利奖项，入选2022年水利部、福建省，及2023年湖南省水利先进实用技术重点推广指导目录。

推进产学研用深度融合，是实施创新驱动发展的关键环节，以科技创新推动产业创新，以产业创新反哺科技创新，可以实现科技创新的多产业应用、多场景赋能，形成促进生产力提升的乘数效应乃至指数效应。视觉测流产品的应用实现了新监测手段的规范化、量产化，为涉水领域万物互联和水利现代化建设提供了新的解决方案。

4. 问题与挑战

4.1. 图像采集质量

测速结果的准确性在很大程度上取决于图像采集的质量，但图像质量天然受到流动特性和拍摄设备型号约束。在识别低流速方面，视觉测流方法精度有所下降，原因是过小的流速无法带动人工示踪物前进，也无法自身形成明显的波纹，提供不了图像识别算法所需的示踪特征。因此当河流处于非汛期时，可能会监测到无效的水流图像。对于人工示踪物，其在现场河流的复杂水面光学环境下可见性较实验室差得多，另外在时空分布不均时会引起时均流场重建误差，影响识别效果[9]。Hadad和Gurka [70]在湍流情况下的研究结果表明，示踪粒子尺寸、表面涂层等参数的变化也会干扰对速度的识别。此外，由于摄像头成像范围有限，很难通过一套设备完整获取大江大河的断面图像。高清摄像机能获得更详细的流动信息，但需要大容量的计算机内存进行存储[8]。

4.2. 环境条件限制

复杂的气象条件和水域环境产生的不利因素会极大地降低测流精度或完全阻止施测。一些典型的不利条件如图5所示。

低流速情况下，风场容易改变表面水层的流动，强风则可能裹挟周边区域的树枝、石块破坏水流纹理，甚至移动或损坏拍摄设备。Muste等人[71]发现自由表面上的持续风可以成功地用作广泛动态条件下“非播种”气流的示踪剂，因此考虑将风场进行建模及分析计算，以补偿受风影响的测量。暴雨情形下，雨滴和水雾会降低视频能见度，基本无法获得有效图像[72]。不同的光照条件也对测量结果有着复杂影响。不均匀的场照明及其在日光中的变化会产生背景噪声，导致图像上的弱对比度和暗斑[16]。Detert [73]建议选择多云天气条件下的漫射光进行均匀照明。较暗的光线，例如阴天或夜晚，会影响视频中示踪物或波纹灰度的可见性。Fujita [11]通过引入高分辨率远红外线摄像机实现了基于STIV方法的夜间观测，但在这之后夜间测验问题仍然没有真正得到解

图5. 部分典型不利环境条件

决。为突破河宽限制，Fujita等人[74]使用不同拍摄俯角进行拍摄，并利用地面和水面控制点对从不同河宽处采集得到的图像进行匹配整合，使得STIV能够拍摄的河宽由100多m提升至300多m。最后，生物活动影响是一类发生频率较低但影响程度较大的不利因素，集中表现为流域内栖息和行动的鸟兽的饮水和人类的划船、垂钓行为。野外测量环境决定了此类情形很难完全避免，需要通过选择合适的测点、搭建一定的物理隔离措施来降低发生的概率。

4.3. 参数不准确性

方法中许多参数的获取过程并不完全严谨，其真实值实际上是未知的，这里分两类进行讨论：测距模型参数的不准确性和算法参数的不准确性。测距模型参数的不准确性来源于流场定标(特别是倾斜视角)产生的误差，比如透视畸变、非量测相机光学畸变[9]。Liu等人[75]发现单次测量GCP的情况对定标参数影响明显，即移位和更宽的置信区间，如果用三次重复测量控制点的坐标并取其平均值则可以减轻不确定性。对测距模型进行更深入的研究，Le Coz等人[76]开发了一种贝叶斯方法，将相机参数的先验信息与有限数量的GCP的真实世界和图像坐标的观测相结合以提升测量精度。Zhang等人[77]将直接传感器定向(DSO)摄影测量技术引入STIV方法，设计了一种支持激光测距仪(LDM)的摄影测量装置，实现了斜拍摄角度下无GCP表面速度测量。算法参数的不准确性体现在研究者对某些参数的主观赋值较为依赖经验，取值粗糙。对于STIV方法，在梯度张量法中存在窗口边长大小这一参数，在二维自相关函数法中存在强度系数M这一参数，一般两者均取值为15，实际上不同的参数取值会得到略有变化的角度识别结果，且参数的最优值与图像特征有关，并不固定。同样，流速到流量转换所需的表面流速系数也是经验取值，无法匹配每条监测河流的个性化需求，因此无法预测可能产生的误差大小[48]。对于深度学习算法，其参数的准确性与数据集大小、数据集代表性和模型训练程度等因素有关。另外，考虑到河流复杂的流动特性以及多变的户外测量环境，计算结果出现异常值不可避免。如何根据不同的测验情况，对计算得到的异常值进行处理将是值得研究和讨论的问题。

5. 结语

作为一种非接触式流量测验新仪器，基于视觉的河流流量测验方法较传统方法表现优异，具有测量快速、成本低、全量程监测等优点，具有广阔的发展前景。自LSPIV被提出以来，学者们开发了基于粒子、水流时空影像、概率、变分和深度学习的图像识别测速算法，并通过流速面积法换算得到河流流量，相关测流产品也已得到研发和应用。与此同时，合理选择监测环境、改进测验过程和算法也是现阶段需要重视的问题。新时代背景下，深入开展河流流量智能监测相关研究是迫切之需，不断创新的测流仪器方法和产品应用对提升水文测验能力和水平、促进水文监测技术现代化发展至关重要。

基金项目

感谢国家重点研发计划项目2023YFC3209101和水利部重大科技项目SKS-2022020对本研究的支持。

NOTES

作者简介：陈华(1977.04-)，福建建瓯人，博士，教授，博导，研究方向：流域智能感知与预报，数字孪生流域，Email: [e-mail]