基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法技术

本发明专利技术公开了一种基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法。首先，该方法采用稠密光流法检测桥梁交通监控视频里的移动车辆、为车辆预测边界框；然后，车辆边界框用于交通流参数识别与车型识别，交通流参数包括车流量、车流密度、车速与车头时距，车型识别通过在车辆数据库中匹配检测车辆实现；最后，进行交通流参数的不确定性量化和车重的不确定性量化，从而建立随机车辆荷载模型。本发明专利技术的优点是成本低，适用于全国各类桥梁桥面或路面的随机车辆荷载的不确定性量化。面的随机车辆荷载的不确定性量化。面的随机车辆荷载的不确定性量化。

【技术实现步骤摘要】
基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法


[0001]本专利技术属于结构健康监测领域，特别涉及一种基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法。

技术介绍

[0002]车辆荷载是影响桥梁结构的安全性和可靠性的重要因素，这种荷载具有很大的不确定性，因为它直接受到许多不确定的宏观和微观因素的影响，如当地经济、交通法规和人为因素(驾驶行为)。因此，利用结构健康监测(SHM)技术对桥梁车辆荷载进行不确定性量化(UQ)显得尤为重要。
[0003]从荷载建模的角度，车辆荷载可以分解为交通流和车重，交通流分量描述车辆荷载的时空分布，而车重分量包括总重和轴重。根据用到的传感器的类型，车辆荷载监测技术分为三种：1)车辆动态称重(WIM)；2)桥梁动态称重(B
‑
WIM)；3)基于计算机视觉(CV)的车辆荷载建模(VLM)。
[0004]WIM是最传统的方法，它的优点是可以直接可靠地测量交通流量和车重，但缺点是在安装和维护传感器时需要破坏路面和中断交通，因此成本较高。
[0005]B
‑
WIM是根据桥梁在车辆荷载作用下的响应，进行求解车辆荷载的方法。与WIM相比，B
‑
WIM的优点是，传感器的安装和维护更容易，并且可以避免交通中断。另一方面，B
‑
WIM的缺点是，在许多实际情况下，交通流和车重不可识别。
[0006]基于计算机视觉的车辆荷载建模是计算机视觉和结构健康监测的交叉学科，其可分为基于纯计算机视觉的车辆荷载建模和基于集成计算机视觉的车辆荷载建模，前一类仅依赖于摄像头的数据，后一类集成了交通摄像头和其他类型传感器的数据。后一类(CV
‑
WIM和CV
‑
BWIM)能识别不确定度较小的车辆荷载，但代价昂贵，对计算资源要求高，对传感系统的同步和传输要求高。基于纯计算机视觉的车辆荷载建模的优点是：1)能够识别交通流参数；2)与WIM、B
‑
WIM、基于集成计算机视觉的车辆荷载建模(CV
‑
WIM和CV
‑
BWIM)相比，成本非常低，更适合大规模推广。另一方面，其缺点是无法识别车重参数，这一问题在现有的研究中还没有得到很好的解决。
[0007]有一种基于非接触式机器视觉技术和深度学习算法的桥梁荷载时空分布识别系统(Vehicle weight identification system for spatiotemporal load)，但是其在识别车重时仅根据样本车辆的信息统计得到，没有进行不确定性量化，同时没有考虑车辆技术参数(如轴距、车总重、前轴重、后轴重)。该专利利用摄像机和图像处理技术分析了Forth Road suspension Bridge的交通流数据(Micu et al_2019_Evaluation of the extreme traffic load effects on the Forth Road Bridge using)，根据从拍摄的视频中提出出来的帧确定车辆的长度和在桥上的相对位置，接着通过现场WIM数据建立起车辆长度和车辆重量的统计相关性，从而实现从桥上记录的车辆长度推断出车辆重量。但是该方法成本较大，且仅适用于装备WIM的桥梁。
[0008]基于以上背景，需要专利技术一种基于增强纯计算机视觉的桥梁车辆荷载不确定性量
化方法。

技术实现思路

[0009]为了解决以上的技术问题，本专利技术提供了一种基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法。
[0010]本专利技术至少通过如下技术方案之一实现。
[0011]基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，包括以下的步骤：
[0012]步骤1、根据稠密光流法检测移动车辆并预测车辆的边界框；
[0013]步骤2、提取检测车辆的几何特征，根据真实坐标估计车辆边界框的真实尺寸统计交通流参数；
[0014]步骤3、在车辆数据库中选出与检测车辆最匹配的车型；
[0015]步骤4、建立随机车辆荷载模型用于量化交通流参数和车总重的不确定性。
[0016]进一步地，基于人工标注的车辆边界框来优化OpenCV里的参数，采用分批优化确定参数的最优值，优化参数后用于检测移动车辆，并根据得到的光流场预测车辆的边界框。
[0017]进一步地，在步骤2中，采用针孔相机模型，建立图像坐标和真实坐标的转换方程，根据真实坐标估计车辆边界框的真实尺寸统计交通流参数，所述交通流参数包括车流量、车流密度、平均车速和车头时距。
[0018]进一步地，交通流参数包括：
[0019]车流量q是计时周期T
c
内通过指定断面的车辆数N
v,flow
，即：
[0020][0021]在每个计时周期T
c
内，如果车辆边界框的中点通过指定断面，就计数，否则不计数。
[0022]车流密度k是单位长度桥面上的车辆数，如果车辆边界框的中点的纵向位置在指定区域内，就计数，否则不计数；令Δt
frame
为连续两帧图像之间的时间差，N
v，density
为计时周期T
c
内指定桥面区域内的车辆数，L
density
为指定桥面区域的长度；平均车流密度k表示为：
[0023][0024]车流量q和车流密度k用于计算车辆的平均速度v：
[0025][0026]车头时距T
hw
是连续两辆车的车头通过指定断面的时间差，用i表示第i辆车，记前车通过断面的时刻为t
v，i
，后车通过断面的时刻为t
v，i+1
，则车头时距表示为：
[0027]T
hw
＝t
v，i+1
‑
t
v，i
。
[0028]进一步地，利用贝叶斯判别分析来判定检测车辆的类别，再构造车辆边界框的尺寸和车辆实际尺寸之间的几何约束，最后根据车辆的类别和几何约束，在车辆数据库中选出与检测车辆最匹配的车型。
[0029]进一步地，采用贝叶斯统计方法对车辆进行分类：
[0030]首先建立车辆边界框的高H和宽W的联合概率密度函数p(h，w|C
v
)，根据人工标注
的车辆的边界框来建立不同的概率模型，根据贝叶斯信息准则(BIC)来选择最优的概率模型；设车辆i的边界框的宽w
cal，i
和高h
cal，i
，和车辆通指定断面的时间t
v，i
，则该车属于C
v
类的概率为：
[0031][0032][0033]其中，p(h
cal，i
，w
cal，i
|C
v，
t
v，i
)为t
v，i
时C
v
类车的边界框本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于：包括以下的步骤：步骤1、根据稠密光流法检测移动车辆并预测车辆的边界框；步骤2、提取检测车辆的几何特征，根据真实坐标估计车辆边界框的真实尺寸统计交通流参数；步骤3、在车辆数据库中选出与检测车辆最匹配的车型；步骤4、建立随机车辆荷载模型用于量化交通流参数和车总重的不确定性。2.根据权利要求1所述的基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于，基于人工标注的车辆边界框来优化OpenCV里的参数，采用分批优化确定参数的最优值，优化参数后用于检测移动车辆，并根据得到的光流场预测车辆的边界框。3.根据权利要求1所述的基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于，在步骤2中，采用针孔相机模型，建立图像坐标和真实坐标的转换方程，根据真实坐标估计车辆边界框的真实尺寸统计交通流参数，所述交通流参数包括车流量、车流密度、平均车速和车头时距。4.根据权利要求1所述的基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于，交通流参数包括：车流量q是计时周期T
c
内通过指定断面的车辆数N
v,flow
，即：在每个计时周期T
c
内，如果车辆边界框的中点通过指定断面，就计数，否则不计数。车流密度k是单位长度车道的车辆数，如果车辆边界框的中点的纵向位置在指定区域内，就计数，否则不计数；令Δt
frame
为连续两帧图像之间的时间差,N
v,density
为计时周期T
c
内指定桥面区域内的车辆数,L
density
为指定桥面区域的长度；平均车流密度k表示为：车流量q和车流密度k用于计算车辆的平均速度v：车头时距T
hw
是连续两辆车的车头通过指定断面的时间差，用i表示第i辆车，记前车通过断面的时刻为t
v,i
，后车通过断面的时刻为t
v,i+1
，则车头时距表示为：T
hw
＝t
v,i+1
‑
t
v,i
。5.根据权利要求1所述的基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于，利用贝叶斯判别分析来判定检测车辆的类别，再构造车辆边界框的尺寸和车辆实际尺寸之间的几何约束，最后根据车辆的类别和几何约束，在车辆数据库中选出与检测车辆最匹配的车型。6.根据权利要求5所述的基于增强纯计算机视觉的桥梁车辆荷载不确定性量化方法，其特征在于，采用贝叶斯统计方法对车辆进行分类：首先建立车辆边界框的高H和宽W的联合概率密度函数p(h,w|C
v
)，根据人工标注的车辆的边界框来建立不同的概率模型，根据贝叶斯信息准则(BIC)来选择最优的概率模型；设车
辆i的边界框的宽w
cal,i
和高h
cal,i
，和车辆通指定断面的时间t
v,i
，则该车属于C
v
类的概率为：类的概率为：其中，p(h
cal,i
,w
cal,i
|C
v
,t
v,i
)为t

【专利技术属性】
技术研发人员：慕何青，苏成，邵威，梁新雄，周奕君，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：