环境激励下基于视觉的结构振型识别的信号重构方法及装置

1.本发明涉及工程结构健康监测领域，具体涉及一种环境激励下基于视觉的结构振型识别的信号重构方法及装置。


背景技术：

2.结构健康监测(shm)旨在为结构评估提供重要信息并确保工程结构的运行安全，这是通过监测各种物理参数、评估结构的状态和性能以及指导日常检查和维修来实现的。在过去的三十年里，来自世界各地的研究人员投入了大量的时间和精力来开发用于shm研究领域的新型传感技术。随着光学和计算机科学的重大进步，基于视觉的传感和监测技术因其作为非接触式、长距离和多点测量的优势而在shm领域获得了普及。
3.摄影测量是一种使用照片或数字图像来提取结构的几何形状、位移和变形的测量方法。在1980年代，peters和ranson率先使用摄影测量法来检测结构变形过程中的应力和应变。尽管对基于视觉的shm研究仍处于早期阶段，但已经进行了重大尝试，以从基于视觉的数据中识别结构状态的定量指标。迄今为止，摄影测量已被应用于多个领域，包括结构位移测量、应变/应力监测、振动响应监测、模态特性识别、模型更新、损伤检测。动态响应测量和结构模态特性(固有频率、阻尼比和振型)的识别在shm中得到广泛应用。与加速度计和振动计相反，相机可以为模态分析提供空间密集的信息。通过检查高速视频序列，mas等人创造了一种同时多点检测振动频率的技术。yoon等人研究了实验室框架结构上的振动，对比了视觉识别得到的模态参数和加速度计得到的结果。
4.值得注意的是，已经开发了三种类型的摄影测量技术：模板匹配方法、光流法和基于相位的方法。模板匹配方法用于跟踪视频图像序列中目标的运动，通常与亚像素技术结合使用。该方法有两个主要组成部分：模板图像t和源图像i。光流理论解释了图像强度和结构运动是如何相关的，可以使用光流法从图像强度数据中获得结构的全场位移。该方法适用于没有人为安装靶标的情况，并且可以得到结构的全场振型。基于相位的方法用于从图像的相空间中快速恢复位移，与基于光流的系统相比，基于相位的方法通常对噪声和干扰更具弹性。总之，所有三种方法都基于以下基本前提：首先，从视觉数据中提取位移；然后，利用现有技术从位移信号中提取模态参数。
5.在对长期shm进行模态分析时，被监测结构通常仅受到环境激励，导致其振动通常很小，提取的动态响应容易受到测量噪声的影响。事实上，受环境激励影响的结构的位移幅度可以与基于视觉的测量系统的噪声水平一样小。因此，虽然结构的固有频率可以通过傅里叶变换近似评估，但很难通过基于视觉的技术量化振型，因为提取的动态响应通常没有足够的精度。此外，只有准确获得多点的动态响应，才能重建结构的振型。但不幸的是，节点附近或固定边界附近的点的振动非常小，并且被测量噪声所掩盖，使得这些点的振型值不可用。因此，受环境激励的基于视觉的结构模态振型识别的关键问题是提高低水平振动信号的抗噪性和鲁棒性。
6.一个直截了当的想法是调整相机的焦距，使受限视场(fov)聚焦在结构的局部区
域，从而可以更准确地捕获小幅度振动。然而，这意味着单个相机无法监测整个结构的动态响应的完整视场，因此只能获得fov中点的模态振型值。为了解决这一限制，已经进行了研究以开发用于静态和动态位移评估的多视图系统。感兴趣的结构通常被分成许多部分，每个部分覆盖结构的不同区域，然后可以相应地组装整个结构的振型。对于节点附近或固定边界附近的局部区域，承认使用这种方法可以保证fov中某些点的运动精度；然而，同一视图中仍有一些点无法准确提取运动，导致整个结构的振型组装产生不可忽略的误差。
7.最近提出了运动放大方法以进一步提高低振幅振动中的信噪比(snr)。陈等人将基于相位的运动(pme)估计与运动增强技术相结合，以确定实验室规模基准结构的频率和操作偏转模式，包括悬臂梁和管道。杨等人通过将盲源分离与pme和运动增强相结合，开发了一种用于模态分析的无监督学习方法。然而，运动放大技术用于对源视频进行预处理，这需要大量的存储空间，此外，由于技术限制，放大的视频中会出现伪影。随后，提出了一种将高速相机与加速度计相结合的混合识别方法，动态子结构方法被用于提高模态形状的估计精度。然而，若结构不适合安装加速度传感器，这种方法将失去其普遍性。


技术实现要素：

8.针对上述提到的技术问题。本技术的实施例的目的在于提出了一种环境激励下基于视觉的结构振型识别的信号重构方法及装置，来解决以上背景技术部分提到的技术问题。
9.第一方面，本发明提供了一种环境激励下基于视觉的结构振型识别的信号重构方法，包括以下步骤：
10.s1，获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号；
11.s2，将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号；
12.s3，根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；
13.s4，重复步骤s1-s3，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。
14.作为优选，步骤s1之前包括：
15.测量前进行相机标定，确定像素坐标与物理坐标的关系，当图像平面平行于物体表面时，将比例因子法用于相机校准，x轴上的比例因子可以表示如下：
[0016][0017]
其中，d是结构在图像中的像素长度，d是结构的真实长度，z是相机与结构之间的距离，f是相机的焦距。
[0018]
作为优选，源图像中包含若干个感兴趣区域，每个感兴趣区域均包含模板图像。
[0019]
作为优选，步骤s1具体包括：
[0020]
在源图像中确定包含模板图像的感兴趣区域，通过逐个像素地移动模板图像以确定匹配区域，将模板图像与感兴趣区域进行比较，计算模板图像与感兴趣区域之间的频域
互相关，确定模板图像在源图像中的位置，根据模板图像在相邻两帧源图像间的像素差值得到位移信号。
[0021]
作为优选，计算模板图像与感兴趣区域之间的频域互相关，确定模板图像在源图像中的位置，根据模板图像在相邻两帧源图像间的像素差值得到位移信号，具体包括：
[0022]
考虑具有相同维度m
×
n的模板图像i(x,y)和感兴趣区域t(x,y)，将傅里叶变换应用于i(x,y)和t(x,y)，两者之间的互相关表示为：
[0023][0024]
其中，δx和δy是x和y方向的坐标偏移，p(u,v)是所述模板图像的离散傅里叶变换(dft)，p(u,v)是所述模板图像的离散傅里叶变换，q(u,v)是所述源图像的离散傅里叶变换，*表示复共轭；u和v分别表示图像经过傅里叶变换之后在频域内的横坐标和纵坐标；x'表示图像偏移δx之后在空间域内的横坐标；y'表示图像偏移δy之后在空间域内的纵坐标；m为模板图像长度，n为模板图像的宽度；
[0025]
通过搜索互相关f
corr
的峰值估计感兴趣区域中模板图像的像素级坐标(x
p
,y
p
)，通过矩阵乘dft计算感兴趣区域中模板图像的像素级坐标(x
p
,y
p
)周围小邻域的互相关；通过搜索互相关f
corr
的最大值得到感兴趣区域中模板图像的亚像素坐标(x
sp
,y
sp
)；
[0026]
将第一帧源图像作为参考帧，参考帧的亚像素坐标为(x
sp,1
,y
sp,1
)，每一个新帧源图像的感兴趣区域中模板图像的亚像素坐标为(x
sp,i
,y
sp,i
)，则待测结构的感兴趣区域的亚像素级的位移信号表示为：y(t)＝(x
sp,i
,y
sp,i
)-(x
sp,1
,y
sp,1
)。
[0027]
作为优选，步骤s2具体包括：
[0028]
考虑在待测结构的感兴趣区域的某一点提取的亚像素级的位移信号y(t)，其傅里叶变换表示为：
[0029][0030]
其中，fy(ω)是位移信号的频谱，基于上式，提出一个频域算子，定义如下：
[0031][0032]
其中，β表示比例因子，ωm＝2πfm是结构的第m个角频率，δω是半带宽；
[0033]
随后，重建位移的时程通过使用傅里叶逆变换生成如下方程：
[0034][0035]
其中，是重建后的位移信号通过对重建的位移施加中心差分，得到重建后的加速度信号，表示为：
[0036][0037]
其中，重建后的加速度信号是δt是时域中对应的时间间隔，当将傅里叶变换应用于时，得到：
[0038][0039]
作为优选，步骤s3具体包括：
[0040]
在离散时域中，n自由度、线性和时不变动力系统的动力学用状态空间方程描述如下：
[0041]
p(k+1)＝adp(k)+bdu(k)；
[0042]
q(k)＝cdp(k)+ddu(k)；
[0043]
其中，k表示第k个离散时间步，和分别是状态矩阵、输入矩阵、输出矩阵和传输矩阵，其中状态矩阵、输入矩阵和传输矩阵与结构的质量刚度和阻尼有关的已知量；分别是2n维输入向量、m维输出向量、l维激励向量；l表示输入的数量，m表示输出的数量，2n表示状态矩阵阶数；将环境激励作为输入向量p(k)，重建后的加速度信号作为输出向量q(k)，得到输出矩阵cd；
[0044]
当输出向量q(k)被指定为脉冲响应时，形成以下的hankel矩阵：
[0045][0046]
其中，α＝1,2,3
…
,β＝1,2,3
…
，hankel矩阵中的每一个元素均为m
×
n维矩阵，因此hankel矩阵的阶数为αm
×
βn；
[0047]
通过两个具有相同时间步长的hankel矩阵得到相似矩阵计算如下：
[0048][0049]
其中，v
k-1
、u
k-1
和γ
k-1
满足hankel矩阵的奇异值分解，即：
[0050][0051]
相似矩阵的特征值分解可用于计算固有频率，如下所示：
[0052][0053][0054]
其中，λd是对角矩阵，λd是的特征值矩阵，ψ为特征向量矩阵，分别表示第n阶的角频率及其复共轭，使用以下等式获得待测结构的第m个固有频率fm：
[0055][0056]
其中，采样频率为fs，通过固有频率得到特征值矩阵，根据特征值矩阵计算得到特征向量矩阵ψ；
[0057]
利用以下等式生成感兴趣区域的振型：
[0058]
φ＝cdψ。
[0059]
第二方面，本发明提供了一种环境激励下基于视觉的结构振型识别的信号重构装置，包括：
[0060]
位移信号提取模块，被配置为获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号；
[0061]
信号重构模块，被配置为将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号；
[0062]
局部振型确定模块，被配置为根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；
[0063]
拼接模块，被配置为重复执行位移信号提取模块至局部振型确定模块，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。
[0064]
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
[0065]
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0066]
相比于现有技术，本发明具有以下有益效果：
[0067]
(1)本发明提出的环境激励下基于视觉的结构振型识别的信号重构方法可以实现环境激励下的动态响应提取和模态振型识别，在不放大原始视频的情况下，直接对对信号进行处理，使模态识别更加高效，具有操作时间短和存储空间需求适中的优点。
[0068]
(2)本发明提出的环境激励下基于视觉的结构振型识别的信号重构方法保证了低水平振动信号的抗噪性和鲁棒性，重建后的加速度信号为基于嘈杂的高速相机数据的高频模态识别提供了显著的优势。信号重建方法有可能发展为环境激励下的模态振型识别方法，因此在全场shm中具有广阔的应用前景。
[0069]
(3)本发明提出的环境激励下基于视觉的结构振型识别的信号重构方法即使振动幅度小至0.01mm，可以识别前两阶固有频率和模态振型，而传统的基于视觉的方法只能识别振动幅度大于0.06mm的模态参数，并且在考虑了包括不同焦距和物距在内的四种相机设置的实验测试中表现良好，表明该方法具有在各种条件下应用的巨大潜力。
附图说明
[0070]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0071]
图1是本技术的一个实施例可以应用于其中的示例性装置架构图；
[0072]
图2为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的流程示意图；
[0073]
图3为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的实验装置图，其中，(a)为整体实验场景的视图；(b)为相机和三脚架的放大侧视图；(c)为悬臂钢梁的详细视图；(d)为靶标和加速度计的详细视图；
[0074]
图4为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的加速度计测量的时程图；其中，(a)为点3的加速度信号时域图；(b)为点3的频域图；
[0075]
图5为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的加速度数据的振型；其中，(a)为一阶振型；(b)为二阶振型；
[0076]
图6为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的感兴趣区域的示意图；
[0077]
图7为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的基于相机的测量方法获得的点3的振动信号；其中，(a)为位移信号；(b)为相应的功率谱密度；
[0078]
图8为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的基于相机的测量方法获得的点2的振动信号：(a)为第2点位移25秒的时间历程；(b)为前4s点2位移的时间历程；
[0079]
图9为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的点2位移信号的频域图；
[0080]
图10为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法点2的位移和不同激励幅度的相应频谱；
[0081]
图11为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的在点2处直接计算和重建的加速度的时间历程；其中，(a)为直接计算的加速度；(b)为重构加速度；
[0082]
图12为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的直接求导和重建加速度的频谱图比较结果图；
[0083]
图13为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的不同动态响应中提取的模态振型与不同激励输出电压的比较结果；
[0084]
图14为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的各种相机参数设置的视频中第2点的roi示意图；
[0085]
图15为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构方法的不同相机参数下从不同动态响应中提取的模态振型比较；
[0086]
图16为本技术的实施例的环境激励下基于视觉的结构振型识别的信号重构装置的示意图；
[0087]
图17是适于用来实现本技术实施例的电子设备的计算机装置的结构示意图。
具体实施方式
[0088]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进
一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0089]
图1示出了可以应用本技术实施例的环境激励下基于视觉的结构振型识别的信号重构方法或环境激励下基于视觉的结构振型识别的信号重构装置的示例性装置架构100。
[0090]
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0091]
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
[0092]
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0093]
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
[0094]
需要说明的是，本技术实施例所提供的环境激励下基于视觉的结构振型识别的信号重构方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，环境激励下基于视觉的结构振型识别的信号重构装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
[0095]
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
[0096]
图2示出了本技术的实施例提供的一种环境激励下基于视觉的结构振型识别的信号重构方法，包括以下步骤：
[0097]
s1，获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号。
[0098]
具体的，模板匹配方法具有很高的稳定性和抗噪性，当待测结构的振动幅度很小时，通常需要更高的分辨率，但是最佳策略是在模板匹配方法中加入亚像素技术以提高测量精度，因此基于亚像素级模板匹配方法是振动过程中位移信号提取的关键先决条件。
[0099]
在具体的实施例中，步骤s1之前包括：
[0100]
测量前进行相机标定，确定像素坐标与物理坐标的关系，当图像平面平行于物体表面时，将比例因子法用于相机校准，x轴上的比例因子可以表示如下：
[0101][0102]
其中，d是结构在图像中的像素长度，d是结构的真实长度，z是相机与结构之间的
距离，f是相机的焦距。
[0103]
在具体的实施例中，源图像中包含若干个感兴趣区域，每个感兴趣区域均包含模板图像。一旦相机校准完成，就可采集源图像，然后可以进行目标跟踪。通过逐个像素地移动模板图像以确定匹配区域，将模板图像与源图像中的感兴趣区域(roi)进行比较。然后可以确定模板图像在源图像中的位置，估计模板匹配方法的相似性有两个标准，即互相关标准和平方差和(ssd)相关标准。前者考虑了计算效率、稳定性和亚像素精度，因此本技术的实施例采用互相关标准用于相似性评估。
[0104]
在实际应用中，当待测结构为低振幅振动时，通常首选分辨率更高的源图像。最佳策略是在模板匹配方法中包含亚像素技术以提高测量精度。本发明选用了guizar的亚像素技术，它包含两个步骤：首先，计算模板图像与源图像之间的频域互相关，生成像素级模板匹配点(x
p
,y
p
)；其次，通过矩阵乘dft计算像素级模板匹配点(x
p
,y
p
)周围小邻域的互相关，根据互相关的最大值确定感兴趣区域中模板图像的亚像素坐标(x
sp
,y
sp
)。
[0105]
在具体的实施例中，步骤s1具体包括：
[0106]
在源图像中确定包含模板图像的感兴趣区域，通过逐个像素地移动模板图像以确定匹配区域，将模板图像与感兴趣区域进行比较，计算模板图像与感兴趣区域之间的频域互相关，确定模板图像在源图像中的位置，根据模板图像在相邻两帧源图像间的像素差值得到位移信号。
[0107]
在具体的实施例中，计算模板图像与感兴趣区域之间的频域互相关，确定模板图像在源图像中的位置，根据模板图像在相邻两帧源图像间的像素差值得到位移信号，具体包括：
[0108]
考虑具有相同维度m
×
n的模板图像i(x,y)和感兴趣区域t(x,y)，将傅里叶变换应用于i(x,y)和t(x,y)，两者之间的互相关表示为：
[0109][0110]
其中，δx和δy是x和y方向的坐标偏移，p(u,v)是所述模板图像的离散傅里叶变换(dft)，p(u,v)是所述模板图像的离散傅里叶变换，q(u,v)是所述源图像的离散傅里叶变换，*表示复共轭；u和v分别表示图像经过傅里叶变换之后在频域内的横坐标和纵坐标；x'表示图像偏移δx之后在空间域内的横坐标；y'表示图像偏移δy之后在空间域内的纵坐标；m为模板图像的长度，n为模板图像的宽度；
[0111]
通过搜索互相关f
corr
的峰值估计感兴趣区域中模板图像的像素级坐标(x
p
,y
p
)，通过矩阵乘dft计算感兴趣区域中模板图像的像素级坐标(x
p
,y
p
)周围小邻域的互相关；通过搜索互相关f
corr
的最大值得到感兴趣区域中模板图像的亚像素坐标(x
sp
,y
sp
)；需要注意的是，如果峰值搜索在(1.5κ,1.5κ)邻域内，则亚像素分辨率可以是像素的1/κ，大量研究表明，亚像素精度范围为0.5到0.01像素。
[0112]
将第一帧源图像作为参考帧，参考帧的亚像素坐标为(x
sp,1
,y
sp,1
)，每一个新帧源图像的感兴趣区域中模板图像的亚像素坐标为(x
sp,i
,y
sp,i
)，则待测结构的感兴趣区域的亚
像素级的位移信号表示为：y(t)＝(x
sp,i
,y
sp,i
)-(x
sp,1
,y
sp,1
)。
[0113]
s2，将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号。
[0114]
上述基于亚像素级的图像处理技术可以获得待测结构的感兴趣区域的位移信号，但是通常很难从基于视觉的模板匹配方法提取的不同点的位移信号中识别模态振型。一般有两个原因：
[0115]
(1)从图像中提取位移的分辨率非常有限，以至于位移不够精确，无法通过现有的模态分析方法重建模态振型。亚像素技术被提出作为改进位移解决方案的一种解决方案，上面已经简要介绍过；然而，由于环境激励，提取的动态位移分辨率对于低振幅振动仍然不足。测量噪声和系统噪声污染了图像，进一步增加了重建模态振型的难度。
[0116]
(2)高频分量的位移幅度比低频分量小得多，这使得从位移中提取高阶振型更加困难。为此，本技术的实施例提出了利用信号重建方法来提高低幅度数据的snr的方法。
[0117]
当具有多自由度(mdof)的机械系统受到外力作用时，其平衡运动方程可表示为：
[0118][0119]
其中，f(t)是施加的激励力矢量，m、c和k分别是质量矩阵、阻尼矩阵和刚度矩阵，和y(t)分别是加速度、速度和位移向量。当对加速度和速度应用傅里叶变换时，可以得到：
[0120][0121]
其中，f(
·
)是傅里叶变换，ω是角频率。如上所示，与位移相比，加速度谱的幅度放大了ω2倍。因此，在提取振型时，加速度比位移更可取，特别是对于更高阶的振型。传统上，在模态测试中，加速度可以直接通过加速度计测量；然而，对于基于视觉的技术，只能通过对提取的位移应用中心差分来获得加速度。由于分辨率不足和不可避免的噪声，几乎不可能从通过中心差分直接提取的位移计算出足够准确的加速度。因此，本技术的实施例提出了重建模板匹配方法提取的位移信号，然后可以通过中心差分产生重建后的加速度，可以进一步用于识别前几个模态振型。
[0122]
在具体的实施例中，步骤s2具体包括：
[0123]
考虑在待测结构的感兴趣区域的某一点提取的亚像素级的位移信号y(t)，其傅里叶变换表示为：
[0124][0125]
其中，fy(ω)是位移信号的频谱，基于上式，提出一个频域算子，定义如下：
[0126][0127]
其中，β表示比例因子，ωm＝2πfm是结构的第m个角频率，δω是半带宽；由上式可以看出，频域算子将频率分量保持在固有频率附近，并显著降低其他频率分量，从而保证了
固有频率附近的频率分量占主导地位。
[0128]
随后，重建位移的时程通过使用傅里叶逆变换生成如下方程：
[0129][0130]
其中，是重建后的位移信号通过对重建的位移施加中心差分，得到重建后的加速度信号，表示为：
[0131][0132]
其中，重建后的加速度信号是δt是时域中对应的时间间隔，当将傅里叶变换应用于时，得到：
[0133][0134]
从中可以看出，在重建后的加速度信号中，接近固有频率的频率分量得到了很好的保留，而其他频率分量被抑制了。因此，使用这种方法可以有效地减少原始位移中的噪声，从而进一步准确识别模态振型。
[0135]
s3，根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型。
[0136]
具体的，为适用于受环境激励影响的结构微小振动下的模态参数估计，本技术的实施例提出了采用结合自然激励技术(next)和本征系统实现算法(era)的方法来确定结构的微振动模态。era的本质是利用测量的自由振动数据或系统的脉冲响应函数求解系统的一个极小实现，将该极小实现转化为特征值形式的规范形式，最终提取系统的模态参数。基于模板匹配方法结合亚像素技术提取结构在环境激励下的位移信号，当相机的本底噪声掩盖了振动响应幅值时，利用信号重构方法将原始低幅值位移数据转换为重建后的加速度信号，利用next-era方法和振型拼接技术来识别整个结构的振型，进而实现基于视觉的环境激励下结构振型识别。
[0137]
在具体的实施例中，步骤s3具体包括：
[0138]
在离散时域中，n自由度、线性和时不变动力系统的动力学用状态空间方程描述如下：
[0139]
p(k+1)＝adp(k)+bdu(k)；
[0140]
q(k)＝cdp(k)+ddu(k)；
[0141]
其中，k表示第k个离散时间步，ad∈r
2n
×
2n
、bd∈r
2n
×
l
、cd∈m×
2n
和dd∈rm×
l
分别是状态矩阵、输入矩阵、输出矩阵和传输矩阵，其中状态矩阵、输入矩阵和传输矩阵与结构的质量刚度和阻尼有关的已知量；p(k)∈r
2n
×
l
、q(k)∈rm×
l
和u(k)∈r
l
×1分别是2n维输入向量、m维输出向量、l维激励向量；l表示输入的数量，m表示输出的数量，2n表示状态矩阵阶数；将环境激励作为输入向量p(k)，重建后的加速度信号作为输出向量q(k)，得到输出矩阵cd；
[0142]
当输出向量q(k)被指定为脉冲响应时，形成以下的hankel矩阵：
[0143][0144]
其中，α＝1,2,3
…
,β＝1,2,3
…
，hankel矩阵中的每一个元素均为m
×
n维矩阵，因此hankel矩阵的阶数为αm
×
βn；
[0145]
通过两个具有相同时间步长的hankel矩阵得到相似矩阵计算如下：
[0146][0147]
其中，v
k-1
、u
k-1
和γ
k-1
满足hankel矩阵的奇异值分解，即：
[0148][0149]
相似矩阵的特征值分解可用于计算固有频率，如下所示：
[0150][0151][0152]
其中，λd是对角矩阵，λd是的特征值矩阵，ψ为特征向量矩阵，分别表示第n阶的角频率及其复共轭，使用以下等式获得待测结构的第m个固有频率fm：
[0153][0154]
其中，采样频率为fs，通过固有频率得到特征值矩阵，根据特征值矩阵计算得到特征向量矩阵ψ；
[0155]
利用以下等式生成感兴趣区域的振型：
[0156]
φ＝cdψ。
[0157]
需要注意的是，脉冲响应用于生成hankel矩阵方程，如果输入向量是环境激励，则应将响应转换为脉冲响应。
[0158]
s4，重复步骤s1-s3，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。
[0159]
具体的，通过步骤s1-s3识别得到每个感兴趣区域的振型，当相机的视场fov有限时，待测结构的源图像通常被分成许多部分，每个部分覆盖待测结构的不同区域，然后可以相应地组装整个结构的振型，将其作为信号重构后的最终识别结果。
[0160]
本发明提出了一种环境激励下基于视觉的结构振型识别的信号重构方法来识别受低幅度环境激励影响的结构的模式振型识别，该方法通常包含三个步骤。首先，采用模板匹配方法结合亚像素方法通过视频中的一系列源图像提取结构上不同点的位移。然后，设计了一种频域算子，使频率分量保持在固有频率附近，并显著降低其他频率分量，将其应用于提取的动态位移来重构位移信号，并据此通过中心差分得到对应的加速度信号。最后，采用next-era方法和振型拼接技术来识别整个结构的振型。该方法可以用于微振动下结构的动态响应提取和模态振型识别，并且具有强大的鲁棒性以抵抗噪声干扰，初步研究结果表明，信号重建方法有可能发展为环境激励下的模态振型识别方法，因此在全场shm中具有广阔的应用前景。
[0161]
为验证本发明提出的环境激励下基于视觉的结构振型识别的信号重构方法的可行性，在实验室选择尺寸为2mm
×
20mm
×
1000mm的钢悬臂梁测量振动响应进行验证。梁上安装了五个靶标进行视觉测量，并且在梁上的相同位置安装了五个加速度计，因此可以参考直接使用加速度的传统模态分析方法。在梁的固定端附近安装了一个激振器，并设置随机激励来模拟环境激励。摄像机安装在三脚架上，并采用led光源模拟环境照明，由此产生的振动由相机和加速度计监测。特别是，视频以每秒50帧的速度由摄像机录制，分辨率为2448
×
2048。加速度的采样频率为50hz，视频和加速的持续时间均为25秒。图3(a)显示了整个实验装置，图3(b)至3(d)分别显示了相机、悬臂钢梁、靶标和加速度计的放大视图。
[0162]
设计了两个系列的测试：对于第一个系列，在随机激励的输出电压从300mv增加到1500mv的情况下，保持35mm的焦距和160cm的物距，目的是研究所提出的方法由于环境激励而产生不同振幅振动的结构的振型在重建方面的性能。对于第二个系列，随机激励的输出电压保持在1500mv，焦距从12mm变化到35mm，物距从100cm变化到200cm，目的是研究具有不同相机设置的所提出方法的可行性。
[0163]
由于采用直接测量加速度的传统模态分析已经很好地建立起来，因此模态分析首先使用加速度测量来生成参考。图4(a)显示了点3处加速度的时程，图2(b)显示了相应的频谱，其中两个峰值为1.38hz和9.42hz，表明可以清楚地看到前两阶固有频率。next-era确定的前两阶振型如图5所示，在本技术中被视为参考。
[0164]
在测试中，在位移提取之前选择了点3的roi，如图6所示。帧中的目标长度为22mm，对应于118个像素，因此sf＝0.01864mm/像素。然后使用模板匹配测量技术提取像素位移的时程。随机激励输出电压为900mv时点3的位移时程如图7所示，从图7(a)中可以看出位移幅度接近0.2个像素，相应的频谱如图7(b)所示，1.41hz和9.39hz处的两个峰值表示前两阶自然频率，与图4(b)中的峰值吻合良好。
[0165]
作为对比，第2点的位移如图8所示，其中图8(a)显示了25s的持续时间，图8(b)显示了4s的持续时间。总体上，幅度大约为0.1像素，几乎是点3的一半，因为点2更接近固定端。从图8(b)可以看出，位移曲线呈锯齿状，说明位移分辨率较差。如图9所示，对点2的小幅度位移的频率分析揭示了一个主频率，即9.39hz(第二阶固有频率)。然而，除了对应于基本固有频率的峰值外，还有其他两个峰值是由噪声引起的。振动响应被相机噪声所掩盖，信号呈锯齿状，信噪比相对较差，因此，识别模态振型更具挑战性。
[0166]
图10显示了第一个系列测试的点2的位移和相应的频谱，其中选择了5个激励输出电压值，300、600、900、1200和1500，焦距和物距保持在35毫米和160厘米。正如预期的那样，当激励功率增加时，位移幅度增加，提取的位移的信噪比也相应增加。因此，几乎不可能在小幅度位移上应用中心差分来计算加速度。
[0167]
由于可以通过从频谱中拾取峰值来获得固有频率，因此可以使用所提出的频域算子来重建位移和加速度。以激励输出电压为600mv的点2处的位移为例，对原始位移和重构位移施加中心差分得到的加速度对比，如图11所示。观察到前者具有明显的锯齿状图案，且幅度极高，表明数值误差较大，而后者看起来更合理。图12表示图11中所示的两个加速度的频谱。可以观察到，重建加速度的snr高于直接计算的加速度，因为接近固有频率的频率分量保持良好，而其他频率分量则显著减少。
[0168]
随后，使用next-era方法评估模态振型。由于相机的视场有限，采用了振型组装方
法。在这项研究中，五个点被分为四组，每组两个点。图13比较了使用模板匹配法提取的原始位移、中心差分直接计算加速度和所提方法重建的加速度所识别的模态振型。观察到使用原始位移时，只有激发输出电压在1200mv以上才能识别振型，而激发输出电压在300～900mv之间则不能识别。当使用直接计算的加速度时，无论激励的输出电压如何，都无法识别振型，这再次证明了通过模板匹配方法提取的原始位移直接应用中心差分得到的加速度不够准确。最后，当使用本发明中提出的方法重建的加速度时，即使激励的输出电压低至300mv(对应于0.01mm的位移幅度)，也可以准确评估前两种模态振型。
[0169]
此外，频率的相对误差和模态置信度(mac)值用于定量评估所提出方法的性能。传统方法得到的参考频率fr与本发明方法识别的固有频率f之间的相对误差定义如下：
[0170][0171]
mac值定义为使用直接测量加速度的传统方法识别的模态振型与使用重构加速度的非接触方法识别的模态振型之间的相似性，表示为：
[0172][0173]
其中，x是测量点的位置，φr是参考振型，φ是通过本发明所提出的方法识别的振型。mac值接近1表示相似度高，因此识别出的振型准确，而接近0表示相似度低，识别出的振型可能是错误的。
[0174]
表1.信号重构方法识别的固有频率和振型的相对误差和mac值
[0175][0176]
表1显示了通过所提出的方法识别的频率和模态振型的相对误差和mac值。相对误差一般小于1％，最大相对误差为2.9％，表明频率可以准确评估。mac值均大于0.95，表明该方法在提取因环境激励引起的小幅振动结构的振型时表现良好。
[0177]
相机设置也会影响测量结果，此处探讨焦距和物距对测量结果的影响。考虑了四种情况，包括f＝12mm，u＝100cm，f＝12mm，u＝160cm，f＝12mm，u＝200cm和f＝35mm，u＝200cm。其他条件不变：分辨率为2448
×
2048，帧率为每秒50帧，光圈为2.8，激励输出电压为1500mv。当相机的焦距和物距发生变化时，图像中目标占据的像素点和图像中的位移幅值也随之发生变化。图14显示了具有不同相机设置的图像中点2的roi。
[0178]
表2.不同相机参数下不同点的测量结果
[0179][0180][0181]
表2总结了通过模板匹配方法提取的位移幅度和通过从频谱中拾取峰值的频率。例如，焦距为12mm，物距为160cm，点2、3、4、5的位移幅值分别为0.01、0.03、0.04和0.07。其中，点1处的位移幅度为零，因为它位于固定端。正如预期的那样，点5的幅度最大和点1的幅度最小。可以发现，不能通过从点2和点3的位移谱中拾取峰值来识别频率，主要原因是位移幅度非常小，分辨率非常有限。特别是高阶频率更容易受到噪声的影响，因此难以识别高阶频率。此外，当物距不变时，焦距越大，同一点的位移振动幅度越大；当焦距不变时，物距越短，同一点的位移幅度越大。因此，可以通过减小物距和延长焦距来提高视觉测量的准确性。
[0182]
不同相机设置下从不同动态响应中提取的振型如图15所示。当使用模板匹配方法提取的原始位移时，如果f＝12mm，u＝100cm，f＝35mm，u＝200cm，则可以识别模态振型。当采用通过中心差分从原始位移计算的加速度时，这四种相机设置都无法获得模态振型。当使用所提出的方法重建的加速度时，可以为所有相机设置识别前两阶模态振型，验证了所提出的方法可以在各种相机设置下表现良好。此外，表3显示了识别的自然频率和模态振型的相对误差和mac值。可以看出，最大相对误差为3.6％，mac值均大于0.95，验证了所提出的方法在识别各种相机设置下具有低振幅振动的结构的固有频率和振型方面表现良好。
[0183]
表3.视频的模态参数识别结果与具有不同相机参数的加速度传感器的参考结果进行比较
[0184][0185]
进一步参考图16，作为对上述各图所示方法的实现，本技术提供了一种环境激励下基于视觉的结构振型识别的信号重构装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0186]
本技术实施例提供了一种环境激励下基于视觉的结构振型识别的信号重构装置，包括：
[0187]
位移信号提取模块1，被配置为获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号；
[0188]
信号重构模块2，被配置为将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号；
[0189]
局部振型确定模块3，被配置为根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；
[0190]
拼接模块4，被配置为重复执行位移信号提取模块至局部振型确定模块，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。
[0191]
下面参考图17，其示出了适于用来实现本技术实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置1700的结构示意图。图17示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0192]
如图17所示，计算机装置1700包括中央处理单元(cpu)1701和图形处理器(gpu)1702，其可以根据存储在只读存储器(rom)1703中的程序或者从存储部分1709加载到随机访问存储器(ram)1704中的程序而执行各种适当的动作和处理。在ram 1704中，还存储有装置1700操作所需的各种程序和数据。cpu 1701、gpu1702、rom 1703以及ram 1704通过总线1705彼此相连。输入/输出(i/o)接口1706也连接至总线1705。
[0193]
以下部件连接至i/o接口1706：包括键盘、鼠标等的输入部分1707；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分1708；包括硬盘等的存储部分1709；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1710。通信部分1710经由诸如因特网的网络执行通信处理。驱动器1711也可以根据需要连接至i/o接口1706。可拆卸介质1712，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1711上，以便于从其上读出的计算机程序根据需要被安装入存储部分1709。
[0194]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1710从网络上被下载和安装，和/或从可拆卸介质
1712被安装。在该计算机程序被中央处理单元(cpu)1701和图形处理器(gpu)1702执行时，执行本技术的方法中限定的上述功能。
[0195]
需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0196]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0197]
附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0198]
描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
[0199]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合
亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号；将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号；根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；重复以上步骤，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。
[0200]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，包括以下步骤：s1，获取待测结构的源图像，根据若干帧所述源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取所述待测结构的感兴趣区域的位移信号；s2，将所述位移信号进行重构，得到重构后的位移信号，根据所述重构后的位移信号得到重建后的加速度信号；s3，根据所述加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；s4，重复步骤s1-s3，得到所述待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到所述待测结构的振型。2.根据权利要求1所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述步骤s1之前包括：测量前进行相机标定，确定像素坐标与物理坐标的关系，当图像平面平行于物体表面时，将比例因子法用于相机校准，x轴上的比例因子可以表示如下：其中，d是结构在图像中的像素长度，d是结构的真实长度，z是相机与结构之间的距离，f是相机的焦距。3.根据权利要求1所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述源图像中包含若干个感兴趣区域，每个感兴趣区域均包含模板图像。4.根据权利要求1所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述步骤s1具体包括：在所述源图像中确定包含模板图像的感兴趣区域，通过逐个像素地移动所述模板图像以确定匹配区域，将所述模板图像与所述感兴趣区域进行比较，计算模板图像与所述感兴趣区域之间的频域互相关，确定所述模板图像在所述源图像中的位置，根据所述模板图像在相邻两帧源图像间的像素差值得到位移信号。5.根据权利要求4所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述计算模板图像与所述感兴趣区域之间的频域互相关，确定所述模板图像在所述源图像中的位置，根据所述模板图像在相邻两帧源图像间的像素差值得到位移信号，具体包括：考虑具有相同维度m
×
n的模板图像i(x,y)和感兴趣区域t(x,y)，将傅里叶变换应用于i(x,y)和t(x,y)，两者之间的互相关表示为：其中，δx和δy是x和y方向的坐标偏移，p(u,v)是所述模板图像的离散傅里叶变换，q
(u,v)是所述源图像的离散傅里叶变换，*表示复共轭；u和v分别表示图像经过傅里叶变换之后在频域内的横坐标和纵坐标；x'表示图像偏移δx之后在空间域内的横坐标；y'表示图像偏移δy之后在空间域内的纵坐标；m为模板图像的长度，n为模板图像的宽度；通过搜索互相关f
corr
的峰值估计所述感兴趣区域中所述模板图像的像素级坐标(x
p
,y
p
)，通过矩阵乘dft计算所述感兴趣区域中所述模板图像的像素级坐标(x
p
,y
p
)周围小邻域的互相关；通过搜索互相关f
corr
的最大值得到所述感兴趣区域中所述模板图像的亚像素坐标(x
sp
,y
sp
)；将第一帧源图像作为参考帧，所述参考帧的亚像素坐标为(x
sp,1
,y
sp,1
)，每一个新帧源图像的所述感兴趣区域中所述模板图像的亚像素坐标为(x
sp,i
,y
sp,i
)，则所述待测结构的感兴趣区域的亚像素级的位移信号表示为：y(t)＝(x
sp,i
,y
sp,i
)-(x
sp,1
,y
sp,1
)。6.根据权利要求1所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述步骤s2具体包括：考虑在所述待测结构的感兴趣区域的某一点提取的亚像素级的位移信号y(t)，其傅里叶变换表示为：其中，f
y
(ω)是位移信号的频谱，基于上式，提出一个频域算子，定义如下：其中，β表示比例因子，ω
m
＝2πf
m
是结构的第m个角频率，δω是半带宽；随后，重建位移的时程通过使用傅里叶逆变换生成如下方程：其中，是重建后的位移信号通过对重建的位移施加中心差分，得到重建后的加速度信号，表示为：其中，重建后的加速度信号是δt是时域中对应的时间间隔，当将傅里叶变换应用于时，得到：7.根据权利要求1所述的环境激励下基于视觉的结构振型识别的信号重构方法，其特征在于，所述步骤s3具体包括：在离散时域中，n自由度、线性和时不变动力系统的动力学用状态空间方程描述如下：
p(k+1)＝a
d
p(k)+b
d
u(k)；q(k)＝c
d
p(k)+d
d
u(k)；其中，k表示第k个离散时间步，和分别是状态矩阵、输入矩阵、输出矩阵和传输矩阵，其中所述状态矩阵、输入矩阵和传输矩阵与结构的质量刚度和阻尼有关的已知量；和分别是2n维输入向量、m维输出向量、l维激励向量；l表示输入的数量，m表示输出的数量，2n表示状态矩阵阶数；将环境激励作为所述输入向量p(k)，所述重建后的加速度信号作为所述输出向量q(k)，得到输出矩阵c
d
；当所述输出向量q(k)被指定为脉冲响应时，形成以下的hankel矩阵：其中，α＝1,2,3
…
,β＝1,2,3
…
，hankel矩阵中的每一个元素均为m
×
n维矩阵，因此hankel矩阵的阶数为αm
×
βn；通过两个具有相同时间步长的hankel矩阵得到相似矩阵计算如下：其中，v
k-1
、u
k-1
和γ
k-1
满足hankel矩阵的奇异值分解，即：相似矩阵的特征值分解可用于计算固有频率，如下所示：的特征值分解可用于计算固有频率，如下所示：其中，λ
d
是对角矩阵，λ
d
是的特征值矩阵，ψ为特征向量矩阵，ω
d,n
,分别表示第n阶的角频率及其复共轭，使用以下等式获得所述待测结构的第m个固有频率f
m
：其中，采样频率为f
s
，通过固有频率得到所述特征值矩阵，根据所述特征值矩阵计算得到特征向量矩阵ψ；利用以下等式生成所述感兴趣区域的振型：φ＝c
d
ψ。8.一种环境激励下基于视觉的结构振型识别的信号重构装置，其特征在于，包括：位移信号提取模块，被配置为获取待测结构的源图像，根据若干帧所述源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取所述待测结构的感兴趣区域的位移信号；信号重构模块，被配置为将所述位移信号进行重构，得到重构后的位移信号，根据所述重构后的位移信号得到重建后的加速度信号；局部振型确定模块，被配置为根据所述加速度信号采用结合本征系统实现算法的自然
激励技术得到感兴趣区域的振型；拼接模块，被配置为重复执行位移信号提取模块至局部振型确定模块，得到所述待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到所述待测结构的振型。9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

技术总结
本发明公开了一种环境激励下基于视觉的结构振型识别的信号重构方法及装置，通过获取待测结构的源图像，根据若干帧源图像的感兴趣区域通过结合亚像素技术的模板匹配法提取待测结构的感兴趣区域的位移信号；将位移信号进行重构，得到重构后的位移信号，根据重构后的位移信号得到重建后的加速度信号；根据加速度信号采用结合本征系统实现算法的自然激励技术得到感兴趣区域的振型；重复以上步骤，得到待测结构中的源图像中所有感兴趣区域的振型，并进行拼接得到待测结构的振型。该方法保证了低水平振动信号的抗噪性和鲁棒性，重建后的加速度信号为基于嘈杂的高速相机数据的高频模态识别提供了显著的优势，在全场SHM中具有广阔的应用前景。阔的应用前景。阔的应用前景。


技术研发人员：张尧 阮旭芝 陈志为
受保护的技术使用者：厦门大学
技术研发日：2022.11.29
技术公布日：2023/8/16