CN103593678A - 一种大跨度桥梁车辆动态荷载分布检测方法 - Google Patents

Abstract

本发明提出了一种大跨度桥梁车辆动态荷载分布检测方法，该方法利用动态称重装置，采用图像拼接和多车辆检测，实现大跨度桥梁荷载数据的实时采集，实时处理和实时分析，为桥梁管理和维护提供依据。其中，在拼接过程中，使用基于Harris算子的图像拼接算法进行图像重叠部分的去除。在获取桥面的实时全景图像后，使用多车辆检测算法对车辆进行跟踪，获得车辆位置。最后根据动态称重装置获取的车辆重量和多车辆检测算法获取的车辆位置，结合桥梁设计参数，计算出桥梁的实时荷载。

Description

一种大跨度桥梁车辆动态荷载分布检测方法

技术领域

本发明属于桥梁检测领域，涉及一种大跨度桥梁荷载的检测方法，具体涉及一种大跨度桥梁车辆动态荷载分布检测方法。

背景技术

桥梁车辆动态荷载分布在桥梁设计与运营过程中起到非常重要的作用，是桥梁实时监测过程中的一个重要的参数。近年来，部分桥梁被超载超重车辆压垮的现象时有发生，违法超载超重车辆大量上桥，对桥梁结构造成严重损害，给桥梁安全运营带来严重隐患，一旦发生危险，将会造成无法弥补的损失。因此，需要对桥梁进行实时监测，在监测过程中，对桥梁车辆动态荷载的检测显得尤为重要。

目前大跨度桥梁车辆动态荷载分布检测过程中，传统的方法是运用传感器与通信技术，适时地或定期地采集桥梁的工作参数，由计算机根据桥梁的设计参数结合桥梁健康检测指标对采集的参数进行识别、加工和分析，给出桥梁的荷载分布，为桥梁维护、维修与管理决策提供依据和指导。由于大跨度桥梁具有结构形式复杂、跨度大、所处环境恶劣等特点，给桥梁车辆动态荷载分布检测带来很多弊端，如所需传感器数量较多、成本较高，且干扰信号容易对传感器造成影响，布线易混乱，布置和维护设备工作量较大，实时性较差等。

发明内容

针对现有技术的不足和缺陷，本发明的目的在于，提供一种大跨度桥梁车辆动态荷载分布检测方法，该方法将称重与视频处理相结合，利用动态称重装置，采用图像拼接技术和多车辆检测技术，实现大跨度桥梁车辆动态荷载数据的实时采集、实时处理和实时分析，为桥梁管理和维护提供依据。

为了实现上述任务，本发明采用如下技术方案予以实现：

一种大跨度桥梁车辆动态荷载分布检测方法，该方法包括以下步骤：

步骤一，在大跨度桥梁的每个车道入口处安装动态称重装置获取车辆重量信息，在桥梁上安装摄像机获取桥面图像，摄像机的视野能够覆盖整个桥面；

步骤二，将摄像机获取的桥面图像进行拼接，获取整个桥面的全景图像：

（2.1）多幅桥面图像拼接时，待拼接的相邻两幅桥面图像中一幅桥面图像记为模板图像，另一桥面图像记为待匹配图像；使用Harris算子提取模板图像和待匹配图像各自的特征点，选取图像中最靠近重叠部分边界区域的10个特征点进行匹配，选取以特征点为圆心直径为6个像素点的圆形面积内灰度的一阶矩、二阶矩、三阶矩作为特征点描述向量，通过计算模板图像的特征点描述向量和待匹配图像的特征点描述向量之间的绝对距离进行特征点的匹配，绝对距离为：

$\mathrm{dis}(P_A,P_B)=\left|\right|P_A-P_B\left|\right|=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}|a_i-b_i|$

式中：P_A＝[a₁a₂a₃]为模板图像中的特征点A的描述向量，P_B＝[b₁b₂b₃]为待匹配图像中的特征点B的描述向量，a_i、b_i分别为特征点A、B的i阶矩；

取模板图像特征点A分别与待匹配图像中的特征点计算绝对距离，取绝对距离最小的点作为特征点A的匹配点；

（2.2）重复（1）的过程对模板图像除特征点A以外的其他特征点分别求取在待匹配图像中的匹配点，然后进行模板图像和待匹配图像拼接，具体拼接公式为：

$f(x,y)=\begin{array}{}\end{array}\left\{\begin{array}{cc}{f}_1(x,y)& (x,y)\∈f_1\\ d_1{f}_1(x,y)+d_2{f}_2(x,y)& (x,y)\∈(f_1\∩f_2)\\ f_2(x,y)& (x,y)\∈f_2\end{array}\right.$

式中：f(x,y)为拼接后的图像，f₁(x,y)为模板图像，f₂(x,y)为待匹配图像，d₁取0.5，d₂取0.5；

（2.3）重复（2.1）和（2.2）的方法对所有的桥面图像进行拼接，获取整个桥面的全景图像；

步骤三，在获取整个桥面的全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标：

（3.1）混合差分法，保存3帧图像，用当前帧分别与前两帧图像两两差分，如下式所示：

$D_k^t(i,j)=\left|G^t(i,j){-G}^{t-k}(i,j)\right|$

式中：

G^t(i,j)表示第t帧图像(i,j)位置的像素值；

G^t-k(i,j)表示第t-k帧图像(i,j)位置的像素值；

表示第t和第t-k帧(i,j)位置像素值之差；

t，k表示图像帧数，i表示像素点横坐标，j表示像素点纵坐标；

采用如下判别函数判断像素点(i，j)是否为运动目标；

式中，B^t(i,j)为混合差分结果，

为相邻s帧差分，k取2，T取50；

当B^t(i,j)中像素点值为1时，表示该点为运动目标，值为0时，表示该点为非运动目标；

（3.2）在混合差分的基础上，采用sobel算子对当前帧和前一帧进行边缘检测，两帧的边缘图像相减得到运动边缘图像B′(i,j)；

（3.3）得到运动目标图像为：

B(i,j)＝B^t(i,j)+B′(i,j)

式中：B(i,j)为当前帧，B^t(i,j)为混合差图像，B′(i,j)为运动边缘图像；

步骤四，通过似真概率确定运动目标是否误检：

（4.1）对检测运动目标后的图像使用连通域标记获取该各个运动目标的位置和长宽信息，计算各个运动目标的长宽比和占空比，其中占空比是指运动目标面积与运动目标外接矩形面积的比值；

（4.2）分别用P_h、P_w、P_hw和P_koc表示运动目标的长度、宽度、长宽比和占空比的似真概率，似真概率的判别函数为：

式中：h表示运动目标长度，w表示运动目标宽度，hw表示运动目标长宽比，koc表示运动目标占空比；

（4.3）运动目标的总似真概率为P＝P_hP_wP_hwP_koc，当P为1时表示没有发生误检，当P为0时表示发生误检；

（4.4）重复（4.2）和（4.3）计算各个运动目标的总的似真概率，确定运动目标是否误检；

步骤五，对误检运动目标的分割：

对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并；

若为纵向合并，选择一条垂线从运动目标纵向边界开始以1个像素点的步长纵向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比，当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；

若为横向合并，选择一条垂线从运动目标横向边界开始以1个像素点的步长横向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比。当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；

步骤六，多车辆跟踪：

采用目标匹配法进行车辆跟踪定位，当车辆行驶到桥梁车道入口处，经过动态称重装置时获取车辆重量，并通过摄像机获取的桥面的全景图像获取车辆的横纵坐标及长宽信息，为每辆车建立一个信息向量z_k＝[k_k,x_k,y_k,l_k,h_k]，式中：

k_k表示当前帧中车辆的重量；

x_k表示当前帧中车辆的横坐标位置；

y_k表示当前帧中车辆的纵坐标位置；

l_k表示当前帧中车辆的长度；

h_k表示当前帧中车辆的宽度；

采用如下方法进行车辆跟踪定位：

获取第k帧和k+1帧中车辆目标，根据车辆行驶方向，利用最小距离匹配车辆，定义第k帧的第i个车辆的质心

和第k+l帧第j个车辆的质心距离函数为：

$D(i,j)=\left|\sqrt{{(x_k^i-x_{k+1}^j)}^2+{(y_k^i-y_{k+1}^j)}^2}\right|$

计算第k帧中i车辆和第k+l帧中i车辆行驶方向上的车辆之间的距离，距离最小的车辆则为i车辆的匹配车辆，然后更新第k+l帧中i车辆的信息向量，重复此过程，对第k帧中的所有车辆在第k+1帧中获得相应的匹配车辆，然后更新第k+l帧中所有车辆的信息向量；将第k+l帧作为第k帧，重复上述过程对车辆的信息向量进行实时更新；

步骤七，在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。

本发明与现有技术相比，具有如下技术效果：

本方法所需设备安装简单，受恶劣环境影响小，成本低，实时性好；选择边界的特征点进行匹配，提高了匹配速度；特征点匹配时，使用特征点圆形范围内的灰度K阶矩信息进行配准，提高了准确性；使用混合差分和边缘检测相结合的方法检测运动目标，提高了运动目标的完整性；根据车辆的长宽、占空比等特征，使用概率判断准则判断运动目标是否发生合并，在发生合并的情况下使用轮廓分解法进行分解，使得车辆目标跟踪更准确。按照车辆行驶方向进行搜索目标，并采用最小距离准则匹配目标，提高匹配的速度。

附图说明

图1是大跨度桥梁荷载检测系统结构图。

图2是大跨度桥梁荷载检测流程图。

图3是图像拼接算法流程图。

图4是多车辆检测算法流程图。

图5是纵向分解示意图。

图6是横向分解示意图。

图7是一个摄像机拍摄的一帧桥面图像。

图8是与图7同一时刻相邻的摄像机拍摄的一帧桥面图像。

图9是图7的特征点分布图。

图10是图8的特征点分布图。

图11是图7和图8拼接后的效果图。

图12是7和图8拼接后的特征点分布图。

图13是当前帧的前两帧的桥面图像。

图14是当前帧的前一帧的桥面图像。

图15是当前帧的桥面图像。

图16是当前帧运动目标检测结果图。

图17是当前帧运动目标连通域标记图。

图18是当前帧运动目标的纵向合并分解结果图。

图19是当前帧图像拍摄时间点的大跨度桥梁荷载分布示意图。

图20是下一帧的桥面图像。

图21是下一帧运动目标检测结果图。

图22是下一帧运动目标连通域标记图。

图23是下一帧运动目标的纵向合并分解结果图。

图24是下一帧图像拍摄时间点的大跨度桥梁荷载分布示意图。

以下结合附图和实施例对本发明的内容作进一步详细说明。

具体实施方式

遵从上述技术方案，如图1至图6所示，下述实施例给出一种大跨度桥梁车辆动态荷载分布检测方法，在大跨度桥梁的每个车道入口处安装动态称重装置获取车辆重量信息，在桥梁上安装摄像机获取桥面图像，摄像机的视野能够覆盖整个桥面；将摄像机获取的桥面图像进行拼接，获取整个桥面的全景图像；在获取整个桥面的全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标；通过似真概率确定运动目标是否误检；对误检运动目标的分割，对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并；多车辆跟踪，采用目标匹配法进行车辆跟踪定位，为每辆车建立一个信息向量，对车辆的信息向量进行实时更新；在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。

大跨度桥梁车辆动态荷载分布检测主要通过车辆在桥梁上的分布及车辆的重量来计算桥梁的荷载。因此，获取车辆的位置和重量是检测的关键。随着计算机技术的快速发展，车辆的视频检测技术和图像匹配技术日趋成熟。这些技术具有实时性好，准确性较高，成本较低等优点。

图1是大跨度桥梁荷载检测系统结构图，以桥梁双向四车道为例，在桥梁车道入口处安装动态称重装置，在桥梁上间隔一定距离安装若干个摄像机，调节摄像机安装位置使这些摄像机拍摄的图像能覆盖整个桥面，并且重合部分尽量少。

图2为大跨度桥梁荷载检测流程图，首先，桥面的摄像机将桥面图像发回后台计算机，按照顺序依次处理图像。然后使用基于Harris算子的图像拼接算法进行图像重叠部分的去除，具体过程如图3所示。在获取桥面的实时全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标，混合差分法实现简单且响应速度快，只要在相邻k帧中有像素值的变化，混合差分策略就可以识别出，但可能在对象的重叠部分形成空洞，难以检测出物体的整个轮廓。为了克服混合差分检测中存在的重叠部分形成的空洞，导致检测的车辆轮廓不完整，在混合差分的基础上，采用sobel算子对当前帧和前一帧进行边缘检测。

混合差分和边缘检测相结合检测运动目标可能会造成误检，将两辆距离很近的小车检测成一辆大车，通过似真概率确定运动目标是否误检，运动目标的总似真概率P为0时表示发生误检。

对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并；

若为纵向合并，如图5所示，则通过横线EF从与AB重叠开始按照一定的步长向下方移动，获得两个匹配的新矩形HBFG和EFCD。计算两个矩形的占空比，当占空比都达到最大时，则分割完毕，获得两个运动目标，即HBNL和KMJD。

若为横向合并，如图6所示，则选择纵线EF由左至右移动，利用同样的方法可以将横向合并分解为KBHM和JLND。

对运动目标检测和车辆轮廓分解后，采用如图4所示的多车辆跟踪算法，为每个目标辆车建立一个信息向量z_k＝[k_k,x_k,y_k,l_k,h_k]，采用最小距离法跟踪相邻两帧图像中的车辆，对车辆的信息向量进行实时更新在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围

实施例1：

步骤一，在大跨度桥梁的每个车道入口处安装动态称重装置获取车辆重量信息，在桥梁上安装摄像机获取桥面图像，摄像机的视野能够覆盖整个桥面。

步骤二，将摄像机获取的桥面图像进行拼接，获取整个桥面的全景图像：

（2.1）对于大跨度高架桥上两个相邻摄像机拍摄的图像，分别取两个摄像机同一时刻拍摄的图像，如图7和图8所示，图7为为模板图像，图8为待匹配图像；对图7使用Harris算子提取特征点，结果如图9所示，对图8使用Harris算子提取特征点，结果如图10所示。

选取图9中最靠近右侧边界区域的10个特征点和图10中最左侧边界区域的10个特征点进行匹配，选取以特征点为圆心直径为6个像素点的圆形面积内灰度的一阶矩、二阶矩、三阶矩作为特征点描述向量，计算图9中选取的一个特征点A的描述向量和图10中选取的特征点的描述向量之间的绝对距离，按绝对距离最小匹配特征点，绝对距离为：

$\mathrm{dis}(P_A,P_B)=\left|\right|P_A-P_B\left|\right|=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}|a_i-b_i|$

式中：P_A＝[a₁a₂a₃]为模板图像中的特征点A的描述向量，P_B＝[b₁b₂b₃]为待匹配图像中的特征点B的描述向量，a_i、b_i分别为特征点A、B的i阶矩。

（2.2）重复（2.1）的过程对图9中除特征点A以外的其他特征点分别求取在待匹配图像中的匹配点，然后进行模板图像和待匹配图像拼接，具体拼接公式为：

图像拼接的具体拼接公式为：

$f(x,y)=\begin{array}{}\end{array}\left\{\begin{array}{cc}{f}_1(x,y)& (x,y)\∈f_1\\ d_1{f}_1(x,y)+d_2{f}_2(x,y)& (x,y)\∈(f_1\∩f_2)\\ f_2(x,y)& (x,y)\∈f_2\end{array}\right.$

式中：f(x,y)为拼接后的图像，f₁(x,y)为模板图像，f₂(x,y)为待匹配图像，d₁取0.5，d₂取0.5；

最后得到图7和图8拼接后的效果图如图11所示，图11的特征点分布如图12所示。

（2.3）重复（2.1）和（2.2）的方法对所有的桥面图像进行拼接，获取整个桥面的全景图像；

步骤三，在获取整个桥面的全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标：

（3.1）混合差分法，取当前时刻的连续三帧图像，如图13、图14和图15，用当前帧分别与前两帧图像两两差分，如下式所示：

$D_k^t(i,j)={|G}^t(i,j)-G^{t-k}(i,j)|$

式中：

G^t(i,j)表示第t帧图像(i，j)位置的像素值；

G^t-k(i,j)表示第t-k帧图像(i，j)位置的像素值；

表示第t和第t-k帧(i，j)位置像素值之差；

t，k表示图像帧数，i表示像素点横坐标，j表示像素点纵坐标；

采用如下判别函数判断像素点(i，j)是否为运动目标；

式中，B^t(i,j)为混合差分结果，为相邻s帧差分，k取2，T取50；

当B^t(i,j)中像素点值为1时，表示该点为运动目标，值为0时，表示该点为非运动目标；

（3.2）在混合差分的基础上，采用sobel算子对当前帧和前一帧进行边缘检测，两帧的边缘图像相减得到运动边缘图像B′(i,j)；

（3.3）得到运动目标图像为：

B(i,j)＝B^t(i,j)+B′(i,j)

式中：B(i,j)为当前帧，B^t(i,j)为混合差图像，B′(i,j)为运动边缘图像；

最终得到将混合差分结果和边缘检测结果相加的图像如图16所示。

步骤四，通过似真概率确定运动目标是否误检：

（4.1）对检测运动目标后的图像使用连通域标记，标记结果如图17所示，获取该各个运动目标的位置和长宽信息，计算各个运动目标的长宽比和占空比，其中占空比是指运动目标面积与运动目标外接矩形面积的比值；

（4.2）分别用P_h、P_w、P_hw和P_koc表示运动目标的长度、宽度、长宽比和占空比的似真概率，似真概率的判别函数为：

式中：h表示运动目标长度，w表示运动目标宽度，hw表示运动目标长宽比，koc表示运动目标占空比；

（4.3）运动目标的总似真概率为P＝P_hP_wP_hwP_koc，当P为1时表示没有发生误检，当P为0时表示发生误检；

（4.4）重复（4.2）和（4.3）计算各个运动目标的总的似真概率，确定运动目标是否误检。

步骤五，对误检运动目标的分割：

对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并；

若为纵向合并，选择一条垂线从运动目标纵向边界开始以1个像素点的步长纵向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比，当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；

若为横向合并，选择一条垂线从运动目标横向边界开始以1个像素点的步长横向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比。当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；步骤五，对误检运动目标的分割：

对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并。

若为纵向合并，选择一条垂线从运动目标纵向边界开始以1个像素点的步长纵向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比，当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标。

若为横向合并，选择一条垂线从运动目标横向边界开始以1个像素点的步长横向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比。当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标。

通过似真概率判断，图17中从左往右第3个矩形区域的中的运动目标的长宽比1.9，为发生纵向合并，对纵向合并进行纵向分解，分解结果如图18所示。

步骤六，多车辆跟踪：

采用目标匹配法进行车辆跟踪定位，当车辆行驶到桥梁车道入口处，经过动态称重装置时获取车辆重量，并通过摄像机获取的桥面的全景图像获取车辆的横纵坐标及长宽信息，为每辆车建立一个信息向量z_k＝[k_k,x_k,y_k,l_k,h_k]，式中：

k_k表示当前帧中车辆的重量；

x_k表示当前帧中车辆的横坐标位置；

y_k表示当前帧中车辆的纵坐标位置；

l_k表示当前帧中车辆的长度；

h_k表示当前帧中车辆的宽度；

采用如下方法进行车辆跟踪定位：

获取第k帧和k+1帧中车辆目标，根据车辆行驶方向，利用最小距离匹配车辆，定义第k帧的第i个车辆的质心

和第k+l帧第j个车辆的质心距离函数为：

$D(i,j)=\left|\sqrt{{(x_k^i-x_{k+1}^j)}^2+{(y_k^i-y_{k+1}^j)}^2}\right|$

计算第k帧中i车辆和第k+l帧中i车辆行驶方向上的车辆之间的距离，距离最小的车辆则为i车辆的匹配车辆，然后更新第k+l帧中i车辆的信息向量，重复此过程，对第k帧中的所有车辆在第k+1帧中获得相应的匹配车辆，然后更新第k+l帧中所有车辆的信息向量；将第k+l帧作为第k帧，重复上述过程对车辆的信息向量进行实时更新。

通过当前帧的前一帧运动目标检测结果图匹配当前帧运动目标检测结果图，并更新当前帧运动目标信息向量，得到当前帧的车辆的信息向量如表1所示：

表1当前帧的车辆的信息向量

步骤七，在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。对于步骤六中当前帧图像对应的时间点，得到此时的大跨度桥梁荷载分布如图19所示。

实施例2：

本实施例中的下一帧图像即为实施例1中当前帧图像的下一帧图像，本实施例中下一帧的前两帧图像即为实施例1中当前帧的前一帧图像，本实施例中下一帧的前一帧图像即为实施例1中的当前帧图像。

本实施例的方法中的步骤一和步骤二与实施例1的方法中的步骤1和步骤二相同。

步骤三，在获取整个桥面的全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标的过程中取前时刻的连续三帧图像，如图14、图15和图20所示，图14为下一帧的前两帧图像，图15为下一帧的前一帧图像，图20为下一帧图像。采用与实施例1的步骤三相同的方法，最终得到将混合差分结果和边缘检测结果相加的图像如图21所示。

步骤四，通过似真概率确定运动目标是否误检：

采用与实施例1的步骤四相同的方法对下一帧图像中的运动目标进行检测，确定运动目标是否误检，其中通过连通域标记的结果如图22所示。

步骤五，对误检运动目标的分割：

采用与实施例1的步骤五相同的方法，对误检运动目标进行分割，

通过似真概率判断，图22中从左往右第2个矩形区域的中的运动目标的长宽比1.8，为发生纵向合并，对纵向合并进行纵向分解，分解结果如图23所示。

步骤六，多车辆跟踪：

采用与实施例1的步骤六相同的方法，对多车辆进行跟踪，通过下一帧的前一帧运动目标检测结果图匹配下一帧运动目标检测结果图，并更新下一帧运动目标信息向量，得到下一帧的车辆的信息向量如表2所示：

表2下一帧的车辆的信息向量

步骤七，在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。对于步骤六中下一帧图像对应的时间点，得到此时的大跨度车辆桥梁荷载分布如图24所示。

Claims (1)

1.一种大跨度桥梁车辆动态荷载分布检测方法，其特征在于，该方法包括以下步骤：

步骤一，在大跨度桥梁的每个车道入口处安装动态称重装置获取车辆重量信息，在桥梁上安装摄像机获取桥面图像，摄像机的视野能够覆盖整个桥面；

步骤二，将摄像机获取的桥面图像进行拼接，获取整个桥面的全景图像：

（2.1）多幅桥面图像拼接时，待拼接的相邻两幅桥面图像中一幅桥面图像记为模板图像，另一桥面图像记为待匹配图像；使用Harris算子提取模板图像和待匹配图像各自的特征点，选取图像中最靠近重叠部分边界区域的10个特征点进行匹配，选取以特征点为圆心直径为6个像素点的圆形面积内灰度的一阶矩、二阶矩、三阶矩作为特征点描述向量，通过计算模板图像的特征点描述向量和待匹配图像的特征点描述向量之间的绝对距离进行特征点的匹配，绝对距离为：

$\mathrm{dis}(P_A,P_B)=\left|\right|P_A-P_B\left|\right|=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}|a_i-b_i|$

式中：P_A＝[a₁a₂a₃]为模板图像中的特征点A的描述向量，P_B＝[b₁b₂b₃]为待匹配图像中的特征点B的描述向量，a_i、b_i分别为特征点A、B的i阶矩；

取模板图像特征点A分别与待匹配图像中的特征点计算绝对距离，取绝对距离最小的点作为特征点A的匹配点；

（2.2）重复（2.1）的过程对模板图像除特征点A以外的其他特征点分别求取在待匹配图像中的匹配点，然后进行模板图像和待匹配图像拼接，具体拼接公式为：

$f(x,y)=\begin{array}{}\end{array}\left\{\begin{array}{cc}{f}_1(x,y)& (x,y)\∈f_1\\ d_1{f}_1(x,y)+d_2{f}_2(x,y)& (x,y)\∈(f_1\∩f_2)\\ f_2(x,y)& (x,y)\∈f_2\end{array}\right.$

式中：f(x,y)为拼接后的图像，f₁(x,y)为模板图像，f₂(x,y)为待匹配图像，d₁取0.5，d₂取0.5；

（2.3）重复（2.1）和（2.2）的方法对所有的桥面图像进行拼接，获取整个桥面的全景图像；

步骤三，在获取整个桥面的全景图像后，采用混合差分和边缘检测相结合的方法检测运动目标：

（3.1）混合差分法，取3帧图像，用当前帧分别与前两帧图像两两差分，如下式所示：

$D_k^t(i,j)={|G}^t(i,j)-G^{t-k}(i,j)|$

式中：

G^t(i,j)表示第t帧图像(i,j)位置的像素值；

G^t-k(i,j)表示第t-k帧图像(i,j)位置的像素值；

表示第t和第t-k帧(i,j)位置像素值之差；

t，k表示图像帧数，i表示像素点横坐标，j表示像素点纵坐标；

采用如下判别函数判断像素点(i，j)是否为运动目标；

式中，B^t(i,j)为混合差分结果，

为相邻s帧差分，k取2，T取50；

当B^t(i,j)中像素点值为1时，表示该点为运动目标，值为0时，表示该点为非运动目标；

（3.2）在混合差分的基础上，采用sobel算子对当前帧和前一帧进行边缘检测，两帧的边缘图像相减得到运动边缘图像B′(i,j)；

（3.3）得到运动目标图像为：

B(i,j)＝B^t(i,j)+B′(i,j)

式中：B(i,j)为当前帧，B^t(i,j)为混合差图像，B′(i,j)为运动边缘图像；

步骤四，通过似真概率确定运动目标是否误检：

（4.1）对检测运动目标后的图像使用连通域标记，获取该各个运动目标的位置和长宽信息，计算各个运动目标的长宽比和占空比，其中占空比是指运动目标面积与运动目标外接矩形面积的比值；

（4.2）分别用P_h、P_w、P_hw和P_koc表示运动目标的长度、宽度、长宽比和占空比的似真概率，似真概率的判别函数为：

式中：h表示运动目标长度，w表示运动目标宽度，hw表示运动目标长宽比，koc表示运动目标占空比；

（4.3）运动目标的总似真概率为P＝P_hP_wP_hwP_koc，当P为1时表示没有发生误检，当P为0时表示发生误检；

（4.4）重复（4.2）和（4.3）计算各个运动目标的总的似真概率，确定运动目标是否误检；

步骤五，对误检运动目标的分割：

对于误检运动目标，若长宽比小于2，则运动目标为纵向合并，否则运动目标为为纵向合并；

若为纵向合并，选择一条垂线从运动目标纵向边界开始以1个像素点的步长纵向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比，当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；

若为横向合并，选择一条垂线从运动目标横向边界开始以1个像素点的步长横向移动，每移动一步都能够获得两个新的运动目标，计算两个新的运动目标的占空比。当两个新的运动目标的占空比都达到最大时，则分割完毕，获得两个运动目标；

步骤六，多车辆跟踪：

采用目标匹配法进行车辆跟踪定位，当车辆行驶到桥梁车道入口处，经过动态称重装置时获取车辆重量，并通过摄像机获取的桥面的全景图像获取车辆的横纵坐标及长宽信息，为每辆车建立一个信息向量z_k＝[k_k,x_k,y_k,l_k,h_k]，式中：

k_k表示当前帧中车辆的重量；

x_k表示当前帧中车辆的横坐标位置；

y_k表示当前帧中车辆的纵坐标位置；

l_k表示当前帧中车辆的长度；

h_k表示当前帧中车辆的宽度；

采用如下方法进行车辆跟踪定位：

获取第k帧和k+1帧中车辆目标，根据车辆行驶方向，利用最小距离匹配车辆，定义第k帧的第i个车辆的质心

和第k+l帧第j个车辆的质心距离函数为：

$D(i,j)=\left|\sqrt{{(x_k^i-x_{k+1}^j)}^2+{(y_k^i-y_{k+1}^j)}^2}\right|$

计算第k帧中i车辆和第k+l帧中i车辆行驶方向上的车辆之间的距离，距离最小的车辆则为i车辆的匹配车辆，然后更新第k+l帧中i车辆的信息向量，重复此过程，对第k帧中的所有车辆在第k+1帧中获得相应的匹配车辆，然后更新第k+l帧中所有车辆的信息向量；将第k+l帧作为第k帧，重复上述过程对车辆的信息向量进行实时更新；

步骤七，在任意时间点，根据此时桥面上所有车辆的信息向量，得出所有车辆在桥面上的位置和质量，即可得到此时间点大跨度桥梁车辆动态荷载分布。

Images