CN111735523B - 基于视频识别的车重检测方法、装置及存储介质 - Google Patents
基于视频识别的车重检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111735523B CN111735523B CN202010874280.4A CN202010874280A CN111735523B CN 111735523 B CN111735523 B CN 111735523B CN 202010874280 A CN202010874280 A CN 202010874280A CN 111735523 B CN111735523 B CN 111735523B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matrix
- freedom
- vibration
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000004044 response Effects 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 153
- 238000000034 method Methods 0.000 claims description 37
- 238000012546 transfer Methods 0.000 claims description 32
- 238000013016 damping Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 abstract description 14
- 238000000605 extraction Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于视频识别的车重检测方法、装置及存储介质，通过从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。相比现有的动态称重而言，适用于各种型号车辆的车重值的检测，普适性较强，且操作简单且不会对车辆造成任何损伤，检测成本低。
Description
技术领域
本发明实施例涉及车辆工程车辆物理信息检测技术领域，特别是涉及视频识别的车重检测方法、装置及存储介质。
背景技术
随着工业和商业贸易的快速增长,公路运输业竞争越来越大,超限超载运输现象不断增加,准确、高效地获取车辆的车重值有利于车辆超载问题的治理，从而可以规范公路运输，消除交通隐患，减少经济损失。
目前我国公路治理超限超载普遍采用基于动态称重的计重收费系统,这些传统称重方法大都需在公路主线道上建立大型检测站，存在以下不足:被检测车辆相对集中，检测效率较低，容易造成交通堵塞，而且车辆也容易绕行逃避检查；现有的车辆动态称重系统所采用的传感器多适用于固定式安装，即使一些便携式车辆称重传感器也因为重量过重，体积过大的缺点，无法真正实现便携测量。
发明内容
本发明提供了基于视频识别的车重检测方法、装置及存储介质，用以解决了传统压电应变计检测法难以获取车辆各部件真实重量信息、大型监测站位置固定无法便携测量、车载传感器称重法难以管控等不足的问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于视频识别的车重检测方法，包括以下步骤：
获取待测车辆的振动视频，从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；
根据待测车辆各个自由度的振动响应信号，并通过SSI(随机子空间)模态识别算法计算所述待测车辆的振动模态参数；
根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；
根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。
优选的，从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数，具体包括以下步骤：
将待测车辆的振动视频输入至预先训练好的车辆识别模型，得到待测车辆的车型；
根据待测车辆的车型查找对应车型的结构参数以及第一自由度质量参数，并将对应车型的结构参数以及第一自由度质量参数作为待测车辆的结构参数以及第一自由度质量参数。
优选的，从待测车辆的振动视频识别待测车辆各个自由度的振动响应信号具体包括以下步骤：
将待测车辆的振动视频连续的各个帧图像依次输入至预先训练好的车辆识别模型，依次得到标注有待测车辆的车型以及轮廓外形的各个帧图像；
根据预先得到该种车型的自由度定点在所述轮廓外形的相对位置，确定待测车辆的自由度定点在各个帧图像的定位坐标；
根据摄像机的投影关系建立转换矩阵消除镜头畸变，将待测车辆的自由度定点在各个帧图像的定位坐标转换至世界坐标系，根据运动的连续性特性和物体像素亮度在连续帧之间不变的假定，使用Lucas-Kanade(一种局部差分的光流算法)算法计算待测车辆的各个自由度定点的动位移时程信号；
对各个自由度的动位移时程信号进行小波分解，并对分解出的高频分量进行软阈值处理，在软阈值处理后，在对分解出的分量进行重构，得到各个自由度的振动响应信号。
优选的，根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数，具体包括以下步骤：
构建待测车辆的振动微分方程，基于所述振动微分方程构建确定-随机的混合型离散状态空间模型；
将所述振动响应信号构造成Hankel(汉尔克)矩阵，使用正交分解法对所述Hankel矩阵进行处理，并将处理后的Hankel矩阵作为输出向量输入至所述确定-随机的混合型离散状态空间模型中，使用最小二乘法可以求出车辆振动系统的传递矩阵A和输出矩阵C；
根据连续系统状态矩阵的特征值与离散系统传递矩阵的特征值的关系可求得系统的无阻尼固有频率ωni和阻尼比ξi；
基于获取的无阻尼固有频率ωni和阻尼比ξi，并根据Φ＝CΨ计算车辆系统振型，其中，Φ为系统振型，Ψ为传递矩阵A的特征向量矩阵，C为系统阻尼矩阵。
优选的，所述振动微分方程为：
其中，Z为振动响应信号，
为振动响应信号的一阶导数，
为振动响应信号的二阶导数，M为质量矩阵，C为阻尼矩阵，K为刚度矩阵，F为待测车辆的荷载；
所述确定-随机的混合型离散状态空间模型为：
X(k+1)＝AX(k)+Bu(k)+w(k)
式中，X表示状态变量，
上标T为转置因子,k表示时间步，u表示外部激励，Y表示输出向量，A表示传递矩阵，B表示输入矩阵，
表示输出矩阵，D表示前馈矩阵，w表示过程噪音，v表示测量噪音；
其中，
e表示自然常数，Δt表示单位时间变化率；
D＝CM-1B1
M为质量矩阵，K为刚度矩阵，C为阻尼矩阵，B1为系统外部激励的位置矩阵，I为单位矩阵。
优选的，所述车辆状态模型为：
其中，A为第一状态矩阵，B为第二状态矩阵，Y为状态变量,
为Y的一阶导数。
优选的，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值，具体包括以下步骤：
构造所述车辆状态方程的信号矩阵方程，将所述振动响应信号输入至所述信号矩阵方程中，用最小二乘法计算所述信号矩阵方程的传递矩阵；
计算传递矩阵的特征值和特征向量，并用传递矩阵的特征值和特征向量重构状态矩阵；
利用状态矩阵A的各个元素的比例关系求解获得车辆不同自由度质量的比值。
优选的，所述信号矩阵方程为：
Φ＝(Y(1) Y(2) … Y(N))
Y(k)＝(XT(k) XT(k+1) … XT(k+p))T
Y(k)是由测量的振动响应信号组成的离散状态向量，k∈[1，N]，N是一个比信号矩阵Φ的行数要大得多的正整数，X(k)表示传感器在t＝kΔT时刻测量值，ΔT为传感器的采样时间间隔，p为由系统的自由度个数、测试所用的传感器个数和传感器测得信号的信噪比共同决定的中间参数；
所述重构后的状态矩阵为
其中，
Λ＝diag(λ1,λ2,λ3,...,λk)
Φ＝diag(φ1,φ22,φ3,...,φk)
Λ*和Φ*分别为矩阵Λ和Φ的共轭矩阵。λ为传递矩阵的特征值，λi为传递矩阵的第i个特征值，其中，i∈[1，k]，k为传递矩阵的特征值的个数，φ为待测车辆的振型，φi为第i个振型，i∈[1，k]。
一种基于视频识别的车重检测装置，包括图像采集设备及处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述基于视频识别的车重检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有基于视频识别检测车重值的程序，所述基于视频识别检测车重值的程序被处理器执行时实现上述基于视频识别的车重检测方法的步骤。
本发明具有以下有益效果：
1、本发明中的基于视频识别的车重检测方法、装置及存储介质，通过从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。相比起现有的动态称重而言，适用于各种型号车辆的车重值的检测，普适性较强，解决了传统压电应变计检测法难以获取车辆结构各个部件车重分布信息、WIM(动态称重)检测法受检测设备安装位置限制、车载称重法难以管控问题；且操作简单且不会对车辆造成任何损伤，检测成本低。
2、在优选方案中，本发明中的基于视频识别的车重检测方法、装置及存储介质通过预先通过对标记好的视频进行视频微小运动放大方法获取可方便操作的车辆竖向振动响应时程曲线，即振动响应信号，并针对环境激励特性对车辆振动响应信号进行降噪，从而近一步的提高了检测精度高和检测效率。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种基于视频识别的车重检测方法的流程示意图；
图2为本发明实施例提供的一种基于视频识别的车重检测装置的一种具体实施方式结构图；
图3为本发明实施例提供的一种基于视频识别的车重检测装置的关键点标定模块的一种具体实施方式结构图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在本实施例中，第一自由度质量参数为厂家给出待测车辆相应型号车辆的部分自由度质量参数。
首先，如图1所示，本发明实施例公开了一种基于视频识别的车重检测方法，包括以下步骤：
获取待测车辆的振动视频，从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；
根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；
根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；
根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。
此外，在本实施例中还公开一种基于视频识别的车重检测装置，包括图像采集设备及处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述基于视频识别的车重检测方法的步骤。
在本实施例中还一种计算机可读存储介质，所述计算机可读存储介质上存储有基于视频识别检测车重值的程序，所述基于视频识别检测车重值的程序被处理器执行时实现上述基于视频识别的车重检测方法的步骤。
本发明中的基于视频识别的车重检测方法、装置及存储介质，通过从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。相比起现有的动态称重而言，适用于各种型号车辆的车重值的检测，普适性较强，解决了传统压电应变计检测法难以获取车辆结构各个部件车重分布信息、WIM检测法受检测设备安装位置限制、车载称重法难以管控问题；且操作简单且不会对车辆造成任何损伤，检测成本低。
实施例二：
实施例二是实施例一的优选实施例，其与实施一的不同之处在于，对基于视频识别的车重检测方法进行了细化，具体包括以下步骤：
参见图2，在本实施例中公开了一种基于视频识别的车重检测方法，具体包括以下步骤：
S100：获取待测车辆的振动视频：
使用图像采集设备实时采集待测车辆的振动视频，其中，采集设备可以为交通摄像头，
例如可为HSC(High Speed Camera，高速摄像机)，HSC能准确地表现出车辆的亮度和色彩范围，输出高质量、高帧数的视频；当然，也可采用其他图像采集设备，本申请对此不做任何限定。
S101：从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号：
构建车辆识别模型，其中所述车辆识别模型以RCNN(Regions with CNNfeatures，目标物检测)神经网络为训练框架，以标注有车辆轮廓外形、结构以及车型的处于不同荷载的振动视频为训练样本，以待测车辆的振动视频为输入量，以标注了车辆轮廓外形、结构以及车型的连续帧图像为输出量。
其中，训练样本和待测车辆的振动视频可通过在系统中设置视频采集设备和视频采集卡获取得到。视频采集卡用于将视频信号经过采样量化为视频的数字信号，然后把数字式视频信号送到帧存储器或计算机存储器中进行处理。采用视频采集卡的方式可以实现很高的采样和传输速度，从而达到很高的分辨率和实时性。
针对同一种型号的车辆来说，可预先设置大量不同荷载的实验分组，利用图像采集设备采集试验车辆在行驶试验中(在不同载荷下)处于不同振动状态下的视频，作为样本视频。振动状态的类型越丰富、样本视频越多，则通过理论推导与实验验证所建立的目标车辆关键点位移自动跟踪算法的准确度和精度就越高。
将待测车辆的振动视频输入至预先训练好的车辆识别模型，得到标注有待测车辆的轮廓外形、结构以及车型的连续帧图像；
根据待测车辆的车型从预先设置好的车型-结构参数、自由度质量参数数据库中查找对应车型的结构参数以及第一自由度质量参数，并将对应车型的结构参数以及第一自由度质量参数作为待测车辆的结构参数以及第一自由度质量参数；
采用Mask-RCNN(一种基于目标物识别的图像分割的神经网络)技术语义分割视频图像，根据预先得到该种车型的自由度定点在所述轮廓外形的相对位置，确定待测车辆的自由度定点在各个帧图像的定位坐标；
根据摄像机的投影关系建立转换矩阵消除镜头畸变，将待测车辆的自由度定点在各个帧图像的定位坐标转换至世界坐标系，根据运动的连续性特性和物体像素亮度在连续帧之间不变的假定，使用Lucas-Kanade算法(一种局部差分的光流算法)计算待测车辆的各个自由度定点的动位移时程信号；
对各个自由度的动位移时程信号进行小波分解，并对分解出的高频分量进行软阈值处理，在软阈值处理后，在对分解出的分量进行重构，得到各个自由度的振动响应信号。
在本实施例中，可采用任意一种小波分解降噪方法，通过对不同类型的噪声进行分类并选择合理带宽滤波器。
S102：根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数：
构建待测车辆的振动微分方程，基于所述振动微分方程构建确定-随机的混合型离散状态空间模型；
其中，所述振动微分方程为：
其中，Z为振动响应信号，
为振动响应信号的一阶导数，
为振动响应信号的二阶导数，M为质量矩阵，C为阻尼矩阵，K为刚度矩阵，F为待测车辆的荷载；
所述确定-随机的混合型离散状态空间模型为：
X(k+1)＝AX(k)+Bu(k)+w(k)
式中，X表示状态变量，
上标T为转置因子,k表示时间步，u表示外部激励，Y表示输出向量，A表示传递矩阵，B表示输入矩阵，
表示输出矩阵，D表示前馈矩阵，w表示过程噪音，v表示测量噪音；
其中，
e表示自然常数，Δt表示单位时间变化率；
D＝CM-1B1
M为质量矩阵，K为刚度矩阵，C为阻尼矩阵，B1为系统外部激励的位置矩阵，I为单位矩阵；
将所述振动响应信号构造成Hankel矩阵；
其中，Hankel矩阵为：
式中，H表示Hankel矩阵，H∈R2il×j，R表示实数，j一般为很大的数，Yp对应Hankel矩阵中前i个行块，表示“过去”的行空间，Yf对应Hankel矩阵中后边i个行块，表示“将来”行空间；
使用正交分解法对所述Hankel矩阵进行处理，并将正交分解后的Hankel矩阵中“将来”行空间的信息投影到“过去”的行空间的信息，得到所述Hankel矩阵的投影矩阵；
根据所述Hankel矩阵的投影矩阵与状态变量之间的关系，将所述Hankel矩阵的投影矩阵代入至所述确定-随机的混合型离散状态空间模型中，使用最小二乘法可以求出车辆振动系统的传递矩阵A和输出矩阵C；
将所述传递矩阵A进行特征值分解，得到传递矩阵的特征值矩阵和特征向量矩阵；根据连续系统状态矩阵的特征值与离散系统传递矩阵的特征值的关系，以及连续系统状态矩阵与系统的无阻尼固有频率ωni和阻尼比ξi计算得到系统的无阻尼固有频率ωni和阻尼比ξi；
基于获取的无阻尼固有频率ωni和阻尼比ξi，并根据Φ＝CΨ计算车辆系统振型，其中，Φ为系统振型，Ψ为传递矩阵A的特征向量矩阵，C为系统阻尼矩阵。
在本实施例中，基于SSI模态识别方法，利用前述研究步骤中获取的振动响应信号在合适框架内将信号分解为有限个本征模函数；进行Hilbert变换获得频谱图，从而实现在无法获取激励信号时对移动车辆模态的求解。
S103:根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值：
所述车辆状态模型为：
基于所述振动微分方程，并根据待测车辆的结构参数、振动模态参数构造车辆状态方程：
其中，A为第一状态矩阵，B为第二状态矩阵，Y为状态变量,
为Y的一阶导数；
构造所述车辆状态方程的信号矩阵方程；
所述信号矩阵方程为：
Φ＝(Y(1) Y(2) … Y(N))
Y(k)＝(XT(k) XT(k+1) … XT(k+p))T
Y(k)是由测量的振动响应信号组成的离散状态向量，k∈[1，N]，N是一个比信号矩阵Φ的行数要大得多的正整数，X(k)表示传感器在t＝kΔT时刻测量值，ΔT为传感器的采样时间间隔，p为由系统的自由度个数、测试所用的传感器个数和传感器测得信号的信噪比共同决定的中间参数；
将所述振动响应信号输入至所述信号矩阵方程中，用最小二乘法计算所述信号矩阵方程的传递矩阵；
计算传递矩阵的特征值和特征向量，并用传递矩阵的特征值和特征向量重构状态矩阵；
所述重构后的状态矩阵为
其中，
Λ＝diag(λ1,λ2,λ3,...,λk)
Φ＝diag(φ1,φ22,φ3,...,φk)
Λ*和Φ*分别为矩阵Λ和Φ的共轭矩阵。λ为传递矩阵的特征值，λi为传递矩阵的第i个特征值，其中，i∈[1，k]，k为传递矩阵的特征值的个数，φ为待测车辆的振型，φi为第i个振型，i∈[1，k]。
利用状态矩阵A的各个元素的比例关系求解获得车辆不同自由度质量的比值。
S104:根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重；
根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的各个自由度的质量，得到质量矩阵，再根据求解得到质量矩阵、阻尼矩阵以及车辆振动系统的传递矩阵A求解得到待测车辆的刚度矩阵；进而根据所述质量矩阵、阻尼矩阵、刚度矩阵以及振动响应信号求解待测车辆的荷载，根据质量矩阵算出待测车辆的总重。
如图2所示，本实施例还公开一种基于视频识别的车重检测装置，包括：
全局位移场提取模块，预处理视频，通过对比连续图像在运动前后的散斑图像运用DIC法获得全局位移场；
动位移提取模块，用于获取目标车辆的自由度定点动位移时程曲线；
车辆振动模态识别模块，基于SSI模态识别方法，在合适框架内将信号分解为有限个本征模函数，然后进行Hilbert(希尔伯特)变换获得频谱图，从而实现在无法获取激励信号时对移动车辆模态的求解。
车重计算模块，使用车辆振动模态识别模块提取到的振动模态信息构造车辆状态方程，结合振动信号特征构造出信号矩阵方程，在车辆物理参数不完备的情况下基于车辆振动特性求解车重。
可选的，在本实施例的一些实施方式中，请参阅图3，所述装置还可以包括关键点标定模块，所述关键点标定模块可包括：
背景分离子模块，使用合适阈值对视频进行二值化处理，进而从背景中分离出移动车辆；
像素坐标提取子模块，用于从全局位移场提取模块获得的视频全局位移场中提取目标车辆的自由度定点的像素坐标；
坐标转换模块，建立图像角点与关键点之间的转换关系，再结合视频角点检测算法确定角点初始位置并使用Lucas-Kanade法计算角点位移变化，从而实现在视频中实时跟踪关键点的位移轨迹。
综上所述，本发明中的基于视频识别的车重检测方法、装置及存储介质，通过从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重。相比起现有的动态称重而言，适用于各种型号车辆的车重值的检测，普适性较强，解决了传统压电应变计检测法难以获取车辆结构各个部件车重分布信息、WIM检测法受检测设备安装位置限制、车载称重法难以管控问题；且操作简单且不会对车辆造成任何损伤，检测成本低。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视频识别的车重检测方法，其特征在于，包括以下步骤：
获取待测车辆的振动视频，从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数以及各个自由度的振动响应信号；
根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数；
根据待测车辆的结构参数、振动模态参数构造车辆状态方程，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值；
其中，所述车辆状态方程为：
其中，A为第一状态矩阵，B为第二状态矩阵，X为状态变量，
为X的一阶导数，Z为振动响应信号，
为振动响应信号的一阶导数；
根据所述待测车辆的第一自由度质量参数和所述不同自由度质量的比值计算出待测车辆的车重；
其中，将所述振动响应信号输入至所述车辆状态方程中，迭代求解出待测车辆的不同自由度质量的比值，具体包括以下步骤：
其中，构造所述车辆状态方程的信号矩阵方程，将所述振动响应信号输入至所述信号矩阵方程中，用最小二乘法计算所述信号矩阵方程的传递矩阵；
计算传递矩阵的特征值和特征向量，并用传递矩阵的特征值和特征向量重构状态矩阵；
利用重构后的状态矩阵的各个元素的比例关系求解获得车辆不同自由度质量的比值。
2.根据权利要求1所述的基于视频识别的车重检测方法，其特征在于，从待测车辆的振动视频识别待测车辆的结构参数、第一自由度质量参数，具体包括以下步骤：
将待测车辆的振动视频输入至预先训练好的车辆识别模型，得到待测车辆的车型；
根据待测车辆的车型查找对应车型的结构参数以及第一自由度质量参数，并将对应车型的结构参数以及第一自由度质量参数作为待测车辆的结构参数以及第一自由度质量参数。
3.根据权利要求1所述的基于视频识别的车重检测方法，其特征在于，从待测车辆的振动视频识别待测车辆各个自由度的振动响应信号具体包括以下步骤：
将待测车辆的振动视频连续的各个帧图像依次输入至预先训练好的车辆识别模型，依次得到标注有待测车辆的车型以及轮廓外形的各个帧图像；
根据预先得到该种车型的自由度定点在所述轮廓外形的相对位置，确定待测车辆的自由度定点在各个帧图像的定位坐标；
根据摄像机的投影关系建立转换矩阵消除镜头畸变，将待测车辆的自由度定点在各个帧图像的定位坐标转换至世界坐标系，根据运动的连续性特性和物体像素亮度在连续帧之间不变的假定，使用Lucas-Kanade算法计算待测车辆的各个自由度定点的动位移时程信号；
对各个自由度的动位移时程信号进行小波分解，并对分解出的高频分量进行软阈值处理，在软阈值处理后，在对分解出的分量进行重构，得到各个自由度的振动响应信号。
4.根据权利要求1-3任意一项所述的基于视频识别的车重检测方法，其特征在于，根据待测车辆各个自由度的振动响应信号，并通过SSI模态识别算法计算所述待测车辆的振动模态参数，具体包括以下步骤：
构建待测车辆的振动微分方程，基于所述振动微分方程构建确定-随机的混合型离散状态空间模型；
将所述振动响应信号构造成Hankel矩阵，使用正交分解法对所述Hankel矩阵进行处理，并将处理后的Hankel矩阵作为输出向量输入至所述确定-随机的混合型离散状态空间模型中，使用最小二乘法可以求出待测车辆振动系统的传递矩阵A和输出矩阵
根据连续系统状态矩阵的特征值与离散系统传递矩阵的特征值的关系可求得所述待测车辆振动系统的无阻尼固有频率ωni和阻尼比ξi；
基于获取的无阻尼固有频率ωni和阻尼比ξi，并根据Φ＝CΨ计算待测车辆的振型，其中，Φ为待测车辆的振型，Ψ为传递矩阵A的特征向量矩阵，C为阻尼矩阵。
5.根据权利要求4所述的基于视频识别的车重检测方法，其特征在于，所述振动微分方程为：
其中，Z为振动响应信号，
为振动响应信号的一阶导数，
为振动响应信号的二阶导数，M为质量矩阵，C为阻尼矩阵，K为刚度矩阵，F为待测车辆的荷载；
所述确定-随机的混合型离散状态空间模型为：
X(k+1)＝AX(k)+Bu(k)+w(k)
式中，X表示状态变量，
上标T为转置因子,k表示时间步，u表示外部激励，Y表示输出向量，A表示传递矩阵，B表示输入矩阵，
表示输出矩阵，D表示前馈矩阵，w表示过程噪音，v表示测量噪音；
其中，
e表示自然常数，Δt表示单位时间变化率；
D＝CM-1B1
M为质量矩阵，K为刚度矩阵，C为阻尼矩阵，B1为系统外部激励的位置矩阵，I为单位矩阵。
6.根据权利要求5所述的基于视频识别的车重检测方法，其特征在于，所述信号矩阵方程为：
Ω＝(Y(1) Y(2)…Y(N))
Y(k)＝(XT(k) XT(k+1)…XT(k+p))T
Y(k)是由测量的振动响应信号组成的离散状态向量，k∈[1，N]，N是一个比信号矩阵Ω的行数要大得多的正整数，X(k)表示传感器在t＝kΔT时刻测量值，ΔT为传感器的采样时间间隔，p为由系统的自由度个数、测试所用的传感器个数和传感器测得信号的信噪比共同决定的中间参数；
所述重构后的状态矩阵为
其中，
Λ＝diag(λ1,λ2,λ3,...,λk)
Φ＝diag(φ1,φ2,φ3,...,φk)
Λ*和Φ*分别为矩阵Λ和Φ的共轭矩阵；λ为传递矩阵的特征值，λi为传递矩阵的第i个特征值，其中，i∈[1，k]，k为传递矩阵的特征值的个数，φ为待测车辆的振型，φi为第i个振型，i∈[1，k]。
7.一种基于视频识别的车重检测装置，其特征在于，包括图像采集设备及处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述基于视频识别的车重检测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于视频识别检测车重值的程序，所述基于视频识别检测车重值的程序被处理器执行时实现如权利要求1至6任一项所述基于视频识别的车重检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010874280.4A CN111735523B (zh) | 2020-08-27 | 2020-08-27 | 基于视频识别的车重检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010874280.4A CN111735523B (zh) | 2020-08-27 | 2020-08-27 | 基于视频识别的车重检测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111735523A CN111735523A (zh) | 2020-10-02 |
| CN111735523B true CN111735523B (zh) | 2020-12-15 |
Family
ID=72658816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010874280.4A Active CN111735523B (zh) | 2020-08-27 | 2020-08-27 | 基于视频识别的车重检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111735523B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112504414B (zh) * | 2020-11-27 | 2021-11-12 | 湖南大学 | 基于非接触式测量桥梁动挠度的车辆动态称重方法及系统 |
| CN112539816B (zh) * | 2020-12-03 | 2022-03-01 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
| CN112816043B (zh) * | 2020-12-30 | 2023-01-06 | 北京万集科技股份有限公司 | 一种确定车辆的车型的方法及系统 |
| CN113091866B (zh) * | 2021-04-06 | 2023-08-18 | 深圳市汉德网络科技有限公司 | 一种实时测量汽车载重质量的方法与装置 |
| CN113901920B (zh) * | 2021-10-11 | 2022-10-25 | 华南理工大学 | 结构模态参数识别方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10185665A (ja) * | 1996-12-25 | 1998-07-14 | Sharp Corp | 軸重計測装置 |
| DE102007036991A1 (de) * | 2007-08-06 | 2009-02-12 | Siemens Ag | Verfahren und Vorrichtung zur Lastbestimmung eines in Fahrt befindlichen Fahrzeuges |
| EP3036187A2 (en) * | 2013-08-21 | 2016-06-29 | Bison Group Limited | Container lift and/or weighing system |
| BR102017017613B1 (pt) * | 2017-08-16 | 2023-12-26 | Velsis Sistemas E Tecnologia Viaria S/A | Sistema de monitoramento de pesagem dinâmica e de velocidade de veículos em pista |
| CN111144039B (zh) * | 2019-12-04 | 2023-04-18 | 东南大学 | 一种基于深度学习的列车动态称重系统及称重方法 |
| CN111582288B (zh) * | 2020-05-06 | 2024-05-03 | 武汉理工大学 | 一种基于车身振动模型的非接触式车辆超载识别系统 |
-
2020
- 2020-08-27 CN CN202010874280.4A patent/CN111735523B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111735523A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111735523B (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
| CN110728650A (zh) | 一种基于智能终端的井盖凹陷检测方法及相关设备 | |
| CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
| CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
| CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
| CN111830470B (zh) | 联合标定方法及装置、目标对象检测方法、系统及装置 | |
| CN113808096B (zh) | 一种非接触式的螺栓松动检测方法及其系统 | |
| CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN116680894A (zh) | 一种桥梁车辆荷载效应实时孪生方法 | |
| CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
| CN110349209A (zh) | 基于双目视觉的振捣棒定位方法 | |
| CN114187330A (zh) | 一种基于光流法的结构微幅振动工作模态分析方法 | |
| CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
| CN110263836A (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| JP4918615B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
| CN116416234A (zh) | 一种轨道机车表面缺陷检测方法及系统 | |
| CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
| CN114084764B (zh) | 一种电梯乘运质量检测方法及检测系统 | |
| CN115690150A (zh) | 一种基于视频的多目标位移跟踪监测方法及装置 | |
| CN112116538B (zh) | 一种基于深度神经网络的海洋勘测图像质量增强方法 | |
| CN114299421A (zh) | 检测螺栓松动的方法、卷积神经网络、训练方法及系统 | |
| CN113447111A (zh) | 基于形态分量分析的视觉振动放大方法、检测方法及系统 | |
| Sun et al. | UAV photogrammetry-based accident assessment road condition analysis using image classification | |
| CN112200856A (zh) | 一种基于事件相机的视觉测距方法 | |
| Perry et al. | Measuring traffic-induced loads and 3D bridge displacements with UAVs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |