亚星游戏官网-www.yaxin868.com

专利名称：一种基于多目视觉的桥梁三维变形监测方法
技术领域：
本发明属于物体測量技术领域，特别涉及一种基于多目视觉的桥梁三维变形监测方法。
背景技术：
随着社会经济和科学技术的快速发展，造桥技术不断进步，桥梁结构逐步向轻巧、纤细方面发展。与此同时桥梁的载重、跨径和桥面宽度不断增长，结构型式不断变化。传统的变形监测手段越来越不能满足变形监测要求，这就迫切需要性能更可靠的设备来监测桥梁的形变。目前现有的桥梁变形监测技术，可分为接触式測量与非接触式测量两大类。总结归纳如下表I所示
表I各种测量技术
权利要求
1.一种基于多目视觉的桥梁三维变形监测方法，其特征在于，包括如下步骤 (1)由多个摄像机分别获取标定板的图像，标定板各点在各摄像机图像中有对应坐标，且均为ニ维坐标；获取若干个标定板上的特征点； (2)通过对每个特征点所对应的各摄像机图像坐标和三维世界坐标组成ー个数据样本进行训练，建立基于BP神经网络的映射模型； (3)根据所述步骤(I)获取的各摄像机图像，提取桥梁边缘特征点的各摄像机图像坐标; (4)利用RANSAC算法对提取得到的特征点对进行错配消除，得到正确的特征点对； (5)通过所述步骤(2)所得的BP神经网络映射模型对所述特征点进行三维计算，将各特征点的各摄像机图像坐标均映射到三维世界坐标，并将所有三维世界坐标拟合成三维世界坐标点集，建立桥梁变形函数； (6)通过不同时刻桥梁变形来获取桥梁的变形规律。
2.根据权利要求I所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(I)中，标定板特征点的获取步骤如下标定板是由国际象棋棋盘格做成，提取棋盘格的黒白交错点作为标定板的特征点。
3.根据权利要求I所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(2)中，假定摄像机数量为n，BP神经网络映射模型包括三层前馈网络，分别为输入层、隐含层和输出层，所述输入层包括2n个神经元，分别对应各特征点图像的两个坐标值；所述隐含层包括4n个神经元；所述输出层包括三个神经元，分别对应特征点的世界坐标的三个坐标值； 所述输入层的各神经元与隐含层的各神经元一一映射连接，所述隐含层的各神经元与输出层的各神经兀映射连接。
4.根据权利要求3所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(2)中，建立BP神经网络映射模型包括如下步骤 (2-1)选择训练样本，建立训练样本集； (2-2)初始化对各层权值向量赋初值，设定训练的最大迭代次数、期望输出信号；(2-3)随机输入任ー项训练样本，根据输入的训练样本依次计算各层神经元的输入信号和输出信号； (2-4)根据所述步骤(2-3)中最終的输出信号和期望输出信号，计算误差信号，判断所述误差信号是否满足要求，若满足，则执行步骤(2-8)，否则，执行步骤(2-5); (2-5)判断下一次的迭代次数是否大于最大迭代次数，若大于，则执行步骤(2-8)，否则，对输入的训练样本反向计算每层神经元的局部梯度，所述局部梯度满足ψ,^)= /(%(^))Σ A-W,其中η为迭代次数；DJn..为所求的第i层第j个神经元的 J-Iな、づ局部梯度；/(%( ))为转移函数为第i层第j个神经元的输入信号线性组合后的输出·Λ-υ￥)为第i-l层第j个神经元的局部梯度；J为第i-Ι层的神经元总数；、㈨为第i层第j个神经元与第i-l层各个神经元的连接权值； (2-6)调整各层的连接权值，各层调整后的连接权值满足、.(料I)= Wy( )+ff(3)[(i- 7)￡)tf0)+ 57 ( -I)],其中 wt-(n)均为第 I 层第 j 个神经元第 η 次迭代时神经元的连接权值，^( +0为第i层第j个神经元第n+1次迭代时的连接权值，η为迭代次数；α(Κ)为第η次调整迭代时的学习率；η为动量因子；*^0)为本次迭代时，第i层第j个神经元的局部梯度；巧·(《ベ)为上次迭代时，第i层第j个神经元的局部梯度； (2-7)迭代次数加一，进入下一次迭代，执行步骤(2-3)； (2-8)判断是否已学完所有的训练样本，若是，则结束训练，得到输出结果；否则，执行步骤(2-3)。
5.根据权利要求4所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(2-6)中，各层学习率的调整满足当连续两次迭代的梯度方向相同时，则使学习率加倍；当连续两次迭代的梯度方向相反吋，则使学习率减半。
6.根据权利要求4所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述训练样本为所述步骤(I)特征点的各摄像机图像坐标。
7.根据权利要求6所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(4)中对各个特征点按照基数排序进行匹配后需要对匹配的点对进行错配消除，利用RANSAC方法可以把匹配对中的错配消除，在特征点配对中，模型即为从ー个平面上的特征点到另外一平面上的特征点的射影关系，反应为射影矩阵H，H是ー个包含8个自由度的3X3矩阵，它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共面，提取的桥梁边缘特征点数不少于3个，对得到的特征点对利用RANSAC进行错配消除后就得到正确的配对。
8.根据权利要求I所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(5)的具体步骤如下 (3-1)通过图像分析，提取物体在所述步骤(I)形成的图像中对应的桥梁边缘特征点的各摄像机图像坐标； (3-2)对所述步骤(3-1)桥梁边缘的各个特征点按照基数排序进行匹配； (3-3)通过所述步骤(2)所得的BP神经网络映射模型对桥梁边缘的特征点进行三维计算，将桥梁边缘特征点的各摄像机图像坐标分别映射到三维世界坐标； (3-4)将所述步骤(3-3)计算得到的各特征点的三维世界坐标拟合三维世界坐标点集，建立桥梁变形函数。
9.根据权利要求I所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(6)包括如下步骤 根据(3-4)得到不同时刻的桥梁变形函数，提取出桥梁的变形规律，从而可以判断桥梁的变形趋势。
全文摘要
本发明提供了一种基于多目视觉的桥梁三维变形监测方法，包括步骤(1)由多个摄像机分别获取标定板的图像并提取若干个标定板上的特征点；(2)建立基于BP神经网络的映射模型；(3)获取桥梁边缘特征点的各摄像机图像；(4)利用RANSAC进行错误点对的消除，得到正确的匹配点对；(5)提取桥梁边缘特征点各摄像机图像的二维坐标，通过基于BP神经网络的映射模型得到特征点的三维世界坐标，绘制桥梁表面的三维曲线；(6)根据桥梁不同时刻桥梁曲线，提取桥梁变形规律，判断桥梁变形趋势。本发明可对桥梁变形进行非接触三维测量，具有可连续测量、测量时间瞬时、同时测量多点、精度高、可重复性，成本低等优点。
文档编号G01B11/16GK102645173SQ20111003878
公开日2012年8月22日 申请日期2011年2月16日 优先权日2011年2月16日
发明者张文杰, 戴永相, 王大通 申请人:张文杰