CN114445404A - 基于亚像素边缘检测的结构振动响应自动识别方法及系统 - Google Patents

基于亚像素边缘检测的结构振动响应自动识别方法及系统 Download PDF

Info

Publication number
CN114445404A
CN114445404A CN202210353110.0A CN202210353110A CN114445404A CN 114445404 A CN114445404 A CN 114445404A CN 202210353110 A CN202210353110 A CN 202210353110A CN 114445404 A CN114445404 A CN 114445404A
Authority
CN
China
Prior art keywords
identified
sub
pixel level
rigid structure
pixel
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.)
Pending
Application number
CN202210353110.0A
Other languages
English (en)
Inventor
孔烜
易金鑫
罗奎
邓露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202210353110.0A priority Critical patent/CN114445404A/zh
Publication of CN114445404A publication Critical patent/CN114445404A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法及系统，包括：从对待识别刚性结构进行视频采集后得到的待识别视频帧中确定感兴趣区域，确定感兴趣区域上的与待识别刚性结构对应的目标亚像素级边缘点；基于目标亚像素级边缘点在第一帧与其他待识别视频帧之间的亚像素级相对位移确定所有目标亚像素级边缘点在所有待识别视频帧之间的实际位移时程，利用层次聚类分析从基于实际位移时程确定的模态中自动识别真实模态，以得到待识别刚性结构的振动响应，本申请基于刚性结构的亚像素级边缘点在第一帧与其他待识别视频帧间的亚像素级相对位移得到实际位移时程，利用层次聚类分析提取真实模态，实现提取的自动化并提高检测的准确率。

Description

基于亚像素边缘检测的结构振动响应自动识别方法及系统
技术领域
本发明涉及结构检测与监测领域，特别涉及一种基于亚像素边缘检测的结构振动响应自动识别方法及系统。
背景技术
桥梁结构在运营期间会受到环境侵蚀、材料劣化、基础沉降、交通荷载反复作用等影响，将会导致结构自身发生损伤，损伤的长期积累使材料性能逐渐发生退化。此外，桥梁结构在正常运营期间还可能遭受车辆（船舶）撞击、台风和地震自然灾害等突发事件的影响，极大地缩短了桥梁结构的使用寿命，对生命财产安全造成了巨大的损失。为了对桥梁工程结构进行实时监测，及时掌握服役期间桥梁结构的各项参数指标的变化情况，桥梁结构健康监测技术成为桥梁工程领域的重要研究方向，其利用各类先进传感技术监测桥梁结构的振动信号，再通过各类信号处理技术识别结构模态参数（固有频率、振型和阻尼比）从而对其性能进行评估。当桥梁结构发生局部损伤时，其固有频率改变通常很小，容易被其他因素掩盖。相对而言模态振型对局部微小损伤较为敏感，其高分辨率全场振型还可以对桥梁结构的局部微小损伤进行定位。因此，实时获取结构的全场振型对于桥梁结构的实时健康监测具有重要研究意义。
目前，桥梁模态参数识别方法主要分为接触式和非接触式2种。接触传感器主要包括加速度计和线性变差传感器，需要通过人工安装在桥梁结构表面的特定位置获取振动响应信号，再通过信号处理技术识别桥梁结构的模态参数。接触式传感器具有安装困难、成本高、测试数据不完备和操作不便等缺点，限制了接触式传感器在桥梁振动响应测量中的应用。此外，接触式传感器仅能获取离散点的位移或加速度响应，无法获取桥梁结构的全场位移和全场振型。
随着计算机视觉技术和图像采集技术的不断发展，高速、高分辨率相机价格不断降低，研究人员开始将计算机视觉技术应用于桥梁振动测量中。目前，基于计算机视觉的桥梁振动测量方法，主要是通过目标跟踪算法跟踪结构表面人工标志物或自然标志物来获取离散点的位移时程响应，难以实现桥梁结构的全场位移测量，无法获取高分辨率全场振型。另外，主流的目标跟踪算法主要是针对柔性结构的大位移的识别，难以适用于例如桥梁结构等刚性结构微小振动的亚像素级小位移的识别。为此，实时识别刚性结构的振动响应，以根据刚性结构振动响应中的全场位移以及全场振型实现对刚性结构的实时健康监测是本领域亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于亚像素边缘检测的结构振动响应自动识别方法及系统，能够通过不在刚性结构上安装接触式传感器的方式，实时识别刚性结构的模态参数以实现对刚性结构的实时健康监测，其具体方案如下：
第一方面，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，包括：
获取对待识别刚性结构进行视频采集后得到的待识别视频帧；
从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；
基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；
基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
可选的，所述获取对待识别刚性结构进行视频采集后得到的待识别视频帧，包括：
获取预设拍摄设备通过互联网传输的对待识别刚性结构进行视频采集后得到的目标视频；
对所述目标视频进行分帧处理，以得到待识别视频帧。
可选的，所述从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，包括：
利用双三次插值法对所述待识别视频帧进行图像放大预处理，以得到预处理后的待识别视频帧；
从所述预处理后的待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域。
可选的，所述确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点，包括：
利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点。
可选的，所述利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点，包括：
利用Canny算子对所述感兴趣区域进行像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有像素级边缘点；
利用预设Zernike矩亚像素边缘检测算法并基于所述所有像素级边缘点计算出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；所述预设Zernike矩亚像素边缘检测算法为将Zernike矩亚像素边缘检测算法中的阶跃函数边缘模型转换为线性斜坡边缘模型后得到的算法。
可选的，所述基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，包括：
确定出所有所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移，以得到所有所述目标亚像素级边缘点的亚像素级位移时程；
利用尺度因子法将所有所述目标亚像素级边缘点的亚像素级位移时程转换为所有所述目标亚像素级边缘点的实际位移时程。
可选的，所述基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，包括：
利用协方差驱动的随机子空间识别方法对所述实际位移时程进行处理，以识别出与所述待识别刚性结构对应的所有模态参数。
第二方面，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别系统，包括：
待识别视频帧获取模块，用于获取对待识别刚性结构进行视频采集后得到的待识别视频帧；
目标亚像素级边缘点确定模块，用于从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；
亚像素级相对位移确定模块，用于基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；
模态参数识别模块，用于基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的基于亚像素边缘检测的结构振动响应自动识别方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于亚像素边缘检测的结构振动响应自动识别方法。
可见，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，包括：获取对待识别刚性结构进行视频采集后得到的待识别视频帧；从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。可见，本申请将刚性结构的亚像素级边缘点作为位移传感器，从而可以基于亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移得到实际位移时程，如此一来，可以避免在刚性结构上安装接触式传感器，降低了安装成本，并且本申请引入亚像素级边缘检测，可以准确计算刚性结构的微小位移，此外，本申请利用层次聚类分析从所有模态参数中剔除伪模态参数，提取真实模态参数，实现了提取的自动化并提高了检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种基于亚像素边缘检测的结构振动响应自动识别方法流程图；
图2为本申请公开的一种具体的基于亚像素边缘检测的结构振动响应自动识别方法流程图；
图3为本申请公开的一种具体的基于亚像素边缘检测的结构振动响应自动识别方法流程图；
图4a为本申请公开的一种阶跃函数边缘模型的结构示意图；
图4b为本申请公开的一种线性斜坡边缘模型的结构示意图；
图5为本申请公开的一种基于Zernike矩的亚像素边缘定位的结构示意图
图6为本申请公开的一种基于亚像素边缘检测的结构振动响应自动识别系统的结构示意图；
图7为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，基于计算机视觉的刚性结构振动测量方法，主要是通过目标跟踪算法跟踪结构表面人工标志物或自然标志物来获取离散点的位移时程响应。难以实现刚性结构的全场位移测量，无法获取高分辨率全场振型。另外，主流的目标跟踪算法主要是针对柔性结构的大位移的识别，难以适用于刚性结构微小振动的亚像素级小位移的识别。为此，实时识别刚性结构的振动响应，以根据振动响应中的全场位移以及全场振型实现对刚性结构的实时健康监测是本领域亟待解决的问题。
为此，本申请实施例提出一种基于亚像素边缘检测的结构振动响应自动识别方案，能够通过不在刚性结构上安装接触式传感器的方式，实时识别刚性结构的振动响应，以根据振动响应中的全场位移以及全场振型实现对刚性结构的实时健康监测。
本申请实施例公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，参见图1所示，该方法包括：
步骤S11：获取对待识别刚性结构进行视频采集后得到的待识别视频帧。
本实施例中，首先获取预设拍摄设备通过互联网传输的对待识别刚性结构进行视频采集后得到的目标视频，然后对所述目标视频进行分帧处理，以得到待识别视频帧。
需要指出的是，由于所述预设设备与互联网进行连接，因此可以实时通过互联网中的计算机视觉技术对预设拍摄设备采集的视频进行处理，也即识别刚性结构的模态参数以实现对刚性结构的实时健康监测。
步骤S12：从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点。
本实施例中，在获取到待识别视频帧后，利用双三次插值法对所述待识别视频帧进行图像放大预处理，以便将所述待识别视频帧对应的图像进行放大，然后从预处理后的待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点。
步骤S13：基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移。
本实施例中，首先定位所有所述目标亚像素级边缘点在所述待识别视频帧中的位置，然后根据每个所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移。
步骤S14：基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
本实施例中，在确定出所述亚像素级相对位移后，基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，具体包括：利用协方差驱动的随机子空间识别方法对所述实际位移时程进行处理，以识别出与所述待识别刚性结构对应的所有模态参数。在得到所有模态参数后，利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数。需要指出的是，聚类分析是一组多变量技术的名称，其主要目的是根据对象所具有的特征对其进行分组，由此产生的对象组(或群集)应该表现出内部的高度同质性和外部的高度异质性。稳定图作为表示模态参数的工具，需要用户手动选择从而分离物理模态和虚假模态，不能解决模态参数自动辨识问题。因此，使用层次聚类分析方法从稳定图中自动选取结构的物理模态。即，通过将协方差驱动的随机子空间识别方法与层次聚类分析进行结合，以实现从所有模态参数中剔除伪模态参数，提取真实模态参数，如此一来可以提高检测的准确率。
可见，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，包括：获取对待识别刚性结构进行视频采集后得到的待识别视频帧；从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。可见，本申请将刚性结构的亚像素级边缘点作为位移传感器，从而可以基于亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移得到实际位移时程，如此一来，可以避免在刚性结构上安装接触式传感器，降低了安装成本，并且本申请引入亚像素级边缘检测，可以准确计算刚性结构的微小位移，此外，本申请利用层次聚类分析从所有模态参数中剔除伪模态参数，提取真实模态参数，实现了提取的自动化并提高了检测的准确率。
本申请实施例公开了一种具体的基于亚像素边缘检测的结构振动响应自动识别方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。参见图2所示，具体包括：
步骤S21：获取对待识别刚性结构进行视频采集后得到的待识别视频帧。
关于步骤S21更加具体的工作过程参见前述公开的实施例所述，在此不做具体赘述。
步骤S22：从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点。
本实施例中，所述利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点具体包括：利用Canny算子对所述感兴趣区域进行像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有像素级边缘点；利用预设Zernike矩亚像素边缘检测算法并基于所述所有像素级边缘点计算出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；需要指出的是，所述预设Zernike矩亚像素边缘检测算法为将Zernike矩亚像素边缘检测算法中的阶跃函数边缘模型转换为线性斜坡边缘模型后得到的算法，本实施例中，由于边缘处的像素值是渐变的，因此将Zernike矩亚像素边缘检测算法中的阶跃函数边缘模型转换为线性斜坡边缘模型可以提高检测的准确度。
步骤S23：基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移。
关于步骤S23更加具体的工作过程参见前述公开的实施例所述，在此不做具体赘述。
步骤S24：确定出所有所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移，以得到所有所述目标亚像素级边缘点的亚像素级位移时程，利用尺度因子法将所有所述目标亚像素级边缘点的亚像素级位移时程转换为所有所述目标亚像素级边缘点的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
本实施例中，在确定出所有目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移，也即在确定出所有所述目标亚像素级边缘点的亚像素级位移时程之后，利用尺度因子法将所有所述目标亚像素级边缘点的亚像素级位移时程转换为所有所述目标亚像素级边缘点的实际位移时程。具体的，每个目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移是指水平和竖向的像素相对位移，所述像素相对位移以像素为单位，在一种具体实施方式中，所述实际位移时程以毫米为单位，是指刚性结构的实际相对位移。在确定出所有所述目标亚像素级边缘点的实际位移时程后，利用协方差驱动的随机子空间识别方法对所述实际位移时程进行处理，以识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
可见，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，包括：获取对待识别刚性结构进行视频采集后得到的待识别视频帧；从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；确定出所有所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移，以得到所有所述目标亚像素级边缘点的亚像素级位移时程，利用尺度因子法将所有所述目标亚像素级边缘点的亚像素级位移时程转换为所有所述目标亚像素级边缘点的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。可见，本申请改进了Zernike矩亚像素边缘检测算法，以提高检测的准确度，此外，本申请将刚性结构的亚像素级边缘点作为位移传感器，从而可以基于亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移得到亚像素级位移时程，进而得到实际位移时程，如此一来，可以避免在刚性结构上安装接触式传感器，降低了安装成本，并且本申请引入亚像素级边缘检测，可以准确计算刚性结构的微小位移，此外，本申请利用层次聚类分析从所有模态参数中剔除伪模态参数，提取真实模态参数，提高了检测的准确率。
图3为本申请公开的一种具体的基于亚像素边缘检测的结构振动响应自动识别方法的流程图。
本申请根据改进的Zernike矩亚像素边缘检测算法对视频帧中的边缘点进行提取，然后通过定位并追踪所有边缘点的运动，计算所有边缘点的水平和竖直方向上的亚像素级全场位移时程响应，最后利用改进的基于协方差驱动的随机子空间算法自动识别结构的频率、全场振型和阻尼比。
参见图3所示，上述实施过程具体包括以下几部分：
Step1：利用高速相机实时拍摄刚性结构的微小振动视频。
Step2：对振动视频进行分帧处理，对视频帧进行灰度化以及高斯去噪处理，采用双三次插值算法对视频帧进行预处理以便将与视频帧对应的图像放大，其原理如下：
构造Bicubic函数，计算各像素点权值：
假设原图像A大小为
Figure 635438DEST_PATH_IMAGE001
，放大后的图像B大小为
Figure 396721DEST_PATH_IMAGE002
，根据比例可以得到像素点
Figure 722660DEST_PATH_IMAGE003
在A上的对应坐标
Figure 885788DEST_PATH_IMAGE004
。在双三次插值法中，选取
Figure 6191DEST_PATH_IMAGE005
附近的16个像素点作为计算目标图像像素点
Figure 723611DEST_PATH_IMAGE006
处灰度值的参数，构造双三次插值函数，计算各像素点权值：
Figure 53574DEST_PATH_IMAGE007
Figure 71208DEST_PATH_IMAGE008
；
式中，
Figure 893671DEST_PATH_IMAGE009
取
Figure 629546DEST_PATH_IMAGE010
，
Figure 500550DEST_PATH_IMAGE011
是像素点
Figure 372691DEST_PATH_IMAGE012
的权值。图像放大后像素点灰度值如下公式进行计算：
Figure 834896DEST_PATH_IMAGE013
；
式中，
Figure 58067DEST_PATH_IMAGE014
是像素点
Figure 263921DEST_PATH_IMAGE015
的灰度值，
Figure 459410DEST_PATH_IMAGE016
是其
Figure 358096DEST_PATH_IMAGE017
方向上的权值，
Figure 802983DEST_PATH_IMAGE018
是其
Figure 812528DEST_PATH_IMAGE019
方向上的权值。
Step3：采用Canny算子提取Step2预处理后图像的像素级边缘点，再在像素级边缘点的基础上使用改进的基于Zernike矩亚像素边缘检测算法获取亚像素级边缘点。
使用Canny算子边缘检测获取像素级边缘点包括以下4步：
（1）降噪：Canny算子中采用高斯滤波来提高边缘检测性能，将原始图像数据与高斯平滑模板进行卷积以消除噪声的影响。
（2）计算图像的梯度方向和幅值。
（3）非极大值抑制：采用局部最优值的方法判定一点是否为边缘点，找到图像所有像素梯度幅值的局部极大值，把剩余非极大值像素梯度幅值过零，并通过数据处理得到局部细化边缘。
（4）双阈值法求解图像边缘：设定一个高阈值和一个低阈值，当像素点梯度幅值大于高阈值将其判定为像素级边缘点，并保留所述边缘像素点；当像素点梯度幅值小于低阈值判定为非像素级边缘点，并将其剔除；当像素点梯度幅值在高阈值和低阈值之间，该像素与梯度幅值高于高阈值的像素相互连接时才能被认定为边缘像素将其保留。
使用改进的基于Zernike矩亚像素边缘检测算法获取亚像素级边缘点包括以下2步：
（1）改进边缘模型：
在基于ZOM亚像素边缘检测算法中，通常采用的边缘模型是图4a所示的阶跃边缘模型，图中
Figure 193349DEST_PATH_IMAGE020
轴与边缘线平行，
Figure 997357DEST_PATH_IMAGE021
轴与边缘线垂直，
Figure 195120DEST_PATH_IMAGE022
轴表示图像灰度值。阶跃模型假定在边缘处图像的灰度值是突变的，然而在实际图像中，边缘处的灰度值是渐变的。因此，本文使用改进的线性斜坡边缘模型，如图4b所示。
假设在一个单位圆中，距离圆心
Figure 946038DEST_PATH_IMAGE023
处的图像灰度值发生变化，理想的边缘扩散函数（Edge Spread Function，ESF）表达式如下所示：
Figure 912857DEST_PATH_IMAGE024
；
式中，
Figure 153346DEST_PATH_IMAGE025
为像素点到边缘线的垂直距离；
Figure 41668DEST_PATH_IMAGE026
为
Figure 393014DEST_PATH_IMAGE025
处的图像灰度值；
Figure 214340DEST_PATH_IMAGE023
为圆心到边缘线的垂直距离；
Figure 625730DEST_PATH_IMAGE027
为边缘宽度控制值；
Figure 798085DEST_PATH_IMAGE028
为阶跃高度；
Figure 890806DEST_PATH_IMAGE029
为背景灰度值。
引入线性斜坡边缘模型后，整个单位圆内的图像灰度值可以表示为分段函数，如下所示：
Figure 97796DEST_PATH_IMAGE030
Figure 614841DEST_PATH_IMAGE031
；
式中，
Figure 274492DEST_PATH_IMAGE032
为整个边缘宽度，当
Figure 170904DEST_PATH_IMAGE033
时可以近似于高斯ESF分布。
（2）亚像素级边缘位置计算：
对边缘模型进行改进后，使用基于Zernike正交矩的方法计算亚像素级边缘位置。二维图像灰度值函数
Figure 966822DEST_PATH_IMAGE034
的n阶m次Zernike矩定义如下所示：
Figure 188856DEST_PATH_IMAGE035
；
式中，
Figure 70224DEST_PATH_IMAGE036
为单位圆内点
Figure 567065DEST_PATH_IMAGE037
的灰度值；
Figure 217489DEST_PATH_IMAGE038
为极坐标系下的Zernike矩核函数。如图5所示，黑实线为单位圆内的一条边缘线，其法线方向
Figure 141582DEST_PATH_IMAGE039
轴与
Figure 713509DEST_PATH_IMAGE040
轴的夹角为
Figure 748461DEST_PATH_IMAGE041
。通过极坐标变换可以将
Figure 253392DEST_PATH_IMAGE042
原始坐标系与边缘方向对齐的
Figure 605177DEST_PATH_IMAGE043
坐标系关联起来，得到原始坐标系下的
Figure 664400DEST_PATH_IMAGE044
和边缘坐标系下的
Figure 503043DEST_PATH_IMAGE045
的关系为：
Figure 331322DEST_PATH_IMAGE046
；
式中，
Figure 597218DEST_PATH_IMAGE047
。
亚像素边缘定位的依据是Zernike矩的旋转不变性。旋转前后图像Zernike矩的模不变，只是相位角发生了变化，利用边缘坐标系下的图像ZOM可以容易地计算出边缘参数（角度
Figure 940475DEST_PATH_IMAGE041
和距离
Figure 582808DEST_PATH_IMAGE023
），从而实现亚像素级边缘定位。
根据坐标变换之后
Figure 265594DEST_PATH_IMAGE048
的虚部
Figure 967970DEST_PATH_IMAGE049
，结合下式可以计算出边缘方向，即边缘线角度为：
Figure 736206DEST_PATH_IMAGE050
；
式中，
Figure 651073DEST_PATH_IMAGE051
为
Figure 516261DEST_PATH_IMAGE052
的虚部，
Figure 121030DEST_PATH_IMAGE053
为
Figure 376562DEST_PATH_IMAGE052
的实部。可以看出，只需要一个Zernike矩
Figure 95119DEST_PATH_IMAGE052
就可以计算出边缘方向。同时，可以得到边缘线离圆心的距离：
Figure 549234DEST_PATH_IMAGE054
；
最终得到单位圆坐标系中的亚像素级边缘点位置为：
Figure 593413DEST_PATH_IMAGE055
。
Step4：在亚像素边缘检测后的图像序列中，定位该区域内所有亚像素级边缘点在视频帧中的位置，计算其在连续视频帧中坐标的变化以得到亚像素级位移时程响应。具体做法如下：对结构振动视频生成的连续帧图像序列，使用上述方法对ROI进行边缘检测，最终得到结构每一帧图像的亚像素级边缘点位置
Figure 132979DEST_PATH_IMAGE056
，从而得到每一个亚像素级边缘点的亚像素级相对位移：
Figure 655227DEST_PATH_IMAGE057
；
Figure 167111DEST_PATH_IMAGE058
；
式中，
Figure 116613DEST_PATH_IMAGE059
和
Figure 143475DEST_PATH_IMAGE060
是亚像素级边缘点每一帧与第一帧间水平和竖向的亚像素级相对位移；
Figure 469414DEST_PATH_IMAGE061
和
Figure 632542DEST_PATH_IMAGE062
是每一帧亚像素级边缘点的坐标，
Figure 752945DEST_PATH_IMAGE063
和
Figure 473295DEST_PATH_IMAGE064
是第一帧亚像素级边缘点的坐标。
利用尺度因子法将Step4中获取的刚性结构ROI所有边缘点的亚像素级相对位移响应转化为实际物理位移。根据结构图像柱宽和结构实际柱宽得到比例因子，从而得到结构的实际位移时程：
Figure 337345DEST_PATH_IMAGE065
；
Figure 354980DEST_PATH_IMAGE066
；
Figure 911863DEST_PATH_IMAGE067
；
Figure 647738DEST_PATH_IMAGE068
；；
式中，
Figure 49901DEST_PATH_IMAGE069
和
Figure 187621DEST_PATH_IMAGE070
是柱的像素宽度和实际宽度；
Figure 915405DEST_PATH_IMAGE071
和
Figure 872997DEST_PATH_IMAGE072
是第一帧中同一高度下柱右侧边缘点横坐标和左侧边缘点横坐标；
Figure 344430DEST_PATH_IMAGE073
是比例因子；
Figure 336657DEST_PATH_IMAGE074
和
Figure 235342DEST_PATH_IMAGE075
是亚像素级边缘点在每一帧与第一帧间水平和竖向的实际相对位移，从而得到亚像素级边缘点的实际位移时程
Figure 945809DEST_PATH_IMAGE076
，
Figure 955354DEST_PATH_IMAGE077
为结构振动视频的总帧数。
Step5：在协方差驱动的随机子空间识别方法的基础上，使用一种新的基于层次聚类算法的稳定图自动分析算法，对持续输出的刚性结构全场位移时程响应进行在线处理，实时识别结构模态参数（固有频率、全场振型和阻尼比），具体过程如下：
（1）协方差驱动的随机子空间识别
协方差驱动的随机子空间识别方法使用离散形式的随机状态空间模型进行模态参数识别，该模型假设激励为白噪声，由以下方程表示：
Figure 802087DEST_PATH_IMAGE078
；
Figure 871674DEST_PATH_IMAGE079
；
式中，
Figure 800928DEST_PATH_IMAGE080
是时刻k的离散时间状态向量；
Figure 614164DEST_PATH_IMAGE081
是一个带采样输出的向量；
Figure 784245DEST_PATH_IMAGE082
是离散状态矩阵；
Figure 759154DEST_PATH_IMAGE083
是离散输出矩阵；
Figure 444213DEST_PATH_IMAGE084
和
Figure 61140DEST_PATH_IMAGE085
分别表示由于建模不准确而产生的模型噪声和由于传感器不准确而产生的测量噪声。
协方差驱动的随机子空间识别方法利用基于结构实测振动响应时间序列的协方差矩阵，矩阵元素由下式计算：
Figure 882465DEST_PATH_IMAGE086
；
式中，
Figure 28276DEST_PATH_IMAGE087
是振动响应采样个数；上标
Figure 935052DEST_PATH_IMAGE088
表示转置。由此组成Toeplitz矩阵：
Figure 90090DEST_PATH_IMAGE089
；
由上述Toeplitz矩阵可以得到矩阵
Figure 765922DEST_PATH_IMAGE082
和
Figure 348213DEST_PATH_IMAGE083
。该方法还通过随机系统的性质进行求解，其中包括奇异值分解和最小二乘方程的求解。最终，识别状态空间模型后，再从矩阵
Figure 742285DEST_PATH_IMAGE082
和
Figure 59870DEST_PATH_IMAGE083
中提取模态参数。
（2）自动选择程序
在稳定图中，所有模型的模态参数估计表示在一起。由于稳定图本身并不能解决模态参数辨识问题；需要用户手动选择极点。本申请使用层次聚类分析从稳定图中自动选取更有可能代表结构的物理模态。
对于一幅稳定图，首先要计算稳定模态之间的相似度。基于固有频率和模态振型估计的相似度量，两个模态参数估计(
Figure 855787DEST_PATH_IMAGE090
和
Figure 608980DEST_PATH_IMAGE091
)之间的距离计算公式如下:
Figure 490348DEST_PATH_IMAGE092
；
式中，
Figure 987189DEST_PATH_IMAGE093
是模态参数估计
Figure 637613DEST_PATH_IMAGE094
的固有频率；
Figure 561706DEST_PATH_IMAGE095
是模态参数估计
Figure 133633DEST_PATH_IMAGE090
和
Figure 168585DEST_PATH_IMAGE091
的模态振型之间的模态保证准则。本申请中，使用了最小距离度量方法来合并模态参数估计，所述最小距离度量方法是指：如果簇中的一个对象和另一个簇中的一个对象之间的距离是所有属于不同簇的对象之间的距离欧氏距离中最小的，则可能被合并，其每个簇可以被簇中所有对象代表，两个簇间的相似度由这两个不同簇中距离最近的数据点对的相似度来确定。
假定有N个模态参数估计要被聚类，其距离矩阵大小N乘N，基于最小距离度量方法的层次聚类的基本过程如下：
① 将每一个模态参数估计视为一簇，计算它们之间的距离，得到初始化距离矩阵。
② 将距离矩阵中
Figure 673516DEST_PATH_IMAGE096
最小的两个簇合并成一个新的簇。
③ 重新计算新的簇与所有其他簇之间的距离
Figure 768511DEST_PATH_IMAGE096
，得到新的距离矩阵。
④ 重复第二步和第三步，直到所有簇之间的距离
Figure 358892DEST_PATH_IMAGE097
为止。
经过以上4步，可以准确得到结构的真实模态参数。
由此可见，本申请将Canny算子与优化边缘模型后的Zernike矩亚像素边缘检测算法结合，实现刚性结构的亚像素级位移提取；提出将刚性结构的所有边缘点作为安装在结构上的密集传感器，将高速相机连接互联网，从而实时输出刚性结构的全场位移时程响应；在协方差驱动的随机子空间识别方法的基础上，使用一种新的基于层次聚类算法的稳定图自动分析算法，对实时输出的刚性结构全场位移进行在线处理，实时自动识别刚性结构固有频率、阻尼比、高分辨率全场振型。需要指出的是，当检测的待识别视频帧数不小于待识别总帧数时，则执行Step5，当检测的待识别视频帧数小于待识别总帧数时，则重新跳转至Step2的步骤。如此一来，本申请不需要在刚性结构上安装追踪目标，也即刚性结构的每一个边缘点都可以作为一个位移传感器，可以得到刚性结构的密集振动响应，从而识别刚性结构高分辨率振型。并且对于刚性结构，位移在图像中可能小于一个像素，像素级边缘检测无法识别出，本申请引入亚像素边缘检测，可以准确计算刚性结构微小位移；最后，本申请通过摄像机链接互联网，可以实时输出刚性结构全场位移时程数据，通过所提出的模态参数自动识别方法，可以在线实时检测刚性结构模态参数，以得到所述待识别刚性结构的振动响应，有利于实时监测刚性结构健康状态。
相应的，本申请实施例还公开了一种基于亚像素边缘检测的结构振动响应自动识别系统，参见图6所示，该系统包括：
待识别视频帧获取模块11，用于获取对待识别刚性结构进行视频采集后得到的待识别视频帧；
目标亚像素级边缘点确定模块12，用于从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；
亚像素级相对位移确定模块13，用于基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；
模态参数识别模块14，用于基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本申请公开了一种基于亚像素边缘检测的结构振动响应自动识别方法，包括：获取对待识别刚性结构进行视频采集后得到的待识别视频帧；从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。可见，本申请将刚性结构的亚像素级边缘点作为位移传感器，从而可以基于亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移得到实际位移时程，如此一来，可以避免在刚性结构上安装接触式传感器，降低了安装成本，并且本申请引入亚像素级边缘检测，可以准确计算刚性结构的微小位移，此外，本申请利用层次聚类分析从所有模态参数中剔除伪模态参数，提取真实模态参数，实现了提取的自动化并提高了检测的准确率。
进一步的，本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、显示屏23、输入输出接口24、通信接口25、电源26、和通信总线27。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于亚像素边缘检测的结构振动响应自动识别方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源26用于为电子设备20上的各硬件设备提供工作电压；通信接口25能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口24，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括计算机程序221，存储方式可以是短暂存储或者永久存储。其中，计算机程序221除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于亚像素边缘检测的结构振动响应自动识别方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于亚像素边缘检测的结构振动响应自动识别方法。
关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本申请书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种基于亚像素边缘检测的结构振动响应自动识别方法、系统、设备、存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，包括：
获取对待识别刚性结构进行视频采集后得到的待识别视频帧；
从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；
基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；
基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
2.根据权利要求1所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述获取对待识别刚性结构进行视频采集后得到的待识别视频帧，包括：
获取预设拍摄设备通过互联网传输的对待识别刚性结构进行视频采集后得到的目标视频；
对所述目标视频进行分帧处理，以得到待识别视频帧。
3.根据权利要求1所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，包括：
利用双三次插值法对所述待识别视频帧进行图像放大预处理，以得到预处理后的待识别视频帧；
从所述预处理后的待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域。
4.根据权利要求1所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点，包括：
利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点。
5.根据权利要求4所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述利用预设算法对所述感兴趣区域进行亚像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点，包括：
利用Canny算子对所述感兴趣区域进行像素级边缘检测，以提取出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有像素级边缘点；
利用预设Zernike矩亚像素边缘检测算法并基于所述所有像素级边缘点计算出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；所述预设Zernike矩亚像素边缘检测算法为将Zernike矩亚像素边缘检测算法中的阶跃函数边缘模型转换为线性斜坡边缘模型后得到的算法。
6.根据权利要求1所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，包括：
确定出所有所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移，以得到所有所述目标亚像素级边缘点的亚像素级位移时程；
利用尺度因子法将所有所述目标亚像素级边缘点的亚像素级位移时程转换为所有所述目标亚像素级边缘点的实际位移时程。
7.根据权利要求1至6任一项所述的基于亚像素边缘检测的结构振动响应自动识别方法，其特征在于，所述基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，包括：
利用协方差驱动的随机子空间识别方法对所述实际位移时程进行处理，以识别出与所述待识别刚性结构对应的所有模态参数。
8.一种基于亚像素边缘检测的结构振动响应自动识别系统，其特征在于，包括：
待识别视频帧获取模块，用于获取对待识别刚性结构进行视频采集后得到的待识别视频帧；
目标亚像素级边缘点确定模块，用于从所述待识别视频帧中确定出所述待识别刚性结构对应的感兴趣区域，并确定出位于所述感兴趣区域上的与所述待识别刚性结构对应的所有目标亚像素级边缘点；
亚像素级相对位移确定模块，用于基于目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的位置变化，计算出所述目标亚像素级边缘点在第一帧所述待识别视频帧与其他所述待识别视频帧之间的亚像素级相对位移；
模态参数识别模块，用于基于所述亚像素级相对位移确定出所有所述目标亚像素级边缘点在所有所述待识别视频帧之间的实际位移时程，并基于所述实际位移时程识别出与所述待识别刚性结构对应的所有模态参数，然后利用层次聚类分析从所述所有模态参数中自动识别出真实模态参数，以得到所述待识别刚性结构的振动响应。
CN202210353110.0A 2022-04-06 2022-04-06 基于亚像素边缘检测的结构振动响应自动识别方法及系统 Pending CN114445404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210353110.0A CN114445404A (zh) 2022-04-06 2022-04-06 基于亚像素边缘检测的结构振动响应自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210353110.0A CN114445404A (zh) 2022-04-06 2022-04-06 基于亚像素边缘检测的结构振动响应自动识别方法及系统

Publications (1)

Publication Number Publication Date
CN114445404A true CN114445404A (zh) 2022-05-06

Family

ID=81360157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210353110.0A Pending CN114445404A (zh) 2022-04-06 2022-04-06 基于亚像素边缘检测的结构振动响应自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN114445404A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993452A (zh) * 2022-07-14 2022-09-02 湖南大学 基于宽带相位运动放大的结构微小振动测量方法与系统
CN117011596A (zh) * 2023-07-11 2023-11-07 中广核工程有限公司 结构运动视觉测量的圆识别及圆心定位方法和装置
CN117473286A (zh) * 2023-12-28 2024-01-30 深圳市城市公共安全技术研究院有限公司 振动时程信号识别方法、系统、装置、设备及存储介质
CN117830777A (zh) * 2023-12-26 2024-04-05 湖南大学 基于多源数据融合的结构全场精细位移识别方法及系统
CN117949131A (zh) * 2024-03-26 2024-04-30 湖南大学 一种拉索全场模态分析和索力识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323209A (zh) * 2013-07-02 2013-09-25 清华大学 基于双目立体视觉的结构模态参数识别系统
CN105865735A (zh) * 2016-04-29 2016-08-17 浙江大学 一种基于视频监控的桥梁振动测试与动力特性识别方法
CN108956614A (zh) * 2018-05-08 2018-12-07 太原理工大学 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
CN110413943A (zh) * 2019-08-06 2019-11-05 海洋石油工程股份有限公司 海洋平台结构模态参数的识别方法
CN111289087A (zh) * 2020-03-06 2020-06-16 兰州理工大学 一种远距离机器视觉振动测量方法及装置
CN113791140A (zh) * 2021-11-18 2021-12-14 湖南大学 基于局部振动响应的桥梁梁底内部无损检测方法和系统
CN114187330A (zh) * 2021-11-19 2022-03-15 中山大学 一种基于光流法的结构微幅振动工作模态分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323209A (zh) * 2013-07-02 2013-09-25 清华大学 基于双目立体视觉的结构模态参数识别系统
CN105865735A (zh) * 2016-04-29 2016-08-17 浙江大学 一种基于视频监控的桥梁振动测试与动力特性识别方法
CN108956614A (zh) * 2018-05-08 2018-12-07 太原理工大学 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
CN110413943A (zh) * 2019-08-06 2019-11-05 海洋石油工程股份有限公司 海洋平台结构模态参数的识别方法
CN111289087A (zh) * 2020-03-06 2020-06-16 兰州理工大学 一种远距离机器视觉振动测量方法及装置
CN113791140A (zh) * 2021-11-18 2021-12-14 湖南大学 基于局部振动响应的桥梁梁底内部无损检测方法和系统
CN114187330A (zh) * 2021-11-19 2022-03-15 中山大学 一种基于光流法的结构微幅振动工作模态分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIUQIANG JIANG 等: "Optical Image Generation and High-precision Line-of-Sight Extraction for Mars Approach Navigation", 《THE JOURNAL OF NAVIGATION》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993452A (zh) * 2022-07-14 2022-09-02 湖南大学 基于宽带相位运动放大的结构微小振动测量方法与系统
CN114993452B (zh) * 2022-07-14 2023-03-24 湖南大学 基于宽带相位运动放大的结构微小振动测量方法与系统
CN117011596A (zh) * 2023-07-11 2023-11-07 中广核工程有限公司 结构运动视觉测量的圆识别及圆心定位方法和装置
CN117011596B (zh) * 2023-07-11 2024-08-13 中广核工程有限公司 结构运动视觉测量的圆识别及圆心定位方法和装置
CN117830777A (zh) * 2023-12-26 2024-04-05 湖南大学 基于多源数据融合的结构全场精细位移识别方法及系统
CN117830777B (zh) * 2023-12-26 2024-09-03 湖南大学 基于多源数据融合的结构全场精细位移识别方法及系统
CN117473286A (zh) * 2023-12-28 2024-01-30 深圳市城市公共安全技术研究院有限公司 振动时程信号识别方法、系统、装置、设备及存储介质
CN117473286B (zh) * 2023-12-28 2024-04-19 深圳市城市公共安全技术研究院有限公司 振动时程信号识别方法、系统、装置、设备及存储介质
CN117949131A (zh) * 2024-03-26 2024-04-30 湖南大学 一种拉索全场模态分析和索力识别方法及系统

Similar Documents

Publication Publication Date Title
CN114445404A (zh) 基于亚像素边缘检测的结构振动响应自动识别方法及系统
Fukuda et al. Vision-based displacement sensor for monitoring dynamic response using robust object search algorithm
Ma et al. Structural displacement estimation by fusing vision camera and accelerometer using hybrid computer vision algorithm and adaptive multi-rate Kalman filter
CN102789642A (zh) 消失方向确定方法和装置、摄像机自标定方法和装置
CN107516322B (zh) 一种基于对数极空间的图像物体大小和旋转估计计算方法
Kromanis et al. Measuring structural deformations in the laboratory environment using smartphones
CN114993452B (zh) 基于宽带相位运动放大的结构微小振动测量方法与系统
CN114782451B (zh) 工件缺陷检测方法、装置、电子设备及可读存储介质
CN115683431B (zh) 基于直线跟踪算法的拉索索力确定方法、装置及设备
CN115661453B (zh) 一种基于下视角相机的塔吊吊物检测分割方法及系统
CN116844147A (zh) 一种基于深度学习的指针式仪表识别和异常警报方法
CN117076928A (zh) 一种桥梁健康状态监测方法、装置、系统及电子设备
CN115761487A (zh) 一种基于机器视觉的中小跨径桥梁振动特性快速识别方法
CN117132649A (zh) 人工智能融合北斗卫星导航的船舶视频定位方法及装置
Lv et al. A point tracking method of TDDM for vibration measurement and large-scale rotational motion tracking
CN118067193A (zh) 一种桥梁稳定状态的监测方法及系统
Zhu et al. A visual measurement method of structural body vibration displacement combined with image deblurring
CN112419287B (zh) 一种建筑挠度确定方法、装置及电子设备
CN111723597A (zh) 跟踪算法的精度检测方法、装置、计算机设备和存储介质
Hang et al. Eulerian fast motion identification algorithm for deformation measurement of cable-stayed bridge
Choi et al. Automated region-of-interest selection for computer-vision-based displacement estimation of civil structures
CN114549768B (zh) 一种三维重建效果检测方法、装置、设备及存储介质
CN115690150A (zh) 一种基于视频的多目标位移跟踪监测方法及装置
CN114279311A (zh) 一种基于惯性的gnss变形监测方法与系统
CN114529815A (zh) 一种基于深度学习的流量检测方法、装置、介质及终端

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220506

RJ01 Rejection of invention patent application after publication