CN115497036A - 一种内涝积水深度计算方法、***及可读存储介质 - Google Patents

Abstract

本发明提供的一种内涝积水深度计算方法、***及可读存储介质，该方法包括预先在城市特定位置，沿路标定多个实体标尺；获取实体标尺的道路监控图像，确定实体标尺在道路监控图像中的位置信息；结合位置信息，创建透视投影模型，构建虚拟标尺；结合虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；应用机器视觉模型，识别道路监控图像的积水区域，分割得到积水区域的边界范围；在积水边界范围以外的道路区域，结合道路区域的边界位置，在模型中构造道路线；根据道路线的延伸方向、积水区域的边界信息，确定路面区域；根据虚拟尺刻度像素高度，在积水监测点构建虚拟标尺，根据虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

Description

一种内涝积水深度计算方法、***及可读存储介质

技术领域

本申请涉及积水深度监测技术领域，具体而言，涉及一种内涝积水深度计算方法、***及可读存储介质。

背景技术

目前，测量积水深度的方法主要包括：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以及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以下缺陷：(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，但其容易受到数据的限制。因此，这些缺点对计算结果的准确性和精确性有很大影响。

由于近年来人工智能取得了迅速发展，现在可以运用深度学习的方法来协助从道路监控等现有数据源中获取积水区域信息乃至是深度信息。例如，(1)西安理工大学申请的发明专利《一种基于深度学习技术的城市内涝积水面积监测方法》，提出了在训练积水区域实例分割模型的条件下，输入经过透视变换的监控图像获取积水区域识别结果并通过一定量的线性运算得到积水区域总面积这一数量信息的道路积水面积计算思路，为计算各类道路积水数量属性带来了启示，但不足之处在于该方法中积水区域的实际尺寸需要现场测量，这一项工作难以保证实时、迅速地开展实施。(2) 河海大学申请的发明专利《一种基于深度学习的城市积水深度监测方法》提出了使用深度学习模型检测出视频中的汽车轮胎，将轮胎作为测量积水深度的标尺，然后利用公式计算交通监控视频数据中的积水深度的方法，指出了利用标尺指示实际深度而免去实际人工测量的思路。该方法计算道路积水深度具有经济、高效快速的优点，但同时也受制于轮胎在监控视频中的动态特征，存在识别结果有波动、准确性有待提高等问题。

由此，考虑到现有的一些基于深度学习的城市道路积水深度监测方法，需要借助监控图像等数据源中的轮胎等动态信息，导致积水深度的计算效果很大程度上和轮胎的位置相关联，处理起来有一定局限性，存在计算精准度不高的问题。

发明内容

本申请实施例的目的在基于提供一种内涝积水深度计算方法、***及可读存储介质，可以提高计算精准度。

本申请实施例还提供了一种内涝积水深度计算方法，包括以下步骤：

S1、预先在城市特定位置，沿路标定多个实体标尺；

S2、获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息；

S3、结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺；

S4、结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；

S5、应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围；

S6、在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线；

S7、根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域；

S8、根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

第二方面，本申请实施例还提供了一种内涝积水深度计算***，所述***包括实体标定模块、标尺定位模块、模型创建模块、虚拟标定模块、积水区域识别模块、道路线构造模块、路面区域识别模块、积水深度计算模块，其中：

所述实体标定模块，用于预先在城市特定位置，沿路标定多个实体标尺；

所述标尺定位模块，用于获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息；

所述模型创建模块，用于结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺；

所述虚拟标定模块，用于结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；

所述积水区域识别模块，用于应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围；

所述道路线构造模块，用于在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线；

所述路面区域识别模块，用于根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域；

所述积水深度计算模块，用于根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括内涝积水深度计算方法程序，所述内涝积水深度计算方法程序被处理器执行时，实现如上述任一项所述的一种内涝积水深度计算方法的步骤。

由上可知，本申请实施例提供的一种内涝积水深度计算方法、***及可读存储介质，可以实时确定积水区域与虚拟标尺的交点，并基于该交点的位置，计算出该位置处的积水深度，为后续监测积水深度的风险等级，并做出风险预警，提供了第一手数据；利用了监控场景固定的特性，结合没有积水时，同一场景的道路信息来实现虚拟标尺的构建，并可以将其运用于不同降雨情况下的积水深度监测，能够有效扩大监测范围，提高监测效率和准确性；使用较为容易设立的实体标尺对监控图像中的实际高度进行确定，有效避免了使用其他动态的物件作为标尺而引起监测波动较大、精确度不够的问题，提高了计算精准度。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种内涝积水深度计算方法的流程图；

图2为道路一点透视投影模型示意图；

图3为道路两点透视投影模型示意图；

图4为在图像上确定道路面和积水面的交点的高度差的示意图；

图5为依据分割得到的车道线确定道路延伸方向的示意图；

图6为本申请实施例提供的一种内涝积水深度计算***的结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1是本申请一些实施例中的一种内涝积水深度计算方法的流程图。该方法包括以下步骤：

步骤S1，预先在城市特定位置，沿路标定多个实体标尺。

步骤S2，获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息。

步骤S3，结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺。

步骤S4，结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度。

步骤S5，应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围。

步骤S6，在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线。

步骤S7，根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域。

步骤S8，根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

由上可知，本申请公开的一种内涝积水深度计算方法，可以实时确定积水区域与虚拟标尺的交点，并基于该交点的位置，计算出该位置处的积水深度，为后续监测积水深度的风险等级，并做出风险预警，提供了第一手数据；利用了监控场景固定的特性，结合没有积水时，同一场景的道路信息来实现虚拟标尺的构建，并可以将其运用于不同降雨情况下的积水深度监测，能够有效扩大监测范围，提高监测效率和准确性；使用较为容易设立的实体标尺对监控图像中的实际高度进行确定，有效避免了使用其他动态的物件作为标尺而引起监测波动较大、精确度不够的问题，提高了计算精准度。

在其中一个实施例中，步骤S2中，所述确定各所述实体标尺在所述道路监控图像中所处的位置信息，包括：

步骤S21，确定对应城市特定位置、且预先沿路标定好多个实体标尺的目标道路监控视频。

步骤S22，按照预设的图像切分规则，从所述目标道路监控视频中切分出多个道路监控图像。

具体的，当前实施步骤中，将按照逐帧切分的图像切分规则，从目标道路监控视频中切分出所需的道路监控图像。当然，不同实施例中也不仅限于上述一种图像切分方式，其可以根据实际情况，进行动态调整。

步骤S23，调用预先训练好的目标检测模型，从所述多个道路监控图像中进行实体标尺的识别，并基于识别过程中标定的识别框的上下边缘像素坐标，确定各实体标尺在所述道路监控图像中所处的像素坐标以及像素高度。

具体的，上述的目标检测模型的训练步骤包括：

(1)获取待进行标尺识别的目标监控图像，并对该目标监控图像中设立的标尺进行标注，得到相应的标注数据。

需要说明的是，在实际应用的时候，标注数据可以添加到预设的txt文件，以便于后续的数据调用。

(2)构建初始检测模型，并将目标监控图像作为训练数据，输入到初始检测模型中进行模型训练。训练过程中，基于对应关联到的标注数据、与经由模型输出的识别数据之间的偏差值，判断是否达到训练结束条件。

需要说明的是，在实际应用的时候，当前所创建的训练数据、预先设置的标签以及验证数据，可以分别添加预设的images文件夹与labels文件夹中。其中，两个文件夹均分为训练集train与验证集val，图片与标签之间保持一一对应的关系。

(3)训练结束之后，即可得到用于稳定从监控图像中识别出人为设立的标尺的目标检测模型。

上述实施例，在模型训练之前，通过发现数据集的特点、或者提前查看数据处理和数据增强操作的结果，并根据数据分析结果不断调整各种配置进行训练。同时结合数据载入调试功能后，可以更深入地分析数据操作对数据集的影响，进一步提供算法模型分析精准度，提高执行效果。

在其中一个实施例中，步骤S21中，所述确定对应城市特定位置、且预先沿路标定好多个实体标尺的目标道路监控视频，包括：

步骤S211，获取对应城市特定位置的初始道路监控视频，并从所述初始道路监控视频中进行道路平直区段的识别。

步骤S212，在识别出相应的道路平直区段时，沿着所述道路平直区段的边界标定多个具备明确高度信息的实体标尺，使得所述实体标尺出现在道路的监控视频范围内，并以此确定所需的目标道路监控视频。

具体的，在识别出监控范围内的道路平直区段之后，即可沿道路边界设立多个具备明确高度信息的实体标尺(如交通桶、路杆等)，使实体标尺出现在道路监控视频范围当中。需要说明的是，前述的实体标尺可以理解为“高度已知的指示物件”，其需要在实际场景中沿路设置。

上述实施例，使用较为容易设立的实体标尺对监控图像的实际高度进行了确定，有效避免了使用其他动态的物件作为标尺而引起监测波动较大、精确度不够的问题。

在其中一个实施例中，在创建的透视投影模型中存在多个灭点，所述灭点根据各所述实体标尺所代表的平行线线条，向远处地平线伸展聚合所得的聚合点确定。

请参考图2-图3，根据道路延伸方向，可以选择性的进行一点透视投影模型、或两点透视投影模型的构建。例如，在通过计算机设备构建透视投影模型时，在确定道路延伸方向与计算机设备的屏幕大体一致时，可以进行一点透视投影模型的构建(如图2所示)。反之，则可以进行二点透视投影模型的构建(如图3所示)。

需要说明的是，现实中平行的线能在灭点上推进而聚合的原则同样是以肉眼观察到的现象为依据的，如铁路的两条路轨看上去确实像在地平线上汇合到了一起。画面中可有一个或二个灭点，这取决于构图的座标位置和方向；所有的灭点可能都落在地平线上，或在画平面外的延伸线上。

上述实施例，相对于使用动态实体标尺进行积水深度的计算，应用透视模型的稳定性更高，不致因监控中物体移动产生较大波动，而带来额外的误差。

在其中一个实施例中，步骤S4中，所述结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度，包括：

步骤S41，根据各所述实体标尺所处的位置信息，通过下述公式，计算得到各灭点的像素坐标：

(y₂-y₀)(x₁-x₀)＝(y₁-y₀)(x₂-x₀)； (1)

其中，(x₁，y₁)、(x₂，y₂)为预设的两个实体标尺分别对应的像素坐标， (x₀，y₀)为相应灭点的像素坐标。

具体的，假定沿道路方向有一个灭点，已知沿道路轴向的灭点像素在图像上的坐标为(x₀，y₀)，而图像中(x₁，y₁)处有一像素高为h₁的实体标尺。则在将该标尺沿轴移到图像中另一位置(x₂，y₂)时，可以依据两个标尺之间的位置，通过上述的公式(1)计算得到灭点的像素坐标(x₀，y₀)。

步骤S42，在标定点(x₁，y₁)所在的路面中，进行虚拟标尺的构建。

步骤S43，根据灭点的纵向像素坐标y₀、标定点的纵向像素坐标y₁、以及虚拟标尺上一个刻度对应的显示像素高度h_v1，通过下述公式，计算路面中任意一点的虚拟尺刻度像素高度h_v：

h_v＝h_v1(y-y₀)/(y₁-y₀)； (2)

h_v1＝(h_1*h_r0)/h_c； (3)

其中，y为路面中任意一点的纵向像素坐标；h₁为实体标尺在标定点的像素高度，h_r0为虚拟尺刻度指示的实际单位高度，h_c为所述实体标尺的实际高度。

在其中一个实施例中，步骤S7中，所述根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域：

步骤S71，从所述道路监控图像中识别出积水区域，并从所述积水区域中筛选出需要监测积水深度的积水监测点。

具体的，请参考图4，积水区域即为图中示意的灰色区域，积水监测点即为图中示意的点P_s(x_s，y_s)，灭点即为图中示意的点P₀(x₀，y₀)，P_s相对于道路延伸轨迹的垂直距离△h，即为所需求得的积水深度。

步骤S72，识别所述积水监测点与灭点之间的连线，并确定所述连线与积水区域边界相交所得的相交点。

具体的，积水监测点P_s与灭点P₀之间的连线可以进一步从图4中确定，当前在确定出每条车道的边界位置(即道路边界)之后，将以道路边界的延伸方向为基础，构造相应的道路线(具体可以参考图5)。

步骤S73，根据道路线的延伸方向，沿着所述相交点，在所述积水区域的下方作出道路延伸轨迹。

步骤S74，将所述道路延伸轨迹上位于所述积水监测点正下方的点作为路面点，并基于所述路面点对应涵盖的区域，确定所述积水区域对应的路面区域。

具体的，路面点的确定方法就是相交点-B点作出道路延伸方向轨迹，其中，该轨迹上位于B点正下方的一点即为所求的路面点-C点。

在其中一个实施例中，步骤S8中，所述根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，包括：

步骤S81，获取所属积水监测点的目标虚拟尺刻度像素高度，并在所述积水监测点与对应的路面点之间，建立具备所述目标虚拟尺刻度像素高度的虚拟标尺。

步骤S8中，所述根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度，包括：

步骤S82，基于所述积水监测点的纵向像素坐标，与对应路面点的纵向像素坐标之间的差值，得到相应的初始积水深度。

具体的，在已知积水监测点的纵向像素坐标为y_s，对应路面点的纵向像素坐标为y_f，则初始积水深度即为：y_s-y_f。

步骤S83，根据所述目标虚拟尺刻度像素高度，对所述初始积水深度进行实际高度的转换，得到相应的目标积水深度。

具体的，将y_s-y_f作为公式(3)中的h_r0，在将其代入到公式(2)之后，即可将公式(2)转换为下述的公式(4)。后续，根据公式(4)在已知相关参数的情况下，即可计算到的所需的目标积水深度Δh：

请参考图6，本申请公开的一种内涝积水深度计算***600，该***600 包括实体标定模块601、标尺定位模块602、模型创建模块603、虚拟标定模块604、积水区域识别模块605、道路线构造模块606、路面区域识别模块607、积水深度计算模块608，其中：

所述实体标定模块601，用于预先在城市特定位置，沿路标定多个实体标尺；

所述标尺定位模块602，用于获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息；

所述模型创建模块603，用于结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺；

所述虚拟标定模块604，用于结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；

所述积水区域识别模块605，用于应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围；

所述道路线构造模块606，用于在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线；

所述路面区域识别模块607，用于根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域；

所述积水深度计算模块608，用于根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

在其中一个实施例中，该***中的各模块还用于执行上述实施例的任一可选的实现方式中的方法。

由上可知，本申请公开的一种内涝积水深度计算***，可以实时确定积水区域与虚拟标尺的交点，并基于该交点的位置，计算出该位置处的积水深度，为后续监测积水深度的风险等级，并做出风险预警，提供了第一手数据；利用了监控场景固定的特性，结合没有积水时，同一场景的道路信息来实现虚拟标尺的构建，并可以将其运用于不同降雨情况下的积水深度监测，能够有效扩大监测范围，提高监测效率和准确性；使用较为容易设立的实体标尺对监控图像中的实际高度进行确定，有效避免了使用其他动态的物件作为标尺而引起监测波动较大、精确度不够的问题，提高了计算精准度。

本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random AccessMemory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

上述可读存储介质，可以实时确定积水区域与虚拟标尺的交点，并基于该交点的位置，计算出该位置处的积水深度，为后续监测积水深度的风险等级，并做出风险预警，提供了第一手数据；利用了监控场景固定的特性，结合没有积水时，同一场景的道路信息来实现虚拟标尺的构建，并可以将其运用于不同降雨情况下的积水深度监测，能够有效扩大监测范围，提高监测效率和准确性；使用较为容易设立的实体标尺对监控图像中的实际高度进行确定，有效避免了使用其他动态的物件作为标尺而引起监测波动较大、精确度不够的问题，提高了计算精准度。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种内涝积水深度计算方法，其特征在于，包括以下步骤：

S1、预先在城市特定位置，沿路标定多个实体标尺；

S2、获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息；

S3、结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺；

S4、结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；

S5、应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围；

S6、在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线；

S7、根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域；

S8、根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，所述确定各所述实体标尺在所述道路监控图像中所处的位置信息，包括：

S21、确定对应城市特定位置、且预先沿路标定好多个实体标尺的目标道路监控视频；

S22、按照预设的图像切分规则，从所述目标道路监控视频中切分出多个道路监控图像；

S23、调用预先训练好的目标检测模型，从所述多个道路监控图像中进行实体标尺的识别，并基于识别过程中标定的识别框的上下边缘像素坐标，确定各实体标尺在所述道路监控图像中所处的像素坐标以及像素高度。

3.根据权利要求2所述的方法，其特征在于，步骤S21中，所述确定对应城市特定位置、且预先沿路标定好多个实体标尺的目标道路监控视频，包括：

S211、获取对应城市特定位置的初始道路监控视频，并从所述初始道路监控视频中进行道路平直区段的识别；

S212、在识别出相应的道路平直区段时，沿着所述道路平直区段的边界标定多个具备明确高度信息的实体标尺，使得所述实体标尺出现在道路的监控视频范围内，并以此确定所需的目标道路监控视频。

4.根据权利要求1所述的方法，其特征在于，在创建的透视投影模型中存在多个灭点，所述灭点根据各所述实体标尺所代表的平行线线条，向远处地平线伸展聚合所得的聚合点确定。

5.根据权利要求4所述的方法，其特征在于，步骤S4中，所述结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度，包括：

S41、根据各所述实体标尺所处的位置信息，通过下述公式，计算得到各灭点的像素坐标：

(y₂-y₀)(x₁-x₀)＝(y₁-y₀)(x₂-x₀)；(1)

其中，(x₁，y₁)、(x₂，y₂)为预设的两个实体标尺分别对应的像素坐标，(x₀，y₀)为相应灭点的像素坐标；

S42、在标定点(x₁，y₁)所在的路面中，进行虚拟标尺的构建；

S43、根据灭点的纵向像素坐标y₀、标定点的纵向像素坐标y₁、以及虚拟标尺上一个刻度对应的显示像素高度h_v1，通过下述公式，计算路面中任意一点的虚拟尺刻度像素高度h_v：

h_v＝h_v1(y-y₀)/(y₁-y₀)；(2)

h_v1＝(h_1*h_r0)/h_c；(3)

其中，y为路面中任意一点的纵向像素坐标；h₁为实体标尺在标定点的像素高度，h_r0为虚拟尺刻度指示的实际单位高度，h_c为所述实体标尺的实际高度。

6.根据权利要求4所述的方法，其特征在于，步骤S7中，所述根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域，包括：

S71、从所述道路监控图像中识别出积水区域，并从所述积水区域中筛选出需要监测积水深度的积水监测点；

S72、识别所述积水监测点与灭点之间的连线，并确定所述连线与积水区域边界相交所得的相交点；

S73、根据道路线的延伸方向，沿着所述相交点，在所述积水区域的下方作出相应的道路延伸轨迹；

S74、将所述道路延伸轨迹上位于所述积水监测点正下方的点作为路面点，并基于所述路面点对应涵盖的区域，确定所述积水区域对应的路面区域。

7.根据权利要求1所述的方法，其特征在于，步骤S8中，所述根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，包括：

S81、获取所属积水监测点的目标虚拟尺刻度像素高度，并在所述积水监测点与对应的路面点之间，建立具备所述目标虚拟尺刻度像素高度的虚拟标尺；

步骤S8中，所述根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度，包括：

S82、基于所述积水监测点的纵向像素坐标，与对应路面点的纵向像素坐标之间的差值，得到相应的初始积水深度；

S83、根据所述目标虚拟尺刻度像素高度，对所述初始积水深度进行实际高度的转换，得到相应的目标积水深度。

8.一种内涝积水深度计算***，其特征在于，所述***包括实体标定模块、标尺定位模块、模型创建模块、虚拟标定模块、积水区域识别模块、道路线构造模块、路面区域识别模块、积水深度计算模块，其中：

所述实体标定模块，用于预先在城市特定位置，沿路标定多个实体标尺；

所述标尺定位模块，用于获取实体标尺的道路监控图像，并确定各所述实体标尺在所述道路监控图像中所处的位置信息；

所述模型创建模块，用于结合各所述实体标尺的位置信息，创建相应的透视投影模型，构建虚拟标尺；

所述虚拟标定模块，用于结合所述虚拟标尺，确定路面中任意一点的虚拟尺刻度像素高度；

所述积水区域识别模块，用于应用机器视觉模型，识别道路监控图像中的积水区域，分割得到积水区域边界范围；

所述道路线构造模块，用于在积水边界范围以外的道路区域，结合所述道路区域的边界位置，在模型中构造相应的道路线；

所述路面区域识别模块，用于根据道路线的延伸方向、以及积水区域的边界信息，确定所述积水区域对应的路面区域；

所述积水深度计算模块，用于根据所述虚拟尺刻度像素高度，在积水监测点处构建相应的虚拟标尺，根据所述虚拟标尺与道路表面和积水表面的交点之间的高度差，确定目标积水深度。

9.一种可读存储介质，其特征在于，所述可读存储介质中包括内涝积水深度计算方法程序，所述内涝积水深度计算方法程序被处理器执行时，实现如权利要求1至7中任一项所述的方法的步骤。

Images