一种基于计算机视觉识别的建筑结构层间位移监测方法

技术领域

本发明涉及建筑结构健康监测技术领域，尤其是涉及一种基于计算机视觉识别的建筑结构层间位移监测方法。

背景技术

在建筑结构正常使用阶段为确保结构的安全性，防止结构失效导致异常事故发生，需要利用现场传感系统和相关分析技术获取结构运营过程中的动力响应数据，如转角、位移等，之后通过数据对结构进行及时的损伤诊断与性能评估。达到监测和评估结构健康状况的目的。一般来说在工程结构健康监测领域中，对于结构的变形情况往往通过加速度传感器、应变片或位移计等接触式传感器获取，这些传感器大部分只布设在结构有限数量的部位，获取目标区域的变形信息。无论从数据获取方式还是数据获取数量以及数据的全面性而言都存在着较大的局限性。

在建筑结构设计中，结构在水平荷载作用下的侧移和变形控制十分重要，我国规范通常以层间位移角作为层间构件的变形控制参数，层间位移角的计算一般由该层位移差与层高之比求得。这种计算结构层间变形的方法比较适合于结构侧移为整体剪切变形为主的情况，对以弯曲变形为主的高层结构将产生不可忽略的误差。

建筑结构层间位移可以分为有害层间位移和无害层间位移两部分，引起构件损伤的主要是有害层间位移。对于高层结构，无害层间位移在名义层间位移中所占的比例随着楼层的升高而增大，有害层间位移在名义层间位移中所占的比例随着楼层的升高而减小。因此准确识别有害层间位移对于合理评估建筑结构服役状态具有十分重要的意义。

一般对于结构的有害位移通过在关键楼层布设激光位移计、全站仪、全球导航卫星系统、拉线式位移计、线性可变差动变压器位移计等仪器来识别，但这些测量仪器价格昂贵且操作繁琐，常用于高层建筑等大型建筑结构，而难以广泛应用于常规民用建筑。

发明内容

本发明的目的是为了提供一种基于计算机视觉识别的建筑结构层间位移监测方法，通过视觉识别方法得到名义层间位移，使用倾角仪测量楼板在往复加载过程中的转角时程，进一步结合框架模型楼层高度得到无害层间位移，将名义层间位移与无害层间位移相减得到有害层间位移。

本发明的目的可以通过以下技术方案来实现：

一种基于计算机视觉识别的建筑结构层间位移监测方法，包括以下步骤：

S1、在待监测层间变形楼层安装层间变形监测装置，并利用标定板进行图像校正，所述层间变形监测装置包括在监测楼板上设置的倾角仪、在结构抗侧力关键构件上设置的倾角仪、在楼板上设置的摄像机以及设置在天花板上的跟踪靶点；

S2、利用层间变形监测装置实时获取待监测建筑楼层的层间位移视觉图像帧序列进行预处理，并选取包括跟踪靶点在内的目标区域和涵盖结构整个动力荷载过程的目标时间段；

S3、采用特征点检测算法检测图像初始帧中的目标区域，得到初始帧特征点坐标；

S4、选取多个特征点并进行特征跟踪，在相邻帧之间计算出特征点的运动轨迹，重复进行直至得到全部特征点在整个目标图像帧序列中的位移数据，对得到的多个特征点位移数据进行筛选，筛除非目标特征点与识别错误的特征点数据，将筛选后的三种位移数据进行融合，得到多特征点融合的视觉识别结构位移曲线；

S5、获取倾角仪在建筑结构运动过程中的监测数据，选取与视觉识别相对应监测层的楼层板柱转角数据，通过滤波滤除噪声并重采样到与层间位移视觉图像相同频率，得到板柱转角曲线；

S6、对板柱转角曲线与视觉识别结构位移曲线通过曲线的峰值相关性进行时间对齐并消除多余部分，利用对齐后的视觉识别结构位移曲线与板柱转角曲线计算监测层的名义层间位移、无害层间位移与有害层间位移。

所述楼板与结构抗侧力关键构件上的倾角仪均刚性固定在靠近摄像机的角落处，且跟踪靶点始终落在摄像机拍摄画面内。

所述利用标定板进行图像校正具体为：在监测前，使用摄像机拍摄放置在跟踪靶点的靶点区域内的标定板，得到标定板图像，并对图像进行识别得到标定板在图像中的像素坐标与实际坐标之间的转换关系，利用转换关系消除镜头畸变影响，校正图像。

所述步骤S2中预处理包括视频稳定处理、图像去噪与增强处理。

所述特征点包括Harris、Shi-Tomasi、SURF。

所述步骤S4中使用光流法进行特征跟踪，假定亮度恒定、时间连续且邻域内点的运动一致，则：

I(x，y，z)＝I(x+dx,y+dy,z+dz)＝I(x，y，z)+I

式中，I(x，y，z)表示图像坐标(x，y，z)处在t时刻的灰度值，I

则有：

I

设dx/dt＝u、dy/dt＝v，(u，v)即为光流，则可得到光流法基本方程：

I

同时，考虑在光流跟踪点邻域内的点有不同的权重，通过最小二乘法计算得到特征点的位移并确定特征点在后一帧图像中的位置。

所述对得到的多个特征点位移数据进行筛选采用随机一致采样方法，筛除非位于目标物上的特征点，例如在静止的背景上或者其他运动的物体上的特征点，同时计算剩余数据之间的相关性，将与其余位移时程相关系数之和最高的数据作为基准，位移时程数据与该基准的相关系数低于预设阈值的特征点被认定为非目标特征点并予以筛除。

所述步骤S5中的滤波采用FIR滤波器。

所述对板柱转角曲线与视觉识别结构位移曲线通过曲线的峰值相关性进行时间对齐具体为：通过计算两个随机序列之间的相关性估计或两个确定性信号之间的确定相关性，得到位移曲线与转角曲线间的时间差，根据时间差进行调整，实现时间对齐。

所述利用对齐后的视觉识别结构位移曲线与板柱转角曲线计算监测层的名义层间位移、无害层间位移与有害层间位移的计算公式为：

Δu＝Δ+htanα

Δv＝Δu-htanθ

其中，为层高，Δu为名义层间位移，htanθ为无害层间位移，Δv为有害层间位移，Δ为视觉识别到的层间结构位移，α为楼板转角、θ为柱转角。

与现有技术相比，本发明具有以下有益效果：

(1)本发明引入计算机视觉技术，以便捷的方式获取层间有害变形的数据，可以准确地从结构健康监测数据中判断结构的健康状况，解决当前存在于建筑结构有害位移的检测与监测方面的问题。

(2)本发明采用的计算机视觉技术与常规振动传感器相比造价便宜且布置使用便捷。

(3)本发明通过计算机视觉技术对层间位移的识别，以及进一步通过与楼层倾角数据结合得到目标楼层有害层间位移，精准判断结构关键楼层的受力变形状态。

附图说明

图1为本发明的方法流程图；

图2为本发明的层间变形监测装置结构示意图；

图3为本发明名义层间位移、无害层间位移与有害层间位移之间的关系和求解方法示意图；

图中附图标记为：1-设置在结构抗侧力关键构件上的倾角仪，2-设置在监测楼板上倾角仪，3-摄像机，4-跟踪靶点。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种基于计算机视觉识别的建筑结构层间位移监测方法，通过将倾角仪测得数据与视觉识别结构位移相结合得到建筑结构名义层间位移与有害层间位移，精准获取建筑结构层间受力与整体受力情况，如图1所示，包括以下步骤：

S1、在待监测层间变形楼层安装层间变形监测装置，并利用标定板进行图像校正。

如图2所示，层间变形监测装置包括在结构抗侧力关键构件(如剪力墙、框架柱等)上设置的倾角仪1、在监测楼板上设置的倾角仪2、在楼板上设置的摄像机3以及设置在天花板上的跟踪靶点4。楼板与结构抗侧力关键构件上的倾角仪均刚性固定在靠近摄像机3的角落处，且跟踪靶点4始终落在摄像机3拍摄画面内。跟踪靶点(4)为具有高对比度且在图像中沿水平与竖直方向均有明显边界线，跟踪靶点(4)位于摄像机(3)画面内且数量不小于1。

在监测前，使用摄像机拍摄放置在跟踪靶点的靶点区域内的标定板，得到标定板图像，并对图像进行识别得到标定板在图像中的像素坐标与实际坐标之间的转换关系，利用转换关系消除镜头畸变影响，校正图像。

S2、利用层间变形监测装置的摄像机3实时获取待监测建筑楼层的层间位移视觉图像帧序列进行预处理，并选取包括跟踪靶点在内的目标区域和涵盖结构整个动力荷载过程的目标时间段。

本实施例中，预处理包括视频稳定处理、图像去噪与增强处理。

S3、采用Harris、Shi-Tomasi、SURF等特征点检测算法检测图像初始帧中的目标区域(Region of interest，ROI)，得到初始帧特征点坐标(x

S4、选取多个特征点并通过光流法(Kanade-Lucas-Tomasi)进行特征跟踪，在相邻帧之间计算出特征点的运动轨迹，重复进行直至得到全部特征点在整个目标图像帧序列中的位移数据，对得到的多个特征点位移数据进行筛选，通过随机一致采样(Random SampleConsensus，RANSAC)筛除非目标特征点与识别错误的特征点数据，将筛选后的三种位移数据进行融合，得到多特征点融合的视觉识别结构位移曲线。

具体的，使用光流法进行特征跟踪，假定亮度恒定、时间连续且邻域内点的运动一致，则：

I(x，y，z)＝I(x+dx，y+dy，z+dz)＝I(x，y，z)+I

式中，I(x，y，z)表示图像坐标(x，y，z)处在t时刻的灰度值，I

则有：

I

设dx/dt＝u、dy/dt＝v，(u，v)即为光流，则可得到光流法基本方程：

I

同时，考虑在光流跟踪点邻域内的点有不同的权重，通过最小二乘法计算得到特征点的位移并确定特征点在后一帧图像中的位置。

对得到的多个特征点位移数据进行筛选采用随机一致采样方法，筛除非位于目标物上的特征点，例如在静止的背景上或者其他运动的物体上的特征点，同时计算剩余数据之间的相关性，将与其余位移时程相关系数之和最高的数据作为基准，位移时程数据与该基准的相关系数低于预设阈值的特征点被认定为非目标特征点并予以筛除。

最终得到多特征点融合结果，相比于单一特征点追踪结果有更高的精度。

S5、获取倾角仪在建筑结构运动过程中的监测数据，选取与视觉识别相对应监测层的楼层板柱转角数据(包括楼板转角α、柱转角θ)，通过FIR滤波器滤除仪器采集数据过程中收到的外界噪声影响，并重采样到与层间位移视觉图像相同频率，得到板柱转角曲线。

S6、对板柱转角曲线与视觉识别结构位移曲线通过曲线的峰值相关性进行时间对齐并消除多余部分，利用对齐后的视觉识别结构位移曲线与板柱转角曲线计算监测层的名义层间位移、无害层间位移与有害层间位移。

具体的，通过计算两个随机序列之间的相关性估计或两个确定性信号之间的确定相关性，得到位移曲线与转角曲线间的时间差，根据时间差进行调整，实现时间对齐。

如图3所示，可得利用对齐后的视觉识别结构位移曲线与板柱转角曲线计算监测层的名义层间位移、无害层间位移与有害层间位移的计算公式为：

Δu＝Δ+htanα

Δv＝Δu-htanθ

其中，h为层高，Δu为名义层间位移，htanθ为无害层间位移，Δv为有害层间位移，Δ为视觉识别到的层间结构位移，α为楼板转角、θ为柱转角。

本实施例使用了Harris、Shi-Tomasi、SURF等特征点检测算法、光流特征追踪算法(Kanade-Lucas-Tomasi)、随机一致采样(Random Sample Consensus，RANSAC)、FIR滤波器，但本发明方法不局限于使用上述算法，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。