基于計(jì)算機(jī)視覺的拉索振動(dòng)測(cè)試

陳 拔,顏全勝

(華南理工大學(xué)土木與交通學(xué)院,廣東 廣州 510640)

在實(shí)際工程中,拉索的自振頻率是頻率法索力測(cè)量[1]和拉索損傷識(shí)別[2]的重要指標(biāo),在進(jìn)行索力測(cè)量或損傷檢測(cè)工作前,都有必要事先對(duì)拉索進(jìn)行振動(dòng)測(cè)試以識(shí)別其自振頻率。傳統(tǒng)的振動(dòng)測(cè)試方法是將加速度計(jì)安裝在拉索表面,采集環(huán)境激勵(lì)或人工激勵(lì)作用下的拉索動(dòng)力響應(yīng),通過線纜將加速度計(jì)振動(dòng)信號(hào)傳輸給數(shù)字信號(hào)采集儀,輸出測(cè)點(diǎn)的振動(dòng)數(shù)字信號(hào)。傳統(tǒng)方法雖然準(zhǔn)確,但對(duì)于大型斜拉橋來說,該方法涉及到繁重的加速度計(jì)安裝拆卸和布線工作,測(cè)量效率低下且常常需要中斷交通。

與傳統(tǒng)的接觸式振動(dòng)測(cè)試方法相比,基于計(jì)算機(jī)視覺的振動(dòng)測(cè)試方法(簡(jiǎn)稱視覺測(cè)振方法)具有非接觸式、遠(yuǎn)距離和多點(diǎn)測(cè)量等優(yōu)點(diǎn),能夠有效減少測(cè)量成本,目前已成功應(yīng)用到實(shí)際工程當(dāng)中[3-4]。該方法是將拉索局部區(qū)域或位于測(cè)點(diǎn)處的人工標(biāo)靶作為跟蹤目標(biāo),結(jié)合計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)跟蹤算法對(duì)相機(jī)拍攝的拉索振動(dòng)視頻圖像幀序列進(jìn)行分析,獲取目標(biāo)在圖像平面上的運(yùn)動(dòng)軌跡,進(jìn)而得到目標(biāo)的振動(dòng)位移時(shí)程數(shù)據(jù)。季云峰[5]采用計(jì)算機(jī)視覺理論中的光流法,對(duì)圖像中的拉索局部區(qū)段進(jìn)行光流分析,識(shí)別測(cè)點(diǎn)運(yùn)動(dòng)位移和方向,提出了一種基于無目標(biāo)計(jì)算機(jī)視覺技術(shù)的拉索振動(dòng)測(cè)試方法。該方法僅適用于背景和光照條件變化小的場(chǎng)景,計(jì)算量大且易受到圖像噪聲的影響。Sung-Wan等[4]根據(jù)NCC(normalized cross correlation)模板匹配法開發(fā)了一套視覺監(jiān)測(cè)軟件系統(tǒng),用以測(cè)試斜拉索的動(dòng)力特性,結(jié)合頻率法估算索力,并探究了該系統(tǒng)在不同天氣條件下的測(cè)量精度。模板匹配法涉及到大量的模板與圖像子區(qū)域的相關(guān)性計(jì)算,實(shí)時(shí)性差,且該算法采用的是圖像灰度特征,會(huì)出現(xiàn)錯(cuò)誤匹配到背景的情況。Zhao等[6]將智能手機(jī)用于斜拉索振動(dòng)視頻的采集和分析,通過霍夫直線檢測(cè)識(shí)別斜拉索的傾斜角度,根據(jù)圖像局部區(qū)域像素灰度輪廓函數(shù)的一階有限差分值對(duì)斜拉索邊緣直線進(jìn)行定位。雖然該方法成功實(shí)現(xiàn)了對(duì)拉索自振頻率的識(shí)別,但是在測(cè)量前需要進(jìn)行繁瑣的圖像旋轉(zhuǎn)和邊緣直線檢測(cè)等處理,難以保證測(cè)量效率。

盡管基于計(jì)算機(jī)視覺的拉索振動(dòng)測(cè)試方法研究目前取得了一定的成果,但是仍處于發(fā)展階段,所采用的跟蹤算法通常計(jì)算效率較低,很難滿足實(shí)時(shí)性的要求,對(duì)光照條件變化、運(yùn)動(dòng)模糊和遮擋等不利因素的抗干擾性也有待改進(jìn)。

近年來,相關(guān)濾波類跟蹤算法表現(xiàn)出了優(yōu)秀的跟蹤性能,具有高效、魯棒性強(qiáng)和實(shí)時(shí)跟蹤的優(yōu)點(diǎn),是目前的計(jì)算機(jī)視覺目標(biāo)跟蹤領(lǐng)域的主流跟蹤算法[7]。相關(guān)濾波類跟蹤算法的基本思想是訓(xùn)練一個(gè)相關(guān)濾波器,使得該濾波器在目標(biāo)處響應(yīng)最大,并抑制濾波器對(duì)于背景的響應(yīng),然后通過該濾波器檢測(cè)下一幀圖像中的目標(biāo)位置。Bolme等[8]在2010年提出了最小化平方和誤差(MOSSE,minumum out sum of squared error)算法,首次將相關(guān)濾波思想引入目標(biāo)跟蹤領(lǐng)域。該算法跟蹤計(jì)算速度可達(dá)669幀/秒,展現(xiàn)了相關(guān)濾波用于目標(biāo)跟蹤的巨大優(yōu)勢(shì)和潛力。Henriques等[9]在MOSSE基礎(chǔ)上提出了循環(huán)結(jié)構(gòu)核(CSK,circulant structure kernels)算法,引入了核函數(shù)和循環(huán)矩陣。該算法采用循環(huán)移位密集采樣策略,解決了樣本冗余問題,通過嶺回歸和核函數(shù)訓(xùn)練復(fù)雜的非線性模型,使得跟蹤更為準(zhǔn)確,同時(shí)結(jié)合循環(huán)卷積理論提高訓(xùn)練和檢測(cè)過程的計(jì)算效率。CSK算法被認(rèn)為是核相關(guān)濾波跟蹤算法的基礎(chǔ)。Henriques等[10]在2015年對(duì)CSK算法進(jìn)行了進(jìn)一步完善,提出核相關(guān)濾波(KCF,kernelized correlation filters)算法,將原本采用的單通道灰度特征擴(kuò)展到多通道,并使用了對(duì)目標(biāo)外觀描述性更強(qiáng)的FHOG特征,大幅提升了跟蹤模型的精度和魯棒性。Danelljan等[11]改進(jìn)了CSK算法的模型更新機(jī)制,并采用顏色名(CN,color name)特征擴(kuò)展CSK算法,結(jié)合主成分分析對(duì)高維顏色特征進(jìn)行自適應(yīng)降維,使算法同時(shí)滿足實(shí)時(shí)性和準(zhǔn)確性的要求。KCF算法和CN算法奠定了核相關(guān)濾波跟蹤算法的基本框架,后續(xù)研究大多是在其基礎(chǔ)上進(jìn)行改進(jìn)。

鑒于目前視覺測(cè)振方法所用跟蹤算法存在效率和精度較低的問題,研究引入KCF和CN這兩種經(jīng)典核相關(guān)濾波跟蹤算法用于對(duì)視頻圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤分析,并介紹了視覺測(cè)振方法的具體流程,以及核相關(guān)濾波跟蹤算法原理,且基于MATLAB開發(fā)了視覺測(cè)振系統(tǒng)軟件,用于拉索的振動(dòng)測(cè)量。以單端張拉的鋼絞線作為簡(jiǎn)化的拉索模型,在實(shí)驗(yàn)室開展鋼絞線振動(dòng)試驗(yàn),分別選用KCF和CN跟蹤算法對(duì)圖像序列中位于鋼絞線表面的人工標(biāo)靶進(jìn)行跟蹤,對(duì)比它們識(shí)別出的標(biāo)靶振動(dòng)像素位移時(shí)程曲線和頻譜圖,分析這兩種跟蹤算法用于振動(dòng)測(cè)量的可行性。同時(shí),將視覺測(cè)振方法的各階頻率識(shí)別結(jié)果與加速度計(jì)測(cè)試結(jié)果進(jìn)行對(duì)比分析,驗(yàn)證所提出方法的可靠性。

1 視覺測(cè)振原理

1.1 視覺測(cè)振流程

視覺測(cè)振系統(tǒng)由安置在拉索表面測(cè)點(diǎn)處的人工標(biāo)靶、相機(jī)和裝有視頻圖像分析處理軟件(如MATLAB)的計(jì)算機(jī)組成。基于計(jì)算機(jī)視覺目標(biāo)跟蹤算法的拉索振動(dòng)測(cè)試方法主要包括視頻采集與分解、圖像序列分析和拉索振動(dòng)頻率識(shí)別3個(gè)階段,具體流程如圖1所示。

圖1 基于計(jì)算機(jī)視覺目標(biāo)跟蹤算法的拉索振動(dòng)測(cè)試流程

首先,將人工標(biāo)靶安置在拉索表面測(cè)點(diǎn)處,通過計(jì)算機(jī)控制相機(jī)在遠(yuǎn)處拍攝拉索振動(dòng)視頻,結(jié)合視頻處理軟件(如MATLAB)將傳入的視頻數(shù)據(jù)分解為連續(xù)的圖像序列。標(biāo)靶形狀可自由選擇,但其外觀顏色與拉索表面顏色之間需要有明顯的區(qū)分度,以保證測(cè)量的準(zhǔn)確性。

然后,根據(jù)目標(biāo)跟蹤算法設(shè)計(jì)圖像分析程序,以圖像中的標(biāo)靶作為跟蹤目標(biāo),識(shí)別出它在圖像中的位置,按圖像序列號(hào)輸出標(biāo)靶中心在圖像平面的像素坐標(biāo)x。其中相鄰兩幀圖像的時(shí)間間隔為視頻幀率fps(幀/秒)的倒數(shù),相當(dāng)于信號(hào)處理領(lǐng)域的采樣間隔。根據(jù)目標(biāo)(標(biāo)靶中心)在每幀時(shí)刻的像素坐標(biāo)x得到拉索測(cè)點(diǎn)相對(duì)于像素坐標(biāo)系y軸的豎向像素位移時(shí)程數(shù)據(jù),即測(cè)點(diǎn)的振動(dòng)信號(hào)。

當(dāng)所拍攝的目標(biāo)的位置與相機(jī)光軸接近,且深度變化遠(yuǎn)小于其到相機(jī)的距離時(shí),則其從真實(shí)世界到圖像平面的位置映射關(guān)系近似為線性,目標(biāo)的像素位移和真實(shí)世界位移成比例[12]。由于測(cè)量對(duì)象是拉索的自振頻率而不是位移,因此無需進(jìn)行圖像平面到真實(shí)世界的坐標(biāo)變換,可直接通過FFT將測(cè)點(diǎn)的振動(dòng)信號(hào)變換到頻域,得到頻譜圖。然后結(jié)合常用的直接峰值法[13]對(duì)頻譜圖進(jìn)行分析,拾取頻譜圖的峰值,得到拉索的多階自振頻率。

圖像序列分析主要用于獲取標(biāo)靶的振動(dòng)軌跡,是視覺測(cè)振方法的核心部分。目標(biāo)跟蹤算法的選取直接影響圖像序列的分析速度和目標(biāo)的跟蹤精度。

1.2 核相關(guān)濾波跟蹤算法

核相關(guān)濾波跟蹤算法主要涉及到機(jī)器學(xué)習(xí)和相關(guān)濾波領(lǐng)域的知識(shí),其目標(biāo)在于訓(xùn)練學(xué)習(xí)一個(gè)對(duì)跟蹤目標(biāo)響應(yīng)最大的相關(guān)濾波器。該算法主要包括模型訓(xùn)練、模型更新和在線檢測(cè)3個(gè)部分,算法整體思路如圖2所示。

圖2 核相關(guān)濾波跟蹤算法整體思路

首先根據(jù)當(dāng)前幀圖像中目標(biāo)的位置給定一個(gè)矩形框,矩形框以目標(biāo)為中心,第一幀的矩形框由目標(biāo)檢測(cè)算法或人工框定。然后分割出矩形框區(qū)域的圖像塊,提取該圖像塊多通道特征,并添加余弦窗以平滑邊緣數(shù)據(jù)。再以上一步得到的特征數(shù)據(jù)作為訓(xùn)練基樣本,通過循環(huán)移位生成虛擬樣本,得到循環(huán)矩陣形式的訓(xùn)練樣本集,根據(jù)虛擬樣本相對(duì)基樣本的移位距離和高斯函數(shù)定義訓(xùn)練樣本的標(biāo)簽,結(jié)合嶺回歸方法對(duì)相關(guān)濾波器模型進(jìn)行訓(xùn)練。

當(dāng)前幀濾波器模型訓(xùn)練完成之后,根據(jù)前一幀的濾波器對(duì)當(dāng)前幀訓(xùn)練得到的濾波器進(jìn)行更新,從而得到用于檢測(cè)下一幀目標(biāo)位置的濾波器。

最后采用訓(xùn)練樣本集的生成方式在下一幀時(shí)刻同樣得到循環(huán)矩陣形式的候選樣本集,使用更新后的濾波器對(duì)候選樣本集進(jìn)行相關(guān)濾波得到相關(guān)響應(yīng)圖,根據(jù)響應(yīng)圖的峰值點(diǎn)更新下一幀目標(biāo)的位置和矩形框。重復(fù)上述過程直至跟蹤結(jié)束,由此得到每一幀時(shí)刻目標(biāo)在圖像平面的運(yùn)動(dòng)軌跡。

(1) 循環(huán)移位采樣 核相關(guān)濾波算法的訓(xùn)練和候選樣本集都是通過對(duì)基樣本進(jìn)行循環(huán)移位生成的,循環(huán)移位生成虛擬樣本的過程相當(dāng)于在目標(biāo)周圍滑動(dòng)密集采樣。

以N×1維的向量x=[x1,x2,x3,…,xN]T作為基樣本進(jìn)行單通道特征的核相關(guān)濾波推導(dǎo),最終結(jié)果同樣適用于二維圖像。循環(huán)矩陣C(x)定義為

(1)

其中:x稱為循環(huán)矩陣的生成向量,將x中元素向右循環(huán)移位即可得到循環(huán)矩陣C(x)。

引入置換矩陣P∈RN×N:

(2)

其中:P稱為循環(huán)移位算子;(P(m-1)x)T代表將行向量xT向右循環(huán)移動(dòng)m-1個(gè)元素,循環(huán)矩陣C(x)的第m行的向量可以表示為(P(m-1)x)T。

通過離散傅里葉矩陣可以在傅里葉域?qū)ρh(huán)矩陣進(jìn)行對(duì)角化[14]:

(3)

(2) 核嶺回歸 從回歸的角度看,核相關(guān)濾波跟蹤算法的目標(biāo)是訓(xùn)練一個(gè)回歸模型使得回歸模型在訓(xùn)練樣本上的輸出與樣本期望輸出的誤差平方和最小。

核相關(guān)濾波跟蹤算法通過核嶺回歸對(duì)相關(guān)濾波模型進(jìn)行訓(xùn)練。設(shè)訓(xùn)練樣本集為X,X中第i個(gè)樣本記為xi,與樣本xi對(duì)應(yīng)的標(biāo)簽(期望輸出)記為yi,i=1,2,…,N。嶺回歸的目標(biāo)是尋找一個(gè)函數(shù)f(x)=wTx,使得該函數(shù)在訓(xùn)練樣本上的輸出和樣本標(biāo)簽值的平方差的和最小:

(4)

其中:λ為正則化系數(shù),用于防止過擬合,可提高模型的泛化能力。標(biāo)簽yi由高斯函數(shù)定義。

(5)

其中:K為核矩陣;Kij=κ(xi,xj);y中元素為yi。

將式(5)最優(yōu)化問題的目標(biāo)函數(shù)對(duì)α求導(dǎo),令梯度向量為零,即核嶺回歸的解為

α=(K+λI)-1y,

(6)

得到解α后可以計(jì)算核嶺回歸模型對(duì)于新樣本z的輸出為

(7)

(3) 快速訓(xùn)練和檢測(cè) 式(6)的求解涉及到復(fù)雜的矩陣求逆運(yùn)算,當(dāng)樣本數(shù)量較多時(shí),計(jì)算代價(jià)非常昂貴。不過,若訓(xùn)練和候選樣本集都是循環(huán)矩陣形式,則相應(yīng)的核矩陣也是循環(huán)矩陣,適用的核函數(shù)有線性核、多項(xiàng)式核、高斯核和指數(shù)核等[10]?；谶@一點(diǎn),可以結(jié)合循環(huán)矩陣可被對(duì)角化的特性避免式(6)的求逆過程,簡(jiǎn)化運(yùn)算。

將訓(xùn)練基樣本和候選基樣本分別記為x和z,x,z∈N。通過對(duì)x和z進(jìn)行循環(huán)移位生成訓(xùn)練樣本集X和候選樣本集Z,X=C(x),Z=C(z)。訓(xùn)練樣本集X對(duì)應(yīng)的核矩陣為循環(huán)矩陣,

根據(jù)式(3)中循環(huán)矩陣可被離散傅里葉矩陣對(duì)角化的性質(zhì)對(duì)式(6)進(jìn)行簡(jiǎn)化得

(8)

其中:除法為向量對(duì)應(yīng)元素點(diǎn)除。模型訓(xùn)練求解過程中的復(fù)雜求逆運(yùn)算已經(jīng)轉(zhuǎn)換為簡(jiǎn)單的點(diǎn)除。

而在檢測(cè)階段可以采用同樣的操作,加速檢測(cè)運(yùn)算。設(shè)候選樣本集中第j個(gè)待檢測(cè)樣本為zj,響應(yīng)值向量[f(z1),f(z2),…,f(zN)]T記為r，由式(7)得

r=Kzα,

(9)

(10)

其中:⊙代表向量對(duì)應(yīng)元素點(diǎn)乘。新一幀中的目標(biāo)相對(duì)上一幀的目標(biāo)的位移由響應(yīng)r的最大值元素所在的位置確定。

(11)

其中:F-1為離散傅里葉逆變換;σ為高斯核函數(shù)的帶寬。

(4) 模型更新 考慮到前一幀訓(xùn)練的濾波器和目標(biāo)外觀模型與當(dāng)前幀具有一定的相關(guān)性,采用線性插值的方式對(duì)濾波器參數(shù)α和目標(biāo)外觀模型x進(jìn)行更新,更新方式為

(12)

(13)

其中:0<γ<1為學(xué)習(xí)因子;n為圖像序列號(hào)。需要注意的是,在第n+1幀圖像檢測(cè)目標(biāo)的過程中,使用的是更新后的模型。

(5) 多通道特征 在目標(biāo)跟蹤過程中,目標(biāo)特征提取是影響算法準(zhǔn)確性和魯棒性的關(guān)鍵部分[16]。因而,選取適當(dāng)?shù)奶卣魇窃O(shè)計(jì)視頻目標(biāo)跟蹤框架需要重點(diǎn)考慮的問題。CSK算法[9]采用的是單通道灰度特征,容易受到光照變化、噪聲、形變和運(yùn)動(dòng)模糊等的影響。KCF算法[10]采用FHOG特征(Felzenszwalb's HOG feature)對(duì)CSK算法進(jìn)行改進(jìn),CN算法[11]采用CN特征對(duì)CSK算法進(jìn)行改進(jìn),這兩種特征在大多數(shù)場(chǎng)景中都具有一定的不變性,能很好地表征目標(biāo)的外觀信息。

FHOG特征[17]描述了目標(biāo)的局部形狀輪廓信息,由Felzenszwalb提出,是對(duì)方向梯度直方圖(HOG,historgram of oriented gradients)特征[18]的改進(jìn),將原HOG特征的信息進(jìn)行了壓縮,并且摒棄了塊的概念,保留了單元格的空間信息。顏色名(CN)由語言學(xué)家Berlin等[19]提出,包含11種基本顏色:黑、藍(lán)、棕、灰、綠、橙、粉紅、紫、紅、黃和白。Weijer等[20]在Berlin的理論基礎(chǔ)上,通過搜索的大量谷歌圖像數(shù)據(jù)建立了從RGB顏色值到這11種基本顏色的映射關(guān)系,提出了CN特征。

接下來將基于單通道特征的核相關(guān)濾波拓展到多通道。用x表示從基樣本提取得到的多通道特征:x=[x1,x2,…,xN]T,其中xi∈m為將m個(gè)通道的特征串聯(lián)起來的特征向量。根據(jù)式(11)以及離散傅里葉變換的線性,得到多通道特征核矩陣的生成向量為

kxx′=

(14)

2 實(shí)驗(yàn)室鋼絞線拉索模型試驗(yàn)

2.1 試驗(yàn)裝置

試驗(yàn)以單端張拉的單束預(yù)應(yīng)力鋼絞線作為簡(jiǎn)化版的拉索,實(shí)驗(yàn)室拉索模型如圖3所示。模型右端安裝穿心式千斤頂作為張拉端,左端通過錨具進(jìn)行固定。左右兩端的混凝土錨塊下部都安置了與地面固接的鋼制擋板,以防止混凝土錨塊在張拉過程中向內(nèi)側(cè)滑移(左側(cè)錨固區(qū)與擋板見圖3)。

圖3 試驗(yàn)裝置

試驗(yàn)選用公稱直徑為15.2 mm的7根鋼絲捻制的標(biāo)準(zhǔn)型預(yù)應(yīng)力鋼絞線,其線質(zhì)量為1.101 kg/m,有效截面面積為140 mm2,彈性模量為1.95×105MPa。鋼絞線左右2個(gè)錨固點(diǎn)間距為11.8 m。

試驗(yàn)的主要設(shè)備有:計(jì)算機(jī)、相機(jī)、加速度計(jì)、數(shù)字信號(hào)采集儀、穿心式千斤頂和2000型標(biāo)準(zhǔn)負(fù)荷測(cè)量?jī)x。計(jì)算機(jī)CPU型號(hào)為Intel Core i5-7300HQ @2.5 GHz。相機(jī)型號(hào)為佳能EOS-5D-Mark Ⅲ,分辨率設(shè)置為1 280×720,幀率為50幀/秒。數(shù)字信號(hào)采集儀采樣頻率設(shè)置為200 Hz,采用揚(yáng)州晶明科技有限公司的振動(dòng)測(cè)試專業(yè)軟件JMTEST動(dòng)態(tài)信號(hào)測(cè)試分析軟件導(dǎo)出加速度計(jì)的振動(dòng)數(shù)據(jù)。

2.2 試驗(yàn)方案

實(shí)際拉索模態(tài)試驗(yàn)中,通常將測(cè)點(diǎn)設(shè)置在索的四分之一點(diǎn)附近,以獲取較為理想的頻域結(jié)果[21]。該試驗(yàn)以距右側(cè)錨固點(diǎn)2.5 m處作為測(cè)點(diǎn),采用初位移的方式在鋼絞線距右側(cè)錨固點(diǎn)5 m處進(jìn)行人工激勵(lì),分別通過視覺測(cè)振方法和加速度計(jì)方法拾取測(cè)點(diǎn)的振動(dòng)信號(hào)。

試驗(yàn)時(shí)裁剪一小段綠色的聚氯乙烯絕緣膠帶作為人工標(biāo)靶,安裝在鋼絞線上的測(cè)點(diǎn)處。將遠(yuǎn)處的相機(jī)對(duì)準(zhǔn)標(biāo)靶,使得標(biāo)靶在相機(jī)視場(chǎng)中心,隨后把相機(jī)固定。在標(biāo)靶附近安置加速度計(jì),使用聚氯乙烯絕緣膠帶將其緊密固定在鋼絞線之上(見圖3)。通過計(jì)算機(jī)控制相機(jī)和數(shù)字信號(hào)采集儀同時(shí)進(jìn)行數(shù)據(jù)采集。

為測(cè)試不同張拉力工況下視覺振動(dòng)測(cè)量方法的精度,進(jìn)行了4次試驗(yàn),張拉力分別為3.5 kN、4.5 kN、5 kN和7 kN,張拉力由與千斤頂相連的負(fù)荷測(cè)量?jī)x進(jìn)行測(cè)定。

2.3 視覺測(cè)振系統(tǒng)軟件

根據(jù)核相關(guān)濾波跟蹤算法原理,基于MATLAB平臺(tái)開發(fā)了拉索振動(dòng)視頻分析程序和基于快速傅里葉變換算法的頻譜分析程序,并結(jié)合MATLAB App Designer設(shè)計(jì)了可交互的軟件,實(shí)現(xiàn)了視頻測(cè)振過程的可視化,App軟件界面如圖4所示。軟件支持振動(dòng)視頻的導(dǎo)入以及將視頻分解為連續(xù)圖像序列的功能,可人工框選首幀圖像中的跟蹤目標(biāo),選擇跟蹤算法類型,并且能夠?qū)崟r(shí)輸出跟蹤結(jié)果和振動(dòng)時(shí)程曲線,在跟蹤結(jié)束后輸出幅值譜圖。

圖4 視覺測(cè)振系統(tǒng)軟件

2.4 試驗(yàn)結(jié)果分析

結(jié)合視覺測(cè)振系統(tǒng)軟件,分別選擇KCF算法和CN算法對(duì)相同的視頻圖像序列分析,跟蹤圖像中鋼絞線表面的人工標(biāo)靶,輸出其像素振動(dòng)位移時(shí)程曲線,采用快速傅里葉變換算法獲取其振動(dòng)頻譜。該過程相當(dāng)于鋼絞線的單點(diǎn)振動(dòng)測(cè)量。然后,將所得結(jié)果與加速度計(jì)時(shí)域和頻域數(shù)據(jù)進(jìn)行對(duì)比,以驗(yàn)證視覺測(cè)振方法的精度。限于篇幅,僅展示3.5 kN以及7.0 kN張拉力工況下的時(shí)域和頻域數(shù)據(jù),如圖5和圖6所示。

圖5 3.5 kN張拉力工況下測(cè)點(diǎn)振動(dòng)時(shí)域曲線和幅值譜

圖6 7.0 kN張拉力工況下測(cè)點(diǎn)振動(dòng)時(shí)域曲線和幅值譜

由圖5和圖6的時(shí)域曲線可知,KCF的時(shí)域曲線中部分點(diǎn)附近的位移不發(fā)生變化,整個(gè)曲線呈一種平整的形狀,而CN識(shí)別的目標(biāo)像素位移更為精細(xì)和準(zhǔn)確。其原因?yàn)?KCF算法所采用的FHOG特征描述的是圖像塊局部單元格的梯度統(tǒng)計(jì)信息,當(dāng)目標(biāo)在相鄰兩幀間的實(shí)際像素位移差很小時(shí),會(huì)使得跟蹤框內(nèi)訓(xùn)練和候選基樣本的FHOG特征幾乎一致,從而導(dǎo)致下一幀目標(biāo)檢測(cè)得到的響應(yīng)圖的峰值點(diǎn)與當(dāng)前幀相同,于是檢測(cè)得到的目標(biāo)位置在連續(xù)兩幀或兩幀以上的圖像中保持不變。另外,基于FHOG特征的核相關(guān)濾波跟蹤算法計(jì)算出的相鄰兩幀目標(biāo)像素位移差只能為圖像塊局部單元格尺寸的整數(shù)倍(FHOG特征的單元格尺寸最小為2×2像素),這意味著當(dāng)圖像塊局部單元格尺寸選取較大時(shí),將會(huì)造成位移信息的大量丟失。在拉索振動(dòng)幅度較小時(shí),應(yīng)避免采用FHOG特征。

由圖5和圖6的頻域幅值譜圖可知,KCF和CN的幅值譜圖峰值顯著,峰值點(diǎn)對(duì)應(yīng)的頻率與加速度計(jì)基本相同,說明視覺測(cè)振方法用于拉索振動(dòng)頻率識(shí)別是可靠的。

通過直接峰值法提取不同張拉力工況下的幅值譜圖峰值作為鋼絞線的自振頻率,所得到的各階頻率結(jié)果如表1所列。表1中KCF和CN分別表示將KCF算法或CN算法用于視覺測(cè)振系統(tǒng)得到的鋼絞線各階振動(dòng)頻率結(jié)果，且二者的結(jié)果基本相同。

表1 基于視覺測(cè)振方法與加速度計(jì)方法的振動(dòng)頻率識(shí)別結(jié)果

表1中最大頻率相對(duì)誤差的計(jì)算公式為

3 結(jié)論

(1) 基于計(jì)算機(jī)視覺的振動(dòng)測(cè)試方法通過相機(jī)、計(jì)算機(jī)和安置于拉索表面的人工標(biāo)靶即可完成振動(dòng)測(cè)量,無需接觸拉索,具有非接觸式、快速準(zhǔn)確和經(jīng)濟(jì)實(shí)用的優(yōu)點(diǎn)。

(2) 通過視覺測(cè)振方法對(duì)實(shí)驗(yàn)室鋼絞線進(jìn)行振動(dòng)試驗(yàn),并與加速度計(jì)進(jìn)行對(duì)比,試驗(yàn)結(jié)果表明:視覺測(cè)振方法與加速度計(jì)方法均能識(shí)別出拉索的前三階自振頻率,兩種方法所識(shí)別出的各階頻率的最大相對(duì)誤差為-0.12%,驗(yàn)證了研究方法的準(zhǔn)確性和可行性。

(3) 采用KCF和CN這兩種經(jīng)典核相關(guān)濾波跟蹤算法對(duì)拉索振動(dòng)視頻進(jìn)行分析,能夠快速計(jì)算出跟蹤結(jié)果,且頻域峰值結(jié)果基本一致。但是采用FHOG特征的KCF算法會(huì)造成目標(biāo)時(shí)域位移信息的丟失,當(dāng)拉索振動(dòng)幅度較小時(shí),不建議使用KCF算法。