Suivi en temps réel de l’aléa inondation par cameras de surveillance : estimation du niveau de l’eau.

Latapie, Romain (2018). Suivi en temps réel de l’aléa inondation par cameras de surveillance : estimation du niveau de l’eau. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en sciences de l'eau, 155 p.

Prévisualisation

PDF Télécharger (22MB) | Prévisualisation

Résumé

Les inondations constituent l’un des risques naturels les plus fréquents. Une inondation historique survenue au Québec s’est produite aux abords de la rivière Richelieu entre avril et juin 2011. Suite aux dommages et aux frais occasionnés par cet épisode, l’INRS s’est engagé avec la ville de Saint-Jean-sur-Richelieu afin de la doter d’un système de Gestion et d’Analyse du Risque d’Inondation (GARI) : le niveau d’eau constitue une donnée essentielle pour l’évaluation de l’ampleur d’une inondation en temps réel. Ce travail de recherche a pour objectif de détecter automatiquement la ligne d’eau sur des images acquises par des caméras placées aux abords de la rivière Richelieu par des méthodes d’analyse d’images et de convertir cette dernière en niveau d’eau par stéréoscopie (transfert des valeurs en pixels en unité métrique). Le premier volet de ce travail de recherche s’intéresse à l’extraction automatique de la ligne d’eau à partir de données acquises par des caméras de surveillance. Afin de répondre à cette exigence, des séquences d’images de durée déterminée (une minute) ont été enregistrées et une image moyenne a été calculée pour chaque séquence. L’image moyenne est ensuite segmentée puis classifiée à l’aide d’une technique supervisée. Pour la première séquence d’images à traiter, des sites d’entraînement décrivant les parties immergées et libres sont créées afin d’obtenir deux classes de sortie correspondant aux surfaces d’eau et au reste de l’image. Une détection de contour permet d’isoler les pixels de la ligne d’eau. Pour les séquences suivantes, l’algorithme utilise automatiquement la ligne d’eau créée à la séquence précédente pour définir les sites d’entraînements à la séquence considérée. Le taux de réussite d’extraction de la ligne d’eau avoisine 90%. Le second volet consiste à convertir les coordonnées des pixels de la ligne d’eau du système bidimensionnel image vers un système tridimensionnel dans un référentiel connu. Les observations par stéréoscopie permettent cette transformation via les procédures d’orientation intérieure des caméras et d’orientation extérieure des couples stéréoscopiques. Pour le modèle de caméra considéré, les tests effectués montrent que les erreurs de positionnement planimétrique de la ligne d’eau sont inférieures au mètre et l’erreur de positionnement altimétrique (niveau d’eau) est inférieure à 10 cm lorsque le rapport entre la base stéréoscopique et la distance avec l’objet à modéliser est supérieur à 0.1.

Flooding is one of the most common natural hazards. A historic flood occurred in the vicinity of the Richelieu River (Province of Quebec, Canada) between April and June 2011. After the damages and expenses incurred by this episode, INRS and the city of Saint-Jean-sur-Richelieu decided to create a flood risk management and analysis system : water level is an essential factor for assessing magnitude of a flood in real time. This research project aims to automatically detect the water line on images acquired by cameras located near the Richelieu River with image analysis methods and to convert it to water level by stereoscopy (transfer of values from pixel unit to metric unit). The first part of this research work focuses on automatic extraction of water line from data acquired by surveillance cameras. In order to meet this requirement, fixed-duration (one minute) image sequences were recorded and an average image was calculated for each sequence. Average image is then segmented and classified using a supervised technique. For the first sequence of images to be processed, training sites describing submerged and free portions are created to obtain two output classes corresponding to water and the rest of the image. Then, a contour detection is used to determine water line. For the following sequences, the algorithm automatically uses water line created in the previous sequence to define training sites for the present sequence. Success rate of water line extraction is around 90%. Second part consists in converting pixels coordinates of water line known in a two-dimensional image system to a three-dimensional system in a known reference frame. Stereoscopic observations allow this transformation via interior and exterior orientations procedures. For the camera model considered in this project, tests highlight that planimetric positioning errors of the water line are lower than 1 m and altimetric positioning error (water level) is lower than 10 cm when the ratio between stereoscopic basis and distance to the object to be modeled is higher than 0.1.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Chokmani, Karem
Mots-clés libres:	hydrologie; suivis et contrôles;
Centre:	Centre Eau Terre Environnement
Date de dépôt:	09 avr. 2019 21:20
Dernière modification:	09 nov. 2021 20:04
URI:	https://espace.inrs.ca/id/eprint/7872

Gestion Actions (Identification requise)

Modifier la notice