利用准静态稳定技术评估水面速度分布以进行社会感知 岸和淳（Jin Kashiwada）与二平康夫（Yasuo Nihei）

《Water》：Evaluation of Water Surface Velocity Distribution Using a Quasi-Static Stabilization Technique for Social Sensing Jin Kashiwada and Yasuo Nihei

　　摘要：鉴于洪水灾害经常发生在缺乏足够监测设备的地区，仅依靠传统的观测网络可能无法准确捕捉洪水事件的实际发展过程。然而，来自智能手机、车载摄像头、监控摄像头以及用于救援、侦察或报道的直升机或无人机的视频内容越来越多地被收集起来，并作为补充的感知方式受到关注。准固定视角对于定量水力测量至关重要，因为这些视频在给定片段的过程中视角会发生变化。为此，我们开发了一种称为QS4的准静态稳定技术。实验室实验的结果表明，QS4能够再现与固定摄像机记录的具有平移特性的视频相当的速度分布。在2024年津田河洪水事件中，尽管存在高浊度、漂浮物和部分遮挡情况，QS4仍能够生成稳定的速度场。在桥梁被堵塞后，水流改道流经建筑物，速度达到约5米/秒，导致建筑物损坏，而这种情况无法通过固定观测设备检测到。QS4为将偶然拍摄的视频转化为定量水力观测提供了一种实用的方法。

1. 引言
近年来，随着气候变化的加剧，全球范围内强降雨灾害的频率和强度都有所增加[1,2,3,4]。值得注意的大规模洪水灾害包括2022年的巴基斯坦洪水和2023年的丹尼尔风暴洪水。2022年巴基斯坦的洪水是由于两条大气河流经过该地区时输送的水分引起的，导致约3200万人撤离，并造成大量人员死亡（约1500人）[5]。2023年的丹尼尔风暴影响范围扩展到了多个国家，包括希腊、土耳其、保加利亚和利比亚，预计将有约5923人因水坝溃坝而丧生[6]。许多此类极端降雨事件在温暖的海面条件下被放大，其强度和频率预计会随着气候变化而增加[7,8]。因此，河水位的上升和流量的增加以及对洪水淹没区域的扩大引起了越来越多的关注[9,10,11]。在极端洪水条件下，明确河流和淹没区域中的流动现象对于设计和实施结构性和非结构性防洪措施至关重要[12,13]。这包括研究水位、水深、流速和流量的时空变化。除了河道内的流动外，淹没区域中的基本流动过程也非常重要[14,15]。在水位观测方面，经济实惠的物联网（IoT）传感器、基于计算机视觉和雷达的非接触式传感器以及基于卫星的空中测量技术正在不断发展[16,17,18]。对于流量测量，使用了多种仪器：传统的点流速计（如螺旋桨式和电磁式流速计[19,20]、声学多普勒流速剖面仪（aDcp）系统[21,22]以及可以测量垂直和横向剖面的水平（H）-aDcp系统[23,24,25]。其他选项还包括能够进行稳定自动连续观测的微波流速计[26,27]以及从河流表面图像计算流速分布的图像处理方法[28,29,30]。这些方法中的许多已经在实际应用中得到验证。然而，它们的成熟度、准确性和适用性各不相同。特别是传统的现场测量方法，如螺旋桨式流速计和基于aDcp的系统，在适当的部署条件下可以提供可靠的观测结果。相比之下，基于图像的方法，尤其是那些使用未经标记的自然河流表面视频的方法，可能对水力和成像条件更为敏感，因此在某些情况下可靠性较低。同时，即使是一些成熟的传统系统也往往成本较高，并且需要大量的准备和计划才能在现场部署，这使得在所有河流和淹没区域维持密集的观测变得困难。这表明开发补充的观测方法以及持续改进传统监测系统的重要性。

在这些流速测量方法中，基于图像的方法因其相对较低的成本和在实际洪水观测中的优势（包括提高操作员的安全性和降低高流量和漂浮物对传感器造成的直接损害风险）而受到关注[31]。在河流流动应用中，通常将摄像机固定在堤坝顶部或河岸上以记录斜视图[29]。获取的图像在应用流速测量算法之前会进行几何校正并映射到平面坐标系统中。常用的算法包括用于平面速度场的大规模粒子图像测速（LSPIV）[28,30,32]、用于截面一维速度剖面的时空图像测速（STIV）[29,33]，以及扩展STIV以生成平面二维速度的时空体积测速（STVV）[34]。此外，还有使用无人机（UAV）拍摄的图像进行流速测量的研究[35,36,37,38]。由于无人机图像的视角无法完美固定，因此图像稳定是必不可少的。稳定技术也应用于受到风影响的固定摄像机[39]。所提出的稳定过程通过手动或自动跟踪图像中的静态参考点或特征来稳定视频[35,40,41]。当无人机图像不是正射图像时，通常会使用地面控制点（GCP）进行正射校正，然后调整图像对比度及相关参数[30]。因此，已经实现了多种用于测量河流环境中流速的仪器，尤其是基于图像的方法在软件和硬件应用方面都在迅速发展。相比之下，在淹没区域安装这些流速计是不现实的；专门针对洪水流动的测量案例几乎不存在。同时，有许多情况下，洪水流动和灾害情况是由各种摄像机设备为非水文观测目的记录下来的；例如，居民用智能手机拍摄洪水场景，或车载摄像头在车辆穿过淹没区域时记录情况。随着摄像机的广泛使用，静态图像和视频被常规捕获并上传到社交媒体[42,43,44]。与这些发展并行的是，公民科学也成为公众参与环境和灾害相关数据收集与解释的重要框架，公民感知活动在灾害管理和移动众包方面的讨论也越来越频繁[45,46,47]。还提出了集成框架，将公民提供的信息、权威观测结果和水动力建模结合起来；例如，RiverCure Portal提供了一个用于洪水风险管理的Web GIS平台，其后续扩展明确包含了收集现场数据和促进公众参与的公民科学功能[48,49]。对于事件规模的洪水制图，已经提出了将社交媒体上发布的带有地理标签的图像映射以估计淹没范围的方法[43,50]，而其他研究则将社交媒体上的淹没照片与SAR图像和数字高程模型结合起来以提高淹没制图的准确性[51,52]。通过结合微博的文本分析和TikTok的图像分析，可以根据物体尺寸与观察到的淹没程度来估计淹没深度[53]。深度学习也被应用于众包的洪水照片，用于洪水检测和严重程度评估；例如，Pereira等人展示了卷积神经网络可以从社交媒体照片中分类洪水证据和严重程度，并补充其他信息来源（如卫星图像）[54]。虽然大多数先前的研究都针对淹没范围并使用了高度简化的深度估计方法，但Chaudhary等人提出了一种基于深度学习的方法，可以从图像中物体的淹没状态推断出水深，并将其应用于社交媒体图像[55]。LSPIV也被应用于YouTube上的河流流动视频，以估计流速和流量[56]。

在本研究中，我们将“社会感知”一词用于更广泛的实际意义。更具体地说，虽然社会感知与公民感知活动有重叠，并可能包括面向公民科学的贡献，但它并不局限于公民。它更广泛地指的是由不同参与者（包括居民、河流管理者、媒体组织、应急响应人员和其他可能在灾害期间捕获有用信息的利益相关者）生成和共享的社会嵌入式观测数据。尽管使用公民捕获的图像和视频进行洪水调查的情况正在增加，但目前还没有用于重建洪水流速分布的应用。这主要是因为与调查摄像机（除非是安全摄像机）不同，记录摄像机不是固定的，它们的视角会发生变化。实际上，许多视频覆盖了周围环境，或者是在摄像师移动过程中拍摄的。为了处理这些视频，如上所述，必须应用静态稳定技术来固定图像视角，然后再进行几何校正和流速分析。然而，针对大视角变化的强大静态稳定技术尚未建立；因此，这些视频的流速分析尚未进行。此外，图像可能不包含足够的地面控制点（GCP）用于速度检索；如果GCP位于视野之外，应用图像流速测量就会变得困难或不准确。因此，本研究旨在开发一种图像处理技术，即使对于由非水文观测者（例如居民）记录的具有大视角变化的视频，也能生成稳定且准确的表面速度分布。该技术包括静态稳定、正射校正和流动分析。对于静态稳定，我们开发了一种用于社会感知的准静态稳定技术（QS4），该技术推广了之前的自动稳定技术[34,35]，以处理任意方向上的动态视角变化（平移、倾斜和旋转）。稳定后的结果使用正射校正技术投影到水平平面上，并根据光流估计洪水流的表面速度[57]。为了验证基本性能，我们在开放河道流动条件下进行了实验室实验，以量化每个步骤的误差并评估整体效果。接下来，我们分析了2024年野边半岛暴雨期间居民拍摄的视频，然后评估了速度分布。这些视频中的许多是在平移、倾斜和旋转的同时拍摄周围环境的，这与所提出方法的适用条件非常吻合。研究问题如下：
- 如何固定包含大视角变化的视频的视角，以便能够像使用固定摄像机一样估计流速？
- 使用居民拍摄的视频记录来估计流速的方法能否作为现有固定观测方法的补充？

本研究的新颖之处在于，它能够从非水文观测目的的视频中估计平面速度场，这些视频包含明显的视角运动（平移、倾斜和旋转），并通过强大的视角稳定技术实现这一点。此外，我们的方法不仅在于整个QS4软件包能够稳定地估计具有大视角变化的视频的速度，还在于针对速度估计对QS4进行了优化。

2. 材料与方法
2.1. 目标图像和当前图像处理方法的框架
我们研究了由居民和其他人拍摄的具有大视角变化的视频，并进行了基于图像的速度分析。我们假设这些视频是用普通摄像机（如没有三脚架或硬件稳定器的智能手机）录制的，拍摄者在平移、倾斜和旋转以全面捕捉周围环境时，拍摄对象区域会发生显著变化。摄像机位置和观看方向都会发生变化。由于视野内的水位通常没有被观测到，我们在没有水位数据的情况下进行了分析。与之前研究处理相对较小振动（例如，固定摄像机因风引起的振动或无人机因悬停引起的振荡）[34,35,36]的情况相比，这里假设的视角变化要大得多。

工作流程的概述如图1所示，分为三个部分：静态稳定（图1a）、正射校正（图1b）和流动分析（图1c）。在检查视频后，我们定义了一个或多个流速测量目标区域，并选择了一个或多个最佳捕捉每个区域的参考帧（RF）（图1a）。通过在其外边缘添加边界来扩展每个RF，然后对所有原始帧（OF）应用基于特征匹配的静态稳定，以生成视角几乎固定的准静态图像（QSIs）。由于特征匹配仅在具有重叠覆盖范围和足够图像质量的帧之间可靠，因此包含严重运动模糊帧的视频不适合稳定对齐；因此，我们只采用那些表现出适当稳定的重叠区域作为QSIs。通过扩展RF的大小，可以将出现在OF中但不在RF中的GCP包含在QSIs中。接下来，为了对QSIs进行正射校正，我们为每个QSI中位于水面的多个GCP提供了配对的像素坐标和真实世界坐标，并估计了一个变换矩阵，将图像投影到一个平面上，使得GCPs重合，从而得到正射图像（ortho-QSIs）（图1b）。最后，将光流应用于每个RF获得的正射QSIs，以计算表面速度的平面分布（图1c）。结果被拼接起来，生成了一个大范围的平面速度场。图1. 提出的用于洪水速度分布社会感知的图像处理流程示意图：(a) 用于社会感知的准静态稳定（QS4），从原始图像中获取准静态图像（QSI）；(b) 使用地面控制点（GCPs）对QSIs进行正射校正（ortho-QSIs）；(c) 基于光流的流动分析。红色、绿色和蓝色的矩形代表几个参考框架及其水平投影范围。它们内部的阴影区域是测速目标区域。最终，获得了测速目标区域内的流速矢量平面分布（图中的黑色矢量）。

2.2. 提出的图像处理方法流程
2.2.1. 用于社会感知的准静态稳定
与简单的握手校正不同，我们处理的是视角和相机位置变化较大的视频。帧之间的重叠只是部分的，因此无法在整个视频中均匀应用准静态稳定。如图1a所示，我们将测速目标区域划分为多个子区域，并为每个子区域指定最能捕捉到它的帧作为RF。以每个RF为参考，对所有有足够重叠且稳定成功的OF应用QS4；而在重叠不足的情况下，投影失败。从这些中，只提取出目标区域清晰可见的有效QSIs。为了防止RF之间的间隙，需要允许RF相互重叠。QS4通过扩展基于特征匹配的稳定方法来处理垂直视场的UAV视频[34,35]，以容忍较大的视角变化，从而增加计算成本并提高鲁棒性。该过程的流程图如图2所示。首先，将视频分解为静止帧，并选择RF作为稳定参考（步骤0）。收集与每个RF重叠的OFs。使用AKAZE（加速KAZE）算法[59]在每个RF和重叠的OFs之间进行特征匹配（步骤1）。在方法开发的初步阶段，我们测试了几种特征匹配算法，包括AKAZE、SIFT（尺度不变特征变换）[60]和SURF（加速鲁棒特征）[61]。在我们的案例中，AKAZE和SIFT的匹配性能没有显著差异，但AKAZE提供了计算优势[62,63]。因此，本研究采用了AKAZE。使用k最近邻方法[60]进行暴力匹配来关联特征。

2.2.2. 正射校正
使用QS4获得的每个ERF（或相应的QSI）都被正射校正并投影到一个水平平面上。我们将图像中看起来静止的GCP设置在自由表面的高度上。RF内的GCP和其他QSIs中的GCP被合并并反映在ERF中（图1b）。提取了GCP的配对像素坐标和平面真实世界坐标，并使用以下方程通过普通最小二乘法（不处理异常值）估计了一个单应性变换矩阵[64]（公式2）。这里，x, y是RF中特征的像素坐标，Xorg和Yorg是OF中的像素坐标，a–h表示单应性系数，s表示缩放因子。解出变换矩阵和缩放因子需要通过重新排列方程（1）获得的四个方程；因此，至少需要四个匹配的特征点。由于特征点的组合可能包含异常值，我们使用随机样本一致性（RANSAC）算法[65]来稳健地去除它们并估计投影变换矩阵。最后，通过对每个OF进行特征匹配（步骤3），我们确定其变换矩阵和缩放因子，并通过单应性变换获得与RF对齐良好的QSI。在后续的正射校正和速度估计步骤中，GCP是必不可少的，因为它们提供了图像坐标和真实世界坐标之间的对应关系。如果没有足够的GCP，图像序列只能提供以图像单位（如[像素/帧]或[像素/秒]）表示的运动信息，无法转换为具有物理意义的[米/秒]速度。此外，虽然原则上可以从四个GCP估计出单应性矩阵，但可靠的正射校正不仅需要足够的GCP数量，还需要适当的空间分布，最好是点分布在图像的外部而不是集中或几乎共线。为了缓解社会感知视频中可用GCP的频繁短缺，我们引入了一个扩展参考框架（ERF），其中QSI输出帧扩展到了原始RF之外，以便在需要时可以纳入原始帧周围区域中可见的额外GCP。因此，ERF并不是在所有情况下都应用的固定自动步骤，而是一种在实际情况下补充RF单独无法包含足够数量和空间分布的GCP以进行可靠正射校正的方法。在当前案例中，帧在所有方向上扩展了大约10%，因为有用的额外GCP位于RF边界附近。因此，这个10%的值是一个经验性的、取决于具体情况的设置，而不是一个通用参数。如果有用的GCP位于RF更远的地方，可能需要更大的扩展；然而，进一步扩大帧也可能增加边缘图像区域的失真影响。请注意，本研究没有考虑镜头畸变和其他设备依赖的图像处理效果的显式校正。当使用广角镜头时，估计变换可能会有问题，消费级视频也可能包括内部处理，如稳定、去噪、压缩或滚动快门相关校正，所有这些都可能影响基于帧的图像分析。如果可以进行相机校准，应应用标准校正方法[66]。然而，居民拍摄的视频中使用的具体相机通常是未知的，这使得实际应用这些校正变得困难。在这里分析的案例中，我们没有观察到严重的图像退化，足以阻止准静态稳定和后续分析，但这些问题仍然是重要的限制和未来工作的主题。

2.2.3. 图像测速
我们采用了光流方法，因为它在OpenCV中易于获得，适用于空间复杂的流场，并且适用于非常短的视频片段。在这里分析的真实洪水案例中，某些单一视角的稳定视频仅持续了几秒钟。在这种情况下，LSPIV对帧间隔Δt的选择非常敏感：较大的Δt会减少可用样本的数量，而较小的Δt可能导致图像位移不足。因此，本研究使用了光流，尽管根据视频和流动条件，其他测速方法可能更合适。光流假设图像亮度I在二维场中被平流，并基于(x, y)平面上的平流方程（公式3）。这里，t表示时间，u和v分别表示x和y方向上的水面速度。因为I(x,y,t)是从视频数据中获得的，所以上述所有偏导数都是已知的；然而，对于两个未知数（u,v）只有一个方程。代表性的解决方案包括Lucas & Kanade [57]和Ferneb?ck [67]的方法，分别称为稀疏光流和密集光流。为了检索河流/淹没域中的速度分布，我们采用了密集的Ferneb?ck方法。在Ferneb?ck的方法中，时间t的帧中的局部亮度变化通过二次多项式来近似，其系数的帧间变化产生像素平移（光流）。局部亮度I(x,y,t)在邻域内的定义如下（公式4）。这里，表示像素位置向量，是一个2 × 2的对称矩阵，是一个2向量，c是一个常数。在时间t + Δt时，相同的邻域同样通过多项式来近似；假设两个帧之间的平行平移（公式5）。在假设局部亮度结构略有变化的情况下。平移d的关系是从连续帧之间的系数差异中得出的，相应的局部速度也得到了估计。为了适应大的位移，Ferneb?ck结合了图像金字塔，逐渐降低分辨率，在低分辨率下估计粗略运动，在高分辨率下进行细化。在本研究中，我们使用了OpenCV的“calcOpticalFlowFarneback”。参数集列在表1中，其中速度估计的窗口大小（winsize）在两个方向上都是15，以便在每个邻域内聚集足够的像素信息，同时抑制噪声并允许检测到细微的流动变化。

表1. Farneback光流中的参数列表。尽管Fujita等人提供的LSPIV在速度映射方面有良好的记录，但由于分析区域在视频中的可见时间很短（有时<1秒），因此在本研究中没有使用它，这使得获取lspiv所需的时间跨度变得相当具有挑战性[28]。同样的限制也适用于STIV和STVV。相比之下，光流基于平流假设估计连续帧之间的平流向量，然后可以对所有帧进行平均以稳定速度估计。根据成像条件，其他方法可能比光流表现得更好；因此，比较和验证方法是未来工作的主题。

2.3. 实验室实验
在实地应用之前，我们将提出的方法应用于实验室中的开放通道流动，以便进行详细检查。使用东京科学大学的一个小型水平水槽（长度4.16米，宽度0.20米；图3a），我们生成了稳定流动并从侧面拍摄以测量表面速度。水力条件（表2a）包括0.0149立方米每秒的流量；由于水槽是水平的，流动是非均匀的。上游和下游都没有使用堰。水深约为0.11米，横截面平均速度为0.65–0.69米每秒。弗劳德数为0.61–0.67（亚临界流动）；流动是逐渐变化的，水面轮廓为O2，由于侧壁效应存在驻波。图3. 实验中使用的开放通道的侧面（左）和平面（右）视图以及相机设置（a），以及在案例1中使用的固定相机（b）和案例2中使用的平移相机（c）以及GCP和测速目标区域的图像。案例2中的RF分别设置为下游、中游和上游视图。在平面图中，黑色虚线和紫色实线分别示意性地表示了案例1和案例2的相机覆盖范围。表2列出了实验条件：(a) 流动情况和相机拍摄条件，(b) 相机运动和图像分析。对于相机拍摄条件（表2a），使用了一部普通的智能手机——苹果公司（位于美国加利福尼亚州库比蒂诺）的iPhone 13，该手机配备了一个广角镜头（焦距26毫米），以全高清分辨率每秒60帧的速度进行录制，这符合社会感知的背景。相机安装在三脚架上，位于流动方向的下游1.66米处，距离侧壁1.4米，距离河床垂直方向0.78米（见图3a），从而提供了无障碍的斜向流动视图。对于录制条件（表2b），案例1作为参考案例，其中相机固定不动；而案例2则是验证案例，相机在17.1秒内进行了大约120度的平移。由于平移是手动完成的，因此角速度并不完全恒定。案例1的录制时间为100秒。

2.4. 实地应用
作为实地案例，我们分析了2024年9月21日日本石川县和岛市Tsukada河因暴雨引发洪水时居民录制的视频。Tsukada河流经的流域面积为7.0平方公里，长度为2.0公里，平均河床坡度大于1/60；这条河流从山区源头流出后迅速汇入海洋（见图4）。研究区域大约位于河口1.4公里处，包括河流（宽度约10米）及其周围的低洼地带（宽度20-60米）。被冲毁的房屋位于靠近河道的低洼地区，内岸有农田；对岸的高地上建有公寓楼。图5a显示了Tsukada河流域平均降雨量的时间序列（通过雷达/雨量计分析得出）。当天上午9点（JST时间），每小时降雨量达到了约80毫米，整个流域的平均降雨量达到了400毫米。据报道，该地区发生了多处山坡崩塌和广泛的洪水[68]。该地区仅有一个位于下游的水位测量点（见图4），因此没有目标区域的水位数据。然而，位于较高地势的公寓楼中的居民记录了许多洪水视频。

图4. 日本石川县和岛市Tsukada河流域的实地地图。从右侧较高地势的公寓楼可以观察到弯曲的河道。左侧是房屋和农田，还有几座桥梁。

图5. 通过雷达/雨量计分析得出的Tsukada河流域平均降雨量的时间变化（a），以及视频1（b）和视频2（c）的全景视图。视频1和视频2分别由居民在2024年9月21日洪水峰值时刻（如图a中的箭头所示）拍摄。相机运动的主要方式是平移，即从上游看向下游。此外，还结合了倾斜和旋转动作来生成全景图像。我们通过实地采访和社交媒体平台获得了多段洪水视频。前者提供了基本的元数据，如拍摄时间，而后者中的一些视频缺少时间戳。为了捕捉时间变化，我们选择了两段智能手机视频进行分析：洪水开始时（2024年9月21日9:33 JST；视频1）和洪水峰值附近（估计时间为9:36–9:56 JST；视频2）。全景图像见图5b和图5c。随着降雨量的增加，9:33时河道开始泛滥，溢出的水流几乎沿直线扩散。在洪水峰值附近，淹没区域扩大，大部分低洼地区被淹没；图5c中标记为Bldg.-2–5的建筑物在9:33时仍屹立不倒，但随后被冲走。

视频1以1920 × 1080的分辨率以横向视角拍摄，时长约为10秒。视频2以720 × 1280的分辨率以纵向视角拍摄，时长为11秒。两段视频都以平移动作为主，说明视频2中也包含了旋转（见图5c）。随着洪水的发展，画面中被水占据的部分迅速增加，建筑物和电线杆的消失减少了固定特征的密度。如果能够在这样的非稳定条件下从大约10秒的视频中估算出平面速度分布，这对于快速监测将非常有帮助。

表3总结了图像分析的设置。速度测量目标区域是由用户在检查每段原始视频时手动定义的，而不是由软件自动选择的。这些区域的目的是将感兴趣的河流/洪水区域划分为部分重叠的区域进行分析。对于每个这样的区域，选择一个目标区域最清晰且接近正面视角的时刻作为参考帧（RF）。在视频1中，相机位于相对下游的位置，并进行了约90度的平移；因此设置了三个RF来覆盖上游、中游和下游的速度测量目标区域（见图6a）。在QS4处理完所有帧后，我们提取了那些稳定性好且水面视野清晰的时段，每个RF设置了8-95个QSIs进行分析。在视频2中，拍摄视角稍微偏向上游，并进行了约90度的平移加旋转；因此使用了五个RF，每个RF设置了19-60个QSIs（见图6b）。为了进行正射校正所需的GCP测量，我们在2024年10月8日的洪水后实地访问期间使用RTK-GNSS（R12i，Trimble，美国科罗拉多州威斯敏斯特）对存活的物体进行了测量。丢失的物体（例如建筑物）的平面坐标是从航拍照片中获取的。总共使用了31个GCP。

表3. 2024年9月21日Oku-Noto洪水期间在Tsukada河进行的实地应用图像分析概要。位置图中的箭头表示水流方向。

图6. 视频1（a）和视频2（b）中的速度测量目标区域对应的RFs。视频1分别设置了三个RF，视频2设置了五个RF，分别对应上游和下游。

3. 结果
3.1. 实验室实验结果
3.1.1. 目标视频的特征
我们使用开放渠道水流在实验室中验证了该方法的准确性和基本性能。为了评估QS4的结果，图7展示了案例2中OFs的快照以及固定在下游、中游和上游视角的QSIs。每隔2秒显示一次OFs和QSIs的快照，同时显示每个视角对应的RFs。随着相机的平移，拍摄区域从下游过渡到中游再至上游，每个OF都与三个RF部分重叠。观察QSIs（见图7b–d），记录的内容最初仅出现在画面的左侧，然后向右移动，穿过RF的中心，最后出现在右侧——因此看起来就像是观察方向固定不动，而视野窗口在场景中移动。

图7. 每2秒一次的原始帧（a）快照时间序列，以及下游视角（b）、中游视角（c）和上游视角（d）中的QSIs。在所有三个视角中，QSIs的生成都很好地匹配了相应的RF，表明准静态稳定效果成功。

3.1.2. 准静态稳定的准确性
为了量化案例2中的稳定准确性，图8a展示了t = 6.00秒时中游视角下RF和OF之间的特征匹配示例。图中的蓝线连接了为OF和RF选定的特征点组合，这是RANSAC处理之前的结果（图2中的步骤1）。这一结果表明，除了水流中的物体外，帧上的许多小污点和划痕也被当作特征点提取出来，导致在这种情况下有992个匹配点。在案例2中进行了平移操作。因此，如果这条蓝线与图像平行，说明匹配没有问题，可以认为匹配过程是正确的。然而，有些蓝线是倾斜的，并且存在一些不匹配的情况。我们确认许多这些不匹配点在步骤2中通过RANSAC得到了修正（见图2）。稳定后的OF产生的QSI（见图8b）与RF非常相似。RF和QSI之间的整体亮度差异很小。为了评估变换准确性，图8c显示了RF和每个QSI之间的平均亮度差异（平均601个QSIs；黑色区域除外）。作为对比，图8d显示了固定相机的案例1的相同指标（6038帧，以t = 0秒作为RF）。在案例1中，除了移动的水面外，亮度差异可以忽略不计（见图8d）。在移动相机的案例2中，亮度分布与案例1相似，表明视角固定得很好（见图8c）。与案例1不同的是，案例2中的差异发生在河道外部。具体来说，与案例1一样，河道前方的亮度差异几乎为零；然而，在河道后方（对岸），亮度差异明显，尤其是在图像的左上角。造成这种现象的一个因素是运动视差。运动视差是指当相机移动时，前景中的物体移动更多，背景中的物体移动较少。在这个视频中，由于前景中有许多特征点，因此应用了稳定算法来适应前方的运动。假设后方物体的移动量不同，导致稳定性较差，从而产生了较大的亮度差异。

图8. 实验室实验（案例2）中QS4的结果：(a) t = 6.00秒时中游视角下RF和OF的比较，(b) 同一OF的QSI以及RF和同一OF之间的亮度差异颜色图，(c) 案例2中中游视角下RF和OF之间平均亮度差异的颜色等高线，(d) 固定相机下的案例1中平均亮度差异的颜色等高线。为了便于可视化，在河道帧上添加了边界线。

为了定量评估视角固定的准确性和估计的变换参数，我们选择了案例2中QSIs中的两个特征点。图9a显示了它们在QSIs和RF上位置的时间变化。在这个案例中，选择了中游视角的两个特征点：河道下侧的螺栓和河道前方玻璃表面的残留物。注意，螺栓位于RF的中心，被包含在所有QSIs中，而位于RF左侧的残留物由于平移而被裁剪掉（见图7c）。使用Kinovea [69]来跟踪这两个特征点以及QSI和RF之间的像素距离（Err）的时间变化。注意，在t = 15.41–15.76秒（图9a中的箭头所示）期间，由于Kinovea无法跟踪数据，因此数据缺失。误差Err在RF获取时间（t = 8.13秒）附近达到最小值，随着时间偏离该点，误差会增加，这是两个特征共有的趋势。因此，当RF和OF的视线方向显著不同时，误差会增加；当被跟踪的物体超出视野范围时，误差也会增加。图9中的时间序列变化包括类似尖峰的数据；然而，如果排除这些数据，误差大约为2-3像素，这对于整个图像来说是可以接受的。通过特征跟踪评估QS4准确性的结果：(a) 以螺栓和残留物为特征的QSI中评估误差Err的时间序列。展示了玻璃墙上残留物和通道中螺栓的快照。(b) 用于准静态稳定的特征点数量的时间序列。(c) 方程(1)中写出的仿射矩阵的系数a–h的时间序列。(d) 在Ortho-QSI中。为了确认普遍有利的视点固定效应的原因，图9b和图9c分别展示了用于匹配的特征点数量N和仿射矩阵系数a–h的时间变化。这里，系数c和f指的是平行平移分量，a、b、d和e表示旋转和缩放分量，g和h代表透视变形分量。特征点数量N从t = 0秒开始缓慢增加，在RF成像时达到最大值，然后再次缓慢减少。当使用RF时，即当在RF与其自身之间进行特征点匹配时，水面的波纹也会匹配，导致N出现显著的尖峰式增加。在使用RANSAC之前（步骤1）和之后（步骤2），最小的N值分别为398和127，远超过计算仿射矩阵所需的四个点的最小值。接下来，我们关注矩阵系数。在案例2的视频早期阶段（直到t = 3秒），镜头面向下游并且是静止的（图7c）；因此，系数是恒定的。从t = 3秒开始，相机开始平移并持续平移直到结束（图7c），每个系数随着相机的移动而连续变化。具体来说，当关注平行平移分量c时，它从表示向左侧平行移动的负值变为表示向右侧平行移动的正值。在案例2中，几乎没有倾斜运动；因此，对应于屏幕垂直轴分量的f几乎为零。在t = 8.13秒时，所有系数都是1或0，这与RF的时间一致。此外，所有系数随时间平滑变化，这可能解释了为什么实现了稳定的视点固定，并且误差Err被抑制到了几个像素以内。

3.1.3 实验室中的正射校正
图10展示了通过正射校正获得的ortho-QSI示例，其中包含了用于QSIs的指定GCPs的信息，这些QSIs通常具有良好的视点固定效果。对于下游、中游和上游的视图，展示了用于正射校正的QSIs以及在t = 2.00、8.00和14.00秒时的ortho-QSI结果。请注意，在水槽实验中使用了四个GCPs，这些GCPs是框架与水面的交点，在下游和上游视图的RF中只显示了两个GCPs（图3c）。因此，用于正射校正的是捕获了所有四个GCPs的QSIs。图中还标出了由GCPs和测速目标区域包围的矩形区域（0.95米 x 0.20米）。结果显示，ortho-QSI的水面对应于一个矩形区域，表明ortho-QIS已经得到了良好的正射校正。前一节中显示的两个特征点的正射校正后的平面位置（图9a）虽然不在水面上，但仍然得到了确定，位置误差Err的结果显示在图9d中。总体趋势是位置误差与QSI误差（图9a）相似，具有类似的时间序列变化模式。排除尖峰形误差后，位置误差Err小于5毫米，与渠道的规模（0.20米宽）相比，精度很高。

3.1.4 测速
为了评估每张图像的速度计算结果，图11展示了目标区域内水表面速度的平面分布。作为对比，展示了案例1中固定相机图像的正射校正图像和速度计算结果（图11a），以及案例2中三个视图的速度平面分布（图11b）。请注意，案例2中每个视图的速度目标区域是不同的（图3c）。对于速度值，使用了目标视频所有帧的算术平均值。这里，比较的目的不是为了确定最准确的测速算法，而是为了检查一旦视频稳定下来，是否可以以与固定相机视频相同的方式进行分析。首先，关注案例1的分析结果，尽管在目标区域内的通道中心流速较高，但速度分布并不均匀，流动似乎在局部增加或减少。这被认为是由于流动条件是具有驻波的逐渐变化的流动造成的。然而，在目标区域的上边缘和下边缘以及x = 1.95米附近出现了局部低速度。这是因为通道远端的框架在水面下是透明的，在通道的上边缘和下边缘附近这些区域保持静止，导致流速被低估。此外，在x = 1.90–1.96米和2.03–2.10米附近，玻璃表面的残留物非常明显，推测它们导致了投影水面的低速度。这种流速低估的影响范围相对于残留物的像素大小来说相当大，需要通过调整Farneback光流参数和选择其他图像分析方法来改进。结果还表明，在分析和解释图像分析结果时需要注意图像质量。接下来，通过比较案例2中每个视图的速度平面分布与案例1的结果，总体速度分布模式大致相似。上述高视点固定精度表明，流速分析也可以高精度地进行。与案例1一样，在上游和下游边缘附近以及x = 1.95米附近出现了不自然的低速度区域，无论相机是固定的还是移动的，当固定物体被投影到水面上时都会出现这些问题。

3.2.1 目标电影的特征和准静态稳定的准确性
与实验室实验一样，视频1和2中的OFs和QSIs分别在图13和图14中进行了总结，以说明现场视频的情况。展示了每秒的快照。在视频1和2中，分别展示了三个和五个视图的QSIs。请注意，当OFs帧超出每个视图的RF范围时，它们在图中不会显示，并且图13和图14中的时间分别是垂直和水平推进的。两个视频都显示，在任何给定时间，相机首先从初始拍摄位置稍微向上游方向拍摄，然后向下游平移，最终面向下游区域拍摄。QSIs似乎在RF时间内被很好地捕捉到了。然而，即使有QSI可用，也无法使用目标区域被切掉的帧。用于图像测速的有效帧数列在表3中列出，视频1的view-2中至少有八帧。

3.2.2 实际应用结果
3.2.1 目标电影的特征和准静态稳定的准确性
与实验室实验一样，视频1和2中的OFs和QSIs分别在图13和图14中进行了总结，以说明现场视频的情况。展示了每秒的快照。在视频1和2中，分别展示了三个和五个视图的QSIs。请注意，当OFs帧超出每个视图的RF范围时，它们在图中不会显示，并且图13和图14中的时间分别是垂直和水平推进的。两个视频都显示，在任何给定时间，相机首先从初始拍摄位置稍微向上游方向拍摄，然后向下游平移，最终面向下游区域拍摄。QSIs似乎在RF时间内被很好地捕捉到了。然而，即使有QSI可用，也无法使用目标区域被切掉的帧。用于图像测速的有效帧数列在表3中列出，视频1的view-2中至少有八帧。这种行为可能反映了当前的特征匹配方案更倾向于捕捉相对稳定的静态结构，而不是时间上不稳定的模式。然而，这只是基于当前情况的定性观察，在不同的水力或成像条件下，可能需要额外的遮罩或过滤处理。QSI和RF之间的亮度差异通过特征点匹配同时转换后显示在图15b中。如图所示，除了与RF重叠区域的水面外，QSI的亮度差异不大，该区域的亮度随时间变化较大。此外，图15c显示了视频平均亮度差异分布，以评估不仅特定帧的错误，还包括视频1的整个视角1的错误。除了随时间变化的水面和随风摆动的电线外，亮度差异通常很小。特别是桥梁、建筑物和电线杆之间的亮度差异非常小，这表明视角固定得很好。然而，在屏幕的左侧观察到了略微较大的亮度差异，这是因为观察者的部分建筑物被反射在了屏幕上。这表明，QS4图像（其对齐在屏幕的远端，大多数特征点位于那里）可能在近端包含由于视差效应造成的错误。图15展示了视频1中QS4的应用结果。图15a显示了特征点检测和匹配的示例（a），以及t = 0秒时视角1中的RF和OF之间的亮度差异（b）。图15c显示了视角1中的RF和QSIs之间的平均亮度差异。

3.2.2. 实地应用中的正射校正
为了将QSI投影到一个平面上，必须在RF的水面上设置地面控制点（GCPs）。图像中的桥护栏、栏杆、电线杆和建筑物被用作GCPs。视频1的视角1、2和3的GCP数量分别为12个、9个和8个，视频2的视角1、2、3、4和5的GCP数量分别为9个、9个、6个、7个和9个（图16）。每个视角中重复使用了相同的GCPs。图像前景中有许多GCPs，如桥梁、电线杆和栏杆，我们从几乎所有视角中选择了它们。然而，在洪水过后，图像的远端没有明显可见的GCPs，因此选择了看起来位于建筑物屋顶正下方和稻田垄沟下游的水面位置作为GCPs，并根据航拍照片给出了它们的平面坐标。在某些RF中，GCPs在视野内的分布不够均匀，导致正射校正困难。因此，使用了位于RF外边缘的GCPs（视频2的视角4）。图16显示了在实地获取的视频1（a）和视频2（b）中RF的GCP设置。每个视角中的GCP用红色圆圈表示。使用这些GCP进行正射校正后得到的正射QSI显示在图17中。以视频1和视频2中的上游和下游视角为例进行了展示。此外，河流、道路、建筑物等用白线标出，参见图4。确认正射校正后的正射QSI产生了与建筑物轮廓、桥梁、道路对齐和护栏一致的准确投影。然而，关注视频1远端水边的位置时，发现水面积分布更广，且水位较低，水线与地图上的线不匹配，表明相机远端的正射校正精度不足。这是由于相机远端缺乏适当的GCPs，以及该区域的分辨率降低和模糊造成的，这是图像分析中的常见问题。图17展示了视频1（a）和视频2（b）中的正射QSIs。图18中的视频1（a）和视频2（b）的视角1和3（视频1中的视角1和5）的RF作为示例。

3.2.3. 水平面速度模式
为了评估实地图像的平面速度分布计算情况，图18展示了通过光流得到的Ortho-QSI的水面速度平面分布。对于视频1和视频2，我们首先计算了每个视角中获得的速度值的算术平均值。随后，在平均了各个视角之间速度目标区域的重叠部分后显示了结果。此外，水面流速的绝对值颜色等高线与流速向量叠加在一起。在视频1（图18a）中，水流主要沿着河道流动，但部分溢流水也沿着道路向下流动。尽管左岸的洪泛区被淹没，但没有产生显著的速度。此外，由于低海拔桥梁B下游的浮木堆积（图6a的视角3），洪水可以流向居民区，然后绕过它继续向下流动（图18a的放大视图）。然而，当存在固定障碍物（如桥梁、电线杆和电线）时，周围区域的流速较低，这与实验结果一致（图11）。此外，在左岸洪泛区，特别是在地表高度降低的位置观察到了较高的流速值。由于分析假设了一个水平平面，这一假设在局部不成立，导致在落差位置流速被高估。图18展示了视频1（a）和视频2（b）中的水面速度平面分布及其围绕桥梁B的放大视图。颜色等高线和向量分别表示水面速度的大小和方向。在视频2的洪峰期间（图18b），河道内的流速显著降低，主要流动路径转向了左岸洪泛区的农田，直接朝向被冲走的建筑物Bldg.-4和Bldg.-5。观察到一条高度直线流动的水流在到达剩余的建筑物Bldg.-6时发生了90°转弯，返回到原始河道方向（图18b的放大视图）。沿这条直线路径接近建筑物的流速达到了约5 m/s，表明这些结构受到了极大的流体作用力。虽然整体流动看起来是直线穿过农田的，但检查各个流速向量后发现某些区域的横向流速占主导。在农田的路口处，由于阶梯式流动，出现了横向流速的错误检测。此外，在最下游阶梯式流动的下游，由于形成了大浪，出现了异常的横向流速。实际水面轮廓与假设的水平投影和平缓向下视角的结合，代表了正射校正普遍面临的挑战，而不仅仅是所提出方法特有的问题。

4. 讨论
4.1. 什么是实现足够视角固定效果的关键技术，以便在包含大视角移动的视频中估计出与固定相机相当的流速？
在所提出的方法中，通过使用AKAZE特征和RANSAC估计单应性变换矩阵来实现视角稳定。实验室实验的结果表明，当平移是主要相机运动时，视角稳定误差通常为2-3像素（不包括尖峰状误差），相当于实际距离大约5毫米或更少，证明了其对于实际应用的足够精度（图9）。这一结果表明，即使是简单的单应性变换也能有效应对平移运动。一个关键发现是，检测到的特征点对应于陆地区域，如河道框架和实验室内的各种物体，并未出现在水面上（图8a）。也就是说，尽管之前的研究[34,35]在每帧中遮罩水面后进行特征点匹配，但该方法利用周围的固定物体作为图像锚点，而不跟踪水面上的涟漪作为特征点。这表明，为了提高精度和稳定性而进行的繁琐的遮罩过程是不必要的。然而，由于单应性变换假设了一个平面投影，背景中的位移（由于视差）是不可避免的（图8c）。如果在背景中检测到大量特征点，背景可能会变得固定，而水道周围的前景区域在变换过程中会因视差而移动。特别是从地面或低层建筑物拍摄时，相机的角度很小，因此捕获的图像具有显著的深度，使得视差效应可能成为问题。相反，从高处（如直升机或无人机）拍摄时，视差的影响可能很小。

在获得带有视角稳定的QSIs后，需要GCPs作为流速图像分析的预处理步骤进行正射校正。在实验室实验中，上游和下游的RF中没有捕获到足够的GCPs，从而使得正射校正变得困难。然而，通过利用QSIs中捕获的ERF（地面控制点），实现了良好的正射校正（图10）。这一扩展过程依赖于之前静态稳定的准确性能。由于稳定性非常高（图9a），ERF可以无问题地应用，从而实现了高精度的正射校正（图9d）。这种高精度的视角固定和正射校正使得使用光流的固定相机的流速数据与当前方法的流速数据之间总体上是一致的（图11和图12）。在这项研究中，使用表1中列出的参数实现了流速分布的稳定估计。然而，在图像中捕获的静止物体周围出现了低估的流速值，表现为带状图案。这种效应的程度随着用于计算光流中流速的像素数量的增加而增加。因此，需要改进措施，例如对静止物体应用遮罩，以防止它们影响流速计算。

基于以上内容，实现高精度流速估计的关键技术包括：使用AKAZE特征和RANSAC在保持固定视角的同时估计单应性变换矩阵，并使用扩展的RF（ERF）来增加正射校正所需的GCP数量。然而，这种方法需要足够的地面特征点和足够小的视差效应，以便RF和OF之间的对应关系可以通过单应性矩阵来解释。此外，目前尚未解决高速移动相机时出现的滚动快门现象和广角相机中的畸变等问题，还有改进的空间。

4.2. 使用居民拍摄的视频记录估计流速的方法能否作为现有固定观测方法的补充？
本研究分析了居民沿Tsukada河拍摄的两段洪水淹没视频，以验证所提出方法对真实洪水的适用性。根据视野条件将视频片段分成多个角度，获得了良好的稳定性和正射校正精度（图15和图17）。这表明我们的方法即使对于居民拍摄的视频也能实现可靠的流速测量。提高这些分析精度的关键是使用固定的地面特征点和GCPs。特征点的要求是它们的特征在RF和OF之间保持一致。因为不需要进行特征点测量，即使是树木或树叶的形状也足以作为锚点，即使在洪水期间被冲走也不会出现问题。相反，用于正射校正的GCPs需要进一步研究。虽然Tsukada河视频的前景包含桥梁、护栏和电线杆等结构，但背景主要由农田组成，其中有几个明显的地面控制点（GCPs）（图16）。这导致背景的共形精度有所降低（图17）。特征点和GCPs的特性决定了该方法在不同环境中的适用性。例如，在山区，树木和叶子可以作为特征点，有助于稳定图像；然而，它们很难用作GCPs，从而给正射校正和流速计算带来挑战。相反，在城市地区，建筑物和电线杆可以作为特征点和GCPs，便于进行正射校正和流速计算。但是，众多障碍物的存在表明流速分布可能包含许多未分析的区域。因此，有必要将这种方法应用于Tsukada河以外的情况，以验证其有效性。

在Tsukada河中，观察到了含有浮木的高浊度洪水。然而，高浊度和浮木的存在并没有妨碍图像的稳定。与实验室实验类似，使用陆地上的固定物体进行了特征点匹配（图15a）。此外，像电线杆和电线这样的障碍物形成了无法进行流速分析的区域，这与实验室实验情况相似（图18）。关于视差问题，虽然实验室实验中曾提出它可能是一个问题，但在目标区域周围没有观察到不良影响。唯一出现影响的迹象是在非常接近的位置，例如靠近相机的建筑物墙壁上（图15c）。

Tsukada河的结果表明了固定观测的局限性以及居民偶然拍摄的视频记录的补充价值。只有位于河口附近的一个固定水位计是正常工作的，但在最初洪水阶段上午9:30发生了故障。此外，发生严重建筑和结构损坏的目标区域距离水位计较远（图4）。仅依赖固定观测会因设备故障以及安装位置与受灾区域之间的不匹配而产生显著差距。相比之下，近年来在灾难期间，各种视频来源自动记录了大量的影像。除了本研究中考察的居民拍摄的智能手机视频外，还有各种摄像头——包括仪表板摄像头、监控摄像头、直升机和无人机，它们用于进行调查、损害评估和救援行动，以及新闻直升机和无人机——存在于或被部署在灾难现场，作为潜在的传感器。这些记录是由面对灾难的个人和组织的行为产生的，其中许多行为具有方向性，将摄像头指向异常现象或严重损坏发生的地点（图5）。这种方向性可以直接有助于理解关键灾难现场的损坏机制。沿着Tsukada河，居民拍摄的视频显示了浮木造成的桥梁堵塞，水位随后迅速上升，水流冲刷建筑物正面，主河道转向农田，大约5米/秒的洪水冲走了建筑物。这些例子表明，个人在灾难中拍摄的视频可以作为传感器，揭示出固定观测无法解释的损坏机制。因此，固定观测和偶然拍摄的视频是互补的。固定观测在长期连续性和测量精度方面表现出色，但在多点观测和适应性方面面临挑战。相反，部署在灾难现场的多样化摄像头虽然面临空间稀疏、质量不一致和不确定性等挑战，但作为灵活的观测网络具有巨大潜力。它们可以动态记录损害何时、何地以及如何升级。

然而，使用这种方法进行图像分析时仍存在一些未解决的问题。例如，在Tsukada河的视频中，高速平移仅产生了8帧（大约0.23秒）适合视频1中的视图2进行图像分析。这种高速平移不仅减少了捕捉速度目标区域的帧数，还引入了滚动快门效应，而这种方法没有考虑到这一点，导致视频模糊。这种滚动快门可能是稳定性和光流精度降低的原因。角速度容忍度取决于相机性能、与目标的距离和视频帧率。这一容忍度尚未量化，需要进一步研究。另一个重要限制是镜头畸变。在本研究中，没有明确校正镜头畸变。对于分析的视频，包括用iPhone 13录制的实验室视频和Tsukada河视频，没有观察到明显的畸变相关故障，无论是视图稳定还是后续的速度分析。然而，这并不意味着可以忽略畸变。特别是用广角智能手机录制的视频，尤其是具有宽视野的监控或仪表板摄像头，可能需要适当的畸变校正以避免正射校正中的非线性误差。如果知道相机规格或可以进行额外校准，原则上可以应用标准的畸变校正程序。即使没有这些信息，也可以通过利用相机运动本身并采用类似于SfM中的自校准方法来估计畸变参数。从这个意义上说，社交感知视频的动态视角也可能为未来的畸变校正提供机会。视差也是一个重要问题。在本研究的分析视频中，相机运动主要是平移，相对于目标洪水流动的空间尺度（沿流向大约150米，横向大约70米），相机位移足够小，因此视差没有成为主要的误差来源。这也可能反映了视频是从公寓阳台或窗户等受限位置录制的。相反，当目标靠近相机且相机本身大幅移动时，视差可能变得显著，QS4的适用性可能会降低。尽管通过更精细地定义参考帧可以缓解这种效应，但这可能会减少可用于分析的帧数。因此，QS4在相机距离、视野和相机运动方面的适用范围仍然是未来工作的重要课题。

目前的方法对GCPs不足很敏感，陆地上固定点过多可能会导致遮挡。这些权衡代表了这种方法的基本限制。对于后者，对策包括调整光流参数、遮罩和优化图像分析方法。对于前者，无需GCP的几何校正技术至关重要。传统的结构从运动（SfM）[70]需要周围的拍摄和足够的多视图重叠，使其能够有效地估计相机位置/方向并重建静态物体。然而，居民生成的图像大多来自“环顾四周”的拍摄行为，限制了SfM的适用性。相比之下，DUSt3R [71]作为一种基于AI的方法，即使图像对数量较少，也能实现高精度3D重建和相机姿态估计。这一特性使得即使是从有限视角拍摄的公民视频中也能进行3D重建。此外，MonST3R [72]将该框架扩展到视频，可用于构建时间3D重建。它即使在连续平移的情况下，如公民拍摄的视频中，也能保持时间一致性并进行正射校正。此外，跨模态匹配（如MatchAnything [73]所示），通过在正常时期或洪水后拍摄的航拍照片与洪水事件视频之间进行匹配，可能有助于补偿缺乏GCPs的区域，这是未来的一个挑战。

要在社会中利用社交感知，除了视频收集外，还需要基于质量和主题的过滤以及操作分析的公共系统。具体来说，需要建立提交门户，汇总在公共利益使用前提下在灾难期间捕获的视频，并制定同意方案，消除关于版权和肖像权的担忧。此外，必须就某些措施达成共识，例如当社交媒体上公开的视频被认为具有公共利益时，免除对个人许可的要求。这样的机制必须降低视频使用的障碍，同时提高公众对灾难视频具有学术和工程价值的认识，从而鼓励视频共享。一旦建立了这样的信息基础设施，灾难视频就可以超越其补充作用，发展成为支持灾难观察的核心基础。因此，未来必须考虑这些因素。

在这项研究中，我们开发了一种图像处理方法，包括静态稳定、正射校正和流速分析，以稳定和准确地评估居民在洪水淹没场景中捕获的水面流速分布。我们将这种方法应用于受控实验室实验中的开放式河道流动，并详细检查了其基本性能。接下来，通过将这种方法应用于Tsukada河的洪水淹没视频，我们检验了其在实际洪水淹没视频中的有效性和局限性。主要结论如下：基于AKAZE和RANSAC算法的特征点匹配以及GCPs的实际坐标，我们通过估计共形矩阵从RF和OF构建了QSI和Ortho-QSI。通过应用光流，我们建立了QS4框架，从偶然的洪水视频中估计流速。将该方法应用于受控实验室开放式河道实验表明，基于固定特征点（如河道帧）估计和应用共形矩阵可以实现高精度的视图稳定。这产生了与固定相机观测结果一致的血流速度分布。然而，也发现了一些挑战，包括由于未考虑视差而在视图稳定中导致的精度降低，以及由于障碍物导致的流速低估。当将当前方法应用于2024年Tsukada河洪水案例时，即使是从居民拍摄的视频中，也成功提取了稳定的流速分布。因此，它定量揭示了洪水流动的时间和空间发展，这是固定观测无法捕捉到的。然而，与实验室实验的结果类似，确认了障碍物的影响。此外，还发现了一些问题，例如与水面显著变化相关的异常流速检测，以及由于距离相机较远的GCPs不足导致的正射校正困难或精度低。尽管如此，考虑到这些挑战，这种新的社交感知方法在极端洪水中的价值得到了证明。通过实验室实验和现场应用，验证了所提出方法的有效性、适用性和局限性。QS4提供了一个系统框架，将洪水视频转换为具有水文意义的数据，从而扩展了图像感知在灾害预防和缓解中的作用。总体而言，这项研究表明QS4是一种实用且高度可扩展的方法，可以从偶然的洪水视频中提取定量流速信息。这为更广泛地利用社交感知来理解洪水淹没现象铺平了道路，在气候变化的情况下增加了其重要性和难度，并减轻了相关损害。