朱前坤，崔德鵬，杜永峰

(1. 蘭州理工大學(xué)防震減災(zāi)研究所，甘肅，蘭州 730050；2. 蘭州理工大學(xué)甘肅省減震隔震國際合作研究基地，甘肅，蘭州 730050)

在近20 年來，結(jié)構(gòu)健康檢測已經(jīng)成為土木工程領(lǐng)域熱門的研究方向，在研究和實(shí)踐中獲得了高度關(guān)注[1-2]。橋梁撓度是結(jié)構(gòu)健康監(jiān)測的重要內(nèi)容之一，其反應(yīng)了橋梁的受力和安全狀態(tài)[3]。目前，橋梁撓度識別大致分為兩類：一類為接觸式測量系統(tǒng)；另一類為非接觸式測量系統(tǒng)[3]。隨著計(jì)算機(jī)技術(shù)及計(jì)算機(jī)視覺的快速發(fā)展，新興的計(jì)算機(jī)視覺測量技術(shù)因其非接觸、遠(yuǎn)距離和低成本的巨大優(yōu)勢而受到國內(nèi)外廣大研究人員的關(guān)注。Khuc 等[4]基于常規(guī)攝像機(jī)和計(jì)算機(jī)視覺技術(shù)新開發(fā)的完全非接觸式結(jié)構(gòu)健康監(jiān)測系統(tǒng)框架，通過利用成像關(guān)鍵點(diǎn)作為虛擬目標(biāo)和使用改進(jìn)的檢測和匹配關(guān)鍵點(diǎn)算法來獲取結(jié)構(gòu)的撓度和振動。Shrestha 等[5]研究開發(fā)了一種基于智能設(shè)備的橋梁撓度監(jiān)測系統(tǒng)，通過圖像傳感器捕獲圖像，經(jīng)實(shí)時處理以獲得橋梁的特征響應(yīng)撓度。Hoskere 等[6]以無人機(jī)作為拍攝設(shè)備，提出一種新的基于視覺的數(shù)據(jù)提取通道，通過分治策略以無人機(jī)一次勘測結(jié)構(gòu)的一部分獲得結(jié)構(gòu)振動的視頻，從而得到全尺寸結(jié)構(gòu)的模態(tài)特性。Artese 等[7]利用數(shù)碼相機(jī)和激光指示器，通過分析高清視頻中投射在平面目標(biāo)上的激光束印記的來獲得橋梁任意點(diǎn)的位移。Lydon 等[8]借助改進(jìn)的運(yùn)動相機(jī)和變焦鏡配合特征匹配算法得到荷載下結(jié)構(gòu)的精度位移變化。

以上研究成果已經(jīng)推動了計(jì)算機(jī)視覺在土木鄰域的發(fā)展，但計(jì)算機(jī)視覺在健康監(jiān)測中的應(yīng)用效率和可靠性仍然處于落后位置，對發(fā)展實(shí)時監(jiān)測的研究還尚不完善。國內(nèi)外研究實(shí)時監(jiān)測的采集設(shè)備主要以工業(yè)相機(jī)和便攜式相機(jī)為主，多數(shù)僅做了短期的實(shí)時在線監(jiān)測，過程繁瑣、成本高昂，而網(wǎng)絡(luò)攝像機(jī)可解決傳統(tǒng)系統(tǒng)的缺點(diǎn)，作為一種普及應(yīng)用已久的設(shè)備，有利于讓監(jiān)測數(shù)據(jù)與云端相連，加快結(jié)構(gòu)健康事業(yè)的發(fā)展和向社會普及結(jié)構(gòu)健康監(jiān)測。國內(nèi)外以網(wǎng)絡(luò)攝像機(jī)作為采集設(shè)備的系統(tǒng)研究還尚未有人涉足[9-10]。

橋梁撓度識別的算法隨著計(jì)算機(jī)的發(fā)展而不斷改進(jìn)，其主要有可以全局搜索的基于數(shù)字圖像相關(guān)的模板匹配[11]和適用于無人工標(biāo)志物的特征點(diǎn)匹配[12]，以及適用于高分辨率監(jiān)測結(jié)構(gòu)全場位移的稀疏光流[13]等?？蓾M足網(wǎng)絡(luò)攝像機(jī)監(jiān)測條件的算法以模板匹配和幾何匹配為主，但達(dá)到的精度無法進(jìn)行工程實(shí)踐[9,10,14]。

目前常用的模板匹配核心算法是匹配歸一化互相關(guān)法(NCC)，通過預(yù)先在圖像中截取含有追蹤目標(biāo)的子圖像，即模板，然后再在序列幀中做全局搜索，尋找每一個可能的位置。另外，土木工程領(lǐng)域的幾何匹配是基于幾何形狀特征的模板完成目標(biāo)識別和追蹤。幾何匹配的基本原理是對每幀圖像進(jìn)行邊緣處理或者定位點(diǎn)提取，找出幾何形心，通過對比各幀中幾何形心的位置變化完成追蹤[15]。這兩種傳統(tǒng)算法的不足是計(jì)算時間較長，環(huán)境適應(yīng)差，精度低，并不適用于全天候?qū)崟r計(jì)算[10,14]。

針對以上存在的問題，本文建立了一種基于網(wǎng)絡(luò)攝像機(jī)的橋梁撓度識別系統(tǒng)。系統(tǒng)針對網(wǎng)絡(luò)攝像機(jī)的特點(diǎn)搭載了兩種識別算法。兩種算法通過改進(jìn)模板匹配和幾何匹配算法克服了網(wǎng)絡(luò)攝像機(jī)像素差、易被干擾的缺點(diǎn)，提高了系統(tǒng)監(jiān)測的魯棒性。系統(tǒng)通過精準(zhǔn)安裝識別在橋梁表面可以主動發(fā)光的LED 光源實(shí)現(xiàn)對目標(biāo)的跟蹤識別，實(shí)時獲取橋梁的撓度時程信息。

1 系統(tǒng)組成

系統(tǒng)由LED 標(biāo)志物、網(wǎng)絡(luò)攝像機(jī)、計(jì)算機(jī)及系統(tǒng)識別算法組成，系統(tǒng)識別算法由通過改進(jìn)的模板匹配即基于HSV 的快速模板匹配和改進(jìn)的幾何匹配即基于顏色追蹤的幾何匹配組成，通過在橋梁表面安裝LED 光源作為標(biāo)志物，利用網(wǎng)絡(luò)攝像機(jī)實(shí)時無線傳輸畫面進(jìn)入計(jì)算機(jī)，進(jìn)而利用系統(tǒng)識別算法獲取分析橋梁撓度時程信息，系統(tǒng)示意圖如圖1 所示。

圖1 系統(tǒng)示意圖Fig. 1 System diagram

1.1 標(biāo)志物

目前，常見的計(jì)算機(jī)視覺識別標(biāo)志物類型有平面板帶規(guī)則圖案[16]、平面板帶不規(guī)則圖案[17]、自然標(biāo)志[18]、人工光源等[19-20]，其中人工光源表現(xiàn)出來的抗干擾能力顯著優(yōu)于其它標(biāo)志物，適合長期實(shí)時監(jiān)測。故本文采用了主動發(fā)光的LED 圓形紅色光源，其具備較長的波長，空氣穿透能力明顯，能消除光線變化帶來的部分影響，配合本文系統(tǒng)識別算法可達(dá)到最優(yōu)的監(jiān)測效果。

1.2 網(wǎng)絡(luò)攝像機(jī)

網(wǎng)絡(luò)攝像機(jī)是集成了音視頻采集、網(wǎng)絡(luò)傳輸、移動偵測報(bào)警等多功能于一體的數(shù)字監(jiān)控產(chǎn)品，其網(wǎng)絡(luò)連接方式有兩種：一種為有線網(wǎng)絡(luò)連接，通過網(wǎng)線或交換機(jī)與計(jì)算機(jī)連接；另一種為無線網(wǎng)絡(luò)連接，通過無線點(diǎn)對點(diǎn)或無線交換機(jī)與計(jì)算機(jī)連接。為簡化系統(tǒng)，本文采用無線網(wǎng)絡(luò)連接的方式。目前，常見的是民用網(wǎng)絡(luò)攝像機(jī)，像素普遍較低，支持低倍光學(xué)變焦和自動對焦，最大可視距離集中在30 m 內(nèi)，少數(shù)可搭載變焦鏡頭。為應(yīng)對復(fù)雜工況，本文系統(tǒng)所用網(wǎng)絡(luò)攝像機(jī)采用了可搭載高倍變焦鏡頭的網(wǎng)絡(luò)攝像機(jī)。

1.3 系統(tǒng)識別算法

本文針對網(wǎng)絡(luò)攝像機(jī)開發(fā)了兩種系統(tǒng)識別算法，分別是基于HSV 的快速模板匹配(HSV—色調(diào)(Hue)、飽和度(Saturation)、亮度值(Value)和基于顏色追蹤的幾何匹配，配合LED 光源可進(jìn)行長期實(shí)時監(jiān)測。兩種算法的優(yōu)勢不同，前者適合遠(yuǎn)程識別監(jiān)測，后者更擅長近距離識別監(jiān)測，系統(tǒng)可根據(jù)實(shí)際監(jiān)測需求選擇合適的算法。

系統(tǒng)為應(yīng)對室外不可避免的風(fēng)振和空氣擾流，可通過機(jī)械穩(wěn)定、光學(xué)穩(wěn)定、數(shù)字穩(wěn)定的方式減小影響，其中前兩種為外在可控因素，系統(tǒng)通過數(shù)字穩(wěn)定對采集視頻進(jìn)行預(yù)處理，包括運(yùn)動估計(jì)、濾波平滑以及圖像合成。利用特征點(diǎn)匹配和亞像素互相關(guān)技術(shù)消除攝像機(jī)的隨機(jī)抖動帶來的運(yùn)動噪聲[21]。

1.3.1 基于HSV 的快速模板匹配

系統(tǒng)基于HSV 的快速模板匹配不僅能夠?qū)崿F(xiàn)快速精準(zhǔn)匹配并達(dá)到亞像素級，而且對圖像灰度依賴較小，有較強(qiáng)的環(huán)境抗干擾能力，其算法流程如圖2 所示，采用基于頻域的相位相關(guān)匹配算法，將圖像預(yù)處理后在離線閾值顏色表中查出對應(yīng)HSV 閾值，再進(jìn)行圖像二值化，分離出追蹤目標(biāo)。在截取到追蹤目標(biāo)后定為模板，在頻域里得到模板和序列幀的互功率譜，再對互功率譜做IFFT 變換得到一個狄拉克函數(shù)(脈沖函數(shù))，然后尋找該狄拉克函數(shù)的峰值坐標(biāo)，即可得到偏移量[22-23]，主要理論如下：

圖2 基于HSV 的快速模板匹配算法流程Fig. 2 Fast template matching algorithm flow based on HSV

將f(x,y)和g(x,y)分別設(shè)定為序列幀和模板的圖像信號，其中g(shù)(x,y) 是由f(x,y) 平移得到，平移距離為 (dx,dy)，即：

為將精度提高到亞像素級，還需要做進(jìn)一步的優(yōu)化，系統(tǒng)采用相關(guān)系數(shù)曲線擬合的方式提高計(jì)算效率和精度，取出 δ函數(shù)峰值區(qū)域局部離散相關(guān)系數(shù)矩陣(通常為 (2m+1)×(2m+1)個離散點(diǎn)的正方形窗口，系統(tǒng)采用 3×3的矩陣)，利用最小二乘法擬合相關(guān)曲線逼近真實(shí)值[24-25]，如圖3 所示，其原理如下：

圖3 擬合流程Fig. 3 Fitting process

1.3.2 基于顏色追蹤的幾何匹配

本文改進(jìn)的基于顏色追蹤的幾何匹配，其算法流程如圖4 所示，不僅能夠縮小搜索范圍，實(shí)現(xiàn)快速精準(zhǔn)識別目標(biāo)，且對尺度變換、非均勻光照變化、邊緣軟化都不敏感，可以有效應(yīng)對遮擋，具備一定的抗干擾能力。其采用離線HSV 圖像獲取在不同工況下的目標(biāo)顏色閾值分割顏色表，將序列幀按梯度信息進(jìn)行灰度處理，對起始圖像四個邊角各取4 個點(diǎn)計(jì)算灰度平均值，在離線閾值分割顏色表中查出對應(yīng)的HSV 的閾值后將圖像二值化處理。在二值圖像中將目標(biāo)顏色設(shè)定為cvCamShift 追蹤的目標(biāo)，并通過ROI 畫出目標(biāo)區(qū)域。將識別出的目標(biāo)區(qū)域進(jìn)行閾值處理、開運(yùn)算(腐蝕、膨脹)后進(jìn)行邊緣檢測出需要匹配的形狀，即把檢測出的形狀作為模板匹配序列幀，輸出模板的中心坐標(biāo)，此時輸出的是整數(shù)像素，需與基于HSV 的模板匹配精度優(yōu)化方式相同，進(jìn)行曲線擬合、尺度轉(zhuǎn)換后才可得到物理撓度大小。主要理論[28-29]如下：

圖4 基于顏色追蹤的幾何匹配算法流程Fig. 4 The geometric matching algorithm flow based on color tracing

采用Canny 函數(shù)進(jìn)行對ROI 區(qū)域進(jìn)行邊緣檢測，即：

然后，可以得到濾波圖像后的梯度，即：

式中，U為匹配目標(biāo)質(zhì)心A與B距離的最大值。除了考慮距離外，圖形大小、圖像形狀相似度亦是重要指標(biāo)。

1.4 系統(tǒng)操作步驟

在系統(tǒng)操作過程中，根據(jù)實(shí)際工程概況選擇合適的監(jiān)測方式，本文系統(tǒng)根據(jù)網(wǎng)絡(luò)攝像機(jī)的功能和各系統(tǒng)識別算法的優(yōu)勢將目標(biāo)監(jiān)測距離大于30 m 的項(xiàng)目流入通道一，小于30 m 的項(xiàng)目流入通道二。系統(tǒng)利用計(jì)算機(jī)實(shí)時顯示和保存數(shù)據(jù)，根據(jù)各橋梁設(shè)計(jì)規(guī)范和使用要求設(shè)定橋梁撓度閾值，一旦監(jiān)測數(shù)據(jù)超過閾值會觸發(fā)系統(tǒng)報(bào)警與網(wǎng)絡(luò)攝像機(jī)預(yù)報(bào)警信號，系統(tǒng)操作步驟如圖5所示。

圖5 系統(tǒng)操作步驟Fig. 5 System operation steps

2 模型試驗(yàn)與數(shù)據(jù)分析

2.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)所用的模型是一座長10 m，寬1.6 m 的人行橋[30]。試驗(yàn)器材有激光位移傳感器(HGC1030)、激振器(APS400 電子激振器)、網(wǎng)絡(luò)攝像機(jī)(JM-W5022Q)、計(jì)算機(jī)、LED 光源。網(wǎng)絡(luò)攝像機(jī)的幀率為30 Hz，實(shí)際幀率受到網(wǎng)絡(luò)傳輸速度的制約，目前采用的是4 G 網(wǎng)，現(xiàn)場實(shí)時傳輸速度在每秒5 M 左右，已經(jīng)滿足需求。網(wǎng)絡(luò)攝像機(jī)錄制的視頻為 2560×1960像素，由于實(shí)驗(yàn)室距離較近無需配備變焦鏡頭。LED 光源的功率為10 W，直徑為50 mm。人行橋的第一階自振頻率為4.0 Hz，為能夠達(dá)到較好的試驗(yàn)效果，激振器輸入頻率為4.0 Hz，幅值為6VPP。激光位移傳感器的量程為30 mm，精度為0.03 mm，采樣頻率與網(wǎng)絡(luò)攝像機(jī)同步。整個試驗(yàn)平臺如圖6 所示。

圖6 試驗(yàn)平臺Fig. 6 Test platform

整個試驗(yàn)為了更好的模擬全天候復(fù)雜情況，設(shè)定在四種工況下進(jìn)行了模型試驗(yàn)如表1 所示。圖7 加霧模擬展示了白天加霧以及夜間加霧的工況。

表1 試驗(yàn)工況Table 1 Test conditions

圖7 加霧模擬Fig. 7 Add the fog simulation

由于在實(shí)驗(yàn)室相機(jī)擺放位置與標(biāo)志物位置處于同一水平線上，無需對相機(jī)進(jìn)行標(biāo)定。本文兩種算法識別得到的每種工況下的撓度與HGC1030 作對比求出誤差。實(shí)驗(yàn)誤差均以歸一化均方根誤差計(jì)算算法來衡量，具體公式如下：

2.2 數(shù)據(jù)分析

試驗(yàn)過程計(jì)算是在Intel Core i7-10710，CPU1.6 GHz 和內(nèi)存為16 GB 的計(jì)算機(jī)上。實(shí)時計(jì)算撓度的速度不僅與算法、圖像大小有關(guān)也與計(jì)算機(jī)的性能有很大的聯(lián)系，試驗(yàn)采集視頻都經(jīng)系統(tǒng)預(yù)處理過濾。圖8 展示了兩種系統(tǒng)算法二值化后在計(jì)算機(jī)中呈現(xiàn)的圖像，可有效的過濾背景，實(shí)現(xiàn)復(fù)雜環(huán)境下的橋梁撓度識別。

圖8 系統(tǒng)算法二值圖像Fig. 8 Binary image of system algorithm

基于網(wǎng)絡(luò)攝像機(jī)的兩種系統(tǒng)識別算法識別結(jié)果與HG-C1030 的測量結(jié)果在四種不同的工況下形狀、趨勢和峰值點(diǎn)基本一致，由于篇幅有限僅展示了工況1 和工況2 的識別結(jié)果，如圖9 所示。通過位移相應(yīng)計(jì)算得到人行橋跨中自振頻率，如圖9 中頻譜分析結(jié)果所示。試驗(yàn)結(jié)果對比可以看出，本文提出的兩種非接觸式識別算法在橋梁撓度識別上的精度較高，特別在夜間環(huán)境下，處于環(huán)境條件較好的情況，主動發(fā)光的LED圓形紅色光源提高了標(biāo)志物的識別度，能讓攝像機(jī)機(jī)迅速捕捉目標(biāo)，由此兩種算法在夜間的識別精度最高。當(dāng)環(huán)境加入霧氣干擾后，識別精度有所下降，出現(xiàn)部分峰值不吻合的情況，基于顏色追蹤的幾何匹配，由于算法對顏色敏感，識別顏色的能力較強(qiáng)，受到霧氣的干擾較小，但是兩種算法誤差都未超過0.7%，滿足工程實(shí)際要求。

圖9 工況1 與工況2 下的撓度時程和頻譜Fig. 9 Deflection time history and spectrum under working conditions 1 and 2

從圖9 可以得出基于網(wǎng)絡(luò)攝像機(jī)系統(tǒng)識別算法與HG-C1030 對比的撓度測量誤差，如表2 所示?；贖SV 的快速模板匹配在工況3 下的識別誤差最小僅有0.53%，在工況2 下的識別誤差為0.62%?；陬伾粉櫟膸缀纹ヅ湓诠r3 和工況4 下的識別誤差都小于0.60%，在工況2 下的識別誤差也僅有0.58%。從圖9 可以得出兩種算法的結(jié)構(gòu)自振頻率識別結(jié)果與結(jié)構(gòu)一階自振頻率4.00 Hz高度吻合，如表3 所示，識別準(zhǔn)確率都可達(dá)98%以上。

表2 撓度測量誤差對比Table 2 Deflection measurement error comparison

表3 頻譜分析結(jié)果Table 3 Spectrum analysis results

在保證算法精度的前提下，為了評價(jià)本文兩種系統(tǒng)識別算法的實(shí)時性，與傳統(tǒng)的模板匹配和幾何匹配作對比，表4 展示了本文兩種系統(tǒng)識別算法于其它算法基于同臺計(jì)算機(jī)的幀間平均匹配時間，可以看出兩種算法匹配速度都優(yōu)于傳統(tǒng)算法且完全滿足網(wǎng)絡(luò)攝像機(jī)的實(shí)時要求。

表4 平均匹配時間對比Table 4 Mean matching time comparison

3 實(shí)橋測試與數(shù)據(jù)分析

3.1 實(shí)橋測試

為驗(yàn)證基于網(wǎng)絡(luò)攝像機(jī)的橋梁撓度識別系統(tǒng)在實(shí)際情況下的有效性，將其在蘭州市金城公園玻璃人行橋進(jìn)行了實(shí)橋應(yīng)用，該橋是桅桿式懸索橋，橋面采用鋼-玻璃組合結(jié)構(gòu)，主梁與次梁為國產(chǎn)輕型工字鋼，主次梁之間采用焊接，組成鋼框架，橋面采用透明玻璃鋪設(shè)，均為雙層夾膠鋼化玻璃，全長218 m，寬2.4 m。在橋側(cè)面跨中位置安裝目標(biāo)標(biāo)志物(LED 圓形紅色光源)，距離標(biāo)志物111.83 m，向下傾斜 12.89°的地方穩(wěn)固架設(shè)了網(wǎng)絡(luò)攝像機(jī)和橋梁撓度儀(BJQN-V，檢測距離500 m內(nèi)的精度為±1 mm)如圖10 所示。通過本文系統(tǒng)識別跟蹤標(biāo)志物的實(shí)時動態(tài)撓度，實(shí)現(xiàn)了對該橋的實(shí)時撓度動態(tài)監(jiān)測。

圖10 現(xiàn)場監(jiān)測Fig. 10 Field monitoring

測試系統(tǒng)算法采用行人隨機(jī)行走的方式激勵橋梁振動，使用網(wǎng)絡(luò)攝像機(jī)像素大小為2560×1960配合騰龍200 mm 的長焦鏡頭進(jìn)行結(jié)構(gòu)振動視頻的錄制，相機(jī)架設(shè)在橋梁的邊測，同時也架設(shè)了橋梁撓度儀與相機(jī)進(jìn)行同步監(jiān)測結(jié)構(gòu)振動響應(yīng)，兩邊幀率設(shè)定一致，架設(shè)位置空間間隔小，具有較高的匹配度，以此驗(yàn)證系統(tǒng)兩種算法。

3.2 數(shù)據(jù)分析

本文系統(tǒng)與BJQN-V 是兩套相互獨(dú)立的系統(tǒng)，且現(xiàn)場條件下難以滿足用一個觸發(fā)器同時啟動兩套系統(tǒng)，因此測試過程中不好控制橋梁撓度儀與相機(jī)獲取數(shù)據(jù)的同步性，視頻中所獲取數(shù)據(jù)僅為監(jiān)測段內(nèi)的一部分，導(dǎo)致視頻識別得到的振動時程曲線與橋梁撓度儀的時程曲線之間存在一定的差異，由此增加了視覺識別的難度。在現(xiàn)場測試時相機(jī)和長焦鏡頭會不可避免的受到環(huán)境氣流的干擾，頻譜分析中亦有強(qiáng)風(fēng)振動和熱浪為代表的噪聲頻率，但考慮到風(fēng)致相機(jī)振動頻率相對橋梁振動頻率較低，兩者頻率并不在同一頻段，且本文算法圖像預(yù)處理中已對視頻進(jìn)行了數(shù)字穩(wěn)定，因此互相干擾的影響已被降低?；诒疚膬煞N系統(tǒng)識別算法對金城公園玻璃橋跨中豎向撓度的監(jiān)測部分結(jié)果(時域曲線、頻譜分析結(jié)果)如圖11所示，基于HSV 的快速模板匹配與橋梁撓度儀對比的數(shù)據(jù)誤差為1.78%，基于顏色追蹤的幾何匹配與橋梁撓度儀對比的數(shù)據(jù)誤差為1.87%。由于現(xiàn)場環(huán)境復(fù)雜，具有很多不確定性因素，且監(jiān)測距離較遠(yuǎn)，系統(tǒng)誤差相比于實(shí)驗(yàn)室對比的誤差有了明顯的下滑，但兩種算法的識別結(jié)果在時域和頻域上與橋梁撓度儀基本保持一致。由時域曲線圖可以看出在測試時間段內(nèi)，結(jié)構(gòu)豎向撓度最大幅值在9.43 mm 左右，由頻譜分析結(jié)果可得出結(jié)構(gòu)一階頻率為0.50 Hz，二階頻率為1.08 Hz。本文兩種系統(tǒng)識別算法識別的一階頻率與橋梁撓度儀對比誤差都小于0.5%，二階頻率與橋梁撓度儀對比誤差都小于1.7%。由此說明利用本文兩種系統(tǒng)識別算法進(jìn)行橋梁撓度實(shí)時監(jiān)測具有較高的識別精度，滿足工程實(shí)際需求。

圖11 實(shí)橋測量結(jié)果Fig. 11 Measurement results of real bridge

值得關(guān)注的是，不管是本文系統(tǒng)還是BJQN-V都僅對橋梁低階頻率有較高的識別精度，由于環(huán)境擾流、風(fēng)振等因素導(dǎo)致高階頻率在頻譜圖中的幅值較低、能量較小。因此，不能明確高階頻率的階次和大小。這個問題將是未來研究結(jié)構(gòu)健康監(jiān)測的難點(diǎn)和重點(diǎn)。

4 結(jié)論

本文基于網(wǎng)絡(luò)攝像機(jī)建立了一種橋梁撓度非接觸識別系統(tǒng)，其系統(tǒng)操作簡單，計(jì)算機(jī)與識別目標(biāo)、計(jì)算機(jī)與網(wǎng)絡(luò)攝像機(jī)之間都無需布線，具有非接觸識別的特點(diǎn)，總結(jié)如下：

(1)通過模型試驗(yàn)和實(shí)橋測試驗(yàn)證了本文系統(tǒng)進(jìn)行橋梁撓度識別的可行性，識別精度的可靠性，環(huán)境干擾的高抗性。在未來的監(jiān)測過程中，應(yīng)考慮兩種系統(tǒng)識別算法的特點(diǎn)和監(jiān)測距離，選擇合適的算法。

(2)系統(tǒng)以LED 光源作為標(biāo)志物，配合提出的兩種系統(tǒng)識別算法，對圖像進(jìn)行二值處理，其中基于HSV 的快速模板匹配，引入了HSV 顏色分割LED 光源，基于顏色追蹤的幾何匹配，引入顏色追蹤(cvCamShift)，并對圖像目標(biāo)區(qū)域進(jìn)行鎖定，縮小搜索范圍，可以有效提高抗噪性和計(jì)算實(shí)時運(yùn)算速度，基于HSV 的快速模板匹配最快匹配速度可達(dá)70.77 fps，基于顏色追蹤的幾何匹配計(jì)算速度為51.49 fps，都滿足網(wǎng)絡(luò)攝像機(jī)的監(jiān)測要求。

(3)通過模型試驗(yàn)和實(shí)橋測試得出基于HSV的快速模板匹配在計(jì)算速度和遠(yuǎn)距離識別方面優(yōu)于基于顏色追蹤的幾何匹配；而在識別精度和抗噪性能上，基于顏色追蹤的幾何匹配優(yōu)于基于HSV的快速模板匹配。兩種算法在模型試驗(yàn)中的識別誤差都小于0.70%，實(shí)橋測試下的識別誤差也小于1.90%。