(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210388228.7 (22)申请日 2022.04.14 (71)申请人 南京云创大 数据科技股份有限公司 地址 210014 江苏省南京市秦淮区永智路6 号南京白下高新技术产业园区四号楼 A栋9层 (72)发明人 刘鹏　张真　高秀斌　张堃　曹骝　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 金子娟 (51)Int.Cl. G06V 20/40(2022.01) G06Q 50/26(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种城市内涝淹水深度评估方法 (57)摘要 本发明公开了一种城市内涝淹水深度估计 方法， 包括接入数据源、 视频解码、 行人检测、 行 人姿态估计、 行人区域分割、 行人真实身高估计、 行人水面上高度估计和淹水深度估计等步骤。 本 发明方法基于包含行人的视频数据实施， 可以自 动评估城市区域的淹水深度， 应用于对城市洪涝 灾害及道路积水情况的监测， 为城市排水、 交通 管制、 抢险救灾等提供决策依据， 减轻了巡查人 员的工作强度， 加快发现问题、 解决问题的速度， 并可以指导公众出行及避险等， 相较于其它需要 专门设置硬件设施参照物的监测方法， 本发明方 法即避免了市政工作人员实地勘测的耗时费力， 也解决了在没有设置硬件设施参照物的地方仅 通过摄像头无法准确实施内涝监控的问题。 权利要求书2页 说明书5页 附图2页 CN 114612848 A 2022.06.10 CN 114612848 A 1.一种城市内涝淹水深度估计方法， 其特 征在于， 包括以下步骤： S1： 接入数据源 所述数据源为视频 数据； S2： 视频解码 对所述视频 数据进行解码， 获得包 含行人的城市道路图像； S3： 行人检测 利用人脸识别模型对所述城市道路图像进行人脸检测， 根据人脸所在的位置利用预设 的Anchor Boxes识别出包 含个体行人的第一行 人区域； S4： 行人姿态估计 提取步骤S3行人检测的结果， 将第一行人区域作为姿态估计模型的输入， 利用姿态估 计模型检测行 人躯干的关键点； S5： 行人区域分割 提取步骤S3行人检测的结果， 将第一行人区域作为图像分割模型的输入， 利用图像分 割模型进一步去掉第一行人区域中的背景区域后， 将识别出的行人区域作为第二行人区 域； S6： 行人真实身高估计 提取步骤S4行人姿态估计的结果， 取行人肩部和腰部关键点的垂直距离作为上身高 度， 利用统计公式估算出 该行人的整体身高； 所述统计公式为： 整体身高=上身 身高 M； 上式中， M为该地区人口上身 身高占整体身高的比例系数平均值； S7： 行人水面上高度估计 基于步骤S5行人区域分割的结果， 提取第二行人区域的轮廓， 计算筛选后的第二行人 区域的轮廓外 接框， 并以所述轮廓外 接框的高度作为行 人水面上的高度； S8： 淹水深度估计 结合步骤S6计算的行人整体身高以及步骤S7计算的行人水面上的高度， 计算各行人被 淹没的高度及其占其整体身高的比例， 之后取所有行人被淹没比例的均值与该地区人口的 平均身高N相乘作为该地区淹水深度的估计值； 上述步骤S6和步骤S8中， 所述比例系数平均值M、 平均身高N根据对该地区人口身高参 数的预先抽样统计获得。 2.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S3采用改进的SSD模型进行行人检测， 所述改进的SSD模型在SSD模型的基础 上， 在 连续池化操作后添加了对应的转置卷积 操作； 所述改进的SSD模型通过所述转置卷积操作生成深层特征图， 然后将所述深层特征图 与通过前序操作获得 的相同尺寸的浅层特征图相加， 实现特征融合， 之后将特征融合的特 征图作为模型的输出。 3.根据权利要求2所述的一种城市内涝淹水深度估计方法， 其特 征在于： 所述改进的SSD模型的模型架构包括依次连接 的MobileNetV2模块、 第一池化层、 第二 池化层、 第三池化层、 第一转置卷积层和第二转置卷积层， 通过第一转置卷积层获得的深层权　利　要　求　书 1/2 页 2 CN 114612848 A 2特征图与通过第二池化层获得的浅层特征图相加， 通过第二转置卷积层获得的深层特征图 与通过第三池化层获得的浅层特 征图相加， 然后将两次相加的结果进行 特征融合后输出。 4.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S4采用改进的实时姿态估计模型进行行人姿态的估计， 所述改进的实时姿态估计 模型以Mobi leNetV2为主干网络， 通过以下 方式获得： 改进训练模型的损失函数， 通过增加上身躯干关键点的定位损失权重来提高肩部及腰 部关键点的定位准确率， 具体为： 在所有关键点定位损失权重为1的默认设置上， 将上身躯 干关键点的定位损失提高至1.5～ 2.0。 5.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S5采用改进的UNet模型进行行人 区域分割， 所述改进的UNet模型在 卷积时通过填 充零值来确保卷积后特 征图尺寸 不减小， 并在同尺寸特 征图融合时使用逐点相加计算。 6.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S6对行人整体身高的估计根据行人姿态估计的结果进行计算， 若行人腰部被淹没 在水面以下腰 部关键点 缺失， 则跳过后续计算并给 出报警信息 。 7.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S2以抽帧的方式对所述视频 数据进行解码。 8.根据权利要求1所述的一种城市内涝淹水深度估计方法， 其特 征在于： 在步骤S3和步骤S5中， 利用预设的阈值排除干扰区域， 将筛选后的第一、 第二行人 区域 作为结果作为输出。 9.根据权利要求1 ‑8中任一项所述的一种城市内涝淹水深度估计方法， 其特 征在于： 所述预设的Anc hor Boxes包括高宽比为1、 2、 3的三种Anc hor Boxes。 10.根据权利要求9所述的一种城市内涝淹水深度估计方法， 其特 征在于： 步骤S3中， 将利用Anchor  Boxes识别出的行人 区域外扩后获得的行人 区域作为第一行 人区域， 所述外扩 是指在Anchor Boxes识别区域的基础上， 上下方向分别向外扩展高度的 5%～10%， 左右方向分别向外扩展宽度的5% ～10%。权　利　要　求　书 2/2 页 3 CN 114612848 A 3