[发明专利]基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法

权利要求书

1.基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法，其特征在于：包括以下步骤：

步骤1、根据桥梁桥面的现场条件安装监控摄像头，捕获桥面车辆的行驶视频；

调整监控摄像头的高度和倾斜角度，保证能够拍摄到车道上行驶车辆的前、右和上三个表面；

步骤2、对步骤1中监控摄像头进行详细的标定，得到监控摄像头内部参数矩阵和外部参数矩阵以及监控摄像头相对于桥面的投影矩阵；

步骤2.1、确定小标定板，从不同角度和位置对小标定板进行拍摄，利用拍摄的视频图像完成监控摄像头的第一次标定并存储监控摄像头的内部参数矩阵；

步骤2.2、确定大标定板，将大标定板置于桥面中间车道进行拍摄，利用拍摄的视频图像与内部参数矩阵求得监控摄像头的外部参数矩阵；

步骤2.3、根据步骤2.1和步骤2.2两次标定，得到监控摄像头相对于桥面的投影矩阵，同时利用投影矩阵对监控摄像头投影误差进行核校，检查监控摄像头参数矩阵的正确性；

步骤3、创建模型训练和测试的数据集用于对深度卷积神经网络进行学习与检测；

步骤3.1、创建用于模型训练和测试的数据集；

数据集包括：使用监控摄像头获取桥面任意时刻、车道及车型的视频图像，利用照相机拍摄交通路面上任意时刻、车道及车型的图像，以及著名车辆数据集中车辆的图像；

步骤3.2、利用深度卷积神经网络，对数据集中的车辆特征进行提取，然后进行目标位置预测和分类，再结合各类损失函数和误差反向传播，对向深度卷积神经网络中的权重进行逐次更新，直至损失函数不再减小；

步骤3.3、在学习过程中利用部分图像检测深度卷积神经网络的学习成果，并根据PR曲线评估模型精度及其检测能力；

步骤3.4、保存权重数据；

步骤4、利用步骤3得到的深度卷积神经网络对步骤1中行驶视频的视频帧进行分析计算，得到车辆的类型、置信度、2D包围盒以及车辆轴数；

步骤5、通过计算机视觉技术得到车辆的3D包围盒；

步骤6、根据步骤5的车辆3D包围盒，通过卡尔曼滤波算法进行车辆追踪，得到车辆时空分布信息；

步骤7、根据步骤6的车辆时空分布信息，通过跨监控摄像头多目标追踪的方法获得车辆荷载的全桥时空分布。

2.根据权利要求1所述的基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法，其特征在于：所述步骤4包括以下步骤：

步骤4.1、在桥面上设定ROI，并对桥面区域内的车辆进行检测；

步骤4.2、通过深度卷积神经网络对视频帧中的车辆进行特征提取；

步骤4.3、根据车辆提取的特征，计算得到车辆的类型、置信度和2D包围盒；

步骤4.4、将步骤4.3计算的结果继续通过深度卷积神经网络计算，得到车辆车轮的置信度和包围盒，进而得到车辆轴数。

3.根据权利要求1所述的基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法，其特征在于：所述步骤5包括以下步骤：

步骤5.1、通过步骤2得到的投影矩阵建立车辆的参数方程，根据步骤4结果计算出车辆在桥面的空间位置坐标和3D包围盒的像素尺寸；

步骤5.2、利用计算机视觉技术将像素尺寸转换为空间车辆的实际尺寸；

步骤5.3、循环获取ROI范围内所有视频帧内车辆的3D包围盒，并根据计算结果和统计数据进一步确定车辆的类型、轴数、轴距和车辆的轮廓尺寸大小；

步骤5.4、对车辆的类型、置信度和3D包围盒进行可视化输出。

4.根据权利要求1所述的基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法，其特征在于：所述步骤6包括以下步骤：

步骤6.1、将当前视频帧中检测到的车辆包围盒进行传递并初始化车辆的追踪参数；

步骤6.2、根据假设的车辆系统方程计算下一帧中该车辆的状态向量；

步骤6.3、根据车辆的当前状态预测下一帧中该车辆的状态向量；

步骤6.4、更新该车辆的状态向量，准备下一步的循环计算并完成追踪；

步骤6.5、根据追踪结果，得到该车辆的行驶轨迹、行驶速度、车辆总重和轴重。

5.根据权利要求1所述的基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法，其特征在于：所述步骤7包括以下步骤：

步骤7.1、根据单摄像头下车辆的局部信息和特征，进行车辆重识别；

步骤7.2、将第一个监控摄像头识别到的车辆荷载信息跟随车辆ID进行传递，以实现车辆荷载的跨监控摄像头追踪；

步骤7.3、综合所有监控摄像头追踪到的车辆信息，得到车辆荷载的全桥时空分布。