基于SURF-PROSAC法的高铁桥梁位移测量技术研究.pdf

第2 0 卷第9 期2023年9月D0I:10.19713/ki.43-1423/u.T20222039铁道科学与工程学报Journal of Railway Science and Engineering基于SURF-PROSAC法的高铁桥梁位移测量技术研究Volume 20Number 9September2023杜文康，雷冬，杭宗庆，白鹏翔，朱飞鹏(河海大学力学与材料学院，江苏南京2 1110 0)摘要：快速、便捷、有效的结构变形监测技术是保障高铁桥梁运营安全的重要手段。目前，桥梁变形监测大多采用接触式传感器，如加速度传感器、应变计以及位移计等设备。这些设备通常需要固定在表面或埋入结构内部，由于施工难度大、系统造价高、后期维护较为繁琐，难以广泛应用于数量大且封闭性高的高铁桥梁。为此，提出一种基于机器视觉的高铁桥梁位移测量技术，将 SURF(Speeded Up Robust Features)特征检测方法与FLANN-PROSAC(Fast Library for ApproximateNearestNeighbors-Progressive Sampling Consensus)匹配算法相结合。利用智能手机采集结构变形视频，实现了结构位移的快速测量。在实验室内，通过对汉字标记进行识别，探索了视觉方法在光照变化、雾气条件、物体遮挡等多种工况下的适应性。模型试验结果表明：在光照变化条件下，特征点数量会随着光照强度的降低而减少；而在物体遮挡和雾气条件下，特征点数量则会由于遮挡面积和雾气浓度的改变而出现波动变化。同时，机器视觉方法的测量结果能够较好地与位移计结果相吻合，最大偏差率少于5%。在现场实验中，进一步验证了机器视觉方法在不同表面特征(稳固标记和随机标记)识别中的稳定性，清晰测量出高铁桥梁在运营过程中的结构关键位置的位移变化趋势。此外，基于智能手机的测量系统具有良好的便携性，能够适应跨越道路、河道等多类型测量环境。研究成果可实现结构动态位移的非接触式测量，为高铁桥梁定期管养检测、长期性变形监测提供新的解决思路。关键词：高铁桥梁；机器视觉；特征检测；位移测量中图分类号：U238文章编号：16 7 2-7 0 2 9（2 0 2 3）0 9-357 9-13文献标志码：ADeformation measurement technology of high-speed railway bridge based onSURF-PROSAC methodDU Wenkang,LEI Dong,HANG Zongqing,BAI Pengxiang,ZHU Feipeng(College of Mechanics and Materials,Hohai University,Nanjing 211100,China)Abstract:Fast,convenient and effective structural deformation monitoring technology is an important means toensure the operational safety of high-speed rail bridges.At present,contact sensors such as acceleration,straingages and displacement meters were widely used for bridge deformation monitoring.These devices usually needto be fixed on the surface or buried inside the structure,which are difficult to be applied high-speed rail bridgeswith a large number and high closure due to complex construction,high cost and cumbersome maintenance.收稿日期：2 0 2 2-10-2 7基金项目：国家自然科学基金资助项目(12 17 2 12 0)通信作者：雷冬(197 8 一)，男，江西樟树人，教授，博士，从事结构健康监测与损伤测量研究；E-mail：l e i d o n g h h u.e d u.c n3580Therefore,a machine vision-based displacement measurement technique for high-speed railway bridges wasproposed,which combined the SURF(Speeded Up Robust Features)feature detection method with the FLANN-PROSAC(Fast Library for Approximate Nearest Neighbors-Progressive Sampling Consensus)matchingalgorithm.The structural deformation videos were captured by the smartphone to realize the rapid measurementof structural displacement.In the laboratory,the adaptability of the vision method was explored corresponding tovarious conditions such as light changes,fog conditions,and object cover by recognizing Chinese charactertargets.According to the model experimental results,the number of feature points decreases with the decline oflight intensity under light change conditions,while the number of feature points fluctuates due to changes incoverage area and fog concentration under object cover and fog conditions.Meanwhile,the measurement resultsof the machine vision method can better match the displacement meter with a maximum deviation rate of lessthan 5%.In the field experiments,the stability of the machine vision method in the identification of differentsurface features(steady targets and random targets)is further verified,which obtains the displacement trend atkey locations of the structure clearly during the operation of the high-speed rail bridge.Moreover,the smartphone-based measurement system has good portability,which can adapt to multiple measurement environmentssuch as crossing roads and rivers.The achievements can realize the non-contact measurement of structuraldynamic displacement and provide a new solution for the regular maintenance inspection and long-termdeformation monitoring of high-speed railway bridges.Key words:high-speed railway bridges;machine vision;feature detection;deformation measurement铁道科学与工程学报2023年9月高速铁路是中国国民经济发展的重要支撑和综合立体交通网构建的重要保障。截止2 0 2 1年末，中国高铁运营里程达4万km，超过世界高铁里程三分之二，位居世界第一I。在加快高速铁路建设和贯彻节约土地基本国策的双重背景下，高速铁路建设大量采用了“以桥代路”的建设方式，桥梁结构占总线路比近6 0%，部分线路超过90%，高铁桥梁成为高速铁路建设的重要组成部分。同时，由于我国幅员辽阔，地理及气候环境复杂多变，高速铁路各类桥梁中不可避免地产生桥墩沉降、冻胀变形、徐变上拱等多种结构附加变形2，并在长期发展过程中影响高铁运行的稳定性和平顺性，进而影响高铁整体运营安全3。因此，加强结构在运营状态下的健康监测是提升铁路运营安全水平的重要保障手段4。目前，行业内大多采用接触式传感器监测系统，融合光纤通信5、无线传输、BIM模型7 等多种技术，此类系统通常配备在大跨度、结构类型复杂的大型桥梁，系统造价高昂（成百上千万)，安装维护较为繁琐，难以推广应用于数量庞大的高速铁路简支梁、连续梁桥。此外，考虑到高速铁路的封闭性，用于定期检测的“天窗时间”也较为有限，非接触式测量更适合于高铁桥梁日常检测和长期监测。非接触式测量主要包括2 类，一是间接非接触式测量，通过激光8、雷达9、声波10 等信号发射设备检测结构损伤及动态响应，但设备造价较为昂贵，难以实现长期性监测；二是基于机器视觉方法的直接非接触式测量，成本低、精度高、安装简单，既能实现结构表面损伤检测，又能开展结构长期性变形监测，因而应用潜力巨大。针对结构表观损伤检测，姜会增 利用二值化和图像分割方法构建了一套稳定的裂缝检测方法和系统，实现了裂缝的自动化检测；张晶晶等12 提出针对桥梁裂缝检测的一种多尺度图像渗透模型，实现了裂缝长度、宽度、面积等参数信息的提取；姚宗伟等13引入卷积神经网络方法，建立了铁路钢轨表面形态分类器，实现了轨道表面损伤病害的自动提取和分类。针对长期性监测，DU等14利用数字图像相关和数字图像处理方法对斜拉索表面特征进行提取，详细比较了不同机器视觉方法的精度和稳定性，实现了斜拉索索力的非接触测量与评估；XU等15利用特征点检测方法对一座人行钢架桥表面随机特征进行识第9 期别，进一步分析了结构在不同行人荷载下的动态位移及振动特性变化特点；DONG等16 利用边缘检测和模板匹配方法对一座人行斜拉桥的开展位移测量，实现了斜拉索振动和桥面位移的同步测量。然而，现有的基于机器视觉的结构位移测量方法大多应用于斜拉索、悬索桥、钢构桥等位移变形较大结构，较少应用于简支板梁桥、连续梁桥等变形较小的结构，且并未考虑光照变化、物体遮挡等多种复杂工况。有鉴于此，本文提出一种结合 SURF(Speeded Up Robust Features)检 测 和FLANN-PROSAC(Fast Library for ApproximateNearest Neighbors-Progressive Sampling Consensus)匹配的特征识别及位移测量方法，充分发挥SURF检测方法良好的特征检测特性和快速计算性能，SURF视频采集1.1基于SURF结构表面特征检测SURF特征检测算法17 是尺度不变特征变换算法(SIFT,Scale-Invariant Feature Transform)的改进版，继承了SIFT算法多种优点包括旋转、尺度缩放、亮度变化的适应性，一定程度上减少了角度变化、仿射变换和噪声的影响，同时其计算速度相较于SIFT算法大幅提升，且在多幅图像计算时具有更好的稳定性。SURF特征检测方法主要包括Hessian矩阵与尺度空间构建、特征点确定与定位和特征点描述与生成3个方面内容。Hessian矩阵为一个2 阶偏导数组成的方块矩阵，描述了函数的局部曲率，是SURF算法的核心步骤。针对待处理的图像f(x,y)，其Hessian矩阵为：H(f(x,y)=axoyay2考虑到图像中可能存在噪声，在构造Hessian矩阵前需要对图像进行高斯滤波，经过滤波处理后的图像为L(x,)，其Hessian矩阵表示为：杜文康，等：基于SURF-PROSAC法的高铁桥梁位移测量技术研究实现结构位移的准确测量。1基于特征匹配的位移测量方法基于特征点匹配的位移测量方法主要包括以下步骤：相机标定、视频采集、特征检测与匹配、位移计算等，如图1所示。为了增强视觉方法的适应性，本文采用了兼具加速特性和鲁棒性的特征(SURF)检测方法，利用FLANN方法对图像中检测和描述的特征进行匹配，同时融合PROSAC算法提升特征匹配的正确率，最后基于标定信息和图像位移计算结果获取桥梁结构在运营状态下的动态位移。FLANNPROSAC特征检测特征匹配相机标定图1特征点匹配方法流程Fig.1 Process of the feature point matching methodH(x,0)=L,(x,0)Ly(x,0)因此，图像滤波后的Hessian的判别式Det(H)如公式(3)所示，当判别式在(x,y)位置处取得局部极值时(极大值或极小值)，(x,J)可以判定为关键点。De(H)=La*L,-L,*,y为了提高图像处理速度，方法采用盒式滤波器代替高斯滤波器。同时为了平衡盒式滤波器近似估计带来的误差，Lxy一般需要乘以加权系数0.9。Det(H)=L*Ly-0.9*(L,)相较于SIFT算法利用降采样方式获取多尺度图像，SURF算法可以保持图像尺寸不变，通过改ax2Oxoyf3581有效提升在不同工况下的特征点识别精度，利用FLANN-PROSAC匹配算法提升特征点匹配精度，坐标提取误匹配剔除位移计算L(x,o)L(x,o)变滤波器窗口建立不同尺度的图像来构建尺度空(1)间。同时，尺度空间被分为4组，每组包括4层，每一层设置与模板尺寸对应的值。基于行列式计算得到不同尺度下的Hessian行列式值，生成Hes-sian行列式图像。在尺度空间构建完成后，利用非极大值抑制(2)(3)(4)3582方法可以初步确定特征点，如图2 所示。即选取相邻3层的行列式图像，对于中间层任意一点，在空间中选取周围2 6(9+8+8)个点进行比较。采用三维线性插值法获取亚像素级的特征点，实现特征点铁道科学与工程学报的精准定位，同时筛选去除小于一定阈值的点，通过极大值抑制使得图像特征最强点被检测出来。2023年9月相邻尺度空间当前尺度空间相邻尺度空间Scale图2 非极大值抑制方法确定特征点Fig.2 Non-maximum suppression method to determine feature points最终，为了更好地描述桥梁结构表面检测出的特征，同时保证特征点的旋转不变性，需要为检测出的特征点分配一个主方向(灰度变化剧烈的区域方向)，即以特征点为中心，确定以6 c为半径的圆形区域，对图像进行Haar小波运算，通过Haar特征值反应灰度变化情况。同时，基于图像计算出的Haar小波响应值，对x和y方向的特征矢量进行统计，包括水平方向值之和，水平方向绝对值之和，垂直方向值之和以及垂直方向绝对值之和，最终形成能够精细化表示结构表面特征点分布特性的特征描述子。1.2基于FLANN-PROSAC算法的表面特征匹配在基于SURF方法对结构表面特征点完成检测后，利用FLANN-PROSAC组合方法可以对不同图像序列中检测出的特征点进行匹配及筛选。图像序列数据中所包含大量的高维特征，计算过程代价较大，FLANN方法18，即快速最近邻搜索算法库能够较好地解决此类问题。FLANN库中所包含的随机K-d树算法、优先搜索K-means树算法以及层次聚类树算法在特征精度、搜索性能、计算速度等多方面明显优于传统的暴力匹配方法。而在特征点完成初始匹配后，由于复杂环境的变化，仍然会存在一定数量的错误匹配。传统的RANSAC(Random Sample Consensus)算法一般是从给定数据集合中随机选取部分数据用于模型估计，然后使用全部点对对计算结果进行评价，通过往复迭代直到获取错误率(可手动设置)最小的数据。由于该方法采用随机选取数据的方式，并未考虑到数据质量的不同，有时候会出现难以收敛的情况而导致图像对齐或配准失败。因此本文进一步引 入了 PROSAC(Progressive Sampling Consensus)算法，该方法采用半随机方法，对匹配的点对进行质量评价，然后根据点对质量进行降序排列，进一步筛选出高质量点对，有效降低了算法计算时间，尤其在RANSAC无法收敛的情况下，PRO-SAC的半随机选取方式则可以有效收敛，获得准确的特征点匹配结果。1.3丝结构位移计算结构位移计算通常包括2 个部分：图像位移和真实位移。特征点在实现正确匹配后，通过计算初始图像和序列图像中正确匹配点对的特征点坐标差值的均值，可以获得结构的图像位移，进而基于位移标定系数能够获取结构的真实位移。单相机测量可以获取面内水平和竖直2 个方向位移，由于桥梁结构在交通荷载作用下主要产生竖直方向的位移，因此本文主要考虑竖向位移。2(-y/)Y=S,An式中：S为标定系数，y和y以分别为第i张和第1张图像序列中第j个点对的y坐标差值，n为2 张图像中正确匹配的点数。2模模型验证实验2.1模型实验介绍为了验证视觉测量方法的准确性，首先在实验室开展了不同工况条件下的模型实验，分为不(5)第9期同光照、雾气条件和标记遮挡3种工况下实验，实验布置如图3所示。实验模型为灌河特大桥1：7 0比例缩尺寸模型，结构类型为双塔双扇面斜拉桥，共有3跨，跨径组合为：2.15+4.8+2.15=9.1m。实验仪器包括智能手机、位移计、应变仪、笔记本电脑、光强仪等，具体设备参数如表1所示。实验主要步骤包括利用桥梁模型自带的加载小车模拟(a)杜文康，等：基于SURF-PROSAC法的高铁桥梁位移测量技术研究加载小车3583车辆通行，利用智能手机采集小车动态加载过程中结构变形视频。其中，智能手机距离标记点约1.73m，文字标记点的物理尺寸为95mm*62mm，图像尺寸为2 0 2*132 pixels，像素分辨率约为0.47mm/pixel。为了与视觉方法进行对比，位移计被放置在跨中的标记点位置，并通过网线连接到应变仪和笔记本电脑采集实验数据。(b)敬业标记点智能手机位移计光强测量仪笔记本电脑应变仪(a)实验整体布置图；(b)雾气实验布置图图3模型实验布置Fig.3 Model experiments arrangement表1实验设备参数Table1Parameters of experimental instruments设备类型型号智能手机HUAWEIMate30位移计DH5G103应变仪DH5920光强仪AS-V102.2不同光照条件下位移测量实验为了探索环境光照变化对视觉方法的影响，实验采用实验室自有灯光模拟光照条件的变化。实验开始前，利用光强仪测定不同光照条件下的和谐光照强度(多次测定取平均值)。实验室灯管布置如图4所示，自上而下分为3排，每排6 组，实验所参数设置2 种光照条件分别为3排全开和仅开启第1排分辨率：38 40*2 16 0;（距离标记点最远的一排)，光照强度分别为采样频率：6 0 Hz119Lux和18 Lux。实验开始后，小车从最左侧或量程：0 50 mm最右侧跨出发，回到起始点为完整实验过程，因采样频率：0 10 0 Hz此共通过中间跨2 次，标记点及位移计布设于桥跨量程：0 2 0 0 0 0 0 Lux中间位置。实验分为2 次加载阶段：加载阶段1为小车从一侧跨到达另一侧桥跨，此过程3排灯管全开(119Lux)；加载阶段2 为小车另一侧回到起始点，此过程关闭第2 排和第3排灯管(18 Lux)。敬业标记点加湿器民主OO图4实验室灯管布置Fig.4Laboratory lamp arrangement图5为特征点方法在不同光照条件下的特征点检测和匹配结果，左侧光照强度为119Lux的标记点图像，右侧强度为18 Lux图像，可以看出在光照条件较差下，特征点方法仍然能够检测出结构3584表面特征的多个特征点，并且利用本文所提出的基于FLANN-PORSAC算法能够有效滤除错误匹配，实现特征检测点的准确匹配。如图6(a)所示，在光照变化的2 个阶段，特征点检测和匹配的数量出现突变，即在光照强度由高变低后，特征点检测数量从30 0 左右变化至150 左右，下降约50%，特征点匹配对数下降比例也接近50%，二者变化趋势较为一致。因此，在光照条件变化情况下，特征点数量会明显变化，即随着光照强度的降低(a)敬业铁道科学与工程学报而减少。跨中位置在2 个加载阶段的位移变化结果如图6(b)所示，可以看出，特征点方法的光照变化情况下仍然能够保证良好的测量精度和稳定性，跨中位置的位移在小车接近时逐渐增大，最大位移约为4.5mm，与传感器测量结果基本保持一致，2个加载阶段的位移峰值偏差率均少于1%。曲线吻合在横坐标上存在一定偏差是由于智能手机和应变仪控制系统相互独立，分别开启时难以完全在时间上保持同步。(b)敬业2023年9月(a)特征点检测结果；(b)特征点匹配结果图5不同光照条件下特征点识别Fig.5Feature point recognition under different lighting conditions3503002502001501005002.3零雾气条件下位移测量实验考虑到实际测量环境的复杂变化，在实验室进一步开展测量方法在雾气特殊条件下稳定性研究。实验利用加湿器设备对汉字标记周围进行雾气条件模拟。小车加载过程同样分为2 个阶段：加载阶段1，不开启加湿器，为正常测量阶段；加载阶段2，同时打开2 台加湿器，并将雾气档位调节至最大，调整出风口方向，保证所测量标记点被雾气全部覆盖，进一步真实模拟实际雾气工况。雾气条件下特征点检测及匹配结果如图7 所示，可以看出，汉字标记在被雾气环绕时，标记的特征仍然可以被有效检测和匹配。图8 为雾气工况下的实验结果，当标记点由正常测量阶段变为5(a)特征检测特征匹配加载阶段1加载阶段21020时间/s(a)特征点数量变化；(b)位移测量结果图6 不同光照条件下实验结果Fig.6 Experimental results under different lighting conditions雾气包围状态时，特征点的检测数量和匹配数量会出现减少的趋势，并随雾气浓度的改变而波动变化。与位移计测量结果相对比可以看出，视觉方法测量出的位移峰值最大偏差约为2.5%，能够达到较好的精度。2.4物体遮挡下位移测量实验除了考虑光照变化、雾气干扰等环境变化影响外，模型实验还考虑物体遮挡因素的影响。小车加载过程和2 次加载阶段划分与光照变化条件实验相同。其中，加载阶段1不对标记点做任何操作，加载阶段2 对标记点进行动态遮挡(左右滑动)，遮挡面积不超过标记点的50%。图9 为遮挡条件下特征点的检测结果，左侧为(b)4wu/323040加载阶段1010加载阶段2特征点方法位移计一20时间/s3040第9期杜文康，等：基于SURF-PROSAC法的高铁桥梁位移测量技术研究3585(a(b)(a)特征点检测结果；(b)特征点匹配结果图7 雾气条件下特征点识别Fig.7Feature point recognition under foggy conditions350(a)300250200150100500模板图像(未遮挡)，右侧为匹配图像(遮挡)。结合图10 来看，标记在发生遮挡后，特征点检测数量会发生明显变化，其变化趋势取决于遮挡面积的变化，特征点数量会随着遮挡面积的增加而减少。此外，特征点数量也会受遮挡物体自身特征的影响，利用PROSAC方法可以在匹配阶段自动修正(a)敬业敬5特征检测(b)特征匹配4uu/3加载阶段1加载阶段21020时间/s(a)特征点数量变化；(b)位移测量结果图8 雾气条件下实验结果Fig.8Experimental results under foggy conditions错误匹配。由于实验采用动态遮挡的方式，可以看出特征点数量在加载阶段2 呈现波动变化。进一步比较位移结果可知(表2)，特征点方法在遮挡条件下仍能够保持较好的稳定性，位移曲线变化能够清晰反映2 次加载过程，并与传感器结果保持一致，最大偏差率约为2.3%。(b)特征点方法位移计2加载阶段13040加载阶段201020时间/s3040(a)特征点检测结果；(b)特征点匹配结果图9物体遮挡下特征点识别Fig.9Feature point recognition under object cover2.5不同工况条件适应性实验为了进一步研究方法在不同工况变化过程中的适应性，分别开展了在光照变化、雾气、遮挡多工况下的不同条件实验，各个工况分别设置4个阶段，工况条件由简单向复杂变化，多种工况条件设置如表3所示，不同工况下的标记效果如图11图13所示。其中，图11为光照变化环境下的条件设置，从阶段1到阶段4，光照强度逐渐降低，标记的能见度也随之明显降低；图12 为雾气环境下的条件设置，从阶段1到阶段4，随着雾气浓度的增加，标记清晰程度随之降低；图13为遮挡环境下的条件设置，从阶段1到阶段4，标记的遮挡面积逐渐增加，可识别标记区域逐渐减小。3586铁道科学与工程学报2023年9月300(a)2502001501005特征检测(b)特征匹配4wu/3加载阶段1加载阶段2特征点方法位移计2加载阶段11加载阶段2500Table2Comparison of displacement peak between displacement meter and feature detection methods工况加载阶段1位移峰值/mm条件特征点方法光照变化4.51雾气条件4.18标记遮挡4.02工况条件阶段1光照变化119 Lux(正常)雾气条件无雾(正常)遮挡条件无遮挡(正常)敬业敬业敬业敬业(a)(b)1020时间/s(a)特征点数量变化；(b)位移测量结果图10 物体遮挡下实验结果Fig.10Experimental results under object cover表2 位移计和特征点方法位移峰值对比偏差率/%位移计4.494.113.98表3不同工况条件布置Table 3Arrangement for various conditions阶段2102Lux薄雾遮挡1/4标记304000.451.701.0110加载阶段2 位移峰值/mm特征点方法位移计4.464.434.073.974.013.92阶段340 Lux中雾遮挡1/2 标记(d)20时间/s30遮挡3/4标记40偏差率/%0.682.512.30阶段418 Lux浓雾(a)阶段1；(b)阶段2；(c)阶段3；(d)阶段4图11多种光照条件下的标记点Fig.11 Targets under multiple light conditions图14为不同工况条件下的算法偏差率对比结果。可以看出，在光照变化条件下，随着光照强度的降低，算法仍然能够保持较好的稳定性，位移偏差率整体保持在1%以内；而在雾气和遮挡环境下，随着复杂条件的出现(浓雾或大面积遮挡)，偏差率会显著增加。此外，相较于另外2 种工况，雾气条件的变化对算法精度的影响较大，在浓雾条件下，最大偏差率约5%。其原因在于雾气条件下，标记点随着雾气浓度的增加而逐渐模糊，其表面灰度特征分布趋于一致从而难以检测出有效的特征点，导致算法精度的下降。此外，在前期的研究中，针对方法在实际工第9期程中的应用，也开展了不同类型的实桥测试。考虑复杂环境变化，开展了白天和夜间不同情况下的测量试验2 0。针对长期监测的稳定性，开展了远敬业敬业敬业(a)(b)杜文康，等：基于SURF-PROSAC法的高铁桥梁位移测量技术研究(d)3587距离结构位移测量试验2。同时，与位移计测量结果对比表明，机器视觉算法测得的动态响应偏差率少于1%。(c)(a)阶段1；(b)阶段2；(c)阶段3；(d)阶段4图12 多种雾气条件下的标记点Fig.12Targets under multiple foggy conditions敬业敬业(a)(b)(敬(d)(a)阶段1；(b)阶段2；(c)阶段3；(d)阶段4图13多种遮挡条件下的标记点Fig.13Targets under multiple object cover conditions一光照变化一雾气条件%/率乳432离桥梁侧面约51.2 m。一遮挡条件0图14不同工况条件下位移偏差率Fig.14 Displacement deviation rate under variousconditions3基于稳固标记的位移测量实验3.1桥梁介绍实验桥梁位于江苏省南京市，为宁安高速铁路的某段，主跨长度为58.6 m，设计最高时速为250km/h，下方跨越城市道路。如图15所示，实验选取桥跨侧面自有汉字标记点“国”、“中”、“铁”(T1,T2,T3)用于变形识别，利用智能手机采集结构变形视频，手机通过三角架进行固定，距阶段1阶段2阶段3阶段4工况条件图15宁安高速实验桥梁Fig.15 Experimental bridge on Nanjing-AnqingExpressway3.2实验结果分析从图16 可看出，特征的错误匹配能够被有效地滤除，实现桥梁侧面汉字标记的准确匹配。其中，汉字特征越丰富，其可检测的特征点数量越多，如“铁”字。图17 分别为高铁通行视频中3个阶段对应的图像，分别对应于位移结果的第1s，第4s和第7 s。图18 为基于汉字特征匹配的位移计算结果，可以看出位移曲线主要分为3个阶段，从3588驶入阶段到通行阶段，位移逐渐增大，桥跨的最大位移约为1.2 mm；再到驶离阶段，位移逐渐变小，恢复平稳。其中，3个标记所在位置的位移变化趋势保持一致，列车从右向左行驶，于桥跨右侧的T3点也是最早达到位移峰值。邵泽龙等2 以(a)铁道科学与工程学报京津城际高铁段上的?水河特大桥为研究对象，利用干涉雷达测量桥梁的跨中位移，该结构与本实验桥梁结构类型相似。实验测得跨中最大位移约为0.5mm，与本实验位移结果相近。(b)2023年9月(c)(a)T1点匹配结果；(b)T2点匹配结果；(c)T3点匹配结果图16 T1，T 2 和T3标记点匹配结果Fig.16Matching results on T1,T2 and T3 targets(a)(b)(a)驶入阶段；(b)通过阶段；(c)驶离阶段图17 列车通过桥梁过程Fig.17 Process of the train crossing the bridge1.5驶入阶段1.20.9wu/0.60.30-0.3-0.60图18T1，T 2 和T3标记点位移测量结果Fig.18Displacement measurement results ofT1,T2 and T3 targets4基于随机标记的位移测量实验4.1桥梁介绍实验桥梁位于江苏省苏州市，为沪宁城际高速铁路的某段，主跨长度为31.8 m，设计最高时速为350 km/h，下方跨越城市内河。如图19所示，实验选取桥跨侧面排水管道作为随机表面特征(P1，P2，P3)用于变形识别，利用智能手机采集结构变形视频，手机通过三角架进行固定，距离桥梁侧面约2 3 m。通过阶段驶离阶段T1T2T324时间/sRH68PP图19沪宁高速实验桥梁Fig.19Experimental bridge on Shanghai-NanjingExpressway4.2实验结果分析图2 0 为桥跨侧面随机特征检测及匹配结果，由于随机标记表面纹理较为简单，因此可识别特征较少，但基于SURF的特征检测方法仍然能够较好地识别出随机标记的微小特征，展现了较好的匹配结果。高铁通过3个阶段的图像如图2 1所示，分别为第1s，第4s和第7 s的视频图像。结构位移测量结果同样可以分为3个阶段(图2 2)，在驶入和驶离阶段，位移较小，在通行阶段时位移达到第9期最大，约1.5mm。同时，3个随机标记位置的位移同样展现了较好的一致性，能够与列车通过桥梁的过程相吻合。同样与类似结构的高铁桥梁(跨度(a)杜文康，等：基于SURF-PROSAC法的高铁桥梁位移测量技术研究(b)3589为31.5m)进行对比2 3，该结构在高铁通行过程中的跨中最大位移约为1.38 mm，与本文测量数据相近。(a)P1点匹配结果；(b)P2点匹配结果；(c)P3点匹配结果图2 0 P1，P2 和P3标记点匹配结果Fig.20 Matching results on P1,P2 and P3 targetsa）(b)(c)(a)驶入阶段；(b)通过阶段；(c)驶离阶段图2 1列车通过桥梁过程Fig.21 Process of the train crossing the bridge1.51.20.9wu/0.60.30-0.30图2 2P1，P2 和P3标记点位移测量结果Fig.22IDisplacement measurement results of Pl,P2 and P3 targets5结论1)在光照变化条件下，特征点数量随光照强度的降低而减少；而在遮挡和雾气条件下，由于环境变化的不稳定性，特征点数量呈现出波动变化。基于SURF的检测方法能够在光照变化、雾气条件、物体遮挡等多种工况下稳定识别出结构的表面特征，并基于FLANN-PROSAC算法能够实现准确匹配。2)模型实验中，基于SURF-PROSAC方法的测量结果与位移计结果的最大偏率不超过5%，测驶入阶段2通过阶段4时间/s驶离阶段P1P2P368量精度较高，能够满足桥梁结构位移测量需求。3)现场实验中，方法能够适应包括稳固标记和随机标记等多种特征类型，并准确测量出高铁通行全过程的位移变化，该技术可为高铁桥梁结构的多点、非接触式位移测量提供新的解决思路。参考文献：1】勾红叶，刘畅，班新林，等.高速铁路桥梁-轨道体系检测监测与行车安全研究进展.交通运输工程学报，2022,22(1):123.GOU Hongye,LIU Chang,BAN Xinlin,et al.Researchprogress of detection,monitoring and running safety ofbridge-track system for high-speed railwayJJ.Journal ofTraffic and Transportation Engineering,2022,22(1):1-23.2 翟婉明，赵春发，夏禾，等.高速铁路基础结构动态性能演变及服役安全的基础科学问题.中国科学：技术科学,2 0 14,44(7):6 45-6 6 0.ZHAI Wanming,ZHAO Chunfa,XIA He,et al.Basicscientific issues on dynamic performance evolution of thehigh-speed railway infrastructure and its service safetyJ.Scientia Sinica(Technologica),2014,44(7)