基于線特征跟蹤的鐵路橋梁支座振動位移測量方法

閆朝勃，趙維剛，王保憲，李義強

（1.石家莊鐵道大學 機械工程學院，石家莊 050043；2.石家莊鐵道大學 安全工程與應急管理學院，石家莊 050043）

橋梁支座是連接橋梁上部和下部結構的重要結構部件，為評估橋梁支座的性能，往往需要對其位移進行監測。目前，在工程中常用接觸式位移計對支座位移進行監測。這種監測方式簡單、直接，但在長期服役過程中，由于關鍵測量部件不斷發生往復運動，易使傳感器磨損。近年來，基于機器視覺的圖像處理技術廣泛應用于結構位移監測領域，并得到了國內外研究人員的廣泛關注。杜鵬等人[1]提出一種無需在結構上布置靶點，即可從結構振動視頻中獲取結構表面密集特征點位移響應的灰度值匹配算法，該算法的測量結果與傳統位移傳感器實測結果誤差在5%以內，但該方法受環境噪聲的影響較為嚴重；崇愛新等人[2]提出了一種基于雙目視覺技術的無縫線路鋼軌縱向位移測量方法，該方法重點解決了復雜現場采集環境中編碼特征點的精確檢測與匹配問題，但是現場實驗中鋼軌縱向位移的測量精度僅為0.2 mm；除此以外，相關學者還提出了許多基于機器視覺的監測結構物位移的新方法[3-6]。由于橋梁支座位于梁體下方，周圍空間狹小、背景環境復雜、光線較弱，上述先進的測量方法可以精準地對橋梁撓度、鋼軌縱向位移等進行監測，但是無法直接應用到橋梁支座的位移監測中。為此，本文提出了一種基于線特征跟蹤的鐵路橋梁支座振動位移測量方法。

1 鐵路橋梁支座振動位移測量概述

1.1 測量原理

本文利用目標跟蹤技術，通過跟蹤固定于支座上方橋體的靶標，獲取靶標的位移變化，從而計算出鐵路橋梁支座的振動位移。該原理主要包含3 部分，感興趣目標的自動獲取、直線魯棒檢測算子、多幀數據融合濾波，如圖1 所示。

圖1 測量原理示意

（1）利用大津閾值分割法和連通體分析法構建感興趣目標自動獲取方法，自動獲取視頻首幀圖像中紅色方形靶標的坐標信息，并結合靶標坐標信息確定線跟蹤區域。

（2）利用直線魯棒檢測算子對各個線跟蹤區域中的線段進行檢測，并獲取各幀圖像中線段的位置信息。

（3）為消除光照、背景雜波及運動模糊對位移結果的影響，設計了一種多幀數據融合濾波器對振動位移數據進行后處理，并結合靶標實際長度和像素長度的比值，計算出支座振動位移。

1.2 布設方式

本文以雙T 簡支梁橋為例建立了橋梁支座位移測量體系。將由紅色和黑色磨砂有機玻璃制作的靶標測量標識固定在支座上方的橋體上，如圖2（a）所示。為獲取靶標的振動視頻數據，需要在靶標前方的橋墩上固定一臺攝像機，為保證攝像機拍攝到的靶標圖像盡量在整個圖像的中心，需要攝像機鏡頭面與方靶標面盡量平行，同時保證鏡頭中心軸線與靶標中心軸線盡量共線，如圖2（b）所示。當有列車荷載作用在橋梁梁體時，該靶標會產生振動，通過對靶標的振動視頻進行處理，可得到橋體在靶標平面內的位移。考慮到橋梁支座與其上方的橋體直接物理連接，因此，支座上方橋體的位移變化即是該橋梁支座的位移變化。

圖2 位移測量布設示意

2 感興趣目標自動獲取

圖2 靶標中紅色的方形區域是需要自動獲取的感興趣目標。本文利用大津閾值分割法和連通體分析法構建感興趣目標自動獲取方法，提取視頻首幀圖像的紅通道圖像，對其進行二值化、形態學操作等預處理，利用連通體分析法并結合已知的靶標相關信息自動獲取靶標的坐標信息，根據靶標的坐標信息，自動確定方形靶標4 個邊緣的線跟蹤區域。

2.1 圖像預處理

在對感興趣目標進行定位之前，先要對圖像進行預處理。由于紅色的感興趣目標在紅通道圖像中的成像效果最為明顯，所以將視頻片段首幀圖像的紅通道圖像作為后續算法的輸入圖像；再利用大津閾值分割法對圖像進行二值化處理，初步實現感興趣目標的分割；利用連通體分析搜索圖中所有的連通體，并通過設置一個合適的尺寸因子對所有連通體進行形態學開運算，消除面積較小的連通體。

2.2 感興趣目標定位

經過形態學開運算操作后，仍存在著一些無關的連通體區域，因此，為精準地對感興趣目標進行定位，需要充分利用感興趣目標的已知信息對無關的連通體區域進行過濾。已知感興趣目標的相關信息包括：

（1）感興趣目標為正方形，因此圖像中感興趣目標的長寬比值接近1。

（2）為保證位移監測精度，相機在安裝過程中會進行觀察和測量，確保感興趣目標的邊長在1 000像素以上。利用上述信息對連通體區域進行篩選，可自動獲取感興趣目標的坐標信息。如圖3 所示，粗實線框中的區域即為獲取到的感興趣目標區域，4個陰影區域是4 個線跟蹤區域，從圖3 可以看出，各個線跟蹤區域中僅包含一條感興趣目標區域的邊緣信息。

圖3 感興趣目標區域和線跟蹤區域示意

感興趣目標左上角的坐標為(x0,y0)，沿x軸方向的邊長為w像素，沿y軸方向的邊長為h像素，本文用s表示兩個邊長的平均長度。

為簡化標定過程，利用已知邊長的靶標進行標定，只需標定出相機的物面分辨率而不需對相機內外參數進行標定，同時保證了標定精度和穩定性。已知紅色方形靶標的實際邊長為lmm，通過公式（2）求解出實際邊長與像素邊長的比例因子S f（單位：mm/px）。

為準確且快速地跟蹤感興趣目標的坐標變化，本文在感興趣目標定位的基礎上，確定了4 個線跟蹤區域，其中線跟蹤區域1 和2 用于監測支座水平方向的位移，線跟蹤區域3 和4 用于監測豎直方向的位移。考慮支座在水平和豎直方向的實際位移最大量為dmm，利用公式（1）和（2）計算線跟蹤區域短邊的長度為p（單位：px）。

線跟蹤區域長邊的長度lb（單位：px），可通過公式（4）確定。

3 直線魯棒檢測算子

在確定感興趣目標區域4 個邊緣的線跟蹤區域之后，利用線段檢測算法對線跟蹤區域中的線段進行檢測，獲取線段的位置信息，從而獲取支座的振動位移數據。

3.1 直線線段檢測

Hough 變換[7]是直線提取的常用算法，但其算法復雜度較高，且沒有結合方向信息，導致誤檢率較高[8]。線段檢測（LSD，Line Segment Detector）算法是由Rafael Grompone 等人[9]于2010 年提出的一種線段檢測算法，該算法能結合像素的梯度大小和方向信息準確地提取直線，并能在NFA（Number of False Alarms）的約束下控制虛假直線，無需過多的參數設置。同時，該算法利用Helmholtz 原理來判斷直線，從而得到較好的線段檢測結果。因此本文利用LSD算法對線跟蹤區域中的線段進行檢測。

如圖4 所示，每個線跟蹤區域內僅包含1 條感興趣區域的邊緣線。本文利用LSD 算法提取線跟蹤區域內的線段信息，主要包括當前區域內檢測到的線段個數及每個線段的端點坐標等。

但直接利用LSD 線段提取的結果來描述靶標邊緣仍存在著一些問題，如圖4（c）所示，非邊緣區域也檢測出了一些短線段，這些短線段的存在會影響到邊緣位置的確定。因此要對LSD 檢測結果的有效性進行判斷，從n條線段中找出能描述靶標邊緣的線段。

圖4 LSD 線檢測結果

3.2 線檢測有效性分析模型

考慮光照、背景雜波、運動模糊等干擾，通過LSD 線檢測可能檢測不到有效的線段特征。為對檢測結果的有效性進行準確判斷，本文設計了一種線檢測結果有效性分析模型。

（1）假設在線跟蹤區域內檢測到了n條線段，第i條線段的端點坐標分別為(xi1,yi1)和(xi2，yi2)；

（2）計算線跟蹤區域內檢測出的各條線段的統計特征，線段長lsi、線段長度比例lri、線段截距bi。其中，線段長，線段長度比例；

（3）利用線跟蹤區域內線段的統計特征對LSD 線檢測結果的有效性進行分析，具體流程如圖5所示。

圖5 LSD 線檢測結果的有效性分析流程

通過上述處理流程可有效標識出各個線跟蹤區域內線段檢測結果的有效性，有效檢測結果所在的幀標記為1，無效檢測結果所在的幀標記為0。

4 多幀數據融合濾波器

為過濾無效的檢測結果，本文采用一種多幀數據融合濾波器，包括鄰近5 幀線跟蹤區域內濾波和水平（豎直）方向內目標運動濾波。

4.1 鄰近5 幀線跟蹤區域內濾波

在連續處理5 幀圖像數據后，可以得到鄰近5幀的邊線截距序列和對應的標識序列（簡稱：序列組）；按照先進先出的更新規則，新一幀的圖像處理結果會按順序進入序列組，同時，序列組中最早一幀的圖像處理結果將被移出序列組；在更新序列組之前，需要先判斷該幀圖像檢測得到的線段截距對應的標識是否為0，若為0，則計算更新前的序列組中鄰近5 幀的邊線截距的平均值作為當前幀的線段截距值，若為1，可直接按先進先出的規則進行序列組更新。

經過上述操作，可利用方形靶標最鄰近的目標狀態，填補LSD 未有效檢測到的邊線截距值。假設所有幀圖像檢測得到的線段截距序列值為(b1,b2,···,bn)，將所有序列值都減去第1 個數值b1，可得該邊線對應的像素位移變化序列(bo1,bo2,···,bon)。

4.2 水平（豎直）方向內目標運動濾波

處理線跟蹤區域1 和區域2 可同時測量待測目標的水平位移變化，而處理線跟蹤區域3 和區域4 可同時測量待測目標的豎直位移變化。在完成鄰近5幀線跟蹤區域內濾波后，考慮按公式（5）融合線跟蹤區域1 和區域2 的邊線位移變化測量結果。

其中，bo′、bo′′分別表示線跟蹤區域1 和區域2中邊線的位移。

類似地，可按照同樣的規則融合線跟蹤區域3和區域4 的邊線位移變化測量結果。因此，可計算出每1 幀圖像中方靶標在水平和豎直方向的像素位移變化測量結果。設水平方向的像素位移變化測量結果為(bx1,bx2,···,bxn)，豎直方向的像素位移變化測量結果為(by1,by2,···,byn)。將比例因子Sf分別乘以方靶標在水平和豎直方向的像素位移變化測量值，即可得到方靶標在水平和豎直方向的實際位移變化值。

5 實驗應用

5.1 現場安裝和預處理

將本文方法應用到實際場景中，對橋梁支座的位移進行了長時間的監測工作，來驗證其有效性和準確性。圖6（a）中展示的是安裝在現場的監控攝像機和靶標，攝像機的分辨率為3 072×2 048 像素，視頻采集幀率為20 f/s，另外，現場還部署一臺工控機，利用該工控機對支座振動視頻進行處理。

圖6 現場安裝和預處理結果

以某個實際監測點為例，說明本文所提出方法的具體處理流程：（1）對采集的支座振動視頻片段進行分幀處理，得到視頻幀序列，圖6（b）為支座振動視頻片段中的首幀圖像；（2）利用大津閾值分割法對首幀圖像的紅通道圖像進行二值化處理，處理結果如圖6（c）所示；（3）由于二值化結果中存在許多面積很小的連通體區域，因此，需要利用形態學開運算對二值化后的圖像進行處理，去除面積較小的連通體，對比圖6（d）和圖6（c）可以看出，開運算操作有效地去除了面積較小的連通體。

5.2 感興趣目標獲取結果

利用連通體分析搜索圖中所有的連通體，圖7（a）虛線框中標注的區域均為連通體，需要從這些連通體中篩選出感興趣區域。由于已知靶標的長寬比、面積等，可利用這些信息對連通體區域進行篩選，從而確定感興趣區域的坐標信息，得到圖7（b）中感興趣區域左上角端點的坐標為(1 277，355)，邊長分別為1 082、1 080 像素。紅色方形靶標的實際邊長為60 mm，由公式（1）和公式（2）可計算出比例因子Sf≈0.056 mm/px。

圖7 感興趣目標獲取結果

根據現場環境中支座的實際位移變化情況，本文采用的水平和豎直最大位移量為8 mm，確定靶標4 個線跟蹤區域，如圖7（c）所示。

5.3 位移測量

對4 個線跟蹤區域的靶標邊緣分別進行LSD 線檢測，得到各個線跟蹤區域中靶標的像素位移數據，并將像素位移結果與比例因子Sf相乘，得到各個線跟蹤區域中靶標的位移數據，其位移曲線如圖8所示。

圖8 各個線跟蹤區域的位移曲線

圖8（a）中的兩條位移曲線和圖8（b）中的兩條位移曲線的變化趨勢基本一致，經過計算，兩組位移結果的皮爾遜相關系數均在0.95 以上，說明兩組位移結果分別呈現極強的正相關。再利用多幀數據融合濾波器分別將線跟蹤區域1 和區域2、線跟蹤區域3 和區域4 的結果進行融合，從而得到橋梁支座實際的位移時程曲線，如圖9 所示。

從圖9 可以看出，在列車某次通行的過程中，該橋梁支座的水平位移約為0.9 mm，豎向位移約為0.08 mm，且該位移曲線變化趨勢較為明顯，可反映出列車通行過程中的完整位移。

圖9 多幀數據融合后的位移時程曲線

6 結束語

本文提出了一種基于線特征跟蹤的鐵路橋梁支座位移監測方法，該方法利用大津法和連通體分析法從支座振動視頻的首幀圖像中自動獲取感興趣目標區域，并基于感興趣區域確定線跟蹤區域；利用線檢測算法對各幀圖像中線跟蹤區域進行線檢測，通過統計各幀圖像中線段的位置信息，計算出支座的振動位移數據；利用多幀數據融合濾波器對橋梁支座振動位移數據進行后處理，得到列車通行時支座的時程曲線。為驗證該方法的有效性，本文將其應用到實際場景中，并對橋梁支座的位移進行了長時間的監測工作。實驗結果表明，該方法可有效監測靶標平面內兩個垂直方向的位移，且測量精度高、簡單易行，有效彌補了現有的基于結構物表面紋理特征跟蹤的支座振動位移測量算法容易受光照、背景雜波、運動模糊等因素干擾的缺點，在非接觸位移測量領域具有廣闊的應有前景。