软件X 19（2022）101173原始软件出版物VISION：使用自动特征选择进行河流图像测速分析的视频稳定放大图片作者：Alonso Pizarroa， Silvano F. Dal Sassob，Salvatore ManfredacaEscuela de Ingeniería en Obras Civiles，Universidad Diego Portales，8370109圣地亚哥，智利b欧洲和地中海文化系：建筑、环境和文化遗产，巴西利卡塔大学，75100马泰拉，意大利c意大利那不勒斯费德里科二世大学土木、建筑和环境工程系，80125那不勒斯ar t i cl e i nf o文章历史记录：收到2021年2022年3月1日收到修订版，2022年数据集链接：https：//doi。或g/10。17605/OSF. IO/HBRF2保留字：河流监测图像测速UASLSPIVa b st ra ctVISION是用MATLAB编写的开源软件，用于使用自动特征检测进行视频稳定。它可以应用于任何用途，但它主要是为河流中的图像测速应用而开发的。它包括多个选项，可以根据用户的需求和预期应用进行设置：1）选择不同的特征检测算法（可选择七种，同时可灵活选择两种），2）定义检测到的最强特征的百分比值，以考虑稳定化，3）几何变换类型，4）定义可以在其上执行分析的感兴趣区域的图像;以及5）稳定帧的实时可视化。一个案例研究被认为是为了说明VISION在图像测速实验中的稳定能力特别是，稳定的影响进行了量化的速度误差方面的现场测量获得显着的速度误差减少。VISION是一个易于使用的软件，可以支持图像处理中的研究操作，但它也可以为教育目的而采用。©2022作者（S）。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本V0.0.3此代码版本使用的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-21-00066Code Ocean compute capsulenoneLegal Code License BSD 3-clause使用的代码版本控制系统无使用MATLAB的软件代码语言、工具和服务编译要求、操作环境依赖性计算机视觉要求如果有开发人员文档/手册链接问题支持电子邮件alonso. mail.udp.cl1. 介绍图像测速分析正在成为河流流量监测的一种经济而准确的替代方法通常，固定摄像机、无人驾驶航空系统（UAS;通常被称为无人或无人驾驶飞行器、UAV、无人机和远程驾驶飞机系统、RPAS）或甚至智能手机可以*通讯作者。电子邮件地址：alonso. mail.udp.cl（Alonso Pizarro），silvano. unibas.it（Silvano F.Dal Sasso），salvatore. unina.it（Salvatore Mafreda）.https://doi.org/10.1016/j.softx.2022.101173用于获取短视频，以计算瞬时和时间平均流量特性。尽管这种现代方法正以前所未有的速度增长，但仍然存在错误和不确定性，而这些错误和不确定性并不总是被明确地接受[1图像测速分析工作流程从数据采集开始，然后是预处理阶段，以解决图像失真、不期望的运动去除和图像增强问题。之后，可以进行图像测速算法的应用。最后，可以考虑后处理阶段以去除离群值。然而，在称为数据采集的第一阶段出现了一些问题。值得一提的是，这些问题会传播到整个测速工作流程，2352-7110/©2022作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxAlonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011732结果非常明显[7]。其中，当用于获取镜头的设备由于风或交通条件、UAS操作员经验或GPS不准确而不稳定时，经常会遇到稳定问题不稳定的图像序列可能会导致不真实的运动，直接影响速度估计[8]。许多图像测速软件工具可用于执行测速分析以及视频采集、图像预处理和结果后处理其中，KLT- IV [8，9]是一个易于使用的软件包，用于传感河流中的流速和流量。分析中的灵活性是由以下事实提供的：可以使用移动摄像机平台或固定监测站来确定表面流速。实现了不同的模块，使无尽的职位，进行图像测速和预处理任务。稳定化过程是以定义坐标系的第一帧作为参考来执行的，并且随后的帧参考它。稳定化不是完全自动化的，需要用户通过绘制由于明显运动（掩模）而被排除的区域来参与。这个区域可以是，比如说水流的区域，或者其他有明显运动的区域。然后，将视场划分为四个象限，并将检测到的最强10%的特征– 使用最小特征值算法-被保留。使用具有五个金字塔级别的Kanade-Lucas-Tomasi（KLT）跟踪算法匹配特征，并使用相似性变换稳定帧。FlowVeloTool [10]是一个开源测速套件，可以自动提取水面区域以及特征检测，过滤和跟踪。此外，在不期望的相机移动的情况下的补偿使用自动特征检测方法获得，使用加速 KAZE（AKAZE）算法利用蛮力匹配和透视变换。FUDAA [11]是一个独立的软件包，提供了一种简单的方法来执行河流中的图像测速分析。该软件包具有友好的界面，已经开发了十多年。它是自由软件，在实践者和研究水平上都有很好的文档。后者已经导致应用到不同的自然环境中，并取得了成功的结果（见[11，12]）。 FUDAA有一个稳定模块，可以与正射校正或其他软件单元分开执行。与KLT-IV类似，FUDAA需要用户参与，在第一帧上的移动区域上提供掩模。 该区域用于所有帧，以在稳定过程中排除该区域。通过使用SURF算子[13]检测和匹配特征，并使用透视变换进行稳定化。图像速度结果校正（RIVeR）[14]也是一个独立的软件，包括PIV，PTV和STIV测速算法（RIvER使用PIVLab和PTVLab软件包）。稳定性是可选的，前一帧作为参考。FAST算子用于检测和匹配特征，而稳定化是用仿射变换来执行的。最后，PIVLab [15]和PTVLab [16]是通用应用软件工具，不一定限于在现场条件下运行。实际上，它们经常用于实验室实验中的PIV和PTV分析在其上通常保证理想的条件。因此，不提供稳定模块。在对最常用的可用软件包进行简短描述通常会发现研究作者制定了自己的代码来处理这个问题（并不总是可用），限制了相互比较和标准方法和工具的开发（Ljubičić等人[17]）。后者导致增加的不确定性和错误与使用图像测速框架的流量特性估计。VISION旨在通过提供一个易于使用和开放代码的MATLAB命令行函数来克服上述问题，该函数遵循自动特征选择方法。后者在逐帧的基础上自动检测特征，并将其匹配以稳定视频。因此，稳定可以在有和没有地面控制点（GCP）的情况下进行，为用户和自然条件下的案例研究提供了更多的灵活性。因此，用户的参与是很少需要的，对于有经验的和没有经验的用户来说都是一个很好的选择。实现了七种特征检测算法，并且为了尽可能多地利用不同的和自己的算法能力，可以同时选择其中两种进行稳定分析。这种选择可以通过保持最佳算法能力但以更高的计算负荷为代价而有益。然后，最强和均匀分布的特征被保留并用于稳定。VISION还提供了采用感兴趣区域（ROI）的可能性-在该– 并实时显示稳定性能。本手稿的组织如下：第2节介绍VISION及其不同运行选项的总体概述，而第3节介绍了贝尔格莱德案例研究，用于说明目的。第4节显示了VISION的性能和图像测速分析的相关稳定效果。第5节介绍了VISION的影响、挑战和未来发展。最后给出结论。2. VISION背景VISION是一个MATLAB函数，旨在稳定河流中图像测速分析的视频[18]。它是一个简单易用的命令行函数，用MATLABR2020a编写。有必要澄清的是，它利用了计算机视觉，因此，它需要适当的实施。图1显示了VISION的流程图，包括输入和数据准备、自动特征检测和匹配以及视频帧转换。该工具仅需要一个输入（待稳定的视频），并且具有六个可选的完全可配置的设置：（i）稳定的视频名称;（ii）特征检测算法的选择;（iii）用于稳定目的的百分比最强检测特征的定义;（iv）几何变换类型的定义;（iv）几何变换类型的定义;（v）几何变换类型的定义。（v）ROI的定义，可以绘制ROI或使用定义矩形角的矢量;以及（vi）稳定查看器决定，以视觉和逐帧评估稳定分析。这六个可配置设置可以被分类为三个不同的类别（镜头名称;特征检测和几何变换;以及附加），其讨论在下面更详细地呈现。在第一步- VISION输入和数据准备-所有的变量和算法都被声明。在第二个-自动特征检测和匹配-特征已被自动检测并执行特征匹配。对于在参考图像中检测到的每个特征，检查后续图像中的对应邻域以便找到匹配特征，反之亦然。由于与手动选择特征的方法相比，自动检测算法通常检测相对较高数量的特征对，因此可以应用更强的特征选择过滤器，其定义具有最强度量的点的数量。在下文中，可以应用均匀滤波器，其采用最初检测到的特征并应用滤波器以使它们在空间中尽可能均匀。然后，应用离群点检测以提高变换精度。在本研究中，M-估计样本共识（MSAC）离群检测方法，以排除他们被用来找到不可接受的特征对应。最后一步Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011733Fig. 1. 视频稳定的VISION流程图。它包括VISION输入和数据准备、自动特征检测和匹配、帧转换和视频稳定。并且可以利用任何基于最小二乘法的过程来确定两个图像之间的稳定视频仿射或投影变换矩阵，并且组装稳定视频。所有用于特征提取和匹配以及几何变换估计的算法都是基于MATLAB内置函数的。a. 视频名称：稳定视频的名称可以由用户决定。在视频名称的末尾，VISION添加了用于稳定的自动特征检测算法。后者是为了避免在用户决定多次运行VISION的情况下对视频文件进行重命名。该stabilised视频默认保存在AVI格式保持原始帧速率。VISION将以下名称用作稳定视频的默认设置：b. 特征检测和几何变换：七个自动特征检测算法是用VISION实现的这样做的目的是尽可能最大限度地利用每个算法的不同和自己的能力，提供更强的鲁棒性，但代价是更高的计算负载。这些算法具有自动区分角点、斑点和具有均匀强度的区域的能力。根据所选的算法，单和多尺度变化以及旋转也可以检测。七种自动特征检测算法是：1. 加速段测试（FAST）[19]2. 最小特征值算法（MINEIGEN）[20]3. Harris–Stephens algorithm (HARRIS)4. 二进制鲁棒不变可扩展关键点（BRISK）[22]5. 加速鲁棒特性（SURF）[13]6. 定向FAST和旋转Brief（ORB）[23]7. 卡泽[24]值得一提的是，SURF和KAZE被推荐用于自然环境，因为它们可以更好地检测非人类起源的场景中的特征，例如河流。相反，FAST、MINEIGEN、HARRIS、BRISK和ORB能够更好地检测场景中的特征，并具有明显的拟人化干预。因此，两种检测算法的组合（来自上述每个类别的一种）可以潜在地为稳定过程提供鲁棒性在调用函数时，算法必须写在括号内，例如： 根据作者进行的敏感性分析（见图1）， 2），VISION使用SURF作为默认算法。这一决定取决于最大限度地减少不期望的运动和最小化计算时间（见第3节，以及稳定视频和敏感性分析的数据和代码可用性声明在具有32 GB RAM的 Intel（R）Core（TM）i7-8700CPU 3.20 GHz处理器检测到的特征也根据它们的强度进行量化。因此，额外的定制可以设置为仅使用检测到的最强功能。这是一种常见的做法，以保持每个视频帧中可用的最佳信息（参见例如Perks [8]）。为此，可以定义最强特征的百分比值，范围在0到100之间（其中100表示要考虑的所有特征）。之后，应用统一过滤器以保留用户先前输入的百分比值的50%。该滤波器给出尽可能均匀的空间分布特征VISION使用100%作为默认值。几何变换类型可以很容易地在相似性，仿射和投影之间定义[25]。注意，当匹配点的数量越大时，估计变换的精度相似性是需要最少数量的匹配点的变换类型，而投影需要最多数量的匹配点。VISION使用相似性作为默认转换类型。Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011734∼图二. 对七种不同的自动特征检测算法进行敏感性分析，以确定VISION（SURF）使用的默认算法。该决定依赖于计算时间和不期望的运动减少。案例研究：贝尔格莱德（见第3节，以及数据和代码可用性声明）。设置：（i）感知最强特征：25%，（ii）稳定查看器：假，（iii）其他：默认。c. 额外：最后两个可配置的设置给出了定义ROI的可能性，以及用户是否想要直观地评估稳定性。用户可以选择绘制ROI或将其作为矢量引入。后者必须保持以下格式：[x y<$x<$y]，其中x和y是所需点（矩形的左上角）的初始坐标，而x和y是矩形在二维中的范围。当用户选择实时评估稳定化时，查看器（新窗口）打开，逐帧显示稳定化过程。VISION使用所有视野（即，无ROI）和查看器作为默认设置。图图3A示出了用于说明ROI绘制的示例进程，即用户绘制的红色矩形。 图3B显示了在实时稳定性评估期间打开的稳定性查看器（默认情况）。不同的信息显示在视频播放器中，例如MATLAB是否正在处理素材此外，连续帧之间的移动物体用绿色和洋红色来识别，以在视觉上识别它们。例如，两个操作员的运动可以在图中清楚地区分出来。 3C.在特征被检测和匹配之后，估计变换矩阵。后者不包括离群值，并使用M-estimator Sample Consensus（MSAC）算法来排除它们。值得一提的是，MSAC是随机样本一致性（RANSAC）算法的变体[26，27]。3. 贝尔格莱德案例研究最后以贝尔格莱德为例说明了VISION的运行过程。它有6个地面控制点（GCPs）沿两岸均匀分布，河宽相对恒定（22.30m），ADCP测量（S1和S2 分别为ADCP测量的第1节和第2在采集时刻，出现低流量条件，河流流量约为3.4m3/s。ADCP数据是使用SonTek RiverSurveyor M9 [28]获得的，Pearce等人推导出水面[29]第10段。的镜头使用标准安装的DJI Phantom 4 Pro相机拍摄，悬停在36米处，持续约30秒（帧速率：每秒23.98帧（FPS）。共740帧）。UAS相机位于最低点位置，地面采样距离（GSD）为0.011 m/px。图图4显示了贝尔格莱德案例研究及其六个GCP和ADCP测量剖面。关于这个案例的更多信息可以在其他地方找到[29]。出于稳定的目的，根据Pearce等人[29]的灵敏度分析和LSPIV应用的建议（总共120帧，关于LSPIV速度估计的稳定效果，请参见下文），原始帧速率被GCP对于稳定至关重要，因为它们可以用于在消除不期望的运动之前和之后使用两种特征检测算法（FAST和SURF）进行VISION稳定化，并保留25%的最强检测算法用于进一步分析。之后，应用均匀滤波器以保持该百分比的一半，以具有尽可能均匀的空间分布特征。使用两种不同检测算法的决定取决于说明目的，但也取决于尽可能多地利用不同算法功能的想法（FAST在具有明显拟人化干预的场景中效果更好，而SURF建议用于自然环境）。使用了所有图像视野，因此，认为没有ROI。为了客观地比较原始视频和稳定视频，选择开源软件Blender（https://www.blender.org）来计算轨迹。Blender使用视差方法来重建3D场景中的相机运动。为此，确定了与GCP对应的六个标记。对于每一个，定义了图案大小（大到足以覆盖整个标记）和搜索区域（以逐帧捕获目标移动）。结果很容易导出到一个电子表格文件，这也是在这项工作中提供（见代码和数据可用性声明）。图5显示了六个GCP的轨迹，考虑到原始和稳定的VISION镜头。这些图显示了GCP相对于第一帧的移动，并允许理解工具对图像中GCP的相对位置产生的强烈影响。VISION的影响总结见表1，其中列出了相对于作为参考的第一帧（配置1 -工具的默认配置）以及逐帧（配置2）估计的GCP移动的最小值、最大值和平均值。总体而言，稳定结果Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011735×图三. (A)红色矩形是用户决定绘制时ROI定义的示例。（B）稳定查看器，用于实时视觉评估稳定过程。（C）洋红色和绿色表示参考帧和当前帧之间的移动。(For对于图中颜色的解释，请读者参考本文的网络版本图四、 贝尔格莱德案例研究及其六个GCP。横截面上的蓝色箭头是ADCP测量的流速矢量S1和S2分别是ADCP测量的第1和第2（有关本图例中颜色的解释，请参阅本文的网络版本被认为是非常好的，对于配置1和2，显示出平均不期望的配置2对于图像测速分析非常重要，因为测速算法采用连续帧来计算速度。为了探索稳定化对LSPIV估计值的作用，使用PIVLab [15]计算原始和稳定化素材的表面流速LSPIV算法使用快速傅立叶变换（FFT）和单通道标准相关方法（搜索和询问区域分别为128和64 px）来应用。此外，2 - 3点高斯拟合被用来估计亚像素位移峰值。采用测序方式1此外，没有应用后处理方法来过滤错误的速度结果。上述PIVLab设置是Pearce等人[29]使用的最佳设置，他们进行了敏感性分析。Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011736图五. 使用非稳定化（原始）和稳定化（VISION）数据的GCP在整个镜头中的运动轨迹。黑点是初始位置，而蓝色和橙色的线是原始和稳定的轨迹。GCP2Z是一个考虑GCP2中VISION运动的特写。(For对于图中颜色的解释，请读者参考本文的网络版本表1原始和稳定的尺量的GCP位移量。报告了两种配置的最小值、最大值和平均值，即（i）第一种配置帧作为参考，以及（ii）逐帧分析。位移幅度（px）GCP1GCP2GCP3GCP4GCP5GCP6原始视觉原愿景原愿景原愿景原始视觉原愿景第1帧拍摄MAX29.65 0.8927.820.6033.610.9027.380.7922.31 1.4122.811.01作为参考平均值14.26 0.3516.920.2121.340.3820.410.3316.46 0.4314.800.37帧由MAX2.30 0.712.770.873.050.744.340.613.66 1.253.721.01帧平均0.95 0.251.010.281.140.261.250.271.14 0.311.070.29图图6显示了作为距左岸距离的函数的速度大小。黑线代表ADCP数据，蓝线是使用原始进尺（未稳定）计算的LSPIV表面流速，而橙色线是使用VISION稳定的进尺计算的LSPIV表面流速。 测速结果总体上与参考值一致（原始数据和稳定数据的RMSE值：S1为6.79和6.30 cm/s，而S2为6.98和6.30 cm/s）。6.61 cm/s（S2）。因此，使用VISION在S1和S2时分别降低了7.14%和5.37%。请注意，放置在河流左岸的GCP的运动减少平均而 言 ， 左 岸 的最 大 和 平 均 运动 的 控 制 点 分别 减 少 71.15% 和74.38%，右岸的控制点分别减少74.88%和74.70%。4. 影响、挑战和未来发展VISION旨在使用自动特征选择方法稳定河流中图像测速分析的视频这这种方法对于没有经验的用户是理想的，但对于有经验的用户也是有益的。我们相信VISION将通过提供一个简单、简约和易于使用的软件包来简化稳定算法和方法的相互比较。此外，VISION可以很容易地集成到MATLAB编写的图像速度测量工具中，如KLT-IV、RIVeR、PIVLab和PTVLab（如果需要）。VISION令人满意地稳定了Bel级镜头;然而，我们必须承认，仅分析了一个现场案例研究;尽管前景看好，但应对其他复杂数据集进行进一步研究，以评估算法和软件的不确定性。VISION旨在成为一个活跃的项目，因此，计划进一步开发：（i）开发图形用户界面（GUI）以促进其使用;（ii）提供额外的特征检测方法以增加灵活性;（iii）提供同时分析多个案例研究的选项;以及（iv）嵌入一套工具以量化稳定过程中的不确定性。值得一提的是，VISION还在意大利Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011737图六、贝 尔 格 莱 德 案例研究的横截面分析使用LSPIV处 理 ， 使 用 A D C P 数 据 的 非稳定（原始）和稳定的VISION镜头。（一）第S2节，（B）第S1节。Ljubičić et al. [17].在这项研究中，它是可以欣赏的良好性能所获得的代码在不同的水力和环境条件。 此外，Ljubičić等人[17]还在不同的开放获取工具之间进行了内部通信，突出了VISION的良好性能。尽管VISION具有良好的性能，但它并不总是能够完全稳定镜头。在某些情况下，它可能会人为地产生严重的抖动或由于可检测和可匹配特征的丢失而产生残留运动。尽管如此，人们总是期望运动减少。5. 结论VISION提出了一种用于河流图像测速分析的自动特征选择VISION是一个开放源码软件，根据用户的需要，在不同的实地条件下运行有若干实施选项。七个特征检测算法（具有同时选择两个的灵活性）是可用的，并且还实现了用于定义和使用最强检测特征以用于稳定目的的位置。此外，可以设置感兴趣区域和稳定帧的实时可视化贝尔格莱德的案例研究进行了分析，以显示VISION的能力，稳定性能进行了介绍和讨论。稳定性结果被认为是非常好的，通过将第一帧作为参考和逐帧分析，分别显示出大于97%和72%的不期望的运动减少。为了探讨图像测速估计的稳定的作用在第1节和第2节使用VISION时，速度的RMSE分别降低了7.14%和5.37%竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据和代码可用性声明支持本研究结果的数据和代码可在https://doi.org/10.17605/OSF.IO/HBRF2上公开获取[18]。确认我们要感谢Sophie Pearce和Robert Ljubičić对贝尔格莱德案例研究的支持和ADCP数据。该研究由COST Action CA 16219资助，引用[1] Pizarro A，Dal Sasso SF，Manfreda S.改进用于流量监测的图像测速性能 ： 误 差 最 小 化 的 播 种 度 量 。 HydrolProcess2020.http://dx.doi.org/10.1002/hyp.13919网站。[2]Pizarro A，Dal Sasso SF，Perks MT，Manfreda S.确定最佳空间分布的示踪剂的光学传感流表面流（0.1版）。2020，http://dx.doi.org/10.17605/OSF.IO/8EGQW，[Codes] OSF.[3] Dal Sasso SF，Pizarro A，Manfreda S.用于定量播种特性以增强河流中图像测速性能的方法。2020年远程传感器http://dx.doi.org/10.3390/rs12111789网站。[4]Muste M，Fujita I，Hauet A.用于河流环境测量的大尺度粒子图像测速。44.第44章.[5][10]杨文辉 ，杨文辉.从 无人机 上进行大规模 粒子图像测 速。IEEE/ASMETransMechatronics2015;20：3269-75.[6] Manfreda S，McCabe MF，Miller PE，Lucas R，Madrigal VP，MallinisG，et al.关于使用无人驾驶航空系统进行环境监测。远程传感器2018.http://dx.doi.org/10.3390/rs10040641网站。[7] 德特特河 如何避免和纠正偏差性的河道水面不平衡-年龄测速水资源研究2021。http://dx.doi.org/10.1029/2020wr027833.[8] 珀克斯山KLT-IV v1.0：用于固定和移动平台的图像测速软件Geosci ModelDev 2020. http://dx.doi.org/10.5194/gmd-13-6111-2020.[9]Perks MT，Russell AJ，Large ARG.技术说明：使用无人驾驶飞行器监测山洪暴发的进展。Hydrol Earth Syst Sci 2016. http://dx.doi.org/10.5194/hess-20-4005-2016网站。Alonso Pizarro，Silvano F. 达尔·萨索和萨尔瓦多·马弗雷达软件X 19（2022）1011738[10]Eltner A，Sardemann H，Grundmann J.技术说明：使用陆地和无人驾驶航空 器 图 像 测 量 河 流 流 速 和 流 量 。 Hydrol Earth Syst Sci 2020;24 ： 1429-45.http://dx.doi.org/10.5194/hess-24-1429-2020。[11][10]李文，李文. 使用免费的Fudaa-LSPIV软件在现场和实验室河流工程研究中进行基于图像的流速和流量测量。In：Proc. int. conf. 流感。水力的河流。2014年，第1961年7月。[12]Le Boursicaud R，Pénard L，Hauet A，Thollet F，Le Coz J.在YouTube上测量极端洪水：将LSPIV应用于家庭电影，用于事后确定溪流流量。HydrolProcess 2016. 网址：//dx.doi.org/10.1002/hyp.10532网站。[13]杨 志 华 ， 李 志 华 ， 李 志华 .加 速 鲁 棒 特 性（ SURF ） 。 Comput Vis ImageUnderst 2008. http://dx.doi.org/10.1016/j.cviu.2007.09的网站。014号[14]Patalano A，García CM，Rodríguez A.图像速度结果校正（RIVeR）：用于大规模水面粒子图像速度测量（PIV）和粒子跟踪速度测量（PTV）的简单且用户友好的工具箱。ComputGeosci2017;109：323-30.http://dx.doi.org/10.1016/J.CAGEO.2017的网站。07.009。[15] 作者：J. PIVlab -J Open Res Softw 2014.http://dx.doi.org/10.5334/jors.bl网站。[16]Brevis W，Niño Y，Jirka GH.粒子追踪测速之互相关与松弛演算法整合。ExpFluids2011;50：135-47.[17]Ljubičić R，Strelavova D，Perks MT，Eltner A，Peña-Haro S，Pizarro A，etal.地面流观测中稳定无人驾驶航空系统图像的工具和技术的比较。HydrolEarth Syst Sci Discuss 2021;25 ： 5105-32. http://dx.doi.org/10.5194/hess-25-5105-2021网站。[18]Pizarro A，Dal Sasso SF，Manfreda S. VISION：使用自动功能选择的视频稳定。OFS。2021年，http://dx.doi.org/10.17605/OSF.IO/HBRF2。[19] Rosten E，Drummond T.用于高速角点检测的机器学习In：Lect. notescomput. sci.（包括子。选注intell. Lect.NotesBioinformatics），2006，http://dx.doi.org/10.1007/11744023_34。[20] 放大图片作者：J.很好的跟踪功能。In：Proc. IEEE Comput.计算机学会目视模式识别1994，http://dx.doi.org/10.1109/cvpr.1994。323794。[21]放大图片作者：Harris C.一种结合边缘和角点的检测器。输入：程序第四阿尔维conf.. 一九八八年[22] Leutenegger S，Chli M，Siegwart RY.BRISK：Binary Robust InvariantScalable Keypoints（二进制鲁棒不变可缩放关键点）。In：Proc. IEEE int.conf.comput.vis..2011，http://dx.doi.org/10。1109/ICCV.2011.6126542。[23][10]李晓，李晓，李晓. ORB：SIFT或SURF的有效替代方案。In：Proc. IEEEint.conf.comput.vis..2011，http://dx.doi。org/10.1109/ICCV.2011.6126544。[24]Alcantarilla PF，Bartoli A，Davison AJ.KAZE功能。在：Lect.笔记电脑sci.（ 包 括 子 。 选 注 intell.Lect.NotesBioinformatics ） ， 2012 ，http://dx.doi.org/10.1007/978-3-642-33783-3_16。[25]哈 特 利 ·R ， 齐 瑟 曼 ·A. 计 算 机 视 觉 中 的 多 视 图 几 何 。 2004 ，http://dx.doi.org/10.1017/cbo9780511811685。[26]Fischler MA，Bolles RC.随机样本一致性：模型拟合应用于图像分析和自动制图的范例。Commun ACM1981;24：381-95.[27]Torr PHS，Zisserman A. MLESAC：一种新的鲁棒估计器及其在图像几何估计2000年，计算机视觉图像理解网址：//dx.doi.org/10.1006/cviu.1999.0832网站。[28]Sontek RiverSurveyor S5/M9。排放水深测量和海流剖面（小册子）。SanDiego，CA，USA：Sontek; 2015.[29] Pearce S，Ljubičić R，Peña-Haro S，Perks M，Tauro F，Pizarro A，etal. An evaluation of image velocimetry techniques under low flowconditionsandhighseedingdensitiesusingunmannedaerospacesystems.2020年远程传感器http://dx.doi.org/10.3390/rs12020232网站。
我的内容管理
展开
