DOI: https://doi.org/10.1016/j.ymssp.2023.110452
00
引言
由于像素分辨率的限制、光照变化以及待测ROI (Region of Interest)大小的限制,可能会产生异常特征点,导致难以检测到准确的特征点;
在所选择的ROI中,在不同的空间位置,结构特征点的运动可能不统一,这会造成点追踪识别过程中出现的空间点发散问题;
最重要的是,在运动识别过程中,由于采集图像固有噪声以及环境因素产生的噪声影响,类似主流的无靶标算法如KLT (Kanade–Lucas–Tomasi)算法等,在时间步进迭代时产生误差时间漂移问题,即随着时间变长,误差逐渐变大。
01
方法
图1 本文所提方法的技术路线
图2 网格多路径建模流程图:(a)特征点到四个顶点的投影,(b)形状保持约束
02
试验验证
表1 估计的位移比较
表2 估计的旋转角度比较
图3 大桥视频的一帧图像: (a)大桥的全貌,(b)大桥的左跨度
图4 当选择红色ROI时估计出的位移时程曲线
图5 当选择黄色ROI时估计出的位移时程曲线
图6 五层石幕墙试验布置图
图7 石幕墙结构位移结果对比图
表3 估计的模态信息比较
03
结论
1)与传统的高斯核滤波器相比,特征增强的步骤可以在过滤噪声的同时较好保留特征点。
2)在估计桥梁的摄像运动时,与传统方法相比,所提出的方法可达到最准确的结果,精度为0.1像素。
3)在实际的振动台试验中,与传统方法相比,即使有环境误差,用本文方法估计的石墙结构运动仍能与参考数据相当接近,精度可达到0.25像素,并能较好地估计模态信息。
---End---
智能设计平台网站:
ai-structure.com 剪力墙结构生成式智能设计系统内测邀请
相关研究
学术报告视频
专著
人工智能与机器学习
---结构智能设计
---其他土木工程领域人工智能研究
城市灾害模拟与韧性城市
高性能结构与防倒塌
新论文:抗震&防连续倒塌:一种新型构造措施
联系客服