对河流、水库、湖泊等流域的水位监测是预防洪涝灾害和干旱发生的一个关键环节。随着视频监控技术和网络信息化技术的发展,利用视频监控系统监测水位日益普及。水利部门通常在河流域设置水位监测点,安装水尺和摄像头,利用视频监控人工观测获取水位信息。该方式任务繁重且难以做到实时性,因此,研究基于视频图像的实时、自动、准确的水位监测方法和技术具有紧迫性。本文设计了一个基于Faster R-CNN与Grab Cut融合的自动水位检测算法,首先通过Faster R-CNN网络对水面以上水尺部分进行检测,然后利用Grab Cut算法对该部分进行精确分割,最后利用像素坐标与世界坐标映射关系计算水位值。为了提高Faster R-CNN网络的检测精度和Grab Cut算法的分割效率,本文主要做了以下工作:(1)Faster R-CNN网络的部分参数及结构主要是针对数据集VOC2007设计,为了提高Faster R-CNN网络对水尺目标的敏感度,在特征提取网络引入特征融合操作,通过上采样或下采样操作后将不同感受野特征图融合,输出特征信息丰富、鲁棒性更强的多尺度特征图;候选区域生成网络(RPN)通过K-means聚类算法初始化Anchor框比例,使其更加符合水尺目标特征,降低边框回归的难度,提高水尺检测精度。为了提高Faster R-CNN网络目标检测速度,借鉴Squeeze Net轻量化模型思想,将VGG16网络模型中的部分3×3卷积层,替换为Squeeze Net网络中Fire模块。(2)针对Grab Cut算法中高斯混合模型(GMM)迭代建模求解t＿links权值耗时问题,引入概率神经网络(PNN)替换GMM模型。PNN网络无参数训练,无需迭代求解模型,能较大程度提升Grab Cut算法分割效率。PNN网络的隐层中心矢量由训练样本决定,本文在训练样本选取时,通过构建前景、背景灰度直方图,选择其中像素值出现频率较高像素作为训练样本,提高PNN网络预测能力。(3)将改进后Faster R-CNN和Grab Cut算法相融合,并应用于水尺检测。该算法可以对水库、隧道、河流等多种场景的水尺图像(或视频)进行自动处理,普适性高。设计实现了基于Faster R-CNN与Grab Cut融合的水位检测系统,经测试,系统性能稳定,已经在合作单位的实际项目中进行应用试点。