[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

说明书

本发明涉及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，在桥梁上布设监控摄像头，根据边缘计算设备和卷积神经网络对监控摄像头拍摄的视频帧进行计算，得到车辆和轮胎的2D包围框，进而通过计算机视觉算法得到车辆的3D包围盒，利用卡尔曼滤波算法实施车辆追踪，得到车辆荷载在单摄像头下的局部时空信息；最后进行车辆重识别，获取车辆荷载的细粒度时空分布信息。本发明能够通过单目图像，实现车辆荷载的轴数、轴距等重要信息的准确识别，适合桥梁结构或构件的有限元分析和计算。同时本发明实现了车辆3D包围盒的重建，能够跨摄像头获取车辆荷载在全桥范围内的准确的空间信息，因此可以提供全面的车辆荷载时空信息。

技术领域

本发明属于桥梁监测领域，尤其是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。

背景技术

运营中的桥梁结构会不可避免地受到环境的侵蚀和荷载的作用，这些长期作用会导致桥梁结构性能退化、安全性降低、寿命缩短，严重的情况下可能导致桥梁结构的倒塌等破坏。因此，对桥梁结构进行实时监测就显得非常重要。在这些长期作用中，桥面通行的车辆荷载是最重要的荷载之一。车辆荷载是典型的随机荷载，一般具有很大的不确定性。为了使桥梁的设计更加合理、或者对运营中的桥梁结构的健康状况进行评估，就需要对桥梁车辆荷载进行识别和统计分析。

传统的利用动态称重系统进行车辆荷载识别的方法存在一些问题。由于需要将称重部件埋置于路面以下，因此会造成既有桥面的破坏性施工，同时也存在造价较高的问题。随着深度学习技术的快速发展，越来越多的研究人员开始利用卷积神经网络进行车辆荷载的识别分析。目前相关的方法有：发明专利(申请号：202010498366.1，名称：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)、发明专利(申请号：02011315926.1，名称：一种桥梁车辆时空荷载监控方法)、和发明专利(申请号：2020111288588，名称：一种基于道路物联网监测的车型与车重分类方法)。总之，这些发明利用深度卷积神经网络进行了车辆的荷载识别，但是无法识别车辆荷载的轴数、轴距等重要信息，也无法获取车辆荷载准确的空间信息，识别结果粒度较大，不能满足精度较高的有限元计算。因此，进行全桥车辆荷载的细粒度识别就显得具有非常重要的实用价值和现实意义。

发明内容

本发明的目的在于克服现有技术的不足，提出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，能够利用卷积神经网络、计算机视觉和多目标追踪等技术，通过对摄像头获取到的桥面车辆行驶视频进行分析，得到车辆荷载的细粒度信息。

本发明解决其技术问题是采取以下技术方案实现的：

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，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；

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。

而且，所述步骤1的具体实现方法为：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。

而且，所述步骤2包括以下步骤：