高斯核基运动测量-计算机科学-机器学习-健康监测.pdfVIP

高斯核基运动测量

HongyiLiu,HaifengWang

DepartmentofCivilandEnvironmentalEngineering

WashingtonStateUniversity

Pullman

hy.liu,haifeng.wang@wsu.edu

本ABSTRACT

译结构健康监测需求的增长推动了对高精度运动测量的兴趣，因为从提取的运动中获得的结构

中信息可以有效反映结构当前的状态。

在各种运动测量技术中，基于视觉的方法因其低成本、易于安装和大规模测量而脱颖而出。

1

v然而，在亚像素级别的运动测量方面，目前的基于视觉的方法要么缺乏足够的准确性，要么

3需要大量的手动参数调整（例如，金字塔层、目标像素和滤波器参数）才能达到良好的精度。

9

6为了解决这个问题，我们开发了一种新的基于高斯核的运动测量方法，该方法可以通过跟踪

3高斯核的位置来提取不同帧之间的运动。为了提高方法的准确性和鲁棒性，引入了符合实际

1

.结构条件的运动一致性和超分辨率约束。

7

0数值和实验验证表明，它可以在无需针对不同的测试样本进行定制参数设置的情况下始终达

5到高精度。

2

:

v

i

x1介绍

r

a

结构运动在结构健康监测中扮演着至关重要的角色，因为它有效地反映了结构的状态。在过去几十年里，结

构运动测量获得了广泛关注[1]，引发了对精确运动测量的需求。根据所使用的传感技术，测量方法大致分为

接触式和非接触式两类。接触式方法使用物理上接触到结构的传感器，例如加速度计、线性电位器和线性可

变差动变压器（LVDTs）。相比之下，非接触式方法则采用如相机和激光扫描仪等从远处操作的传感器。与其

他方法相比，基于视觉的运动测量具有成本低、部署快速及测量范围大等显著优势。

基于视觉的运动测量方法可以分为两大类：匹配基础的方法和梯度基础的方法[2,3]，匹配基础的方法[4,5,

6,2,7]通过在连续两个视频帧中匹配预定义的目标并追踪其位置变化来测量运动。其中一个主要的方法，被

称为块匹配或模板匹配，使用一个特定的矩形像素区域（“模板”）作为跟踪目标[e.g.,8,9,10,11]。块匹配方

法首先定义亮度分布的度量标准来衡量两个块之间的相似性[9,10]，然后在相邻帧中有哪些信誉好的足球投注网站最相似的块以确定

运动[8,12,13,14,11]。另一方面，特征点是另一个跟踪目标，它集中在对图像显著且鲁棒特征的数学描述

上，如边缘、角落、斑块模式或其他可学习的特征。这种方法被称为“特征匹配”[e.g.,15,6,16,7]，特征描

述符是特征匹配的核心，它从手工设计的特征[e.g.,17,18,19,20,21,22,23,24,25]和基于机器学习的学习型

描述符发展而来[e.g.,26,27,28,29]。有了这些完善的特征描述符，特征匹配在应对光照变化以及旋转、缩放

等更复杂的变形时，表现得比块匹配更为稳健。然而，基于匹配的方法只能获得像素级坐标来确定目标的位

置。尽管已经开发了不同的插值技术[e.g.,30,31,32]和相关性增强方法[e.g.,33,34,35,36]来将坐标细化到

亚像素级别并提高匹配质量，但精度仍然限制在0.01-0.1像素[31]，忽略了视频中嵌入的大量运动信息[37]

。

第二种基于视觉的运动测量方法是梯度