CN115717867B 一种基于机载双相机和目标追踪的桥梁变形测量方法 （东南大学）

号一种基于机载双相机和目标追踪的桥梁变本发明公开了一种基于机载双相机和目标采用一种基于深度学习多目标追踪的计算桥梁统布设传感器的方法难以应用于桥梁变形测量2S1，在桥梁侧面待测测点处布置若干测量靶标，采用无S2，基于YOLOv5s网络构建靶标识别模型，S3，采用特征提取网络对分割的不同位置的测S5，以亚像素识别测量靶标图像的中心点，得到两S6，结合两个相机对应的亚像素点级别位移轨2.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在3.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在4.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在采集包含不同光照条件下的若干张靶标图像，由人工标记点位，使用PASCA5.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在计算预测轨迹与下一帧的标记框中心的实际坐标的关联度6.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在37.根据权利要求6所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在标中心点的亚像素点级别位移轨迹的过程包括以将靶标四角的四个矩形标记的坐标作为已知点，计算测量靶标图像48.根据权利要求6所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在9.根据权利要求1所述的基于机载双相机和目标追踪的桥梁变形测量方法，其特征在所述若干个测量靶标分布布置在桥梁侧面待测测点处；所述无人机根据所述处理器采用如权利要求1_9任一项中所述的桥梁变形测量方法计算得到桥梁侧面4变形，但同样指出了该方法需要在短持续时间间隔和小振幅位移的条件下使用的局限性。明了能达到所需的测量精度。研究证明视觉测量方法在桥梁变形测量中具有明显应用前的基于图像处理的匹配方法对光照和遮挡等干扰非常敏感。(2)采用视觉测量方法检测长56[0021]将靶标数据集导入YOLOv5s网络进行训练和验证，得到训练完成的靶标识别模像对应的测量靶标中心点的亚像素点级别位移轨迹[0026]将靶标四角的四个矩形标记的坐标作为已知点，计算测4[0032]本发明还提及一种基于无人机机载双相机和深度学习追[0034]所述处理器采用如前所述的桥梁变形测量方法计算得到桥梁侧面待测测点处的载的共轴双相机同时拍摄包含桥墩等不同点的大视角视频和瞄准桥梁侧面位移靶标的精学习目标检测和多目标追踪的方法解决传统位移计算方法在光照变化和偶然遮挡下容易7[0037](1)通过理论推导和实验验证证明无人机搭载同轴双相机同时拍摄桥墩不动点和[0038](2)所提出的基于深度学习多目标追踪的位移测量方法融合了最新的目标检测算移计算方法避免了传统DIC和光流等位移计算方法需要根据测量目标人为调整的问题，也8P222)333)449[0068]=Ri"P"+Tt"并计算所检测物体的中心坐标。将逐帧的中心坐标连接可以认为是粗略的物体像素位移。[0075]数据分析的第一步是对原视频应用深度学习目标检测网络识别视频中的靶标位用k_means聚类的方法从中聚类。图5为基于YOLOv5s网络的靶标识别模型训练结果示意用卡尔曼滤波预测得到当前坐标的预测轨迹，并将预测的轨迹输入到下一帧的靶标检测[0078]数据分析的第三步是对第二步得到的像素级靶标中心位移进一步细化到亚像素[0079]前述数据分析方法具有测量精度高以及不受环境光照以及无人机自身位移影响[0080]下面利用一个典型桥梁案例来说明本实施例的基于无人机平台和深度学习目标见。地面固定相机瞄准靶标粘贴位置拍摄，地面相机和无人机相机的采集帧率设置为无人机相对于桥墩不动点的相对位移，将它从长焦相机视频分析得到的靶标位移中减去，[0083]针对本实施例所采用的方法与传统DIC方法进行对比，采用皮尔逊相关系数计算[0084]以上仅是本发明的