[发明专利]基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法

权利要求书

1.基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法，具体实施步骤如下：

A安装摄像头；

A1.选定待监测的桥梁，确定桥梁起始位置及结束位置，将跨径方向作为x轴，桥宽方向作为y轴，起始位置中心为原点，建立坐标系，量化桥上位置信息；

A2.结合桥梁长度、宽度、上部结构构造客观条件，在桥上安装摄像头，监控桥梁画面；

A3.使用摄像头获取桥梁上的实时监控图像，截取第一帧图像，并以此时间为基点，为后续的监控画面标记时间；

A4.处理A3获取的图像，通过各个摄像头监控的图像和实际的位置对应关系，计算得到图像和实际位置的转化方程；

B使用稠密卷积神经网络识别车辆；

B1.使用相机，对不同种类的车辆从不同的方向进行采集，对其形状、颜色、位置特征进行分类和标记，得到一个车辆的数据库；

B2.基于B1的数据库，对稠密卷积神经网络进行训练，训练神经网络时，采用随机梯度下降学习率随迭代次数逐渐减小，并使稠密卷积神经网络的输出结果对每张图像上车辆的形状、颜色、图像上的位置信息进行拟合；使该稠密卷积神经网络能够区分车辆的形状、颜色、位置，输出一个能够表示这些特征的数据；

B3.将训练后的稠密卷积神经网络应用于摄像头获取的图像识别；

C获取某一时刻下车辆分布情况；

C1.采集某一时刻所有摄像头的监控图像，将监控图像传输到计算机；

C2.使用B2训练的稠密神经网络对监控图像进行分析，得到各个摄像头捕捉的画面中，车辆的形状、颜色、在监控图像上的位置特征，并根据A4确定的图上位置和实际位置的转换关系，计算桥上车辆在该时刻的实际位置；

C3.使用贝叶斯方法对上述的数据进行评估，通过期望最大化算法，利用对数似然比得到不同图像之间车辆特征的相似度，最终识别出同一辆车的不同图像；

D4.合并识别为同一辆车的位置信息，该车辆最终的位置采用多个摄像头图片计算结果的平均值，得到该时刻下桥梁上的车辆分布情况；

D获取桥梁任意截面上的车辆分布情况；

D1.在一段时间内，每隔特定的时间，重复C步骤得到该时刻桥梁的车辆分布情况；

D2.使用C3的方法，对相邻时刻拍摄的图像的数据进行评估，识别出同一辆车的在不同时刻下的图像，以及该车辆在时间段的起始和结束时的位置；

D3.通过对桥梁的持续监测，得到桥梁上的任意车辆从进入桥梁范围到驶离桥梁范围的完整的行驶情况，提取其经过目标截面时的时间；

D4.整合D3中，经过目标截面的车辆特征及经过该截面的时间，得到该截面上的车辆随时间分布情况；

E获取桥梁车辆时空分布信息；

E1.综合桥梁在同一时刻下的车辆分布情况，以及特定截面在不同时刻下的车辆布载情况，建立桥梁的车辆时空分布图谱。