CN115439514A - 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 - Google Patents

一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 Download PDF

Info

Publication number
CN115439514A
CN115439514A CN202211163107.9A CN202211163107A CN115439514A CN 115439514 A CN115439514 A CN 115439514A CN 202211163107 A CN202211163107 A CN 202211163107A CN 115439514 A CN115439514 A CN 115439514A
Authority
CN
China
Prior art keywords
bridge
vehicle
camera
axle
wide
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
CN202211163107.9A
Other languages
English (en)
Inventor
邓佳宇
崔玉萍
邓露
侯芸
孔煊
何维
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
China Highway Engineering Consultants Corp
Original Assignee
Hunan University
China Highway Engineering Consultants Corp
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, China Highway Engineering Consultants Corp filed Critical Hunan University
Priority to CN202211163107.9A priority Critical patent/CN115439514A/zh
Publication of CN115439514A publication Critical patent/CN115439514A/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
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G06T3/14—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明属于公路桥梁安全监测图像数据识别技术领域，公开了一种宽桥车辆荷载识别方法、识别系统、设备及存储介质。所述方法包括：利用横桥多摄像及桥梁动称重系统采集宽桥面各车道交通车流的实时视频帧图像，并基于多摄像头位置关系进行实时图像融合；通过设置于桥梁每根主梁梁底的应变传感器采集交通车流过桥时的桥梁应变响应；根据交通车流过桥的实时图像融合后的实时视频图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；根据采集到的桥梁应变响应影响面数据计算出多车的轴重和总重。本发明减少由于不正确的车辆位置或影响线校准而引起的轴重识别错误。

Description

一种宽桥车辆荷载识别方法、识别系统、设备及存储介质
技术领域
本发明属于公路桥梁安全监测数据识别技术领域，尤其涉及一种宽桥车辆荷载识别方法、识别系统、设备及存储介质。
背景技术
我国交通运输业发展迅速，随着公路网规模不断扩大，车流量以及行驶速度也随之增长，为了适应城市交通的快速发展和城市道路的不断拓宽，宽梁桥在设计建设中扮演着越来越重要的角色。对于桥梁宽度较大的桥梁，很多问题就相对很突出，一方面宽桥本身交通量复杂，对于超载车辆更容易引发交通事故，另一方面随着桥梁宽度的增大，桥梁稳定性对车辆荷载的分布更敏感。因此，对桥上行驶车辆的重量、速度、数量、类型及时空分布的准确监测便成为治理超限超载的关键，其中应用比较广泛的便是桥梁动态称重技术。
传统桥梁动态称重系统采用安装在桥面板下的两排无车轴探测器FAD(Free ofAxle Detector)，传感器获取车辆的车速和轴距信息。然而实际车辆过桥时受交通警示等不可抗因素的影响，车速总会发生变化，此时假定车辆匀速来确定车辆的位置进而得到相应的影响线数据是不准确的，会导致后续车辆轴重/总重的计算产生较大误差。此外，FAD传感器需安装在桥面板下方，因此其无法应用在某些桥型(如板桥)上，应用范围受限。
传统桥梁动态称重系统采用安装在每根主梁梁底的称重应变传感器测量桥梁梁底应变，计算桥梁响应时假定每根梁具有相同的弹性模量E与截面模量Z，计算车重时只适用于单车过桥的情况。因此，传统桥梁动态称重系统采用的算法有很大的局限性。
近年来，随着硬件升级和软件技术的进步，计算机视觉相关领域的成果逐渐运用到了桥梁安全监测领域中。交通视频可用来实时定位车辆的空间位置、实时监测车速和精确识别轴距。然而，当前的基于计算机视觉的桥梁动态称重技术直接在宽桥上实现将遇到两大瓶颈，一是对于传统桥梁动态称重算法中的常规的影响线标定对于宽桥将不再适用；二是由于宽桥本身的特性带来的普遍的多车之间相互遮挡，车辆变道等复杂交通问题，会出现视频跟踪丢失现象，因此有必要提出一种适用于宽桥车辆荷载识别的方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术计算机视觉技术应用到宽桥车辆定位中由于定位准确度低，因此具有一定局限性。
(2)现有技术桥梁动态称重系统中影响线标定由于标定精度低，因此不适用于宽桥标定，造成对宽桥车辆荷载数据识别准确度差。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种宽桥车辆荷载识别方法、识别系统、设备及存储介质。具体涉及一种基于横桥向多摄像头的宽桥车辆荷载识别方法。
所述技术方案如下：基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，该方法利用安装的横桥多摄像及桥梁动称重系统采集宽桥面各车道交通车流的实时视频帧图像，并基于多摄像头位置关系进行实时图像融合；
通过设置于桥梁每根主梁梁底的应变传感器采集交通车流过桥时的桥梁应变响应，或者通过设置于桥梁每根主梁梁底的位移计或者通过安装在桥梁下部的高分辨率工业相机采集交通车流过桥时的桥梁挠度响应；
根据交通车流过桥的实时图像融合后的实时视频帧图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；
根据采集到的桥梁应变响应或桥梁挠度响应，以及相应位置的影响面数据计算出多车的轴重和总重。
在一个实施例中，该基于横桥向多摄像头的宽桥车辆荷载识别方法具体包括以下步骤：
S1，横桥向多摄像头系统的建立与布置；
S2，横桥向车辆定位摄像装置桥面全景拼接；
S3，横桥向车辆定位摄像装置实时车轴定位；
S4，建立宽桥动态称重系统；
S5，进行宽桥影响面标定；
S6，宽桥车辆荷载识别，并计算轴重、总重。
在一个实施例中，在步骤S1中，横桥向多摄像头系统包括车辆定位摄像装置和车轴探测摄像装置；
横桥向多摄像头系统布置具体包括：
车辆定位摄像装置安装：在宽桥上下桥两端上方搭设交通横梁用于架设车辆定位摄像装置，根据宽桥车道数L，相邻摄像头视角重叠区大小确定摄像头的个数n；根据需要监测的纵桥向范围确定摄像头安装俯视角以及摄像头安装高度，摄像头光轴中心线在同一平面上；
车轴探测摄像装置安装：在宽桥两侧各自安装摄像头基于立体视觉技术识别车辆车轴信息。
在一个实施例中，在步骤S2中，横桥向车辆定位摄像装置桥面全景拼接具体包括以下步骤：
Step1：建立单摄像头场景定位模型
采集桥面车辆目标视频帧图像，识别图像中目标所在区域，通过深度学习目标检测算法获得车辆目标对象的质心像素坐标，根据相机内部参数和透视投影几何关系获得观测点在相机坐标系下的深度信息，再根据刚体变换计算观测点在桥面世界坐标系下的三维坐标信息；
Step2：单摄像头场景相机参数标定
(1)内部参数标定：相机内部参数，主要有相机的x轴和y轴焦距、图像的成像中心的偏移量，采用matlab的相机标定工具箱来进行摄像头的内参标定，表达式为：
Figure BDA0003860966310000031
K为相机的内参矩阵，其中fx为图像x方向的归一化焦距，fy为图像y方向归一化焦距，cx,cy为图像坐标系原点在像素坐标系中的坐标位置；
(2)外部参数标定：外参矩阵描述的是相机坐标系与世界坐标系之间的转换关系，两个坐标系之间的转换主要包括绕三个轴的旋转、沿着三个轴的平移；
绕X轴旋转θ的旋转矩阵：
Figure BDA0003860966310000032
绕Y轴旋转θ的旋转矩阵：
Figure BDA0003860966310000033
绕Z轴旋转θ的旋转矩阵：
Figure BDA0003860966310000034
总的旋转矩阵为R＝RZRYRX，总的平移矩阵为R＝[TXTYTZ]T；
(3)摄像头布置参数标定：根据摄像头的布置方式，采用标定板标定方式或者直接量测的方式获取摄像头距离桥面高度和摄像头的俯仰角；
Step3：坐标系转换
(1)相机坐标系和图像坐标系下物体坐标转换公式如下：
Figure BDA0003860966310000041
式中，u和v是图像坐标系中点的x轴和y轴像素坐标，其原点是图像的左上角顶点，x轴朝右、y轴朝下是正方向，ZC是在相机坐标系下的z轴坐标，fx和fy分别是x轴和y轴像素焦距，单位为pixel；Cx和Cy是图像的中心点ol的像素坐标，也就是以图像左上角顶点作为原点，相机坐标系的光心在图像上成像的点；
(2)相机坐标系和世界坐标系下物体坐标可按照下式转换：
Figure BDA0003860966310000042
Step4：构建横桥向桥面统一世界坐标系
(1)通过上述步骤实现横桥向各个摄像头单场景下的相机标定，从而获得单个摄像头图像坐标与世界坐标系之间的坐标转换矩阵，定义桥面统一世界坐标系为第一个子世界坐标系所在的空间位置；
(2)通过标定板对相邻两摄像头之间重叠区域进行标定获取相邻两摄像头局部世界坐标系之间的坐标转换矩阵；
(3)通过步骤(2)构建出摄像头N到桥面统一世界坐标系的转换矩阵。
Step5：横桥向多摄像头桥面全景图构建
(1)提取各摄像头获取的当前帧图片；
(2)对同一场景下多张图片进行图像配准：包括SIFT算法进行特征点检测；当提取SIFT算法的特征后，在参考图像和待配准图像中提取正确的匹配特征点；
(3)在获得2幅图像的精确匹配特征点对后可根据式图像变换关系求解出单应性矩阵可将待配准图像I＇算法变换为与参考图像I相同的坐标系下；
(4)将待配准图像I＇与参考图像I转换为同一坐标系后，选择适当的图像融合方法来完成图像拼接。
在一个实施例中，在步骤S3中，基于车辆定位摄像装置视频信息，结合卡尔曼滤波进行车辆位置实时跟踪；基于跨摄像头目标车辆重识别技术，将车轴探测摄像装置识别的车轴信息融合到车辆定位摄像装置信息中，进行车辆车轴的实时定位；
在步骤S5中，宽桥影响面标定包括：
其中，根据采集到的桥梁应变响应进行宽桥影响面标定，包括以下步骤：
(S5.1)宽桥车道编号Pn，n＝1，2，…N，N为宽桥的总车道数，宽桥车道线编号为Lm，m＝1，2，…N+1，宽桥主梁编号为g，g＝1，2，…G，G为宽桥主梁的总根数；
(S5.2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道线直线行驶，共进行N-2轮；
(S5.3)摄像头获取标定车实时的纵桥向位置，第g根主梁上的应变传感器实时采集桥梁仅在标定车通过时的应变响应；
标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure BDA0003860966310000051
表示第n条车道线的横向位置，
Figure BDA0003860966310000052
表示第n条车道中心线的横向位置，统一记为Xi，i＝1，2，…2N-1；桥梁第g根主梁实测应变响应记为
Figure BDA0003860966310000053
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应；
(S5.4)计算第g主梁对应的理论响应值：
Figure BDA0003860966310000054
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure BDA0003860966310000055
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0；
根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure BDA0003860966310000056
中的y用采样次数Q代替，记作
Figure BDA0003860966310000057
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure BDA0003860966310000058
(S5.5)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure BDA0003860966310000059
(S5.6)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure BDA0003860966310000061
(S5.7)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure BDA0003860966310000062
其中：
Figure BDA0003860966310000063
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
在一个实施例中，所述根据采集到的桥梁应变响应或桥梁挠度响应，包括以下步骤：
1)宽桥车道编号Pn，n＝1，2，…，N，N为宽桥的总车道数，宽桥车道线编号Lm，m＝1，2，…，N+1，宽桥主梁编号g，g＝1，2，…，G，G为宽桥主梁的总根数；
2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道线直线行驶，共进行N-2轮。
3)与此同时，摄像头获取标定车实时的纵桥向位置，用工业相机采集第g根主梁仅在标定车通过时的挠度响应。
标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure BDA0003860966310000064
表示第n条车道线的横向位置，
Figure BDA0003860966310000065
表示第n条车道中心线的横向位置，统一记为Xi，i＝1，2，…2N-1；桥梁第g根主梁实测应变响应记为
Figure BDA0003860966310000066
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应；
4)计算第g主梁对应的理论响应值：
Figure BDA0003860966310000067
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure BDA0003860966310000068
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0；
视频采集设备是以恒定时间间隔为一帧进行采样，为了矩阵表达的方便性，根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure BDA0003860966310000071
中的y就可以用采样次数Q代替，记作
Figure BDA0003860966310000072
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure BDA0003860966310000073
5)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure BDA0003860966310000074
6)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure BDA0003860966310000075
7)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure BDA0003860966310000076
其中：
Figure BDA0003860966310000077
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
在一个实施例中，在步骤S6中，宽桥车辆荷载识别，计算轴重、总重的具体步骤包括：
其中，所述根据采集到的桥梁应变响应和相应位置的影响面数据计算出桥面上车辆的轴重，包括以下步骤：
Step1：获取每辆车辆过桥时宽桥每根梁实测应变响应εg，m；结合标定的每根梁的影响面数据，以及车辆车轴在桥面上的实时空间位置计算理论应变响应εg，t；
Figure BDA0003860966310000081
其中，
Figure BDA0003860966310000082
Figure BDA0003860966310000083
为第K次采样第g根主梁的理论应变响应，P为桥上的车辆数，K为采用次数，矩阵
Figure BDA0003860966310000084
是由标定的桥梁影响面和第P辆车的实际车轴位置计算出来的；
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure BDA0003860966310000085
其中，
Figure BDA0003860966310000086
Figure BDA0003860966310000087
为第K次采样第g根主梁的实测应变响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·εg，m
在获得所有车辆车轴的轴重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重，表示为GVW；
其中，所述根据采集到的桥梁挠度响应和相应位置的影响面数据计算出桥面上车辆的轴重，包括以下步骤：
Step1：获取每辆车辆过桥时宽桥每根梁实测挠度响应εg，m；结合标定的每根梁的影响面数据，以及车辆、车轴在桥面上的实时空间位置计算理论挠度响应εg，t；
Figure BDA0003860966310000088
其中，
Figure BDA0003860966310000089
Figure BDA00038609663100000810
为第K次采样第g根主梁的理论挠度响应，P为桥上的车辆数，K为采用次数，矩阵
Figure BDA00038609663100000811
是由桥梁影响面和第p辆车的实际车轴位置计算出来的。
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure BDA00038609663100000812
其中，
Figure BDA00038609663100000813
Figure BDA00038609663100000814
为第K次采样第g根主梁的实测挠度响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·wg，m
在获得所有车辆车轴的权重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重GVW。
本发明的另一目的在于提供一种实施基于横桥向多摄像头的宽桥车辆荷载识别方法的基于横桥向多摄像头宽桥车辆荷载识别系统，所述基于横桥向多摄像头宽桥车辆荷载识别系统包括：
横桥多摄像及桥梁动称重系统，用于采集宽桥面各车道交通车流的实时视频帧图像；并基于多摄像头位置关系进行实时图像融合；
应变传感器，通过设置于桥梁每根主梁梁底采集交通车流过桥时的桥梁应变响应；
位移计，设置于桥梁每根主梁梁底的位移计采集交通车流过桥时的桥梁挠度响应；
摄像头，安装在桥梁下部的采集交通车流过桥时的桥梁挠度响应；
多车的轴重和总重计算模块，用于根据交通车流过桥的实时图像融合后的实时视频图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；根据采集到的桥梁应变响应或桥梁挠度响应，和相应位置的影响面数据计算出多车的轴重和总重。
本发明的另一目的在于提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实施基于横桥向多摄像头的宽桥车辆荷载识别方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于横桥向多摄像头的宽桥车辆荷载识别方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
为解决上述计算机视觉技术应用到宽桥车辆定位的局限性，同时解决传统桥梁动态称重系统中影响线标定不适用于宽桥标定的问题，本发明提出了一种基于横桥向多摄像头的宽桥车辆荷载识别方法。该方法能够根据横桥向多摄像头视频信息协同实时定位车辆的空间位置，通过桥梁影响面标定，基于车辆实时空间位置的桥梁动态称重算法来实现宽桥车辆荷载识别。
第二，把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明的基于车辆多摄像头的宽桥车辆荷载识别方法，能够根据横桥向多摄像头交通视频实时定位车辆的空间位置，通过基于车辆实时空间位置的桥梁动态称重算法来实现交通车流过桥的高精度车辆轴重、总重检测，有助于后续统计交通数据以及桥梁设计优化、安全评估和维护策略。
本发明的基于车辆多摄像头的宽桥车辆荷载识别方法，有效解决了现有的桥梁动态称重系统不适用交通车流下宽桥车辆荷载识别的瓶颈。多个摄像头共同识别目标，结果准确，且解决了单个摄像头在遮挡场景下出现跟踪丢失的问题。由于车辆定位模块可以提供车辆全桥面的实时空间位置，在计算车辆轴重、总重时可充分利用影响面的数据来建立超定方程组，减少由于不正确的车辆位置或影响线校准而引起的轴重识别错误。
在优选方案中，本发明的基于车辆多摄像头的宽桥车辆荷载识别方法，在桥梁标定试验时计算，可以给出宽桥更加精确的影响面。大大突破了现有桥梁动态称重系统算法只适用于一维线性窄桥的限制，可以应用于任意类型桥梁并能得到精度更佳的结果。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：我国的公路里程大幅增长，高速公路里程已达世界第一，已达到国家公路网规划(2013年-2030年)目标。未来，除公路里程的拓展外，会更加重视对现有公路的养护，“治超”行动即是重要体现。桥梁动态称重系统是我国公路桥梁超载治理一个重要应用领域，公路里程的增加需要先进的监控、管理系统来进行资源综合管理，这为动态称重行业的发展提供了强大的市场需求。其称重系统的维护和应用效果，决定了产品系统的青睐程度，意味着能否更广泛的在我国公路桥梁超载治理中推广开来。本发明专利提供的横桥向多摄像头宽桥车辆荷载识别技术，为未来公路桥梁超载治理，桥梁荷载监测提供了新的思路。作为桥梁动态称重的一个新拓展，在交通车流通过宽桥场景下，能够根据横桥向多摄像头交通视频实时定位车辆的空间位置，通过基于车辆实时空间位置的桥梁动态称重算法来实现交通车流过桥的高精度车辆轴重、总重检测。本技术方案转化后可产生巨大的潜在经济效益，做成一个公路桥梁超载治理系统以及桥梁健康监测系统的商业价值很大，其市场规模将过亿级。
(2)本发明的技术方案填补了国内外业内技术空白：未见有将利用横桥向多摄像头视频信息融合以及结合影响面标定来实时监测交通车流下宽桥车辆荷载识别的技术方案。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：当前的基于计算机视觉的桥梁动态称重技术直接在宽桥上实现将遇到两大瓶颈，一是对于传统桥梁动态称重算法中的常规的影响线标定对于宽桥将不再适用；二是由于宽桥本身的特性带来的普遍的多车之间相互遮挡，车辆变道等复杂交通问题，会出现视频跟踪丢失现象。本发明的基于车辆多摄像头的宽桥车辆荷载识别方法，有效解决了现有的桥梁动态称重系统不适用交通车流下宽桥车辆荷载识别的瓶颈。多个摄像头共同识别目标，结果准确，且解决了单个摄像头在遮挡场景下出现跟踪丢失的问题。由于车辆定位模块可以提供车辆全桥面的实时空间位置，在计算车辆轴重、总重时可充分利用影响面的数据来建立超定方程组，减少由于不正确的车辆位置或影响线校准而引起的轴重识别错误。
(4)本发明的技术方案克服了技术偏见：本技术方案克服了现有的桥梁动态称重系统不适用交通车流下宽桥车辆荷载识别的瓶颈。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的基于横桥向多摄像头的宽桥车辆荷载识别方法流程图；
图2是本发明实施例提供的是本发明实施例提供的基于横桥向多摄像头的宽桥车辆荷载识别方法原理图；
图3是本发明实施例提供的在桥梁上安装横桥向多摄像头系统和桥梁动态称重系统示意图；
图4是本发明实施例提供的基于单目相机标定技术构建横桥向每个摄像头交通场景标定空间模型示意图；
图5是本发明实施例提供的建立横桥向各摄像头子世界坐标系旋转平移关系图；
图6是本发明实施例提供的基于横桥向多摄像头宽桥车辆荷载识别系统示意图；
图中：A1、第一车辆定位摄像装置；A2、第二车辆定位摄像装置；A3、第三车辆定位摄像装置；B1、第一车轴探测摄像装置；B2、第二车轴探测摄像装置；C1、第一高清工业相机；C2、第二高清工业相机；C3、第三高清工业相机；1、横桥多摄像及桥梁动称重系统；2、应变传感器；3、位移计；4、摄像头；5、多车的轴重和总重计算模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
一、解释说明实施例：
本发明实施例提供的基于横桥向多摄像头宽桥车辆荷载识别方法利用安装的横桥多摄像及桥梁动称重系统1采集宽桥面各车道交通车流的实时视频帧图像，并基于多摄像头位置关系进行实时视频帧图像融合；
通过设置于桥梁每根主梁梁底的应变传感器2采集交通车流过桥时的桥梁应变响应，或者通过设置于桥梁每根主梁梁底的位移计3或者安装在桥梁下部的摄像头4采集交通车流过桥时的桥梁挠度响应；
根据交通车流过桥的实时图像融合后的实时视频帧图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；根据采集到的桥梁应变响应或桥梁挠度响应，和相应位置的影响面数据计算出多车的轴重和总重。
如图1所示本发明实施例提供的基于横桥向多摄像头的宽桥车辆荷载识别方法包括以下步骤：
S101，进行横桥向多摄像头4布置；
S102，进行横桥向车辆定位摄像装置横桥向桥面全景拼接；
S103，横桥向车辆定位摄像装置实时车辆定位；
S104，车轴探测摄像装置获取目标车辆车轴信息；
S105，车辆车轴信息与车辆位置信息融合；
S106，建立宽桥动态称重系统；
S107，进行宽桥影响面标定；
S108，宽桥车辆荷载识别，并计算轴重、总重。
实施例1
如图2所示，本发明实施例提供一种基于横桥向多摄像头的宽桥车辆荷载识别方法包括以下步骤：
如图3所示，在桥梁上安装横桥向多摄像头系统和桥梁动态称重系统，横桥向多摄像头系统用于构建横桥向桥面全景图，实时获取车辆的轴距，轴数和位置信息，桥梁动态称重系统用于识别车辆总重，轴重。
步骤一：横桥向多摄像头4布置
(1.1)在桥梁起始位置任意一端架设交通横梁，安装三台高清摄像机(编号为第一车辆定位摄像装置A1，第二车辆定位摄像装置A2，第三车辆定位摄像装置A3)，命名为车辆定位摄像装置，保证相邻的摄像机覆盖区域具有影像重叠，各摄像头4光轴中心线在同一平面内。
其中，第一车辆定位摄像装置A1，第二车辆定位摄像装置A2，第三车辆定位摄像装置A3分别安装在第一高清工业相机C1，第二高清工业相机C2，第三高清工业相机C3上；
(1.2)在交通横梁梁端安装二台高清摄像机(编号为第一车轴探测摄像装置B1，第二车轴探测摄像装置B2)，命名为车轴探测摄像装置，摄像头4光轴中线尽可能偏向桥面中心。桥梁主梁G梁底中间位置安装有应变传感器2。
步骤二：横桥向车辆定位摄像装置桥面全景图像拼接
(2.1)单摄像头场景定位模型的建立
采集桥面车辆目标视频帧图像，识别图像中目标所在区域，通过深度学习目标检测算法获得车辆目标对象的质心像素坐标。根据相机内部参数和透视投影几何关系获得观测点在相机坐标系下的深度信息，再根据刚体变换计算观测点在桥面(世界)坐标系下的三维坐标信息。
(2.2)单摄像头场景相机参数标定
(1)内部参数标定：相机内部参数，主要有相机的x轴和y轴焦距、图像的成像中心的偏移量。可以采用matlab的相机标定工具箱来进行摄像头4的内参标定。
Figure BDA0003860966310000131
K为相机的内参矩阵，其中fx为图像x方向的归一化焦距，fy为图像y方向归一化焦距，cx,cy为图像坐标系原点在像素坐标系中的坐标位置；
(2)外部参数标定：外参矩阵描述的是相机坐标系与世界坐标系之间的转换关系。两个坐标系之间的转换主要包括绕三个轴的旋转、沿着三个轴的平移。
绕X轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000132
绕Y轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000133
绕Z轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000134
总的旋转矩阵为R＝RZRYRX，总的平移矩阵为R＝[TXTYTZ]T；
(3)摄像头4布置参数标定：根据摄像头4的布置方式，采用标定板标定方式或者直接量测的方式获取摄像头4距离桥面高度和摄像头4的俯仰角。
(2.3)坐标系转换
(1)相机坐标系和图像坐标系下物体坐标可按照下式转换：
Figure BDA0003860966310000141
式中，u和v是图像坐标系中点的x轴和y轴像素坐标，其原点是图像的左上角顶点，x轴朝右、y轴朝下是正方向，ZC是在相机坐标系下的z轴坐标，fx和fy分别是x轴和y轴像素焦距，单位为pixel；Cx和Cy是图像的中心点ol的像素坐标，也就是以图像左上角顶点作为原点，相机坐标系的光心在图像上成像的点。
(2)相机坐标系和世界坐标系下物体坐标可按照下式转换：
Figure BDA0003860966310000142
(2.4)构建横桥向桥面统一世界坐标系
(1)通过上述步骤实现横桥向各个摄像头单场景下的相机标定，从而获得单个摄像头图像坐标与世界坐标系之间的坐标转换矩阵，定义桥面统一世界坐标系为第一个子世界坐标系所在的空间位置。
(2)通过标定板对相邻两摄像头之间重叠区域进行标定获取相邻两摄像头局部世界坐标系之间的坐标转换矩阵。
(3)通过步骤(2)可以构建出摄像头N到桥面统一世界坐标系的转换矩阵。
步骤三：横桥向摄像头视频帧图像融合：
(3.1)提取各摄像头获取的当前帧图片；
(3.2)对同一场景下多张图片进行图像配准：
(3.2.1)用包括但不限于SIFT算法进行特征点检测；
(3.2.2)当提取SIFT的特征描述等后，需要在参考图像和待配准图像中提取正确的匹配特征点。
(3.3)在获得2幅图像的精确匹配特征点对后，可根据式图像变换关系求解出单应性矩阵可将待配准图像I＇变换为与参考图像I相同的坐标系下。
(3.4)将待配准图像I＇与参考图像I转换为同一坐标系后，选择适当的图像融合方法来完成图像拼接。
步骤四：横桥向车辆定位摄像装置实时车辆定位：
(4.1)跨摄像头车辆目标检测：
使用包括但不限于yolov5等目标检测算法分别对摄像头A1，A2，A3交通视频帧图像进行车辆二维目标检测，获取车辆二维包围框中心点的图像坐标，先将其转换为对应摄像头场景中的世界坐标，再将其统一至摄像头A1世界坐标系中。
(4.2)跨摄像头车辆目标跟踪：
在目标车辆检测的基础上，可对车辆目标提取特征点进行实时跟踪。当目标车辆通过相邻两个摄像机的重叠区域时，通过车辆特征点关联匹配来确定是否为同一车辆，从而完成跨摄像头的车辆目标持续跟踪。
步骤五：车轴探测摄像装置获取目标车辆车轴信息：
使用包括但不限于yolov5等目标检测算法分别对摄像头B1，B2交通视频帧图像进行目标车辆轮胎检测，检测结果包括车辆目标轮胎二维包络框中心点图像坐标，在基于单目相机标定将其转换为世界坐标，从而间接得到车辆轴数，轴距信息。
步骤六：车辆车轴信息与车辆位置信息融合：
通过车辆特征点，将从车辆定位摄像装置中检测到的车辆目标与车轴探测摄像装置中检测到的车辆目标匹配，从而将车辆的位置信息和轴距，轴数信息融合。
步骤七：建立宽桥动态称重系统：
在宽桥每根主梁跨中底部安装应变传感器2，获取交通车流过桥的桥梁应变响应
步骤八：进行宽桥影响面标定，采用一辆已知轴重和轴距的标定车依次沿桥面不同的横向位置直线行驶，具体方式如下：
(8.1)宽桥车道编号Pn，n＝1，2，…N，N为宽桥的总车道数，宽桥车道线编号为Lm，m＝1，2，…N+1，宽桥主梁编号为g，g＝1，2，…G，G为宽桥主梁的总根数。
(8.2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道车直线行驶，共进行N-2轮。
(8.3)与此同时，摄像头获取标定车实时的纵桥向位置，第g根主梁上的应变传感器2实时采集桥梁仅在标定车通过时的应变响应。
(8.4)标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure BDA0003860966310000151
Figure BDA0003860966310000152
表示第n条车道线的横向位置，
Figure BDA0003860966310000153
表示第n条车道中心线的横向位置，统一记为Xi，i＝1，2，…2N-1；桥梁第g根主梁实测应变响应记为
Figure BDA0003860966310000161
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应。
(8.5)计算第g主梁对应的理论响应值：
Figure BDA0003860966310000162
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure BDA0003860966310000163
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0；
视频采集设备是以恒定时间间隔为一帧进行采样，为了矩阵表达的方便性，根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure BDA0003860966310000164
中的y用采样次数Q代替，记作
Figure BDA0003860966310000165
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure BDA0003860966310000166
(8.6)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure BDA0003860966310000167
(8.7)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure BDA0003860966310000168
(8.8)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure BDA0003860966310000169
其中：
Figure BDA0003860966310000171
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
步骤九：宽桥车辆荷载识别，计算轴重、总重的具体步骤包括：
Step1：获取每辆车辆过桥时宽桥每根梁实测应变响应εg,m或者挠度响应ωg,m；结合标定的每根梁的影响面数据，以及车辆、车轴在桥面上的实时空间位置计算理论应变响应εg,t或者理论挠度响应ωg,t；
Figure BDA0003860966310000172
其中，
Figure BDA0003860966310000173
为第K次采样第g根主梁的理论应变响应，P为桥上的车辆数，K为采用次数，矩阵
Figure BDA0003860966310000174
是由标定的桥梁影响面和第P辆车的实际车轴位置计算出来的。
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure BDA0003860966310000175
其中，
Figure BDA0003860966310000176
Figure BDA0003860966310000177
为第K次采样第g根主梁的实测应变响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·εg,m
在获得所有车辆车轴的轴重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重，表示为GVW。
实施例2
如图2所示，本实施例提供了一种基于横桥向多摄像头的宽桥车辆荷载识别方法，包括以下步骤：
如图3所示，在桥梁上安装横桥向多摄像头系统和桥梁动态称重系统，横桥向多摄像头系统用于构建横桥向车辆全景图，实时获取车辆的轴距，轴数和位置信息，桥梁动态称重系统用于识别车辆总重，轴重。
步骤一：横桥向多摄像头布置
(1.1)在桥梁起始位置任意一端架设交通横梁，安装三台高清摄像机(编号为第一车辆定位摄像装置A1，第二车辆定位摄像装置A2，第三车辆定位摄像装置A3)，命名为车辆定位摄像装置，保证相邻的摄像机覆盖区域具有影像重叠，各摄像头光轴中心线在同一平面内。
其中，第一车辆定位摄像装置A1，第二车辆定位摄像装置A2，第三车辆定位摄像装置A3分别安装在第一高清工业相机C1，第二高清工业相机C2，第三高清工业相机C3上；
(1.2)在交通横梁梁端安装二台高清摄像机(编号为第一车轴探测摄像装置B1，第二车轴探测摄像装置B2)，命名为车轴探测摄像装置，摄像头光轴中线尽可能偏向桥面中心。桥梁主梁G梁底中间位置安装有应变传感器2。
步骤二：横桥向车辆定位摄像装置桥面全景图像拼接
(2.1)单摄像头场景定位模型的建立
采集桥面车辆目标视频帧图像，识别图像中目标所在区域，通过深度学习目标检测算法获得车辆目标对象的质心像素坐标。根据相机内部参数和透视投影几何关系获得观测点在相机坐标系下的深度信息，再根据刚体变换计算观测点在桥面(世界)坐标系下的三维坐标信息。
(2.2)单摄像头场景相机参数标定
(1)内部参数标定：相机内部参数，主要有相机的x轴和y轴焦距、图像的成像中心的偏移量。可以采用matlab的相机标定工具箱来进行摄像头的内参标定。
Figure BDA0003860966310000181
K为相机的内参矩阵，其中fx为图像x方向的归一化焦距，fy为图像y方向归一化焦距，cx,cy为图像坐标系原点在像素坐标系中的坐标位置；
(2)外部参数标定：外参矩阵描述的是相机坐标系与世界坐标系之间的转换关系。两个坐标系之间的转换主要包括绕三个轴的旋转、沿着三个轴的平移。
绕X轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000182
绕Y轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000183
绕Z轴旋转θ的旋转矩阵为：
Figure BDA0003860966310000184
总的旋转矩阵为R＝RZRYRX，总的平移矩阵为R＝[TXTYTZ]T；
(3)摄像头布置参数标定：根据摄像头的布置方式，采用标定板标定方式或者直接量测的方式获取摄像头距离桥面高度和摄像头的俯仰角。
(2.3)坐标系转换
(1)相机坐标系和图像坐标系下物体坐标可按照下式转换：
Figure BDA0003860966310000191
式中，u和v是图像坐标系中点的x轴和y轴像素坐标，其原点是图像的左上角顶点，x轴朝右、y轴朝下是正方向，ZC是在相机坐标系下的z轴坐标，fx和fy分别是x轴和y轴像素焦距，单位为pixel；Cx和Cy是图像的中心点ol的像素坐标，也就是以图像左上角顶点作为原点，相机坐标系的光心在图像上成像的点。
(2)相机坐标系和世界坐标系下物体坐标可按照下式转换：
Figure BDA0003860966310000192
(2.4)构建横桥向桥面统一世界坐标系
(1)通过上述步骤实现横桥向各个摄像头单场景下的相机标定，从而获得单个摄像头图像坐标与世界坐标系之间的坐标转换矩阵，定义桥面统一世界坐标系为第一个子世界坐标系所在的空间位置。
(2)通过标定板对相邻两摄像头之间重叠区域进行标定获取相邻两摄像头局部世界坐标系之间的坐标转换矩阵。
(3)通过步骤(2)可以构建出摄像头N到桥面统一世界坐标系的转换矩阵。
步骤三：横桥向摄像头视频帧图像融合：
(3.1)提取各摄像头获取的当前帧图片；
(3.2)对同一场景下多张图片进行图像配准：
(3.2.1)用包括但不限于SIFT算法进行特征点检测；
(3.2.2)当提取SIFT的特征描述等后，需要在参考图像和待配准图像中提取正确的匹配特征点。
(3.3)在获得2幅图像的精确匹配特征点对后，可根据式图像变换关系求解出单应性矩阵可将待配准图像I＇变换为与参考图像I相同的坐标系下。
(3.4)将待配准图像I＇与参考图像I转换为同一坐标系后，选择适当的图像融合方法来完成图像拼接。
步骤四：横桥向车辆定位摄像装置实时车辆定位：
(4.1)跨摄像头车辆目标检测：
使用包括但不限于yolov5等目标检测算法分别对摄像头A1,A2,A3交通视频帧图像进行车辆二维目标检测，获取车辆二维包围框中心点的图像坐标，先将其转换为对应摄像头场景中的世界坐标，再将其统一至摄像头A1世界坐标系中。
(4.2)跨摄像头车辆目标跟踪：
在目标车辆检测的基础上，可对车辆目标提取特征点进行实时跟踪。当目标车辆通过相邻两个摄像机的重叠区域时，通过车辆特征点关联匹配来确定是否为同一车辆，从而完成跨摄像头的车辆目标持续跟踪。
步骤五：车轴探测摄像装置获取目标车辆车轴信息：
使用包括但不限于yolov5等目标检测算法分别对摄像头B1,B2交通视频帧图像进行目标车辆轮胎检测，检测结果包括车辆目标轮胎二维包络框中心点图像坐标，在基于单目相机标定将其转换为世界坐标，从而间接得到车辆轴数，轴距信息。
步骤六：车辆车轴信息与车辆位置信息融合：
通过车辆特征点，将从车辆定位摄像装置中检测到的车辆目标与车轴探测摄像装置中检测到的车辆目标匹配，从而将车辆的位置信息和轴距，轴数信息融合。
步骤七：建立宽桥动态称重系统：
在宽桥主梁跨中底部安装高清工业摄像头，获取交通车流过桥的桥梁挠度响应
步骤八：进行宽桥影响面标定：
采用一辆已知轴重和轴距的标定车依次沿桥面不同的横向位置直线行驶通过桥梁，通过安装在桥梁相应参考点下的位移计3或者工业相机获取实测挠度响应标定影响面。具体步骤如下：
(8.1)宽桥车道编号Pn,n＝1,2,…N，N为宽桥的总车道数，宽桥车道线编号为Lm,m＝1,2,…N+1，宽桥主梁编号为g,g＝1,2,…G，G为宽桥主梁的总根数；。
(8.2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道线直线行驶，共进行N-2轮。
(8.3)与此同时，摄像头获取标定车实时的纵桥向位置，用工业相机采集第g根主梁仅在标定车通过时的挠度响应。
标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure BDA0003860966310000201
Figure BDA0003860966310000202
表示第n条车道线的横向位置，
Figure BDA0003860966310000203
表示第n条车道中心线的横向位置，统一记为Xi,i＝1,2,…2N-1；桥梁第g根主梁实测应变响应记为
Figure BDA0003860966310000204
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应。
(8.4)计算第g主梁对应的理论响应值：
Figure BDA0003860966310000211
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure BDA0003860966310000212
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0。
根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure BDA0003860966310000213
中的y用采样次数Q代替，记作
Figure BDA0003860966310000214
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure BDA0003860966310000215
(8.5)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure BDA0003860966310000216
(8.6)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure BDA0003860966310000217
(8.7)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure BDA0003860966310000218
其中：
Figure BDA0003860966310000219
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
步骤九：宽桥车辆荷载识别，计算轴重、总重的具体步骤包括：
Step1：获取每辆车辆过桥时宽桥每根梁实测应变响应εg,m或者挠度响应ωg,m；结合标定的每根梁的影响面数据，以及车辆、车轴在桥面上的实时空间位置计算理论应变响应
Figure BDA0003860966310000221
或者理论挠度响应
Figure BDA0003860966310000222
Figure BDA0003860966310000223
其中，
Figure BDA0003860966310000224
Figure BDA0003860966310000225
为第K次采样第g根主梁的理论挠度响应，P为桥上的车辆数，K为采用次数，矩阵
Figure BDA0003860966310000226
是由桥梁影响面和第p辆车的实际车轴位置计算出来的。
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure BDA0003860966310000227
其中，
Figure BDA0003860966310000228
Figure BDA0003860966310000229
为第K次采样第g根主梁的实测挠度响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·wg,m
在获得所有车辆车轴的权重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重GVW。
实施例3
图6所示，本发明实施例提供一种基于横桥向多摄像头宽桥车辆荷载识别系统，包括：
横桥多摄像及桥梁动称重系统1，用于采集宽桥面各车道交通车流的实时视频帧图像；并基于多摄像头位置关系进行实时图像融合；
应变传感器2，通过设置于桥梁每根主梁梁底采集交通车流过桥时的桥梁应变响应；
位移计3，设置于桥梁每根主梁梁底的位移计3采集交通车流过桥时的桥梁挠度响应；
摄像头4，安装在桥梁下部的采集交通车流过桥时的桥梁挠度响应；
多车的轴重和总重计算模块5，用于根据交通车流过桥的实时图像融合后的实时视频图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；根据采集到的桥梁应变响应或桥梁挠度响应，和相应位置的影响面数据计算出多车的轴重和总重。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
二、应用实施例：
应用例1
本发明应用实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
应用例2
本发明应用实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
应用例3
本发明应用实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
应用例4
本发明应用实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
应用例5
本发明应用实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
三、实施例相关效果的证据：
本发明的基于车辆多摄像头的宽桥车辆荷载识别方法，能够根据横桥向多摄像头交通视频实时定位车辆的空间位置，通过基于车辆实时空间位置的桥梁动态称重算法来实现交通车流过桥的高精度车辆轴重/总重检测。
有效解决了现有的桥梁动态称重系统不适用交通车流下宽桥车辆荷载识别的瓶颈。多个摄像头共同识别目标，结果准确，且解决了单个摄像头在遮挡场景下出现跟踪丢失的问题。由于车辆定位模块可以提供车辆全桥面的实时空间位置，在计算车辆轴重、总重时可充分利用影响面的数据来建立超定方程组，减少由于不正确的车辆位置或影响线校准而引起的轴重识别错误。
表1技术效果对比表
Figure BDA0003860966310000241
Figure BDA0003860966310000251
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，该方法利用安装的横桥多摄像及桥梁动称重系统(1)采集宽桥面各车道交通车流的实时视频帧图像，并基于多摄像头位置关系进行实时图像融合；
通过设置于桥梁每根主梁梁底的应变传感器(2)采集交通车流过桥时的桥梁应变响应，或者通过设置于桥梁每根主梁梁底的位移计(3)或者通过安装在桥梁下部的高分辨率工业相机采集交通车流过桥时的桥梁挠度响应；
根据交通车流过桥的实时图像融合后的实时视频帧图像识别车辆在宽桥面上的实时空间位置、轴数和轴距，以及车辆的实时空间位置查询获取相应位置的影响面数据；
根据采集到的桥梁应变响应或桥梁挠度响应，以及相应位置的影响面数据计算出多车的轴重和总重。
2.根据权利要求1所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，该方法具体包括以下步骤：
S1，横桥向多摄像头系统的建立与布置；
S2，横桥向车辆定位摄像装置桥面全景拼接；
S3，横桥向车辆定位摄像装置实时车轴定位；
S4，建立宽桥动态称重系统；
S5，进行宽桥影响面标定；
S6，宽桥车辆荷载识别，并计算轴重、总重。
3.根据权利要求2所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，在步骤S1中，横桥向多摄像头系统的建立与布置，具体包括：车辆定位摄像装置安装和车轴探测摄像装置安装；
车辆定位摄像装置安装：在宽桥上下桥两端上方搭设交通横梁用于架设车辆定位摄像装置，根据宽桥车道数L，相邻摄像头(4)视角重叠区大小确定摄像头(4)的个数n；根据需要监测的纵桥向范围确定摄像头(4)安装俯视角以及摄像头(4)安装高度，摄像头(4)光轴中心线在同一平面上；
车轴探测摄像装置安装：在宽桥两侧各自安装摄像头(4)基于立体视觉技术识别车辆车轴信息。
4.根据权利要求2所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，在步骤S2中，横桥向车辆定位摄像装置桥面全景拼接，具体包括以下步骤：
Step1：建立单摄像头(4)场景定位模型
采集桥面车辆目标视频帧图像，识别图像中目标所在区域，通过深度学习目标检测算法获得车辆目标对象的质心像素坐标，根据相机内部参数和透视投影几何关系获得观测点在相机坐标系下的深度信息，再根据刚体变换计算观测点在桥面世界坐标系下的三维坐标信息；
Step2：单摄像头(4)场景相机参数标定
(1)内部参数标定：相机内部参数，该参数包括相机的x轴和y轴焦距、图像的成像中心的偏移量，采用matlab相机标定工具箱来进行摄像头(4)的内参标定，表达式为：
Figure FDA0003860966300000021
K为相机的内参矩阵，其中fx为图像x方向的归一化焦距，fy为图像y方向归一化焦距，cx,cy为图像坐标系原点在像素坐标系中的坐标位置；
(2)外部参数标定：外参矩阵描述相机坐标系与世界坐标系之间的转换关系，两个坐标系之间的转换包括绕三个轴的旋转、沿着三个轴的平移；
绕X轴旋转θ的旋转矩阵为：
Figure FDA0003860966300000022
绕Y轴旋转θ的旋转矩阵为：
Figure FDA0003860966300000023
绕Z轴旋转θ的旋转矩阵为：
Figure FDA0003860966300000024
总的旋转矩阵为R＝RZRYRX，总的平移矩阵为R＝[TXTYTZ]T；
(3)摄像头(4)布置参数标定：根据摄像头(4)的布置方式，采用标定板标定方式或者直接量测的方式获取摄像头(4)距离桥面高度和摄像头(4)的俯仰角；
Step3：坐标系转换
(1)相机坐标系和图像坐标系下物体坐标转换公式如下：
Figure FDA0003860966300000025
式中，u和v是图像坐标系中点的x轴和y轴像素坐标，其原点是图像的左上角顶点，x轴朝右、y轴朝下是正方向，ZC是在相机坐标系下的z轴坐标，fx和fy分别是x轴和y轴像素焦距，单位为pixel；Cx和Cy是图像的中心点ol的像素坐标，也就是以图像左上角顶点作为原点，相机坐标系的光心在图像上成像的点；
(2)相机坐标系和世界坐标系下物体坐标可按照下式转换：
Figure FDA0003860966300000031
Step4：构建横桥向桥面统一世界坐标系
(1)通过实现横桥向各个摄像头(4)单场景下的相机标定，获得单个摄像头(4)图像坐标与世界坐标系之间的坐标转换矩阵，定义桥面统一世界坐标系为第一个子世界坐标系所在的空间位置；
(2)通过标定板对相邻两摄像头(4)之间重叠区域进行标定获取相邻两摄像头(4)局部世界坐标系之间的坐标转换矩阵；
(3)通过构建出摄像头(4)N到桥面统一世界坐标系的转换矩阵；
Step5：横桥向多摄像头(4)桥面全景图构建
(1)提取各摄像头(4)获取的当前帧图片；
(2)对同一场景下多张图片进行图像配准：包括SIFT算法进行特征点检测；当提取SIFT算法的特征后，在参考图像和待配准图像中提取正确的匹配特征点；
(3)在获得2幅图像的精确匹配特征点对后可根据式图像变换关系求解出单应性矩阵可将待配准图像I＇算法变换为与参考图像I相同的坐标系下；
(4)将待配准图像I＇与参考图像I转换为同一坐标系后，选择图像融合方法来完成图像拼接。
5.根据权利要求2所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，在步骤S3中，进行宽桥影响面标定具体包括：基于车辆定位摄像装置视频信息，结合卡尔曼滤波进行车辆位置实时跟踪，基于跨摄像头(4)目标车辆重识别技术，将车轴探测摄像装置识别的车轴信息融合到车辆定位摄像装置信息中，进行车辆车轴的实时定位；
其中，根据采集到的桥梁应变响应进行宽桥影响面标定，包括以下步骤：
(S5.1)宽桥车道编号Pn，n＝1，2，…N，N为宽桥的总车道数，宽桥车道线编号为Lm，m＝1，2，…N+1，宽桥主梁编号为g，g＝1，2，…G，G为宽桥主梁的总根数；
(S5.2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道线直线行驶，共进行N-2轮；
(S5.3)摄像头(4)获取标定车实时的纵桥向位置，第g根主梁上的应变传感器(2)实时采集桥梁仅在标定车通过时的应变响应；
标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure FDA0003860966300000041
Figure FDA0003860966300000042
表示第n条车道线的横向位置，
Figure FDA0003860966300000043
表示第n条车道中心线的横向位置，统一记为Xi，i＝1，2，…2N-1；桥梁第g根主梁实测应变响应记为
Figure FDA0003860966300000044
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应；
(S5.4)计算第g主梁对应的理论响应值：
Figure FDA0003860966300000045
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure FDA0003860966300000046
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0；
根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure FDA0003860966300000047
中的y用采样次数Q代替，记作
Figure FDA0003860966300000048
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure FDA0003860966300000049
Figure FDA00038609663000000410
(S5.5)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure FDA00038609663000000411
(S5.6)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure FDA00038609663000000412
(S5.7)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure FDA0003860966300000051
其中：
Figure FDA0003860966300000052
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
6.根据权利要求1所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，所述根据采集到的桥梁应变响应或桥梁挠度响应，包括以下步骤：
1)宽桥车道编号Pn，n＝1，2，…，N，N为宽桥的总车道数，宽桥车道线编号Lm，m＝1，2，…，N+1，宽桥主梁编号g，g＝1，2，…，G，G为宽桥主梁的总根数；
2)标定车中心依次沿着宽桥每条车道中间直线行驶，共进行N轮，然后标定车中心沿着宽桥车道线直线行驶，共进行N-2轮；
3)与此同时，摄像头(4)获取标定车实时的纵桥向位置，用工业相机采集第g根主梁仅在标定车通过时的挠度响应；
标定车车轴数J，标定车的第一个车轴的纵桥向至原点实时位置用y表示，标定车每次标定时的横桥向位置假定为定值，根据上述标定方式，车辆横向距离原点的位置记为
Figure FDA0003860966300000053
Figure FDA0003860966300000054
表示第n条车道线的横向位置，
Figure FDA0003860966300000055
表示第n条车道中心线的横向位置，统一记为Xi，i＝1，2，...2N-1；桥梁第g根主梁实测应变响应记为
Figure FDA0003860966300000056
表示当标定车沿横向位置Xi标定时，标定车纵桥向位置为y时，第g根主梁采集到的应变响应；
4)计算第g主梁对应的理论响应值：
Figure FDA0003860966300000057
其中，Wj为标定车第j轴的轴重，N为车轴数，
Figure FDA0003860966300000058
表示标定车横桥向距原点Xi位置直线行驶时，标定车第一个车轴到达纵桥向位置y时第j轴对应的第g根主梁的纵向影响线竖标值，Hi表示第j轴到第一轴间的轴距，H1＝0；
视频采集设备是以恒定时间间隔为一帧进行采样，为了矩阵表达的方便性，根据视频信息所获取的每一帧的车轴纵桥向位置进行适当的差值处理，将采样形式转化为以恒定的距离d进行采样；
Figure FDA0003860966300000059
中的y就可以用采样次数Q代替，记作
Figure FDA00038609663000000510
标定车第j轴对应的第q次采样的各主梁纵向影响线的竖标值可记作
Figure FDA0003860966300000061
Figure FDA0003860966300000062
5)根据最小二乘法原理计算可得标定车轴重、影响线竖标值与标定时采集的应变之间满足：
Figure FDA0003860966300000063
6)标定车将所有横向位置标定后，可以得到第g根主梁基于不同横向位置的影响线矩阵：
Figure FDA0003860966300000064
7)通过对上式矩阵相邻横向位置进行L次线性插值可得到任意采集点q横桥向其他位置的影响面矩阵为：
Figure FDA0003860966300000065
其中：
Figure FDA0003860966300000066
对于其他主梁，都只需简单地重复上述影响面标定方法，便可获得每一根主梁的影响面。
7.根据权利要求2所述的基于横桥向多摄像头的宽桥车辆荷载识别方法，其特征在于，在步骤S6中，宽桥车辆荷载识别，计算轴重、总重的具体步骤包括：
其中，所述根据采集到的桥梁应变响应和相应位置的影响面数据计算出桥面上车辆的轴重，包括以下步骤：
Step1：获取每辆车辆过桥时宽桥每根梁实测应变响应εg，m；结合标定的每根梁的影响面数据，以及车辆车轴在桥面上的实时空间位置计算理论应变响应εg，t；
Figure FDA0003860966300000067
其中，
Figure FDA0003860966300000068
Figure FDA0003860966300000069
为第K次采样第g根主梁的理论应变响应，P为桥上的车辆数，K为采用次数，矩阵
Figure FDA00038609663000000610
是由标定的桥梁影响面和第P辆车的实际车轴位置计算出来的；
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure FDA0003860966300000071
其中，
Figure FDA0003860966300000072
Figure FDA0003860966300000073
为第K次采样第g根主梁的实测应变响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·εg，m
在获得所有车辆车轴的轴重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重，表示为GVW；
其中，所述根据采集到的桥梁挠度响应和相应位置的影响面数据计算出桥面上车辆的轴重，包括以下步骤：
Step1：获取每辆车辆过桥时宽桥每根梁实测挠度响应εg，m；结合标定的每根梁的影响面数据，以及车辆、车轴在桥面上的实时空间位置计算理论挠度响应εg，t；
Figure FDA0003860966300000074
其中，
Figure FDA0003860966300000075
Figure FDA0003860966300000076
为第K次采样第g根主梁的理论挠度响应，P为桥上的车辆数，K为采用次数，矩阵
Figure FDA0003860966300000077
是由桥梁影响面和第p辆车的实际车轴位置计算；
Step2：基于标定的影响面和待确定的轴重构建误差函数：
Figure FDA0003860966300000078
其中，
Figure FDA0003860966300000079
Figure FDA00038609663000000710
为第K次采样第g根主梁的实测挠度响应，K为采用次数，轴重向量W就可以用最小二乘法确定：
W＝(MgTMg)-1MgT·wg，m
在获得所有车辆车轴的权重向量W后，只需将车辆车轴重量相加即可确定每辆车辆的车辆总重GVW。
8.一种实施权利要求1-7任意一项基于横桥向多摄像头的宽桥车辆荷载识别方法的基于横桥向多摄像头宽桥车辆荷载识别系统，其特征在于，所述基于横桥向多摄像头宽桥车辆荷载识别系统包括：
横桥多摄像及桥梁动称重系统(1)，用于采集宽桥面各车道交通车流的实时视频帧图像；并基于多摄像头(4)位置关系进行实时图像融合；
应变传感器(2)，通过设置于桥梁每根主梁梁底采集交通车流过桥时的桥梁应变响应；
位移计(3)，设置于桥梁每根主梁梁底的位移计(3)采集交通车流过桥时的桥梁挠度响应；
摄像头(4)，安装在桥梁下部的采集交通车流过桥时的桥梁挠度响应；
多车的轴重和总重计算模块(5)，用于根据交通车流过桥的实时图像融合后的实时视频图像识别车辆在宽桥面上的实时空间位置、轴数和轴距；并根据车辆的实时空间位置查询获取相应位置的影响面数据；根据采集到的桥梁应变响应或桥梁挠度响应，和相应位置的影响面数据计算出多车的轴重和总重。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行实施权利要求1-7任意一项基于横桥向多摄像头的宽桥车辆荷载识别方法。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行实施权利要求1-7任意一项基于横桥向多摄像头的宽桥车辆荷载识别方法。
CN202211163107.9A 2022-09-23 2022-09-23 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 Pending CN115439514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211163107.9A CN115439514A (zh) 2022-09-23 2022-09-23 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211163107.9A CN115439514A (zh) 2022-09-23 2022-09-23 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115439514A true CN115439514A (zh) 2022-12-06

Family

ID=84249081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211163107.9A Pending CN115439514A (zh) 2022-09-23 2022-09-23 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115439514A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058600A (zh) * 2023-10-13 2023-11-14 宁波朗达工程科技有限公司 区域桥梁群车流荷载识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530480A (zh) * 2019-08-29 2019-12-03 湖南大学 一种基于测距激光传感器的桥梁动态称重系统及其方法
CN112179467A (zh) * 2020-11-27 2021-01-05 湖南大学 一种基于视频测量动挠度的桥梁动态称重方法和系统
CN112833949A (zh) * 2021-01-06 2021-05-25 大连理工大学 一种基于归一化车辆轴重时程监测的桥梁损伤定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530480A (zh) * 2019-08-29 2019-12-03 湖南大学 一种基于测距激光传感器的桥梁动态称重系统及其方法
CN112179467A (zh) * 2020-11-27 2021-01-05 湖南大学 一种基于视频测量动挠度的桥梁动态称重方法和系统
CN112833949A (zh) * 2021-01-06 2021-05-25 大连理工大学 一种基于归一化车辆轴重时程监测的桥梁损伤定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洋: "基于Moses算法的单车及多车动态称重算法研究" *
夏 烨: "交通视频辅助的桥梁动态称重方法研究" *
郑润: "基于移动智能终端的三维物体重构关键技术研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058600A (zh) * 2023-10-13 2023-11-14 宁波朗达工程科技有限公司 区域桥梁群车流荷载识别方法及系统
CN117058600B (zh) * 2023-10-13 2024-01-26 宁波朗达工程科技有限公司 区域桥梁群车流荷载识别方法及系统

Similar Documents

Publication Publication Date Title
CN112179467B (zh) 一种基于视频测量动挠度的桥梁动态称重方法和系统
CN112710371B (zh) 基于车辆实时空间位置的桥梁动态称重方法及系统
CN102376089B (zh) 一种标靶校正方法及系统
CN101894366B (zh) 一种获取标定参数的方法、装置及一种视频监控系统
CN112504414B (zh) 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
CN102788572B (zh) 一种工程机械吊钩姿态的测量方法、装置及系统
CN102778207B (zh) 一种结构件应力应变的测量方法、装置及系统
CN104851088B (zh) 一种高铁检测系统的线阵相机标定设备及标定方法
CN103499337B (zh) 一种基于立式标靶的车载单目摄像头测距测高装置
CN109920009B (zh) 基于二维码标识的控制点检测与管理方法及装置
Zhu et al. An accurate approach for obtaining spatiotemporal information of vehicle loads on bridges based on 3D bounding box reconstruction with computer vision
CN113011283B (zh) 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法
CN115439514A (zh) 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质
CN115790387A (zh) 基于在线式相机的桥梁位移转角同步实时监测方法和系统
CN117058600A (zh) 区域桥梁群车流荷载识别方法及系统
Yu et al. Displacement measurement of large structures using nonoverlapping field of view multi‐camera systems under six degrees of freedom ego‐motion
Su et al. Feature-constrained real-time simultaneous monitoring of monocular vision odometry for bridge bearing displacement and rotation
CN114937365B (zh) 一种基于同步多视觉传感器的桥面车辆参数识别方法
CN204650606U (zh) 一种高铁检测系统的线阵相机标定设备
CN114812983A (zh) 一种基于激光阵列的桥梁裂缝测量方法、装置及设备
CN112258585A (zh) 一种面向图像畸变分区求解的标定场设计和图像处理方法
Ge et al. A Benchmark Data Set for Vision-Based Traffic Load Monitoring in a Cable-Stayed Bridge
CN113436257B (zh) 一种基于道路几何信息的车辆位置实时检测方法
CN117542038A (zh) 大区域铁路轨道三维空间线形视觉感知方法
CN112902914A (zh) 一种相对沉降数据精确检测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Deng Jiayu

Inventor after: Cui Yuping

Inventor after: Deng Lu

Inventor after: Hou Yun

Inventor after: Kong Hui

Inventor after: He Wei

Inventor before: Deng Jiayu

Inventor before: Cui Yuping

Inventor before: Deng Lu

Inventor before: Hou Yun

Inventor before: Kong Xuan

Inventor before: He Wei

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221206