CN115690150B - 一种基于视频的多目标位移跟踪监测方法及装置 - Google Patents
一种基于视频的多目标位移跟踪监测方法及装置 Download PDFInfo
- Publication number
- CN115690150B CN115690150B CN202211209467.8A CN202211209467A CN115690150B CN 115690150 B CN115690150 B CN 115690150B CN 202211209467 A CN202211209467 A CN 202211209467A CN 115690150 B CN115690150 B CN 115690150B
- Authority
- CN
- China
- Prior art keywords
- target
- displacement
- monitoring
- tracking
- camera
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
- G06T7/269—Analysis of motion using gradient-based methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于视频的多目标位移跟踪监测方法，包括：步骤1、获取目标建筑物的结构参数并建立对应的结构三维模型，获得对应的相机参数；步骤2、设定目标建筑物中需要监测的监测目标，输出包含至少一个目标特征点的感兴趣区域，步骤3、采用金字塔流光法对感兴趣区域内的所有目标特征点进行位移跟踪，将跟踪结果中位移数据异常的目标特征点进行剔除，并计算所有未剔除目标特征点的位移平均值作为感兴趣区域中监测目标的像素位移；步骤4、根据相机参数，将所有监测目标的像素位移反向映射至三维模型中，获得监测目标真实环境中的物理位移。本发明还提供了一种多目标位移跟踪监测装置。本发明的方法可以提高物理位移获取的准确性和可靠性。
Description
技术领域
本发明涉及结构健康监测领域，尤其涉及一种基于视频的多目标位移跟踪监测方法及装置。
背景技术
现役桥梁结构、超高层结构的位移、振动监测是结构损伤识别与健康监测的重要内容，其能够为结构安全评估和维护提供基本的信息。传统通过布置传感器进行监测的方法，其部署过程繁琐、维护困难、效率低且成本高，不便于对结构进行长期多点监测。近年来发展的非接触式视觉测量方法，能够充分利用监控摄像头、手机摄像头等常见相机进行结构关键节点的跟踪监测，使得维护人员能够监测到传统方法难以达到或危险的位置。但是目前多数方法仍需要采用标定板提前进行人工标定，且在监测过程中依赖人工标记物，导致现场监测非常困难。
专利文献CN112686879A公开了一种基于视频图像的结构振动分析及装置，包括：逐帧获取待测物沿振动方向振动的视频图像，并将各帧视频图像转化为灰度图像，截取各帧灰度图像的指定区域，并计算所述各帧灰度图像的指定区域中的最大像素值，根据所述各帧灰度图像的指定区域中最大像素值分析待测物的振动频率和/或振动幅值，其中，所述各帧灰度图像的指定区域在各帧灰度图像上的位置相同且均包含待测物振动方向上边界及所述边界邻域的一列像素点，该方法需要提前做好相机的标定板布置，对于一些超高建筑就存在布置困难的问题。
专利文献CN114964384A公开了一种用于大型地震模拟研究设施的健康监测系统，包括传感器、数据采集模块、云服务器、数据处理模块、远程监控终端及预警模块；所述传感器包括动态应变仪、位移传感器、加速度/速度传感器，用于获取大型地震模拟研究设施的应变、位移、加速度及速度信息；所述数据采集模块将传感器采集的信号转换成实时数据，并上传到云服务器；所述数据处理模块对上传的数据进行处理、分析及判别，当采集信号超过设定的报警阈值时，预警模块进行报警。该方法通过多种传感器去识别待监测结构的各类数据，但该方法较依赖传感器准确度，且容易在使用过程损坏，日常维护不便。
发明内容
为了解决上述问题，本发明提供了一种监测设备部署方便、无需提前人工标定的多目标跟踪监测方法，该方法可以提高物理位移获取的准确性和可靠性。
一种基于视频的多目标位移跟踪监测方法，包括：
步骤1、获取目标建筑物的结构参数并建立对应的结构三维模型，基于针孔相机模型估计对应的相机参数；
步骤2、根据步骤1的结构三维模型与相机参数，设定目标建筑物中需要监测的监测目标，并基于视频的时间轴顺序，输出包含至少一个目标特征点的感兴趣区域；
步骤3、采用金字塔流光法对感兴趣区域内的所有目标特征点进行位移跟踪，将跟踪结果中位移数据异常的目标特征点进行剔除，并计算所有未剔除目标特征点的位移平均值作为所述感兴趣区域中监测目标的像素位移；
步骤4、根据相机参数，将所有感兴趣区域中监测目标的像素位移反向映射至三维模型中，获得真实环境中监测目标的物理位移。
所述物理位移用于计算目标建筑物的振动情况，是结构健康监测中的重要指标。
本发明借助于结构表面纹理特征，以目标特征点跟踪的方式完成监测目标的跟踪测量，同时采用前向-反向误差机制和基于目标特征点位移统计特性剔除噪点的方法，进一步确保了计算结果的可靠性和准确性。
优选的，所述结构三维模型基于目标建筑的实际尺寸和空间位置关系建立，在估计相机参数时无需提前设置标定物，仅需目标监测结构关键点，线和面的几何尺寸并结合空间位置对相机位置进行标定。
具体的，所述监测目标包括：桁架梁桥的节点板，超高层建筑的屋顶的角点、楼层窗户的角点，桥梁栏杆与桥梁的交点，斜拉桥、悬索桥索的锚固点，桁架拱桥杆件的交点。
优选的，在步骤1中，所述相机参数包括畸变参数和相机内外参数，采用直接线性变换算法与Levenberg-Marquardt算法计算得到。
具体的，所述相机参数的具体获取过程如下：首选忽略相机畸变并基于直接线性变换得到相机内外参数初始值，再通过Levenberg-Marquardt算法最小化目标特征点重投影误差得到畸变参数和优化后的相机内外参数。
优选的，在步骤1中，所述感兴趣区域通过将三维模型中的监测目标投影至图像平面，并以监测目标在图像平面中的投影为中心，利用尺寸为w×h的窗口截取获得，其中w为窗口的宽度，h为窗口的高度。
具体的，所述投影的公式如下：
其中，[xw，yw，zw，1]T表示三维空间拾取的监测目标，[u，v，1]T表示图像平面的投影点。
优选的，步骤2中，所述目标特征点采用图像梯度自动化检测法对视频图像序列校正后第一帧图像中的感兴趣区域识别获得。
具体的，在步骤2中，所述目标特征点包括Harris角点、SURF角点以及Shi-Tomasi角点。
优选的，在步骤3中，采用前向-反向误差机制和特征点位移统计特性对位移数据异常的目标特征点进行剔除。
具体的，所述前向-反向误差机制具体如下：
设It为t时刻视频序列中的图像，xt为It中特征点的位置，首先利用金字塔光流法从It到It+1计算特征点在It+1中的位置然后在基于/>反向从It+1到It计算特征点在It中的位置估计值/>最后基于前向-反向误差/>的大小评估跟踪结果的好坏；
设置阈值eth，若efb＜eth，则判定跟踪结果可靠，否则舍弃该特征点的监测结果。
具体的，所述特征点位移统计特性的使用方法如下：
设为第i个ROI中第j个特征点在t时刻由金字塔光流法计算所得的位移，为t时刻第i个ROI中位移均值和标准差；
如果则该跟踪结果可靠，否则不可靠并舍弃。
优选的，在步骤4中，所述物理位移通过计算机相机射线与监测目标运动平面的交点获得。
具体的，所述物理位移的具体获取过程如下：
设xt为It中监测点的位置，C为相机中心，K，R分别相机内参矩阵和外参矩阵，则相机射线可以表达为：
r(λ)＝C+λR-1K-1xt＝C+λer
其中，λ和er为射线的深度值和方向向量；
若平面为其中cp为平面上一点，/>为该平面的法向量，则
由此，xt在平面中的反向投影点为进一步可得监测点的位移为/>
本发明还提供了一种多目标位跟踪监测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的多目标位移跟踪监测方法，其具体步骤如下：获取目标建筑的结构参数与结构三维模型，通过多目标位移跟踪监测方法对指定监测结构进行识别分析，输出目标建筑的实际物理位移。
与现有技术相比，本发明的有益效果：
(1)基于目标建筑的几何信息完成相机参数的估计，无需提前布置标定板。
(2)在监测目标的位移跟踪时，采用的前向-反向误差机制和基于特征点位移统计特性剔除噪点的方法进一步确保了计算结果的可靠性和准确性。
附图说明
图1为本实施例提供的桁架梁模型、相机模型及监测点的示意图；
图2为本实施例提供的基于视频的多目标位移跟踪监测方法的技术流程图；
图3为桁架梁模型的部分ROI以及目标特征点提取结果示意图；
图4为实施例中1号，7号和8号位移监测结果示意图。
具体实施方式
如图1所示，以一座桁架梁桥为样本，对该桁架梁桥的上弦杆、下弦杆以及腹杆的1-16号监测目标的振动进行监测。
如图2所示，为实施例提供的一种基于视频的多目标位跟踪监测方法，包括：
步骤1、架设好相机使得待监测的目标均在相机视野内，之后应根据结构的几何信息建立其三维模型，以满足相机参数估计和目标监测点拾取的要求，通过在三维模型上拾取1-24节点，可以获取他们的三维坐标。
接着，在启动相机开始监测后可以获取视频图像序列Ii，(i＝0，1，...，t)，其中I0为视频的第一帧图像。由于上下弦杆和腹杆交叉处是较大的节点板，这里采用手动拾取的方式在I0中获取1-24号节点的图像坐标。
需要注意的是，在其他实际应用过程，若用于相机标定的特征点为结构的角点或者圆心等特征，可以采用Harris角点识别、圆检测与拟合等算法自动完成图像坐标确定问题。
获取用于相机标定的1-24节点的三维坐标和图像坐标后，基于直接线性变换算法计算相机内外参数R和K的初始值，再采用LM算法优化特征点重投影误差，得到最终的相机参数R、K以及畸变参数。
基于直接线性变换计算相机内外参数初始值的方法具体为通过奇异值分解求解如下齐次线性方程组：
其中，pwi＝[xwi，ywi，zwi]T，(i＝1,2，...，n)为三维空间的特征点，即三维模型中1-24节点坐标，pmi＝[ui，vi，1]T为图像中的特征点，即图像中的1-24节点像素坐标；
其中R，K为相机外参矩阵和内参矩阵，C为相机中心坐标，是投影矩阵P的最小奇异值对应的右奇异向量。
M为P的前3行前3列，通过对M进行QR分解便可以得到相机参数R和K。
采用LM算法优化特征点重投影误差的目标函数为：
其中f(pwi，Φ)为三维空间中的特征点基于相机参数Φ在图像平面上的投影点，pmi为与之对应的图像上的特征点，Φ包括相机的内参矩阵K，外参矩阵R以及径向畸变系数κ1和κ2。
步骤2、感兴趣区域(region of interest，ROI)提取：在步骤(1)所建立的三维模型中，拾取需要跟踪测量的监测目标并输入窗口大小，根据步骤(1)的相机参数，自动在图像中确定监测目标在图像中的ROI；
特征点识别：根据步骤(1)的相机参数，进行视频图像序列矫正，并在第一帧图像上由步骤(2)确定的ROI中，基于图像梯度，自动化检测提取特征点；
为保证监测结果的准确性，需要视频图像进行去畸变，同时为加快计算效率，这里首先根据步骤(1)的相机参数计算原始图像和矫正图像之间的映射关系，然后基于这个关系将视频图像序列Ii，(i＝1,2，...，t)转换为无畸变图像序列图像矫正后，在第一帧图像/>上由步骤(2)确定的ROI中，基于图像梯度自动化提取特征点。在实际应用中，可以根据跟踪对象的纹理特征，选择合适的特征检测器，如Harris角点、SURF角点以及Shi-Tomasi角点等。本实例中，采用Shi-Tomasi角点检测器在每一个ROI中提取特征点，能够得到较为合适的特征点质量和数量。
步骤3、采用金字塔LK光流法以为参考图像，跟踪所有ROI中特征点在图像序列中的位置xt，则特征点的图像位移为dt＝xt-xt-1，(t＝1,2,3，...)，经过前向-反向误差机制验证和基于特征点位移统计特性过滤噪点位移后，可以将ROI中可靠特征点位移的平均值/>作为该目标监测节点的图像位移；
前向-反向误差机制具体为：设It为t时刻视频序列中的图像，xt为It中特征点的位置，首先利用金字塔光流法从It到It+1中计算特征点在It+1中的位置然后在基于/>反向从It+1到It计算特征点在It中的位置估计值/>最后基于前向-反向误差/>的大小评估跟踪结果的好坏；
设置阈值eth，若efb＜eth，则判定跟踪结果可靠，否则舍弃该特征点的监测结果。
根据特征点位移统计特性过滤噪点的方法具体为：设为第i个ROI中第j个特征点在t时刻由金字塔光流法计算所得的位移，/> 为t时刻第i个ROI中位移均值和标准差，如果/>则该跟踪结果可靠，否则不可靠并舍弃。
如图3所示，所有“×”特征点均在背景上，在视频图像序列中并没有移动，因此他们的位移始终接近为零，很容易被剔除。
步骤4、根据相机参数，将所有感兴趣区域中监测目标的像素位移反向映射至三维模型中，获得真实环境中监测目标的物理位移：
位移反向投影：根据步骤(3)中相机的位置参数，将图像中位移的跟踪结果反向投影到三维空间得到真实世界中的物理位移。
本实例中，1-16号检测节点主要在竖直方向振动，即在图1中的目标平面上运动。设xt为It中监测点的位置，C为相机中心，K，R分别相机内参矩阵和外参矩阵，则相机射线可以表达为
r(λ)＝C+λR-1K-1xt＝C+λer
其中，λ和er为射线的深度值和方向向量。设目标平面为 其中cp为平面上一点，/>为该平面的法向量，则/>由此，xt在平面中的反向投影点为
因此，需要将图像位移施加在步骤(2)得到的目标监测点在图像中的投影点上，得到t时刻目标监测点在图像上的坐标/> 并将其按照上述方法反向投影至目标平面上得到时刻t目标监测点在目标平面上的反向投影点进一步可得监测点的真实物理位移为
本实施例中还提供了一种多目标位跟踪监测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的多目标位移跟踪监测方法，其具体步骤如下：获取目标建筑的结构参数与结构三维模型，通过多目标位移跟踪监测方法对指定监测结构进行识别分析，输出目标建筑的实际物理位移。
如图4所示，输出结果中的1号，7号和8号位移监测结果示意图。
需要指出的是，示例中采用桁架节点的振动监测进行说明，但本发明不限于这些，也可以用于超高层建筑、梁桥、拱桥、斜拉桥以及悬索桥等结构的关键节点位移监测。
以上所述仅为本发明的较佳实施例，用以对本发明进行详细说明，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于视频的多目标位移跟踪监测方法，其特征在于，包括：
步骤1、获取目标建筑物的结构参数并建立对应的结构三维模型，基于针孔相机模型采用直接线性变换算法与Levenberg-Marquardt算法计算对应的相机参数，所述相机参数包括畸变参数和相机内外参数；
步骤2、根据步骤1的结构三维模型与相机参数，设定目标建筑物中需要监测的监测目标，通过将三维模型中的监测目标投影至图像平面，并以监测目标在图像平面中的投影点为中心，利用尺寸为w×h的窗口截取，输出包含至少一个目标特征点的感兴趣区域，所述投影的公式如下：
其中，[xw,yw,zw,1]T表示三维空间拾取的监测目标，[u,v,1]T表示图像平面的投影点，K，R分别相机内参矩阵和外参矩阵，t表示时刻；
步骤3、采用金字塔流光法对感兴趣区域内的所有目标特征点进行位移跟踪，将跟踪结果中位移数据异常的目标特征点采用前向-反向误差机制和特征点位移统计特性对位移数据异常的目标特征点进行剔除，并计算所有未剔除目标特征点的位移平均值作为所述感兴趣区域中监测目标的像素位移；
步骤4、根据相机参数，将所有感兴趣区域中监测目标的像素位移反向映射至三维模型中，获得监测目标真实环境中的物理位移。
2.根据权利要求1所述的基于视频的多目标位移跟踪监测方法，其特征在于，在步骤1中，所述结构三维模型基于目标建筑的实际尺寸和空间位置关系建立。
3.根据权利要求1所述的基于视频的多目标位移跟踪监测方法，其特征在于，在步骤2中，所述目标特征点采用图像梯度自动化检测法对视频图像序列校正后第一帧图像中的感兴趣区域识别获得。
4.根据权利要求1所述的基于视频的多目标位移跟踪监测方法，其特征在于，在步骤2中，所述目标特征点包括Harris角点、SURF角点以及Shi-Tomasi角点。
5.根据权利要求1所述的基于视频的多目标位移跟踪监测方法，其特征在于，在步骤4中，所述物理位移通过计算相机射线与监测目标运动平面的交点获得。
6.一种多目标位移跟踪监测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-5任一所述的多目标位移跟踪监测方法，其具体步骤如下：获取目标建筑的结构参数与结构三维模型，通过多目标位移跟踪监测方法对指定监测结构进行识别分析，输出目标建筑的实际物理位移。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211209467.8A CN115690150B (zh) | 2022-09-30 | 2022-09-30 | 一种基于视频的多目标位移跟踪监测方法及装置 |
| PCT/CN2023/120925 WO2024067435A1 (zh) | 2022-09-30 | 2023-09-25 | 一种基于视频的多目标位移跟踪监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211209467.8A CN115690150B (zh) | 2022-09-30 | 2022-09-30 | 一种基于视频的多目标位移跟踪监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115690150A CN115690150A (zh) | 2023-02-03 |
| CN115690150B true CN115690150B (zh) | 2023-11-03 |
Family
ID=85064448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211209467.8A Active CN115690150B (zh) | 2022-09-30 | 2022-09-30 | 一种基于视频的多目标位移跟踪监测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115690150B (zh) |
| WO (1) | WO2024067435A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690150B (zh) * | 2022-09-30 | 2023-11-03 | 浙江大学 | 一种基于视频的多目标位移跟踪监测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120093361A1 (en) * | 2010-10-13 | 2012-04-19 | Industrial Technology Research Institute | Tracking system and method for regions of interest and computer program product thereof |
| CN105023278A (zh) * | 2015-07-01 | 2015-11-04 | 中国矿业大学 | 一种基于光流法的运动目标跟踪方法及系统 |
| CN112967312A (zh) * | 2021-02-07 | 2021-06-15 | 湖南桥康智能科技有限公司 | 一种面向野外刚体目标的实时鲁棒位移监测方法及系统 |
| CN114184127A (zh) * | 2021-12-13 | 2022-03-15 | 哈尔滨工业大学 | 一种基于单相机无标靶的建筑物全局位移监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035343A (zh) * | 2018-07-12 | 2018-12-18 | 福州大学 | 一种基于监控相机的楼层相对位移测量方法 |
| CN115690150B (zh) * | 2022-09-30 | 2023-11-03 | 浙江大学 | 一种基于视频的多目标位移跟踪监测方法及装置 |
-
2022
- 2022-09-30 CN CN202211209467.8A patent/CN115690150B/zh active Active
-
2023
- 2023-09-25 WO PCT/CN2023/120925 patent/WO2024067435A1/zh unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120093361A1 (en) * | 2010-10-13 | 2012-04-19 | Industrial Technology Research Institute | Tracking system and method for regions of interest and computer program product thereof |
| CN105023278A (zh) * | 2015-07-01 | 2015-11-04 | 中国矿业大学 | 一种基于光流法的运动目标跟踪方法及系统 |
| CN112967312A (zh) * | 2021-02-07 | 2021-06-15 | 湖南桥康智能科技有限公司 | 一种面向野外刚体目标的实时鲁棒位移监测方法及系统 |
| CN114184127A (zh) * | 2021-12-13 | 2022-03-15 | 哈尔滨工业大学 | 一种基于单相机无标靶的建筑物全局位移监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115690150A (zh) | 2023-02-03 |
| WO2024067435A1 (zh) | 2024-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109559348B (zh) | 一种基于特征点追踪的桥梁非接触式变形测量方法 | |
| CN112418103B (zh) | 一种基于动态双目视觉的桥式起重机吊装安全防撞系统及方法 | |
| Kalaitzakis et al. | Dynamic structural health monitoring using a DIC-enabled drone | |
| CN110766785B (zh) | 一种地下管道实时定位与三维重建装置及方法 | |
| CN115690150B (zh) | 一种基于视频的多目标位移跟踪监测方法及装置 | |
| CN113240747B (zh) | 一种基于计算机视觉的户外结构振动位移自动化监测方法 | |
| Harvey Jr et al. | Vision‐based vibration monitoring using existing cameras installed within a building | |
| CN111735523A (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
| CN114119614A (zh) | 一种远程检测建筑物的裂缝的方法 | |
| CN112967312A (zh) | 一种面向野外刚体目标的实时鲁棒位移监测方法及系统 | |
| Poorghasem et al. | Review of robot-based automated measurement of vibration for civil engineering structures | |
| KR101972582B1 (ko) | Ptz 촬상장치 기반 변위 측정 시스템 및 방법 | |
| CN112102395A (zh) | 一种基于机器视觉的自主巡检的方法 | |
| CN113793367B (zh) | 一种工程结构转角位移视觉测量及动力识别系统及方法 | |
| 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 | |
| CN114527294A (zh) | 一种基于单个摄像头的目标速度测量方法 | |
| CN110969601B (zh) | 基于视觉特征跟踪算法的结构转动响应非接触式识别方法 | |
| Chen et al. | Video camera-based vibration measurement for Condition Assessment of Civil Infrastructure | |
| CN115717865A (zh) | 环形结构全场变形测量方法 | |
| 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 | |
| CN116539001A (zh) | 一种基于无人机的海上风电塔筒垂直度检测方法及系统 | |
| KR102586815B1 (ko) | 구조물 균열 측정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| Yang et al. | Image analyses for video-based remote structure vibration monitoring system | |
| Abdeljaber et al. | In-service video-vibration monitoring for identification of walking patterns in an office floor | |
| CN110930447A (zh) | 基于Android的无人值守雪深测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |