一种提高桥梁动位移精度的图像特征辨识方法技术

一种提高桥梁动位移精度的图像特征辨识方法，涉及一种桥梁位移测量方法。桥梁视频图像采集，视觉靶标在视频内部；对图像进行特征点检测，计算图像中每个像素点的Hessian矩阵，并采用高斯函数卷积处理，极值处为特征点；采用近邻比值提纯法提纯，初步筛选正确特征匹配点；采用正反双向提纯法进行提纯，剔除不满足要求的特征点；采用主方向夹角法进行提纯，将两帧图像中的特征点对应的角度进行差值，与角度阈值比较进一步将错误点剔除；逐帧进行帧间匹配，得到每帧图像的特征点。解决现有基于特征点识别桥梁图像计算复杂、错误匹配点过多以及位移测量精度不高的问题，能够实现桥梁区域靶标特征点的精确快速识别与追踪。

【技术实现步骤摘要】
一种提高桥梁动位移精度的图像特征辨识方法
本专利技术涉及一种桥梁位移测量方法，尤其是一种提高桥梁动位移精度的图像特征辨识方法，属于桥梁工程健康监测与安全评估领域。
技术介绍
近些年来，我国高铁建设加速成网，高铁成为人们出行的首要选择。高铁的修建一般采用“以桥带路”的方式，因此桥梁结构在高铁线路中占比极大。随着高铁运行时对桥梁的冲击，桥梁结构造成的损伤逐渐累积，严重时会造成重大安全事故。为保证高铁的安全运行，需要对高铁桥梁动态位移进行监测或定期检查。目前，高铁桥梁中常用的位移测量工具和方法主要是位移传感器、加速度传感器、激光挠度仪等，这些方法施工过程复杂、耗时长、成本高并且对于一些空间结构复杂的地方难以测量。随着摄影技术的发展，应用图像处理和数字图像相关等方法从图像中直接提取结构振动位移信息也逐渐受到广泛关注。随着计算机视觉的发展，许多学者已经将桥梁振动位移与计算机视觉相结合。现阶段，许多基于特征点检测的计算机视觉方法遇到识别中出现大量错误匹配点的问题，在处理时往往需要耗费大量时间并且效果不佳，因此，如何针对错误匹配点过多的问题提出一种高效、快速、精确的计算机测量方法成为一个亟待解决的问题。
技术实现思路
本专利技术的目的是为了解决现有的基于特征点识别桥梁图像计算复杂、识别时错误匹配点过多以及位移测量精度不高的问题，提供一种提高桥梁动位移精度的图像特征辨识方法，它能够实现桥梁区域靶标特征点的精确快速识别与追踪，为先进的计算机视觉技术在桥梁振动位移测量上的应用提供一个可行的途径，为后续桥梁结构振动位移智能化实时监测提供了技术方案。为实现上述目的，本专利技术采取下述技术方案：一种提高桥梁动位移精度的图像特征辨识方法，包括以下步骤：步骤一：桥梁视频图像采集，将带有特征的视觉靶标放置在桥梁待测位置，采用商用数码相机拍摄，将视觉靶标包含在视频内部；步骤二：对视觉靶标图像进行特征点检测，计算图像中每个像素点的Hessian矩阵，并采用高斯函数L(x,t)＝G(t)I(x,t)对矩阵行列卷积处理，通过Hessian矩阵判别式初步判断特征点，Hessian矩阵的行列式的极值处即为特征点；步骤三：对初步筛选出的特征点进行特征点匹配，剔除部分错误特征点，首先采用近邻比值提纯法提纯，选定一个特征点并找到第二帧图像中与此特征点间的欧氏距离最小以及次最小的点，将最小距离与次最小距离进行比值Q，通过设定阈值Tq，满足Tq＜Q的要求则认为是正确特征匹配点；步骤四：继续采用正反双向提纯法进行提纯，第一帧中的一个特征点按上述近邻比值法找到第二帧图像中对应的特征点，如果在第二帧图像中有多个特征点均满足Tq＜Q，则进行剔除，如果仅有一个特征点对应，则以此特征点为基础，采用近邻比值法找寻第一帧图像满足要求的点，若与之前的点一致，则认为是正确匹配，反之，若有多个点匹配，则进行剔除；步骤五：对上述特征点最后采用主方向夹角法进行提纯，将两帧图像中的特征点对应的角度进行差值，与设置的角度阈值θλ进行比较，当角度满足θ1-θ2＜θλ时认为是正确匹配点，式中θ1、θ2是两帧图像中特征点匹配点间的主方向夹角，从而进一步将错误点剔除；步骤六：重复进行步骤二至步骤五，逐帧进行帧间匹配，识别追踪特征点直至视频结束，可得到每帧图像的特征点。与现有技术相比，本专利技术的有益效果是：本专利技术能够快速、准确的对图像中的特征点进行识别追踪，为后续桥梁位移实时监测提供一种技术手段，特征匹配时采用三步提纯法，包括近邻比值提纯法、正反双向提纯法与主方向夹角法，逐步对特征点进行筛选，保证测量精度要求，可测量0.5mm桥梁振动位移，为实际工程应用提供技术手段支持，此方法相对于传统位移测量方法具有高效、智能、快捷、成本低的特点，为桥梁健康监测自动化提供解决途径。附图说明图1是本专利技术实施例中桥梁视频图像采集状态参照图；图2是本专利技术实施例中拍摄的某一帧图像；图3是对图2图像处理得到的靶标区域；图4是本专利技术实施例中靶标区域初步检测到的特征点；图5是本专利技术实施例中靶标区域近邻比值提纯后的特征点；图6是本专利技术实施例中靶标区域正反双向提纯后的特征点；图7是本专利技术实施例中靶标区域主方向夹角提纯后的特征点。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是专利技术的一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术公开了一种提高桥梁动位移精度的图像特征辨识方法，包括如下步骤：步骤一：桥梁视频图像采集，将带有特征的视觉靶标放置在桥梁待测位置，采用商用数码相机拍摄，将视觉靶标包含在视频内部；步骤二：对视觉靶标图像进行特征点检测，计算图像中每个像素点的Hessian矩阵，并采用高斯函数L(x,t)＝G(t)I(x,t)对矩阵行列卷积处理，通过Hessian矩阵判别式初步判断特征点，Hessian矩阵的行列式的极值处即为特征点；具体判断为：当行列式的符号为正时，则该行列式的两个特征值同为正或负，所以该点可以归类为极值点，Det(H)＝LxxLyy-LxyLxy式中，f(x,y)是图像中的任一像素点，H(f(x,y))是依据点f(x,y)的计算的Hessian矩阵，是f(x,y)对x的二阶导数，是f(x,y)对x、y的二阶导数，是f(x,y)对y的二阶导数，是采用高斯卷积之后的Hessian矩阵，Lxx(X,σ)是高斯二阶微分在像素点(x,y)处与图像f(x,y)的卷积，Lxy(X,σ)是高斯二阶微分在像素点(x,y)处与图像f(x,y)的卷积，Lyy(X,σ)是高斯二阶微分在像素点(x,y)处与图像f(x,y)的卷积，是高斯函数L(x,t)＝G(t)I(x,t)对x的二阶导数，是高斯函数L(x,t)＝G(t)I(x,t)对x、y的二阶导数，是高斯函数L(x,t)＝G(t)I(x,t)对y的二阶导数，Det(H)为Hessian矩阵判别式。步骤三：对初步筛选出的特征点进行特征点匹配，剔除部分错误特征点，首先采用近邻比值提纯法提纯，选定一个特征点并找到第二帧图像中与此特征点间的欧氏距离最小以及次最小的点，将最小距离与次最小距离进行比值Q，通过设定阈值Tq，满足Tq＜Q的要求则认为是正确特征匹配点；Tq＜Q式中，di,j表示两帧图像中第i和j两个特征点间的欧氏距离，xi表示第一帧图像第i个特征点，xj表示相邻帧图像第j个特征点，d最小为两帧图像中计算出的两个特征点的最小距离，d次最小为两帧图像中计算出的两个特征点的次最小距离，Q为d最小与d次最小的比值，Tq为设定的阈值，一般取值0.4-0.8之间，满足Tq＜Q的点作为初步确定的特征点。步骤四：由步骤二筛选出的特征点仍含有部分错误点，需要进一步进行提纯，本文档来自技高网...

【技术保护点】
1.一种提高桥梁动位移精度的图像特征辨识方法，其特征在于：包括以下步骤：/n步骤一：桥梁视频图像采集，将带有特征的视觉靶标放置在桥梁待测位置，采用商用数码相机拍摄，将视觉靶标包含在视频内部；/n步骤二：对视觉靶标图像进行特征点检测，计算图像中每个像素点的Hessian矩阵，并采用高斯函数L(x,t)＝G(t)I(x,t)对矩阵行列卷积处理，通过Hessian矩阵判别式初步判断特征点，Hessian矩阵的行列式的极值处即为特征点；/n步骤三：对初步筛选出的特征点进行特征点匹配，剔除部分错误特征点，首先采用近邻比值提纯法提纯，选定一个特征点并找到第二帧图像中与此特征点间的欧氏距离最小以及次最小的点，将最小距离与次最小距离进行比值Q，通过设定阈值T

【技术特征摘要】
1.一种提高桥梁动位移精度的图像特征辨识方法，其特征在于：包括以下步骤：
步骤一：桥梁视频图像采集，将带有特征的视觉靶标放置在桥梁待测位置，采用商用数码相机拍摄，将视觉靶标包含在视频内部；
步骤二：对视觉靶标图像进行特征点检测，计算图像中每个像素点的Hessian矩阵，并采用高斯函数L(x,t)＝G(t)I(x,t)对矩阵行列卷积处理，通过Hessian矩阵判别式初步判断特征点，Hessian矩阵的行列式的极值处即为特征点；
步骤三：对初步筛选出的特征点进行特征点匹配，剔除部分错误特征点，首先采用近邻比值提纯法提纯，选定一个特征点并找到第二帧图像中与此特征点间的欧氏距离最小以及次最小的点，将最小距离与次最小距离进行比值Q，通过设定阈值Tq，满足Tq＜Q的要求则认为是正确特征匹配点；
步骤四：继续采用正反双向提纯法进行提纯，第一帧中的一个特征点按上述近邻比值法找到第二帧图像中对应的特征点，如果在第二帧图像中有多个特征点均满足Tq＜Q，...

【专利技术属性】
技术研发人员：李忠龙，李顺龙，刘子琦，高庆飞，郭亚朋，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23