CN116295790B - 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** - Google Patents
基于桥梁拉索特征区域帧间相位差的频率检测方法及*** Download PDFInfo
- Publication number
- CN116295790B CN116295790B CN202310577030.8A CN202310577030A CN116295790B CN 116295790 B CN116295790 B CN 116295790B CN 202310577030 A CN202310577030 A CN 202310577030A CN 116295790 B CN116295790 B CN 116295790B
- Authority
- CN
- China
- Prior art keywords
- image
- signal
- time domain
- vibration
- detection object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000011166 aliquoting Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 101001102158 Homo sapiens Phosphatidylserine synthase 1 Proteins 0.000 description 1
- 102100039298 Phosphatidylserine synthase 1 Human genes 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于桥梁拉索特征区域帧间相位差的频率检测方法及***,属于图像处理技术领域。包括以下步骤:采集视频;对采集视频图像进行区域划分和滤波处理;获取图像的相位信息;提取图像时域振动信号;筛选和合成检测对象的时域振动信号;计算信号频率。本发明相较于现有技术,其优点在于:通过设计分段奇异谱分析算法筛选拉索信号和噪声信号,从而在将各特征子区域信号进行叠加后能够合成纯净的拉索信号,提高了对拉索索力计算的准确性。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,涉及基于桥梁拉索特征区域帧间相位差的频率检测方法及***。
背景技术
桥梁拉索是桥梁结构中非常重要的组成部分,桥梁拉索可以帮助桥梁跨越大跨度的河流、山谷或其他地形障碍。桥梁拉索还可以在桥梁遇到外部载荷时起到稳定作用。拉索的高强度和柔韧性使其能够在外部载荷的作用下变形而不断裂,从而保持桥梁的稳定性。在桥梁监测领域,拉索振动频率检测是保证桥梁安全运行的关键环节之一。
目前,常用的拉索振动频率检测方法包括传统的加速度计、振弦、拉力计等传感器监测法以及基于计算机视觉技术的视频监测法。
现有文献中提出了深度学习方法、增强特征点检测方法及拉索直线检测方法等。在相关技术中,例如中国专利文献CN110411686B提供了一种桥梁静动影像全息性态健康监测诊断方法,依据对历次监测数据的机器深度学习获得桥梁结构状态的变化规律;又例如中国专利文献CN114528887A提供了一种基于微小振动放大技术的桥梁监测方法,通过叠加放大的振动信号图像来监测桥梁状况。
由上可知,相关技术并未对无法准确识别拉索而导致拉索频率检测失效的问题提出有效的解决方案。
发明内容
1.要解决的技术问题
针对现有技术中存在的无法准确识别拉索而导致拉索频率检测失效的问题,本发明提供了基于桥梁拉索特征区域帧间相位差的频率检测方法及***,可以实现筛选拉索信号和噪声信号,提取拉索结构的微弱振动信号及振动频率。
2.技术方案
本发明的目的通过以下技术方案实现。
基于桥梁拉索特征区域帧间相位差的频率检测方法,包括以下步骤:
视频采集:拍摄检测对象的振动视频;
视频图像区域划分和预处理:对采集视频的帧图像进行划分和滤波处理;
图像相位信息提取:对划分和处理后的图像进行空间金字塔分解,获取图像的相位信息;
图像时域信号提取:根据获取的相位信息,通过基于振动分析方法计算时域信息,得到时域振动信号;
特征信号筛选和合成:对提取的时域振动信号进行筛选,去除背景信号并筛选出检测对象的特征信号,合成检测对象的时域振动信号;
信号频率计算:根据合成检测对象的时域振动信号计算出检测对象的频率值。
更进一步的,视频图像区域划分和预处理的具体步骤为,对每一帧视频图像的长和宽分别进行n和m等分,即分别分成n份和m份,其中m、n均为大于1的自然数 ;
定义为位于第i行第j列的图像区域,其中/>;
对每一个图像区域进行二维高斯滤波处理以去除相机电子成像引起的低频噪声,二维高斯函数表示为:
是函数的标准差,/>是图像坐标,e是自然常数。
更进一步的,图像相位信息提取的具体步骤为,对每一个图像区域进行空间金字塔分解,获取图像的相位信息,即将图像与不同尺度和方向的二维Gabor函数进行卷积,即:
其中:
为二维Gabor函数,/>是波长,/>是复指数函数的相移,/>是控制Gabor函数形状的比例系数,/>是Gabor函数的方向角,/>和/>为/>旋转后的坐标,/>和/>是与时间相关的变量且分别为x、y的子集,/>是图像像素/>在时间/>的强度值,是金字塔分解后的强度值结果。
更进一步的,图像时域信号提取的具体步骤为,在相位空间得到图像相位信息后,利用基于视频相位的振动分析方法提取图像的振动信号:
通过直流滤波器对相位进行滤波,滤除直流分量/>,再将每帧图像与参考帧的局部相位相减,即可得到每帧图像的相位差信号:
从图像序列相位差信号中获得图像的时域振动信号:
为振动信号,/>为振动幅度,/>为振动频率,/>为幅度较小的位移函数,为每个子区域的振动信号,p为时域振动信号的长度且其取值为大于1的自然数。
更进一步的,特征信号筛选和合成的具体步骤为,采用和优化奇异谱分析的方法来提取检测对象的特征信号,具体步骤如下:
观察矩阵的构建:
将得到的时域振动信号映射为多维延迟向量序列/>(1≤f≤K):
L为窗的长度,1<L<P,K为延迟向量序列的个数,K=P-L+1,为延迟向量;
奇异值分解;
检测对象振动信号提取;
检测对象时域振动信号提取和合成。
更进一步的,奇异值分解的具体步骤为,延迟向量的奇异值分解表示为:
为/>的非零奇异值;/>为大于0的自然数,d表示前d个奇异值分解的特征值 ;/>和/>分别为/>的左右奇异分量 ;/>为对应于奇异值/>奇异分量。
更进一步的,检测对象振动信号提取的具体步骤为,假设检测对象理想振动信号矩阵为,则/>为低秩矩阵 ;
延迟向量主要包括检测对象振动信号/>和背景噪声/>,所以/>,MIX为混合信号 ;
提供一个优化模型以使在混合信号中提取/>:
为核范数,/>为一阶范数,/>为调节系数,/>;核范数约束/>的奇异值和,一阶范数保证/>的稀疏性 ;
构建拉格朗日函数解决优化问题:
=/>
为正标量且0</><1,/>为拉格朗日乘子,/>为F阶范数,Y的初始值由:
得出,为符号函数,/>为二阶范数,/>为无穷阶范数;
优化模型通过已有的EALM算法迭代解决,迭代收敛条件为:
其中,为极小的一个正数;
由此计算出检测对象振动矩阵的最优秩d和前d个特征值。
更进一步的,检测对象时域振动信号提取和合成的具体步骤为,由检测对象振动信号提取步骤,从混合信号中提取的检测对象振动信号/>为:
如此提取的每个视频子区域的检测对象时域振动信号表示为:
,/>(1<h</>,/>)
为视频子区域检测对象时域振动信号/>的子集,一帧图像共划分为/>个区域,每个区域用/>表示,1≤c≤/>,h为振动信号的长度且为大于0的自然数;
则一组视频图像序列的检测对象合成的时域振动信号表示为:
(1≤i≤m, 1≤j≤n) 。
更进一步的,信号频率计算的具体步骤为,对以上的检测对象合成时域振动信号进行傅里叶变换即可计算出检测对象的频率值。
基于上述所述的基于桥梁拉索特征区域帧间相位差的频率检测方法的***,
包括视频采集模块,用于拍摄检测对象的振动视频;
视频图像区域划分和预处理模块,用于对采集视频的帧图像进行划分和滤波处理;
图像相位信息提取模块,用于对划分和处理后的图像进行空间金字塔分解并获取图像的相位信息;
图像时域信号提取模块,用于根据获取的图像相位信息,通过基于振动分析方法计算时域振动信号;
特征信号筛选和合成模块,用于对提取的时域振动信号进行筛选,去除背景信号并筛选出检测对象的特征信号,合成检测对象的时域振动信号;
信号频率计算模块,用于对合成检测对象的时域振动信号进行傅里叶变换,计算出检测对象的频率值。
3.有益效果
相比于现有技术,本发明的优点在于:
本发明的基于桥梁拉索特征区域帧间相位差的频率检测方法及***,通过设计分段奇异谱分析(PSSA)算法筛选拉索信号和噪声信号,从而在将各特征子区域信号进行叠加后能够合成纯净的拉索信号,提高了拉索振动频率计算的准确性,进而提高拉索索力计算的准确性。
附图说明
图1为本发明的一种实施例中的频率测量方法的流程图;
图2为本发明的一种实施例中的基于拉索特征区域帧间相位差(CFA-PVE)示意图;
图3为本发明的一种实施例中的桥梁拉索实测场景示意图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例1
结合图1至图3,本发明的基于桥梁拉索特征区域帧间相位差的频率检测方法,包括如下步骤:
视频采集:
利用相机在实际场景中拍摄检测对象振动的视频。具体的,本实施例中的检测对象为桥梁拉索。
相机帧率根据实际情况进行调整,为了满足奈奎斯特采样定理,相机帧率应大于检测对象最大振动频率的2倍,本实施例中使用的相机帧率是50fps,视频帧数在500到550帧之间即可,本实施例中将其保存为avi视频格式。一般而言,采集的视频数据可为avi、mov、mp4等常用视频格式。
本步骤可以获取包含检测对象和背景的视频图像序列。
视频图像区域划分和预处理:
如图2所示,对每一帧视频图像的长和宽分别进行n和m等分,即分别分成n份和m份,其中的m、n为大于1的自然数。每一个视频区域可以表示为(/>),即为位于第i行第j列的图像区域。
由于划分是随机的,所以图像子区域中可能包含检测对象也有可能不包含检测对象或者只包含一部分检测对象信息。对图像进行区域划分,可以提高频率检测的精确性。
然后对每一个图像区域进行二维高斯滤波处理:
从而去除相机电子成像引起的低频噪声。其中,为函数的标准差,/>是图像坐标,e是自然常数。
图像相位信息提取:
对每一个图像子区域进行空间金字塔分解,获取图像的相位信息。即将图像与不同尺度和方向的二维Gabor函数进行卷积,即:
其中:
为二维Gabor函数,/>是波长,/>是复指数函数的相移,/>是控制Gabor函数形状的比例系数。
其中:
是Gabor函数的方向角,/>为图像坐标。本实施例中的方向角/>;/>和/>为旋转后的坐标,/>和/>是与时间相关的变量且分别为x、y的子集,/>表示图像像素在时间/>的强度值;/>表示金字塔分解后的强度值结果。本步骤通过将图像进行复可控金字塔分解得到所需的图像空间域的幅度和相位信息。
图像时域信号提取:
根据相位信息计算时域信息。在相位空间得到图像相位信息后,利用基于视频相位的振动分析方法(PVE),提取图像的振动信号:
其中,为振动信号,/>为振动幅度,/>为振动频率,/>为幅度较小的位移函数。
检测对象的局部时域振动与局部相位有关,通过直流滤波器对相位/>进行滤波,滤除直流分量/>,再将每帧图像与参考帧的局部相位相减,即可得到每帧图像的相位差信号:
由于相位差信号中包含位移信号,所以可以从图像序列相位差信号中获得图像的时域振动信号:
其中,为每个图像区域的振动信号,p为时域振动信号的长度,p的取值为大于1的自然数。这一步骤将空间域的相位信息计算转化为时间域上的振动信息。注意,此时的振动信号/>是混合信号,即包括检测对象振动信号和背景的振动信号。
检测对象特征信号筛选和合成:
如图2所示,在提取出图像每一个子区域的时域振动信号后,再进行信号的筛选,即去除背景信号,筛选出检测对象特征信号。本实施例通过采用和优化奇异谱分析的方法来提取检测对象的特征信号。步骤为:
(1)观察矩阵的构建。
将得到的时域振动信号映射为多维延迟向量序列/>(1≤f≤K):
L为窗的长度(1<L<P),K为延迟向量序列的个数,K=P-L+1。
假设延迟向量(1≤f≤K)中存在这样的振动分量/>(1≤q≤p),由于振动的周期性,则必然存在一个常数T,使得/>,/>中包含的振动矩阵应该是低秩的。
(2)奇异值分解
延迟向量的奇异值分解可以表示为:
为矩阵/>的非零奇异值 ;/>为大于0的自然数,d表示前d个奇异值分解的特征值 ;/>和/>分别为/>的左右奇异分量 ;/>为对应于奇异值/>奇异分量。振动信号主要集中在前几个奇异分量上。
(3)检测对象振动信号提取
检测对象信号提取的目的是找到合适的值,使振动信号中的前/>个奇异分量能达到最好的估计。假设检测对象理想振动信号矩阵为/>,则/>应为低秩矩阵,因为振动信号是周期的。延迟向量/>在这里主要包括检测对象振动信号/>和背景噪声/>,所以/>,MIX为混合信号。所以问题就变成了如何在混合信号/>中提取/>,本发明提供这样一个优化模型:
其中,表示核范数,/>为一阶范数,/>为调节系数。
核范数是为了约束的奇异值和,一阶范数是为了保证/>的稀疏性;
这里的。
为了解决上述的优化问题,本实施例构建拉格朗日函数:
=/>
其中,为正标量且0</><1,/>为拉格朗日乘子,/>为F阶范数。/>的初始值由:
给出。其中,为符号函数,/>为二阶范数,/>为无穷阶范数。
优化模型问题可以通过已有的EALM算法迭代解决,迭代收敛条件为:
其中,为极小的一个正数。
这样,可以计算出理想检测对象振动矩阵的最优秩d和前d个特征值。
(4)检测对象时域振动信号提取和合成
由(3)从混合信号中提取的检测对象振动信号/>:
如此提取的每个视频子区域的检测对象时域振动信号表示为:
,/>(1<h</>,/>)
其中,为视频子区域检测对象时域振动信号/>的子集,如前文所述,一帧图像共划分为/>个区域,每个区域用/>(1≤c≤/>)表示。h为振动信号的长度,且为大于0的自然数。这样,一组视频图像序列的检测对象合成的时域振动信号/>表示为:
(1≤i≤m, 1≤j≤n)
本步骤针对复杂纹理背景在时间域上呈现的奇异性和非周期性特征及检测对象在时域上呈现的周期特征,设计区域奇异谱分析算法分离周期信号和噪声信号,其中的周期信号即为检测对象振动信号,噪声信号即为背景信号。再从分离后的信号中提取纯净的检测对象振动信号,进行下一步的频率计算。
检测对象信号频率计算:
将上面得到的检测对象时域振动信号进行傅里叶变换即可计算出检测对象的频率值。
结合图1至图3,本发明的基于桥梁拉索特征区域帧间相位差的频率检测***,包括如下步骤:
步骤一、视频采集模块
利用视频采集装置拍摄需要测量的检测对象视频,大约拍摄10秒钟。
步骤二、视频图像区域划分和预处理模块
将视频图像序列等分成若干个小矩形区域,每个区域中包含检测对象或不含检测对象或含部分检测对象。对每个区域的视频图像序列进行高斯滤波处理,以平滑图像和去除噪声。
步骤三、图像相位信息提取模块
利用复可控金字塔(参见前期申请的专利,公开号为CN113421224A)对每个区域每个视频图像序列进行空间分解,通过对每帧图像进行空间带通滤波和降采样,得到不同尺度及不同方向的幅度谱和相位谱。然后通过对相位谱进行幅度加权操作,进一步滤除噪声干扰和增强图像相位信息。
步骤四、图像时域信号提取模块
利用基于视频相位的振动分析方法(PVE),如图2所示,提取每个区域图像序列的时域振动信号,其中振动信号/>,/>为振动幅度,/>为振动频率,/>为幅度较小的位移函数。
图像的局部时域振动与局部相位有关,通过直流滤波器对相位/>ωx+δt进行滤波,滤除直流分量/>,再将每帧图像与参考帧的局部相位相减,即可得到每帧图像的相位差信号/>,由于相位差信号中包含位移信号/>,所以可以从每个区域的图像序列相位差信号中获得该区域图像的时域振动信号。
步骤五、特征信号筛选和合成模块
通过建立的自适应振动分量选择和波形恢复的优化模型,我们对每个区域获得的时域振动信号进行奇异谱分析(SSA),提取出每个区域振动信号中的周期信号、噪声信号和趋势项信号等。针对检测对象振动信号的周期性和局部稀疏特征,将每个区域提取的周期信号进行时域信号合成,获得图像全局的检测对象时域振动信号。
步骤六、信号频率计算模块
在获得合成的全局检测对象时域振动信号后,对时域信号进行傅里叶变换,获取检测对象的振动频率。
本实施例中的桥梁拉索实测场景如图3所示,桥梁拉索实测实验结果如表1所示。在天空背景、建筑物背景、植被背景下分别测量检测对象的振动频率,采用了不同的检测方法和本方法进行对比。其中Accelerator为加速度计方法(作为真值参考),PVE为基于视频相位的振动检测方法,LSD-PVE为直线检测和PVE相结合的方法,FPD为特征点追踪的方法,DL-PVE为深度学习和PVE结合的方法,Proposed为本发明的方法。检测评价指标Peaks为峰值频率,RMSE为均方根误差,PCC皮尔逊相关系数。
表1. 桥梁拉索实测实验结果
本实施例采用本发明的基于桥梁拉索特征区域帧间相位差的频率检测方法及***,无需在检测对象上安装传感器,只需一般的视频采集装置即可,且能较好地在复杂背景下提取拉索结构的微弱振动信号及振动频率,从而能够准确的计算出拉索的索力。频率测量方法的流程图如图1所示,与传统的基于视频方法测索力相比,无需人工在检测对象上标记特殊点并且不受光照变化的干扰,提高了技术人员使用非接触式视频方法测量拉索索力及健康状时的准确率和便捷性。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (6)
1.基于桥梁拉索特征区域帧间相位差的频率检测方法,包括以下步骤:
视频采集:拍摄检测对象的振动视频;
视频图像区域划分和预处理:对采集视频的帧图像进行划分和滤波处理;
图像相位信息提取:对划分和处理后的图像进行空间金字塔分解,获取图像的相位信息;
图像时域信号提取:根据获取的相位信息,通过基于振动分析方法计算时域信息,得到时域振动信号;
特征信号筛选和合成:对提取的时域振动信号进行筛选,去除背景信号并筛选出检测对象的特征信号,合成检测对象的时域振动信号;
信号频率计算:根据合成检测对象的时域振动信号计算出检测对象的频率值;
特征信号筛选和合成的具体步骤为,采用和优化奇异谱分析的方法来提取检测对象的特征信号,具体步骤如下:
观察矩阵的构建:
将得到的时域振动信号映射为多维延迟向量序列/>:
其中1≤f≤K,L为窗的长度,1<L<P,K为延迟向量序列的个数,K=P-L+1,为延迟向量;
奇异值分解;
检测对象振动信号提取;
检测对象时域振动信号提取和合成;
奇异值分解的具体步骤为,延迟向量的奇异值分解表示为:
为/>的非零奇异值 ;/>为大于0的自然数,d表示前d个奇异值分解的特征值 ;/>和/>分别为/>的左右奇异分量 ;/>为对应于奇异值/>奇异分量;
检测对象振动信号提取的具体步骤为,假设检测对象理想振动信号矩阵为,则/>为低秩矩阵;
延迟向量主要包括检测对象振动信号/>和背景噪声/>,所以/>,MIX为混合信号;
提供一个优化模型以使在混合信号中提取/>:
为核范数,/>为一阶范数,/>为调节系数,/>;核范数约束/>的奇异值和,一阶范数保证/>的稀疏性;
构建拉格朗日函数解决优化问题:
=/>
为正标量且0 </>< 1,/>为拉格朗日乘子,/>为F阶范数,Y的初始值由:
得出, 为符号函数,/>为二阶范数,/>为无穷阶范数;
优化模型通过已有的EALM算法迭代解决,迭代收敛条件为:
其中,为极小的一个正数;由此计算出检测对象振动矩阵/>的最优秩d和前d个特征值;
检测对象时域振动信号提取和合成的具体步骤为,由检测对象振动信号提取步骤,从混合信号中提取的检测对象振动信号/>为:
如此提取的每个视频子区域的检测对象时域振动信号表示为:
,/> ;
其中1<h<,/>,/>为视频子区域检测对象时域振动信号/>的子集,一帧图像共划分为/>个区域,每个区域用/>表示,1≤c≤/>,h为振动信号的长度且为大于0的自然数;
则一组视频图像序列的检测对象合成的时域振动信号表示为:
,
其中1≤i≤m, 1≤j≤n。
2.根据权利要求1所述的基于桥梁拉索特征区域帧间相位差的频率检测方法,其特征在于:
视频图像区域划分和预处理的具体步骤为,对每一帧视频图像的长和宽分别进行n和m等分,即分别分成n份和m份,其中m、n均为大于1的自然数 ;
定义为位于第i行第j列的图像区域,其中/> ;
对每一个图像区域进行二维高斯滤波处理以去除相机电子成像引起的低频噪声,二维高斯函数表示为:
是函数的标准差,/>是图像坐标,e是自然常数。
3.根据权利要求1所述的基于桥梁拉索特征区域帧间相位差的频率检测方法,其特征在于:
图像相位信息提取的具体步骤为,对每一个图像区域进行空间金字塔分解,获取图像的相位信息,即将图像与不同尺度和方向的二维Gabor函数进行卷积,即:
其中:
;
;
是函数的标准差,/>为二维Gabor函数,/>是波长,/>是复指数函数的相移,/>是控制Gabor函数形状的比例系数,/>是Gabor函数的方向角,/>和/>为/>旋转后的坐标,/>和/>是与时间相关的变量且分别为x、y的子集,/>是图像像素/>在时间/>的强度值,/>是金字塔分解后的强度值结果。
4.根据权利要求1所述的基于桥梁拉索特征区域帧间相位差的频率检测方法,其特征在于:
图像时域信号提取的具体步骤为,在相位空间得到图像相位信息后,利用基于视频相位的振动分析方法提取图像的振动信号:
通过直流滤波器对相位进行滤波,滤除直流分量/>,再将每帧图像与参考帧的局部相位相减,即可得到每帧图像的相位差信号:
从图像序列相位差信号中获得图像的时域振动信号:
为振动信号,/>为振动幅度,/>为振动频率,/>为幅度较小的位移函数,为每个子区域的振动信号,p为时域振动信号的长度且其取值为大于1的自然数。
5.根据权利要求1所述的基于桥梁拉索特征区域帧间相位差的频率检测方法,其特征在于:
信号频率计算的具体步骤为,对以上的检测对象合成时域振动信号进行傅里叶变换即可计算出检测对象的频率值。
6.基于如权利要求1-5任一所述的基于桥梁拉索特征区域帧间相位差的频率检测方法的***,其特征在于,
包括视频采集模块,用于拍摄检测对象的振动视频;
视频图像区域划分和预处理模块,用于对采集视频的帧图像进行划分和滤波处理;
图像相位信息提取模块,用于对划分和处理后的图像进行空间金字塔分解并获取图像的相位信息;
图像时域信号提取模块,用于根据获取的图像相位信息,通过基于振动分析方法计算时域振动信号;
特征信号筛选和合成模块,用于对提取的时域振动信号进行筛选,去除背景信号并筛选出检测对象的特征信号,合成检测对象的时域振动信号;
信号频率计算模块,用于对合成检测对象的时域振动信号进行傅里叶变换,计算出检测对象的频率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577030.8A CN116295790B (zh) | 2023-05-22 | 2023-05-22 | 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577030.8A CN116295790B (zh) | 2023-05-22 | 2023-05-22 | 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116295790A CN116295790A (zh) | 2023-06-23 |
CN116295790B true CN116295790B (zh) | 2023-09-05 |
Family
ID=86815285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577030.8A Active CN116295790B (zh) | 2023-05-22 | 2023-05-22 | 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116295790B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392106B (zh) * | 2023-11-07 | 2024-06-25 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于视觉增强的桥梁振动视觉检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471703A (zh) * | 2013-09-30 | 2013-12-25 | 中国人民解放军国防科学技术大学 | 一种高速叶片欠采样叶端振动信号的无混叠重构方法 |
CN105193382A (zh) * | 2014-06-20 | 2015-12-30 | 佳能株式会社 | 被检体信息获取装置 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构***及方法 |
CN111277833A (zh) * | 2020-01-20 | 2020-06-12 | 合肥工业大学 | 一种基于多通带滤波器的多目标微小振动视频放大方法 |
CN111862055A (zh) * | 2020-07-23 | 2020-10-30 | 中国计量大学 | 一种基于图像处理的水准泡车削空腔缺陷检测方法 |
CN115089162A (zh) * | 2022-05-30 | 2022-09-23 | 合肥工业大学 | 一种基于无人机视频的呼吸率检测方法及装置 |
CN115375924A (zh) * | 2022-09-14 | 2022-11-22 | 湖南大学 | 一种基于图像识别的桥梁健康监测方法与*** |
WO2023039130A2 (en) * | 2021-09-10 | 2023-03-16 | Regents Of The University Of Minnesota | Ultrasound imaging system and method |
CN115830024A (zh) * | 2023-02-16 | 2023-03-21 | 江苏博宇鑫信息科技股份有限公司 | 基于图像分割的桥梁拉索微小运动振动检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8935308B2 (en) * | 2012-01-20 | 2015-01-13 | Mitsubishi Electric Research Laboratories, Inc. | Method for recovering low-rank matrices and subspaces from data in high-dimensional matrices |
CA2953938C (en) * | 2014-07-18 | 2020-07-14 | Halliburton Energy Services, Inc. | Distributed sensing systems and methods with efficient energy spectrum analysis |
-
2023
- 2023-05-22 CN CN202310577030.8A patent/CN116295790B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471703A (zh) * | 2013-09-30 | 2013-12-25 | 中国人民解放军国防科学技术大学 | 一种高速叶片欠采样叶端振动信号的无混叠重构方法 |
CN105193382A (zh) * | 2014-06-20 | 2015-12-30 | 佳能株式会社 | 被检体信息获取装置 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构***及方法 |
CN111277833A (zh) * | 2020-01-20 | 2020-06-12 | 合肥工业大学 | 一种基于多通带滤波器的多目标微小振动视频放大方法 |
CN111862055A (zh) * | 2020-07-23 | 2020-10-30 | 中国计量大学 | 一种基于图像处理的水准泡车削空腔缺陷检测方法 |
WO2023039130A2 (en) * | 2021-09-10 | 2023-03-16 | Regents Of The University Of Minnesota | Ultrasound imaging system and method |
CN115089162A (zh) * | 2022-05-30 | 2022-09-23 | 合肥工业大学 | 一种基于无人机视频的呼吸率检测方法及装置 |
CN115375924A (zh) * | 2022-09-14 | 2022-11-22 | 湖南大学 | 一种基于图像识别的桥梁健康监测方法与*** |
CN115830024A (zh) * | 2023-02-16 | 2023-03-21 | 江苏博宇鑫信息科技股份有限公司 | 基于图像分割的桥梁拉索微小运动振动检测方法 |
Non-Patent Citations (1)
Title |
---|
基于奇异谱分析的桥梁索塔锚固区应力分析;江磊;河南科学;第34卷(第7期);第1107-1113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116295790A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhowmick et al. | Measurement of full-field displacement time history of a vibrating continuous edge from video | |
CN112254801B (zh) | 一种微小振动视觉测量方法及*** | |
CN110084127B (zh) | 一种基于视觉的磁悬浮转子振动测量方法 | |
Chen et al. | Modal identification of simple structures with high-speed video using motion magnification | |
Bhowmick et al. | Identification of full-field dynamic modes using continuous displacement response estimated from vibrating edge video | |
Zheng et al. | An advanced image fusion algorithm based on wavelet transform: incorporation with PCA and morphological processing | |
CN108414240B (zh) | 一种检测机器异常振动的方法与装置 | |
Guo et al. | De-noising of digital image correlation based on stationary wavelet transform | |
CN102866260B (zh) | 非接触式河流表面流场成像量测方法 | |
CN116295790B (zh) | 基于桥梁拉索特征区域帧间相位差的频率检测方法及*** | |
Gou et al. | Remote sensing image super-resolution reconstruction based on nonlocal pairwise dictionaries and double regularization | |
CN112001361B (zh) | 一种基于欧拉视角的多目标微小振动频率测量方法 | |
CN110440902B (zh) | 一种非接触式微小振动视觉测量方法 | |
Shacham et al. | Blind restoration of atmospherically degraded images by automatic best step-edge detection | |
CN114528887A (zh) | 基于微小振动放大技术的桥梁监测方法、***及装置 | |
Valente et al. | Streamlined particle filtering of phase-based magnified videos for quantified operational deflection shapes | |
Cai et al. | Gaussian mixture model based phase prior learning for video motion estimation | |
CN112381742A (zh) | 一种单幅图像去运动模糊方法及*** | |
Hacini et al. | A 2D-fractional derivative mask for image feature edge detection | |
CN102155933B (zh) | 一种基于视频差异分析的输电线路导线舞动测量方法 | |
Lado-Roigé et al. | STB-VMM: Swin transformer based video motion magnification | |
Southwick et al. | Volumetric motion magnification: subtle motion extraction from 4D data | |
CN112419198A (zh) | 一种用于sar干涉图滤波的非局部均值定权方法 | |
Yang et al. | Sparse representation of complex steerable pyramid for machine fault diagnosis by using non-contact video motion to replace conventional accelerometers | |
Gregoris et al. | Wavelet transform-based filtering for the enhancement of dim targets in FLIR images |
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 |