CN115240111A - 一种中小跨径桥梁车流荷载实时反算方法 - Google Patents

Abstract

本发明公开了一种中小跨径桥梁车流荷载实时反算方法，基于YOLO v5和DeepSort的深度学习框架进行机器视觉算法的二次开发，从交通监控视频中实时而准确地获取桥上车辆运行的车道、车速、车型、车轴数等信息；设置信息存储栈，存储两个稳定状态之间的车辆时空运行信息以及对应桥梁动态响应信息；通过引入梯度下降反向传播算法在Moses算法基础上对其系统控制方程进行改进，解决传统的Moses算法控制方程病态问题，从而实现车辆荷载流的实时提取。本发明方法实现对车流量时空信息的实时提取，同时能够结合当地的实际车流信息中车辆车重的统计分布规律，抵抗数据噪声的干扰，避免求解逆矩阵，以更高的精度识别车流量荷载的信息。

Description

一种中小跨径桥梁车流荷载实时反算方法

技术领域

本发明涉及公路桥梁安全监测领域，具体涉及一种中小跨径桥梁车流荷载实时反算方法。

背景技术

如何保障现役桥梁的安全耐久性对于交通基础设施行业是一个亟待解决的事情，而车辆载荷作为作用在桥梁上的基本动荷载之一，对桥梁的耐久性有很大的影响。精准获得桥梁结构经历的车辆载荷信息和车辆的时间、空间分布信息，对重构和预测交通流，进行结构响应分析与预测，评估桥梁结构安全性具有关键作用。

在实际的桥梁交通场景中，车辆具有车流量大、随机性强、车辆类型多等特点。为了获得交通场景中的车重信息，美国学者于上世纪80年代引入桥梁动态称重(BridgeWeigh-In-Motion，简称BWIM)。路面式动态称重系统即当车轮通过道路表面的传感器时，通过测量其动压力从而获得车辆的轴重等信息。但是由于车辆动态称重系统造价高、易损坏、测量车重时效率低下、易阻塞交通等原因并没有广泛普及应用。桥梁动态称重系统则是当车辆经过桥梁时，通过桥梁的动力响应对车重进行反演分析。该方法无需车辆减速，称重效率高；安装便宜、不易损坏、成本低廉等优点，在交通荷载信息计算方面具有较大的优势。目前桥梁动态称重系统是基于Moses算法进行车重反算，该算法的抵抗噪声性能较差，一旦车轴轴距相近时系统控制方程容易出现病态矩阵，导致单个车轴轴重的反算精度较差。同时传统的桥梁动态称重系统大多局限于应用于对于单个车辆的车重反算，无法应用于桥梁场景中车流荷载的提取。因此需要在传统桥梁动态称重系统进行改进。

发明内容

本发明目的：在于提供一种中小跨径桥梁车流荷载实时反算方法，该方法能够依据深度学习的框架实现车流量时空信息的提取，引入BP-Moses算法能够有效抵抗噪声的干扰，通过梯度下降算法将车辆在桥梁上引起的动态响应的实测值与预测值的误差进行反向传播，对车辆轴重进行不断修正，避免了对Moses算法的系统控制方程求解逆矩阵，提高了车辆轴重的识别精度。

为实现以上功能，本发明设计一种中小跨径桥梁车流荷载实时反算方法，针对无支路的目标桥梁上运行的各车辆，执行以下步骤S1-步骤S4，实现车辆荷载流的实时提取：

步骤S1:以摄像机采集目标桥梁上运行的各车辆的视频，通过YOLOv5深度学习算法，对视频中的各车辆进行识别，并在视频中将各车辆的位置进行框选，并检测以当前时刻为起点，向历史时间方向跨越预设时长的时刻下各车辆在视频中的车辆位置信息；

步骤S2:采用目标跟踪算法框架DeepSort，构建城市桥梁车辆追踪模型，基于步骤S1所获得的预设时间点各车辆在视频中的车辆位置信息，预测当前时刻各车辆在视频中的位置；

步骤S3:采用直接线性转换法，基于步骤S1、步骤S2所获得的车辆位置信息，将各车辆在视频中基于像素坐标系的位置转换到世界坐标系中，并求解各车辆的轴间距、车辆的运行速度、车辆在世界坐标系中实际运动的距离，获得目标桥梁上的各车辆的车辆运行信息，车辆运行信息包括车辆车道、车辆速度；

步骤S4:通过桥梁动态传感器，监测当前时刻桥梁动态响应信息，构建当前时刻所对应的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，基于步骤S1至步骤S4的实时执行，进行如下步骤A、步骤B：

步骤A：基于各时刻桥梁动态响应信息、以及所经过的各车辆的车辆运行信息的累积，以目标桥梁上没有车辆经过时作为一个稳定状态，并设置信息存储堆栈，将相邻两个稳定状态之间各时刻的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，存储于信息存储堆栈中；

步骤B:以步骤A所获得的信息存储堆栈中的桥梁动态响应信息、车辆运行信息为输入，以各车辆的车轴轴重为输出，基于Moses算法，通过引入梯度下降反向传播算法，构建车重反算模型，通过预设次数的迭代修正，获得修正好的车重反算模型，应用车重反算模型，实现车辆荷载流的实时提取。

作为本发明的一种优选技术方案：步骤S1的具体步骤如下：

步骤S11:采集目标桥梁上运行的各车辆的视频，将各车辆的视频转化为按时序排列的图像样本，在图像样本中将各车辆的位置进行框选，选取5000帧图像样本构建数据集，其中，将各车辆按照车辆类别和车轴个数分为8个车辆类型，依次为：Sedan car、bus、Minibus、2A truck、3A truck、4A truck、5A truck、6A truck，其中2A truck，2A代表车轴的个数为2，truck代表车辆类别为卡车，Sedan car代表车辆类别为厢式轿车，bus代表车辆类别为客车，Mini bus代表车辆类别为小客车；

步骤S12:以各车辆的图像样本为输入，以车辆类型为训练标签，以

为输出，其中

表示第i个车辆的车辆类型，

分别表示第i个车辆的检测框所在的x轴坐标的最小像素坐标值和最大像素坐标值，

则分别表示第i个车辆的检测框所在的 y轴坐标的最小像素坐标值和最大像素坐标值，对YOLOv5神经网络进行训练，调整YOLOv5神经网络的权重系数，直至各个车辆类型的平均精度达到0.9以上；

步骤S13:通过点

和点

确定车辆i的检测框在像素坐标系中的位置。

作为本发明的一种优选技术方案：步骤S2的具体步骤如下：

步骤S21:读取当前帧图像样本中车辆的检测框的位置以及各检测框图像块的深度特征；

步骤S22:计算各检测框的置信度，根据置信度对各检测框过滤，删除置信度低于预设值的检测框；

步骤S23:若针对同一车辆框选至少两个检测框，则对检测框进行非极大抑制，消除冗余的检测框；

步骤S24:基于卡尔曼滤波方法，预测车辆在当前帧图像样本中的位置。

作为本发明的一种优选技术方案：步骤S3的具体步骤如下：

步骤S31:将图像样本中基于像素坐标系的车辆位置转换到世界坐标系中，具体方法如下：

将像素坐标系xO₁y中的坐标通过下式转化为相机坐标系O₂X_cY_cZ_c中的坐标，其中O₁表示图像坐标系的原点，O₂表示相机坐标系的原点；

其中，f为相机焦距，x、y分别为像素坐标系下的x轴坐标、y轴坐标，X_c、 Y_c、Z_c分别为相机坐标系下的x轴坐标、y轴坐标、z轴坐标；

用矩阵形式表示为：

将相机坐标系O₂X_cY_cZ_c中的坐标通过下式转化为世界坐标系O₃X_wY_wZ_w中的坐标，其中，O₃表示世界坐标系的原点；

式中：R为3×3旋转矩；t为3×1平移矢量；X_w、Y_w、Z_w分别为世界坐标系下的x轴坐标、y轴坐标、z轴坐标；

获得世界坐标系(X_w，Y_w，Z_w)到像素坐标系xO₁y的变换公式如下式：

桥面高度固定，Z_w为常量，令Z_w＝0，矩阵M如下式：

通过矩阵的逆变换，令

分别获得

所对应的世界坐标系下的坐标

步骤S32:根据步骤S31所获得的车辆检测框在世界坐标系的位置信息

通过检测框的中心坐标

判断该车辆所属于的车道信息

表示第i个车辆在第k个车道；

步骤S33:对车辆速度进行检测，具体方法如下：

基于检测框的中心坐标

根据下式，令

计算检测线L₁、检测线L₂：

L₁:a₁X_w+b₁Y_w+c₁＝0

L₂:a₂X_w+b₂Y_w+c₂＝0

并计算判断标识flag如下式：

其中a₁、b₁、c₁、a₂、b₂、c₂均为参数，根据预设桥梁场景和预设摄像机角度进行设定；

当flag≤0时，计算车辆i在检测线L₁和L₂之间经历的实际时间tⁱ如下式：

式中，Aⁱ _m为图像样本初始帧数，Aⁱ _n为图像样本终止帧数，FPS为摄像机的帧频率；

步骤3.4：检测线L₁和L₂之间的实际距离为L，计算车辆i行驶速度vⁱ如下式：

式中tⁱ为车辆i在检测线L₁和L₂之间经历的实际时间。

作为本发明的一种优选技术方案：步骤S4的步骤A具体步骤如下：

步骤S41：采用桥梁动态传感器，监测桥梁动态响应信息，并设置信息存储堆栈，当车辆与目标桥梁开始耦合作用时，信息存储堆栈开始记录车辆的运行信息、桥梁动态响应信息；

步骤S42：当车辆与目标桥梁停止耦合作用时，信息存储堆栈停止记录，并将信息存储堆栈中的车辆的运行信息、桥梁动态响应信息导入步骤S5的车重反算模型中进行车重反算；

步骤S43：将信息存储堆栈置空，后续车辆上桥时，重复步骤S41-步骤S42，信息存储堆栈继续存储车辆的运行信息、桥梁动态响应信息。

作为本发明的一种优选技术方案：所述车辆的运行信息包括图像样本初始帧数Aⁱ _m、图像样本终止帧数Aⁱ _n、车道

车辆行驶速度vⁱ；所述桥梁动态响应信息包括桥梁跨中挠度、桥梁跨中主梁应变、桥梁支座支反力。

作为本发明的一种优选技术方案：步骤S4的步骤B具体步骤如下：

步骤S51：基于Moses算法，计算车辆在目标桥梁上引起的动态响应信号的实测值与预测值的误差E如下式：

E＝(ε^m-Aw)^T(ε^m-Aw)

其中，ε^m表示桥梁动态响应信号的测量值向量矩阵，维度为N_t×1；A表示 N_a个车轴在N_t个时刻下的桥梁跨中影响线系数向量矩阵，维度为N_t×N_a；w表示车轴重量的向量矩阵，维度为N_a×1；

步骤S52：通过梯度下降反向传播算法，调整车轴重量，降低桥梁动态响应信号的实测值与预测值之间的误差，具体如下式：

步骤S53：将降低桥梁动态响应信号的实测值与预测值之间的误差对车辆轴重的偏导数置为0，获得车轴重量矩阵w如下式：

w＝(A^TA)^-1A^Tε^m

步骤S54：根据车辆所属车型的车轴轴重的概率分布关系，对车轴轴重赋初始值w⁰；

步骤S55：求解在第0轮次迭代中，车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差E⁰，按下式对车轴轴重进行迭代修正：

其中，η为学习步长，w^j为第j轮次迭代修正车轴轴重向量矩阵；E^j表示在第j轮次迭代中车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差；

将步骤S52的公式代入上式，化简可以得到：

w^j+1＝w^j-2ηA^T(ε^m-Aw^j)

步骤S56：设置误差限制E^p，重复步骤S55，对车轴轴重进行迭代修正，若 E^j+1<E^p，则结束迭代修正，获得车轴轴重w＝w^j+1。

有益效果：相对于现有技术，本发明的优点包括：

1、本发明方法通过对深度学习框架进行二次开发，选取桥梁交通场景中的监控视频照片制定标签数据集，将车辆按照车型和车轴两个维度进行分类，为后续的车重反算车轴轴重初始化提供了基础。

2、本发明设置车辆信息存储栈的概念，能够充分利用车辆行驶的全程信息与桥梁动力响应信号，普适性较高，可以迁移到其他样本桥梁的车重反算算法中。

3、本发明引入的BP-Moses算法能够避免因车轴的距离过近，导致的系统控制状态方程病态问题，同时能够结合当地的实际车辆车重分布规律，抵抗数据噪声的干扰，避免求解逆矩阵，以更高的精度识别的车流量荷载信息。

附图说明

图1是根据本发明实施例提供的中小跨径桥梁车流荷载实时反算方法流程图；

图2是根据本发明实施例提供的车辆类型分类图；

图3是根据本发明实施例提供的基于机器视觉目标检测识别图；

图4(a)是根据本发明实施例提供的布设传感器的桥梁俯视图；

图4(b)是根据本发明实施例提供的布设传感器的桥梁跨中截面剖面图；

图5是根据本发明实施例提供的三轴车的车轴和车距展示图；

图6是根据本发明实施例提供的桥面测试车道划分图；

图7是根据本发明实施例提供的针对主梁G1跨中测点1应变的影响面图；

图8(a)是根据本发明实施例提供的Moses算法车重和轴重反算结果图；

图8(b)是根据本发明实施例提供的BP-Moses算法车重和轴重反算结果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1，本发明实施例提供的一种中小跨径桥梁车流荷载实时反算方法，针对无支路的目标桥梁上运行的各车辆，执行以下步骤S1-步骤S4，实现车辆荷载流的实时提取：

步骤S1:以摄像机采集目标桥梁上运行的各车辆的视频，通过YOLOv5深度学习算法，对视频中的各车辆进行识别，并在视频中将各车辆的位置进行框选，并检测以当前时刻为起点，向历史时间方向跨越预设时长的时刻下各车辆在视频中的车辆位置信息；

YOLO v5算法的具体应用步骤如下：首先制作训练集，从交通监控视频中，提取车辆照片，按照轴重和轴距将车辆进行划分为8类，如图2所示，依次为 Sedan car、Mini bus、bus、2A truck、3A truck、4A truck、5Atruck、6A truck，然后训练神经网络，将训练数据载入网络训练，调整神经网络的权重系数。最后测试网络，将交通视频信息读入神经网络中，检验识别精度和效率，识别结果如图3所示，在该交通场景下，YOLO v5算法能够将车辆进行识别和分类，车辆识别置信度在0.95以上，车轴识别置信度在以上0.7以上；

步骤S2:采用目标跟踪算法框架DeepSort，构建城市桥梁车辆追踪模型，基于步骤S1所获得的预设时间点各车辆在视频中的车辆位置信息，预测当前时刻各车辆在视频中的位置；

所述DeepSort模型主要是将匈牙利算法、递归的卡尔曼滤波和逐帧的数据关联的单假设结合起来，其中匈牙利算法是实现当前帧图像目标与下一帧图像目标的匹配功能，卡尔曼滤波可以基于目标前一时刻的位置，来预测当前时刻的位置。

步骤S3:采用直接线性转换法，基于步骤S1、步骤S2所获得的车辆位置信息，将各车辆在视频中基于像素坐标系的位置转换到世界坐标系中，并求解各车辆的轴间距、车辆的运行速度、车辆在世界坐标系中实际运动的距离，获得目标桥梁上的各车辆的车辆运行信息，车辆运行信息包括车辆车道、车辆速度；

基于YOLO v5和DeepSort的深度学习框架进行二次开发，由YOLO v5算法进行车辆类型识别中得到，车道信息可以由检测框的对桥面的投影进行判定，车速信息可以通过在路面横向设置两道检测线，利用DeepSort算法将车辆的运行轨迹关联起来，进而得到车辆经过两道检测线之间的时间，然后将检测线的距离除以车辆经过两道检测线的时间，便得到了车辆运行的速度，从而提取出桥梁场景中车流量的时空信号；

步骤S3的具体步骤如下：

步骤S31:将图像样本中基于像素坐标系的车辆位置转换到世界坐标系中，具体方法如下：

将像素坐标系xO₁y中的坐标通过下式转化为相机坐标系O₂X_cY_cZ_c中的坐标，其中O₁表示图像坐标系的原点，O₂表示相机坐标系的原点；

其中，f为相机焦距，x、y分别为像素坐标系下的x轴坐标、y轴坐标，X_c、 Y_c、Z_c分别为相机坐标系下的x轴坐标、y轴坐标、z轴坐标；

用矩阵形式表示为：

将相机坐标系O₂X_cY_cZ_c中的坐标通过下式转化为世界坐标系O₃X_wY_wZ_w中的坐标，其中，O₃表示世界坐标系的原点；

式中：R为3×3旋转矩；t为3×1平移矢量；X_w、Y_w、Z_w分别为世界坐标系下的x轴坐标、y轴坐标、z轴坐标；

获得世界坐标系(X_w，Y_w，Z_w)到像素坐标系xO₁y的变换公式如下式：

M为3×4矩阵，该矩阵有11个未知参数，至少需要通过6个参考点的坐标进行确定，由于桥面高度不变，因此可以将Z_w看作一个常量，令Z_w＝0，因此可以只有8个独立的未知量，需要4个参考点来确定矩阵M，矩阵M如下式：

通过矩阵的逆变换，令

分别获得

所对应的世界坐标系下的坐标

步骤S32:根据步骤S31所获得的车辆检测框在世界坐标系的位置信息

通过检测框的中心坐标

判断该车辆所属于的车道信息

表示第i个车辆在第k个车道；

步骤S33:对车辆速度进行检测，具体方法如下：

基于检测框的中心坐标

根据下式，令

计算检测线L₁、检测线L₂：

L₁:a₁X_w+b₁Y_w+c₁＝0

L₂:a₂X_w+b₂Y_w+c₂＝0

并计算判断标识flag如下式：

其中a₁、b₁、c₁、a₂、b₂、c₂均为参数，根据预设桥梁场景和预设摄像机角度进行设定；

在一个实施例中，检测线L₁(a₁X_w+b₁Y_w+c₁＝0，其中a₁＝0.0358,b₁＝ 1,c₁＝-827.684)和检测线L₂(a₂X_w+b₂Y_w+c₂＝0，其中a₂＝0.0841,b₂＝ 1,c₂＝-649.308)的位置如图4(a)所示，经坐标变换后，如图4(b)所示。

即当检测框的中心坐标

位于检测线L₁和L₂两侧时，flag>0，当检测框的中心坐标

位于检测线L₁和 L₂之间时，flag≤0。因此通过记录flag≤0时摄像机的始末帧数Aⁱ _m和Aⁱ _n便可以得到车辆在检测L₁和L₂之间运行的帧数，因此可以得到车辆在检测线L₁和L₂之间经历的实际时间tⁱ为：

其中，FPS为摄像机的帧频率。

检测线L₁和L₂之间的实际距离为L，计算车辆i行驶速度vⁱ如下式：

其中，L由实际测量得到或者通过场景中的车道线的虚实分布可以得到；

步骤S4:通过桥梁动态传感器，监测当前时刻桥梁动态响应信息，构建当前时刻所对应的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，基于步骤S1至步骤S4的实时执行，进行如下步骤A、步骤B：

步骤A：基于各时刻桥梁动态响应信息、以及所经过的各车辆的车辆运行信息的累积，以目标桥梁上没有车辆经过时作为一个稳定状态，并设置信息存储堆栈，将相邻两个稳定状态之间各时刻的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，存储于信息存储堆栈中；

在一个实施例中，选取典型的箱室桥梁进行仿真实验，图4(a)、图4(b) 分别展示了实验桥梁的俯视图和跨中横截面图。该桥梁是一座纵向跨径30m、横向宽度为13m的简支箱梁桥，由四根宽度为3.25m、高度为1.6的空心箱室梁拼接而成。本BWIM系统通过在跨中主梁(G1、G2、G3、G4)布设应变传感器，进行跨中主梁处测点1、测点2、测点3、测点4沿纵桥向的时程应变响应信号采集，同时在桥尾BB′端处布设摄像头，用来采集运行车辆的时空、车辆类型、车轴等信息。图5展示了本发明选取典型的三轴车进行仿真实验，三个车轴的轴重依次是12t、8t、8t，车轴间距依次是3.8m、1.35m。图6展示了本实例将将桥梁横向划分为六个车道线，测试车辆将车辆中心沿着车道线进行移动。图7展示了本实例下基于主梁G1跨中测点1应变的影响面。

步骤B:以步骤A所获得的信息存储堆栈中的桥梁动态响应信息、车辆运行信息为输入，以各车辆的车轴轴重为输出，基于Moses算法，通过引入梯度下降反向传播算法，构建车重反算模型，通过预设次数的迭代修正，获得修正好的车重反算模型，应用车重反算模型，实现车辆荷载流的实时提取。

步骤B的具体步骤如下：

步骤S51：传统的桥梁动态称重(Bridge Weigh-In-Motion，简称BWIM)系统的车辆重量的算法基本是Moses算法，通过最小化车辆在桥梁上引起的动态响应的实测值与预测值的误差来计算车辆轴重；

基于Moses算法，计算车辆在目标桥梁上引起的动态响应信号的实测值与预测值的误差E如下式：

E＝(ε^m-Aw)^T(ε^m-Aw)

其中，ε^m表示桥梁动态响应信号的测量值向量矩阵，维度为N_t×1；A表示 N_a个车轴在N_t个时刻下的桥梁跨中影响线系数向量矩阵，维度为N_t×N_a；w表示车轴重量的向量矩阵，维度为N_a×1；

步骤S52：通过梯度下降反向传播算法，调整车轴重量，降低桥梁动态响应信号的实测值与预测值之间的误差，具体如下式：

步骤S53：将降低桥梁动态响应信号的实测值与预测值之间的误差对车辆轴重的偏导数置为0，获得车轴重量矩阵w如下式：

w＝(A^TA)^-1A^Tε^m

步骤S54：为了解决Moses算法存在系统控制方程进行矩阵求逆产生的逆不适定问题，本发明提出BP-Moses算法，即通过引入梯度下降反向传播算法在 Moses算法基础上对其系统控制方程进行改进，解决控制方程病态问题。因为已经知道车辆的类型

和该车辆的车轴的个数，因此可以按照该车型的车轴轴重的概率分布关系对车轴轴重进行赋初始值w⁰；

步骤S55：求解在第0轮次迭代中，车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差E⁰，按下式对车轴轴重进行迭代修正：

其中，η为学习步长，w^j为第j轮次迭代修正车轴轴重向量矩阵；E^j表示在第j轮次迭代中车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差；

将步骤S52的公式代入上式，化简可以得到：

w^j+1＝w^j-2ηA^T(ε^m-Aw^j)

步骤S56：设置误差限制E^p，重复步骤S55，对车轴轴重进行迭代修正，若 E^j+1<E^p，则结束迭代修正，获得车轴轴重w＝w^j+1。

在一个实施例中，通过模拟车辆以60km/h的速度在车道1到车道6分别通过，将该六种工况依次是命名为工况1、工况2、...、工况6。图8(a)、图8(b) 显示了上三轴测试车在不同工况下行驶过程中通过Moses算法和BP-Moses算法识别车轴重和车重的百分比误差。由于测试三轴车辆第二个车轴和第三个车轴过近，Moses算法系统控制方程会存在病态性质，导致较大的反算误差。然而本发明提出来的BP-Moses算法通过引入梯度下降法对车轴重量进行修正，能够有效的分离出距离较近的车轴轴重，从而提高了第二个和第三个车轴轴重的识别结果。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种中小跨径桥梁车流荷载实时反算方法，其特征在于，针对无支路的目标桥梁上运行的各车辆，执行以下步骤S1-步骤S4，实现车辆荷载流的实时提取：

步骤S1:以摄像机采集目标桥梁上运行的各车辆的视频，通过YOLOv5深度学习算法，对视频中的各车辆进行识别，并在视频中将各车辆的位置进行框选，并检测以当前时刻为起点，向历史时间方向跨越预设时长的时刻下各车辆在视频中的车辆位置信息；

步骤S2:采用目标跟踪算法框架DeepSort，构建城市桥梁车辆追踪模型，基于步骤S1所获得的预设时间点各车辆在视频中的车辆位置信息，预测当前时刻各车辆在视频中的位置；

步骤S3:采用直接线性转换法，基于步骤S1、步骤S2所获得的车辆位置信息，将各车辆在视频中基于像素坐标系的位置转换到世界坐标系中，并求解各车辆的轴间距、车辆的运行速度、车辆在世界坐标系中实际运动的距离，获得目标桥梁上的各车辆的车辆运行信息，车辆运行信息包括车辆车道、车辆速度；

步骤S4:通过桥梁动态传感器，监测当前时刻桥梁动态响应信息，构建当前时刻所对应的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，基于步骤S1至步骤S4的实时执行，进行如下步骤A、步骤B：

步骤A：基于各时刻桥梁动态响应信息、以及所经过的各车辆的车辆运行信息的累积，以目标桥梁上没有车辆经过时作为一个稳定状态，并设置信息存储堆栈，将相邻两个稳定状态之间各时刻的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，存储于信息存储堆栈中；

步骤B:以步骤A所获得的信息存储堆栈中的桥梁动态响应信息、车辆运行信息为输入，以各车辆的车轴轴重为输出，基于Moses算法，通过引入梯度下降反向传播算法，构建车重反算模型，通过预设次数的迭代修正，获得修正好的车重反算模型，应用车重反算模型，实现车辆荷载流的实时提取。

2.根据权利要求1所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S1的具体步骤如下：

步骤S11:采集目标桥梁上运行的各车辆的视频，将各车辆的视频转化为按时序排列的图像样本，在图像样本中将各车辆的位置进行框选，选取5000帧图像样本构建数据集，其中，将各车辆按照车辆类别和车轴个数分为8个车辆类型，依次为：Sedan car、bus、Minibus、2A truck、3A truck、4A truck、5A truck、6A truck，其中2A truck，2A代表车轴的个数为2，truck代表车辆类别为卡车，Sedan car代表车辆类别为厢式轿车，bus代表车辆类别为客车，Mini bus代表车辆类别为小客车；

步骤S12:以各车辆的图像样本为输入，以车辆类型为训练标签，以

为输出，其中

表示第i个车辆的车辆类型，

分别表示第i个车辆的检测框所在的x轴坐标的最小像素坐标值和最大像素坐标值，

则分别表示第i个车辆的检测框所在的y轴坐标的最小像素坐标值和最大像素坐标值，对YOLOv5神经网络进行训练，调整YOLOv5神经网络的权重系数，直至各个车辆类型的平均精度达到0.9以上；

步骤S13:通过点

和点

确定车辆i的检测框在像素坐标系中的位置。

3.根据权利要求2所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S2的具体步骤如下：

步骤S21:读取当前帧图像样本中车辆的检测框的位置以及各检测框图像块的深度特征；

步骤S22:计算各检测框的置信度，根据置信度对各检测框过滤，删除置信度低于预设值的检测框；

步骤S23:若针对同一车辆框选至少两个检测框，则对检测框进行非极大抑制，消除冗余的检测框；

步骤S24:基于卡尔曼滤波方法，预测车辆在当前帧图像样本中的位置。

4.根据权利要求3所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S3的具体步骤如下：

步骤S31:将图像样本中基于像素坐标系的车辆位置转换到世界坐标系中，具体方法如下：

将像素坐标系xO₁y中的坐标通过下式转化为相机坐标系O₂X_cY_cZ_c中的坐标，其中O₁表示图像坐标系的原点，O₂表示相机坐标系的原点；

其中，f为相机焦距，x、y分别为像素坐标系下的x轴坐标、y轴坐标，X_c、Y_c、Z_c分别为相机坐标系下的x轴坐标、y轴坐标、z轴坐标；

用矩阵形式表示为：

将相机坐标系O₂X_cY_cZ_c中的坐标通过下式转化为世界坐标系O₃X_wY_wZ_w中的坐标，其中，O₃表示世界坐标系的原点；

式中：R为3×3旋转矩；t为3×1平移矢量；X_w、Y_w、Z_w分别为世界坐标系下的x轴坐标、y轴坐标、z轴坐标；

获得世界坐标系(X_w，Y_w，Z_w)到像素坐标系xO₁y的变换公式如下式：

桥面高度固定，Z_w为常量，令Z_w＝0，矩阵M如下式：

通过矩阵的逆变换，令

分别获得

所对应的世界坐标系下的坐标

步骤S32:根据步骤S31所获得的车辆检测框在世界坐标系的位置信息

通过检测框的中心坐标

判断该车辆所属于的车道信息

表示第i个车辆在第k个车道；

步骤S33:对车辆速度进行检测，具体方法如下：

基于检测框的中心坐标

根据下式，令

计算检测线L₁、检测线L₂：

L₁:a₁X_w+b₁Y_w+c₁＝0

L₂:a₂X_w+b₂Y_w+c₂＝0

并计算判断标识flag如下式：

其中a₁、b₁、c₁、a₂、b₂、c₂均为参数，根据预设桥梁场景和预设摄像机角度进行设定；

当flag≤0时，计算车辆i在检测线L₁和L₂之间经历的实际时间tⁱ如下式：

式中，Aⁱ _m为图像样本初始帧数，Aⁱ _n为图像样本终止帧数，FPS为摄像机的帧频率；

步骤3.4：检测线L₁和L₂之间的实际距离为L，计算车辆i行驶速度vⁱ如下式：

式中tⁱ为车辆i在检测线L₁和L₂之间经历的实际时间。

5.根据权利要求4所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S4的步骤A具体步骤如下：

步骤S41：采用桥梁动态传感器，监测桥梁动态响应信息，并设置信息存储堆栈，当车辆与目标桥梁开始耦合作用时，信息存储堆栈开始记录车辆的运行信息、桥梁动态响应信息；

步骤S42：当车辆与目标桥梁停止耦合作用时，信息存储堆栈停止记录，并将信息存储堆栈中的车辆的运行信息、桥梁动态响应信息导入步骤S5的车重反算模型中进行车重反算；

步骤S43：将信息存储堆栈置空，后续车辆上桥时，重复步骤S41-步骤S42，信息存储堆栈继续存储车辆的运行信息、桥梁动态响应信息。

6.根据权利要求5所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，所述车辆的运行信息包括图像样本初始帧数Aⁱ _m、图像样本终止帧数Aⁱ _n、车道

车辆行驶速度vⁱ；所述桥梁动态响应信息包括桥梁跨中挠度、桥梁跨中主梁应变、桥梁支座支反力。

7.根据权利要求5所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S4的步骤B具体步骤如下：

步骤S51：基于Moses算法，计算车辆在目标桥梁上引起的动态响应信号的实测值与预测值的误差E如下式：

E＝(ε^m-Aw)^T(ε^m-Aw)

其中，ε^m表示桥梁动态响应信号的测量值向量矩阵，维度为N_t×1；A表示N_a个车轴在N_t个时刻下的桥梁跨中影响线系数向量矩阵，维度为N_t×N_a；w表示车轴重量的向量矩阵，维度为N_a×1；

步骤S52：通过梯度下降反向传播算法，调整车轴重量，降低桥梁动态响应信号的实测值与预测值之间的误差，具体如下式：

步骤S53：将降低桥梁动态响应信号的实测值与预测值之间的误差对车辆轴重的偏导数置为0，获得车轴重量矩阵w如下式：

w＝(A^TA)^-1A^Tε^m

步骤S54：根据车辆所属车型的车轴轴重的概率分布关系，对车轴轴重赋初始值w⁰；

步骤S55：求解在第0轮次迭代中，车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差E⁰，按下式对车轴轴重进行迭代修正：

其中，η为学习步长，w^j为第j轮次迭代修正车轴轴重向量矩阵；E^j表示在第j轮次迭代中车轴轴重为w^j的车辆在目标桥梁上引起的动态响应信号的预测值与实测值之间的误差；

将步骤S52的公式代入上式，化简可以得到：

w^j+1＝w^j-2ηA^T(ε^m-Aw^j)

步骤S56：设置误差限制E^p，重复步骤S55，对车轴轴重进行迭代修正，若E^j+1<E^p，则结束迭代修正，获得车轴轴重w＝w^j+1。

Images