基于直线跟踪算法的拉索索力确定方法、装置及设备

1.本发明涉及桥梁健康监测技术领域，特别涉及基于直线跟踪算法的拉索索力确定方法、装置及设备。


背景技术：

2.大跨度斜拉桥具有跨越能力强、施工简单和造型美观等优点，在桥梁建设中得到越来越广泛的应用。拉索作为斜拉桥的重要组成部分和受力构件，索力能够直接反映拉索的实际工作状态。因此，索力的准确测量对斜拉桥施工控制和桥梁运营期间的结构健康状况评估具有重要意义。
3.目前，常用的索力测试包括油压表法、压力传感器法、磁通量法(electro
ꢀ‑
magnetic，即em)和频率法等。虽然油压表法和压力传感器法可以准确地测量索力，但传感器价格昂贵、安装困难、仅适用于施工阶段的索力测量。磁通量法适用于索力长期监测，但磁通量法的校准比较复杂，电磁传感器需要根据拉索尺寸进行缠绕，成本较高，限制了该方法在实际工程中应用。对运营阶段的桥梁进行索力测量时，频率法是应用最广泛的一种方法。利用安装在拉索表面的加速度传感器来获取拉索的固有频率，再根据固有频率识别拉索的索力。该方法属于接触式测试方法，具有传感器安装困难、设备成本高和测试效率低等缺点。随着计算机视觉技术和图像采集设备的不断发展，基于视觉的振动测量技术在拉索的索力识别中得到了应用，成本较低，但是拉索在环境激励下的振动位移幅度很微小，一般的目标跟踪算法难以获得高精度的拉索位移时程响应，从而影响索力的测试精度。
4.综上可见，如何提高确定拉索索力的精度是本领域有待解决的问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于直线跟踪算法的拉索索力确定方法、装置及设备，提高确定拉索索力的精度。其具体方案如下：第一方面，本技术公开了一种基于直线跟踪算法的拉索索力确定方法，包括：获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。
6.可选的，所述获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频，包括：在环境激励下，利用视频采集设备采集目标拉索的原始视频；剔除所述原始视频中的噪声信息，以得到噪声剔除后视频；利用宽带相位视频运动放大算法对所述噪声剔除后视频中所述目标拉索的振动
幅度进行放大处理，以得到放大后视频。
7.可选的，所述利用宽带相位视频运动放大算法对所述噪声剔除后视频中所述目标拉索的振动幅度进行放大处理，以得到放大后视频，包括：对所述原始视频进行2d傅里叶变换，以得到原始频域视频，并利用复可操控金字塔对所述原始频域视频中每一帧图像进行频域分解，以得到每一帧图像的幅度谱和每一帧图像的相位谱，然后利用所述每一帧图像的相位谱获取所述每一帧图像的相位差；确定所述视频采集设备的采样帧率，并基于所述采样帧率确定感兴趣频率带，利用宽带相位视频运动放大算法对在所述感兴趣频率带内的所述每一帧图像的相位差进行放大处理，得到每一帧图像的放大后相位差，并基于所述每一帧图像的放大后相位差和所述每一帧图像的幅度谱构建放大后频域视频，然后对所述放大后频域视频进行从频域至时空域的转换，以得到放大后视频。
8.可选的，所述利用所述每一帧图像的相位谱获取所述每一帧图像的相位差，包括：利用2d gabor小滤波器提取所述每一帧图像的纹理信息；利用所述纹理信息对所述每一帧图像的相位谱进行降噪处理，以得到所述每一帧图像的降噪后相位谱，并利用所述每一帧图像的降噪后相位谱获取所述每一帧图像的相位差。
9.可选的，所述利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移，包括：获取所述放大后视频中像素级的所述目标拉索的第一中心线；基于所述第一中心线确定亚像素级的所述目标拉索的第二中心线；利用所述第二中心线获取所述亚像素级的所述目标拉索的振动位移。
10.可选的，所述获取所述放大后视频中像素级的所述目标拉索的第一中心线，包括：利用像素级子集分别在所述放大后视频中每一帧图像的第一图像边缘和第二图像边缘进行搜索，以分别得到满足第一预设条件的第一像素级候选端点集和第二像素级候选端点集；其中，所述第二图像边缘为所述第一图像边缘相对的边缘；基于线搜索从所述第一像素级候选端点集和所述第二像素级候选端点集中确定出满足第二预设条件的第一像素级目标候选点和第二像素级目标候选点，以便利用所述第一像素级目标候选点和所述第二像素级目标候选点获取像素级的所述目标拉索的第一中心线。
11.可选的，所述基于所述第一中心线确定亚像素级的所述目标拉索的第二中心线，包括：基于所述第一中心线确定所述第一图像边缘和所述第二图像边缘的搜索范围以及亚像素级子集，以便利用所述亚像素级子集在所述搜索范围内进行搜索，以得到在所述第一图像边缘的第一亚像素级候选端点集和所述第二图像边缘的第二亚像素级候选端点集；分别从所述第一亚像素级候选端点集和所述第二亚像素级候选端点集中确定出第一亚像素级目标候选点和第二亚像素级目标候选点，以便利用所述第一亚像素级目标候选点和所述第二亚像素级目标候选点获取亚像素级的所述目标拉索的第二中心线。
12.可选的，所述计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所
述目标拉索的索力，包括：计算出相邻阶数的所述固有频率的差值；确定所述差值的平均值，以便利用所述差值的平均值确定所述目标拉索的索力。
13.第二方面，本技术公开了一种基于直线跟踪算法的拉索索力确定装置，包括：放大模块，用于获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；振动位移获取模块，用于利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；固有频率获取模块，用于对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；索力确定模块，用于计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。
14.第三方面，本技术公开了一种电子设备，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现前述公开的基于直线跟踪算法的拉索索力确定方法的步骤。
15.本技术有益效果为：获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。由此可见，本技术对原始视频中目标拉索的振动幅度进行放大处理，以便后续可以更加容易的基于放大后视频进行追踪，提高后续确定的索力的精确度；本技术在确定目标拉索索力时，无需确定固有频率的阶数，而是利用了更加容易确定相邻阶数的固有频率的差值，降低了确定目标拉索索力的难度。
附图说明
16.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
17.图1为本技术公开的一种基于直线跟踪算法的拉索索力确定方法流程图；图2为本技术公开的一种具体的拉索索力确定场景示意图；图3为本技术公开的一种具体的视频采集与前处理示意图；图4为本技术公开的一种具体的放大后视频获取流程示意图；图5为本技术公开的一种具体的基于直线跟踪算法的拉索索力确定方法流程图；图6为本技术公开的一种具体的拉索粗略搜索示意图；图7为本技术公开的一种具体的拉索中心线搜索原理图；图8为本技术公开的一种具体的拉索亚像素级中心线检测原理示意图；图9为本技术公开的一种具体的目标拉索的振动位移识别结果示意图；
图10为本技术公开的一种具体的目标拉索的固有频率识别结果示意图；图11为本技术公开的一种基于直线跟踪算法的拉索索力确定装置结构示意图；图12为本技术公开的一种电子设备结构图。
具体实施方式
18.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
19.大跨度斜拉桥具有跨越能力强、施工简单和造型美观等优点，在桥梁建设中得到越来越广泛的应用。拉索作为斜拉桥的重要组成部分和受力构件，索力能够直接反映拉索的实际工作状态。因此，索力的准确测量对斜拉桥施工控制和桥梁运营期间的结构健康状况评估具有重要意义。
20.目前，常用的索力测试包括油压表法、压力传感器法、磁通量法和频率法等。虽然油压表法和压力传感器法可以准确地测量索力，但传感器价格昂贵、安装困难、仅适用于施工阶段的索力测量。磁通量法适用于索力长期监测，但磁通量法的校准比较复杂，电磁传感器需要根据拉索尺寸进行缠绕，成本较高，限制了该方法在实际工程中应用。对运营阶段的桥梁进行索力测量时，频率法是应用最广泛的一种方法。利用安装在拉索表面的加速度传感器来获取拉索的固有频率，再根据固有频率识别拉索的索力。该方法属于接触式测试方法，具有传感器安装困难、设备成本高和测试效率低等缺点。随着计算机视觉技术和图像采集设备的不断发展，基于视觉的振动测量技术在拉索的索力识别中得到了应用，成本较低，但是拉索在环境激励下的振动位移幅度很微小，一般的目标跟踪算法难以获得高精度的拉索位移时程响应，从而影响索力的测试精度。
21.为此本技术相应的提供了一种拉索索力确定方案，提高确定拉索索力的精度。
22.参见图1所示，本技术实施例公开了一种基于直线跟踪算法的拉索索力确定方法，包括：步骤s11：获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频。
23.例如图2所示的一种具体的拉索索力确定场景示意图，采用像素分辨率为1920
×
1080 pixels，帧率为60fps的nikon d5600相机拍摄拉索的振动视频，采集时长为3分钟。相机固定在距离斜拉索约120米的地方，该桥所处区域相对偏僻，桥上的行人和车流量较少，斜拉索的振动受行人和车辆的影响很小，其振动主要由风雨作用引起。在风速约为6~8m/s的情况下对斜拉索的振动响应和索力进行了测试，其视频中斜拉索的振动是肉眼不可见的，利用该相机采集斜拉索的原始视频。需要注意的是，拉索有很多种类型，其中斜拉索是拉索中的一种。
24.本实施例中，所述获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频，包括：在环境激励下，利用视频采集设备采集目标拉索的原始视频；剔除所述原始视频中的噪声信息，以得到噪声剔除后视频；利用宽带相位视频运动放大算法对所述噪声剔除后视频中所述目标拉索的振动幅度进行放大处理，以
得到放大后视频。例如图3所示的一种具体的视频采集与前处理示意图，利用相机拍摄拉索在环境激励下的微小振动视频图像信息，并利用数字图像处理软件对视频图像进行裁剪、旋转和缩放等预处理。通过视频图像的预处理对图像序列中噪声进行初步剔除，以得到噪声剔除后视频，避免在进行基于宽带相位视频运动放大时噪声也被等比例放大，排除噪声对视频放大结果的影响。
25.本实施例中，所述利用宽带相位视频运动放大算法对所述噪声剔除后视频中所述目标拉索的振动幅度进行放大处理，以得到放大后视频，包括：对所述原始视频进行2d傅里叶变换(fast fourier transform，即fft)，以得到原始频域视频，并利用复可操控金字塔（complex steerable pyramid decomposition，即cspd）对所述原始频域视频中每一帧图像进行频域分解，以得到每一帧图像的幅度谱和每一帧图像的相位谱，然后利用所述每一帧图像的相位谱获取所述每一帧图像的相位差；确定所述视频采集设备的采样帧率，并基于所述采样帧率确定感兴趣频率带，利用宽带相位视频运动放大（broad-band phase-based video motion magnification，即bpvmm）算法对在所述感兴趣频率带内的所述每一帧图像的相位差进行放大处理，得到每一帧图像的放大后相位差，并基于所述每一帧图像的放大后相位差和所述每一帧图像的幅度谱构建放大后频域视频，然后对所述放大后频域视频进行从频域至时空域的转换，以得到放大后视频。
26.例如图4所示的一种具体的放大后视频获取流程示意图，利用复可操控金字塔对拉索的微小振动视频图像进行时空域分解，得到拉索图像序列不同尺度和不同方向的局部幅度谱和相位谱，分解后的图像序列包括：高通残差部分、中间不同频率基带相位信息和低通残差部分。根据奈奎斯特原理可知，从原始视频中进行拉索固有频率识别，其可识别的频率范围与相机的帧率有关，可识别相机帧率一半的频率，因此在利用bpvmm算法对拉索的微小振动视频进行放大处理时，仅在中间不同频率基带相位信息中选取感兴趣频率带，为相机的帧率，并设置合适的放大因子对选取的感兴趣频率带的相位差进行放大处理，实现感兴趣频率带内拉索的微小振动幅值放大处理。将进行放大处理后的感兴趣频率带的相位差加回高通残差部分和低通残差部分图像序列中，利用逆向傅里叶变换对放大后的图像序列进行重建输出放大后的视频。具体步骤如下所示：（1）获取原始视频的每一帧图像，通过2d傅里叶变换将输入的每一帧图像从时空域转化成频域，得到每一帧图像的幅度谱和每一帧图像的相位谱。以表示拉索微小振动图像位置处在t时刻的图像强度，为2d图像强度函数，即。当拉索发生微小振动位移和时，图像强度如下所示：；利用bpvmm算法对拉索的微小振动视频进行放大处理时，需要通过傅里叶变换将输入的视频信号转化为频域信号，如下所示：；
ꢀ
；式中，为拉索某阶振动的圆频率，为拉索某个圆频率所对应的振动信号，为拉索的振动幅度，和分别为和时刻拉索振动的相位信息。
27.（2）利用复可操控金字塔对每一段频域内的图像序列进行频域分解，得到图像序列不同尺度和不同方向的局部幅度谱和相位谱。
28.（3）由于视频的运动信息包含在每个像素的相位中，可以将视频中的第一帧图像作为参考帧，将后续的图像序列的相位信息与第1帧图像相减得到相位差。将和时刻的相位信息相减消除和后，即可得到相位差，如下所示：。
29.（4）在包含所有感兴趣频率带内利用宽带相位视频运动放大算法进行放大处理，并对相位差乘以放大因子，即可实现对拉索局部相位的放大处理。对相位差乘以放大因子，实现视频中局部相位的放大处理，其结果如下所示：；对拉索某一圆频率所对应的振动信号的放大结果如下所示：。
30.（5）通过逆向傅里叶变换重建图像序列，将视频中的每一帧图像从频域转化为时空域，得到放大后视频。对包含所有感兴趣频率带内的所有频段进行放大处理，并将放大后的拉索微小振动信号进行重建，得到最终的放大结果如下所示：。
31.式中，为运动放大后的拉索振动信号。
32.本实施例中，所述利用所述每一帧图像的相位谱获取所述每一帧图像的相位差，
包括：利用2d gabor小滤波器提取所述每一帧图像的纹理信息；利用所述纹理信息对所述每一帧图像的相位谱进行降噪处理，以得到所述每一帧图像的降噪后相位谱，并利用所述每一帧图像的降噪后相位谱获取所述每一帧图像的相位差。例如图4所示，用2d gabor小波滤波器提取局部运动，识别不同尺度和方向上的纹理信息，同时在一定程度上对图像中噪声进行平滑处理，提高视频中图像的信噪比。
33.现有的基于相位的运动放大（phase-based motion magnification，即pmm）算法可用于捕捉结构的微小振动信号。pmm算法需要先根据结构的固有频率选取运动放大的频率带，再进行微小运动放大处理。该算法需要结构固有频率的先验信息，且模态阶数越高需要的预设放大因子也就越大，导致pmm算法的运算量较大，无法实现结构微小振动的实时监测。且当结构固有频率未知时，pmm算法难以应用，限制了pmm算法在结构模态参数识别和结构健康监测（structure health monitoring，即shm）领域内的发展。
34.本实施例提出的bpvmm算法克服了pmm算法的局限性，利用bpvmm算法进行微小振动放大处理时，只需要根据相机的采样帧率进行一次性盲放大，而现有的pmm算法需要根据结构的固有频率选取运动放大的频率带进行多次放大。利用bpvmm算法进行拉索的微小振动放大处理，具有计算量小、实时性强和无需拉索固有频率的先验信息等优点。
35.步骤s12：利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移。
36.本实施例中，利用直线跟踪算法（line tracking algorithm，即lta）从放大后视频中提取目标拉索的振动位移，lta算法包括粗略搜索和亚像素中心线检测2个部分。粗略搜索的目的是从背景图像中识别出目标拉索大致位置，而亚像素中心线检测是为了更加准确地找到目标拉索的实际位置。
37.步骤s13：对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率。
38.利用快速傅里叶变换从振动位移中计算拉索的固有频率。对拉索的振动位移进行fft处理的表达式如下所示：；式中，表示输入的时域数据，即目标拉索的振动位移时程响应，n表示时域数据的长度；表示经fft变换后的频域数据。
39.步骤s14：计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。
40.本实施例中，所述计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力，包括：计算出相邻阶数的所述固有频率的差值；确定所述差值的平均值，以便利用所述差值的平均值确定所述目标拉索的索力。
41.通过步骤s13分析得到的拉索频谱图中的频谱峰值很多，在没有斜拉桥的设计索力和固有频率作为参考时，很难区分拉索固有频率的阶数，因此，提出利用高阶频率差均值来估计拉索的索力，其索力计算公式如下所示：
；式中：t为拉索的索力，m为拉索的单位长度质量，l为拉索的长度，为拉索的第n阶固有频率，为拉索高阶频率差均值。
42.现有的基于频率法计算索力往往需要知道拉索固有频率的阶数，当拉索固有频率的阶数未知时，无法对拉索的索力进行准确的估计。利用本实施例只需知道拉索发生振动时相邻两阶固有频率的差值即可估算拉索的索力，不需要预先知道所识别的拉索固有频率的阶数，可以更加准确地估计拉索的索力，具有操作简单、测试成本低、计算精度高等优点。
43.可见，本技术获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。由此可见，本技术对原始视频中目标拉索的振动幅度进行放大处理，以便后续可以更加容易的基于放大后视频进行追踪，提高后续确定的索力的精确度；本技术在确定目标拉索索力时，无需确定固有频率的阶数，而是利用了更加容易确定相邻阶数的固有频率的差值，降低了确定目标拉索索力的难度。
44.参见图5所示，本技术实施例公开了一种具体的基于直线跟踪算法的拉索索力确定方法，包括：步骤s21：获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频。
45.本实施例中，目标拉索的索长为136.829米，单位长度质量为53.6千克/米。从采集的目标拉索的原始视频中选取600帧图像，并对目标拉索的原始视频进行裁剪，降低像素分辨率到300
×
120 pixels。利用bpvmm算法对原始视频中目标拉索的振动幅度进行放大处理，将包含所有感兴趣频率带选为，放大因子设置为。
46.步骤s22：获取所述放大后视频中像素级的所述目标拉索的第一中心线。
47.本实施例中，所述获取所述放大后视频中像素级的所述目标拉索的第一中心线，包括：利用像素级子集分别在所述放大后视频中每一帧图像的第一图像边缘和第二图像边缘进行搜索，以分别得到满足第一预设条件的第一像素级候选端点集和第二像素级候选端点集；其中，所述第二图像边缘为所述第一图像边缘相对的边缘；基于线搜索从所述第一像素级候选端点集和所述第二像素级候选端点集中确定出满足第二预设条件的第一像素级目标候选点和第二像素级目标候选点，以便利用所述第一像素级目标候选点和所述第二像素级目标候选点获取像素级的所述目标拉索的第一中心线。
48.lta算法包括粗略搜索和亚像素中心线检测，粗略搜索包括竖向子集搜索和线搜索。子集是包含图像一部分的正方形区域，竖向子集搜索的目的是识别图像中拉索的候选端点，通过在图像左侧和右侧的竖直方向上移动的子集来实现，如图6所示的一种具体的拉
索粗略搜索示意图。如果，则该子集边缘的中心点被视为斜拉索的候选端点集，即满足第一预设条件的像素级候选端点集，表示图像左侧和右侧边缘的图像灰度值的最大值，表示图像的灰度阈值。取图像背景灰度值和斜拉索灰度值的平均值。为了提高搜索精度，所选子集的尺寸应小于拉索的直径。
49.在图6中，当子集a1满足，该子集的中心边缘点a1为拉索的候选端点，类似地，从子集的b1位置获得b1。由于所选子集的尺寸小于拉索的直径，因此子集在竖直方向移动时将获得几个相邻的候选端点，如图6中的a1~a5所示。将a1到a5的中心点作为拉索左侧边缘的候选端点，即满足第二预设条件的第一像素级候选端点，将b1到b5的中心点作为拉索左侧边缘的候选端点，即满足第二预设条件的第二像素级候选端点。
50.如果通过竖向子集搜索在图像的左侧或右侧未找到候选端点，将图像两侧的搜索范围向图像中心平移几个像素距离，并重新进行竖向子集搜索。直到在图像的左侧和右侧找到至少1个像素级候选端点，停止竖向子集搜索。竖向子集搜索的可能会出现多个像素级候选点集（左）和（右），如图6所示的一种具体的拉索中心线搜索原理图。
51.线搜索的目的是将像素级候选端点和的集合减少到只包含拉索的端点。在图像序列中，假定拉索为一条直线，且沿着拉索的长度方向灰度值大致相同。对于所有的和的组合，沿着和点直线寻找灰度值最大的直线，例如图7所示的一种具体的拉索中心线搜索原理图。
52.图6中搜索线上的所有像素点可以表示为。搜索线可用霍夫变换中的线性表达式进行表示，如下所示：；式中，表示从原点o到中心线的最短距离，表示x轴与最短距离之间的夹角。
53.像素级候选端点和之间的搜索区域是通过沿着搜索线建立以为中心的搜索窗口来设置的。搜索窗口的目的是获取搜索线区域的图像最大灰度值，然后将与进行比较。如果，则该直线为拉索的大致位置。表示搜索线区域直线灰度值的最大值，表示搜索线区域灰度阈值。同时也得到
了粗略中心线的左端点、右端点、原点o到中心线的最短距离和x轴与最短距离之间的夹角。可以理解的是，如果竖向子集搜索和线搜索的最大强度和满足如下公式，则就确定了拉索的第一中心线的大致位置：。
54.步骤s23：基于所述第一中心线确定亚像素级的所述目标拉索的第二中心线。
55.本实施例中，所述基于所述第一中心线确定亚像素级的所述目标拉索的第二中心线，包括：基于所述第一中心线确定所述第一图像边缘和所述第二图像边缘的搜索范围以及亚像素级子集，以便利用所述亚像素级子集在所述搜索范围内进行搜索，以得到在所述第一图像边缘的第一亚像素级候选端点集和所述第二图像边缘的第二亚像素级候选端点集；分别从所述第一亚像素级候选端点集和所述第二亚像素级候选端点集中确定出第一亚像素级目标候选点和第二亚像素级目标候选点，以便利用所述第一亚像素级目标候选点和所述第二亚像素级目标候选点获取亚像素级的所述目标拉索的第二中心线。
56.通过粗略搜索得到了拉索端点的像素级位置，再利用双三次插值来逼近拉索的上下边缘，以精确计算拉索边缘的中心点，主要的计算过程如下：（1）确定竖向搜索范围。如图8所示的一种具体的拉索亚像素级中心线检测原理示意图，搜索范围集中在拉索的端点上，且搜索范围应大于拉索的直径所在区域。
57.（2）定义一个适当大小的亚像素子集。亚像素子集的大小应小于拉索的直径。利用双三次插值对子集单元的灰度值进行内插。亚像素子集用于拉索左侧和右侧的竖向搜素。为了便于说明，图8中采用0.5pixel的竖向步长间隔。采用与粗略搜索类似的步骤，以0.5pixel的分辨率确定拉索的上下边缘。利用与粗略搜索方法相同的判断标准来寻找拉索的亚像素级候选端点集，即第一亚像素级候选端点集和第二亚像素级候选端点集。
58.（3）当在拉索的左右两侧找到所有的第一亚像素级候选端点集和第二亚像素级候选端点集时，第一亚像素级候选端点集通常是相邻的和连续的，同理，第二亚像素级候选端点集通常也是相邻的和连续的。因此，选择这些亚像素级候选点集的中心点作为该区域的单个亚像素级候选点来表示这些亚像素级候选点。即图8中的中心点和，可以理解的是，和分别为第一亚像素级目标候选点和第二亚像素级目标候选点。和之间的一条线就是中心线
。在这条中心线上选择一个点作为跟踪点，为一个用户自定义的x坐标，并且跟踪点满足，为拉索在y方向上的位移时程。
59.步骤s24：利用所述第二中心线获取所述亚像素级的所述目标拉索的振动位移。
60.本实施例中，如图9所示的一种具体的目标拉索的振动位移识别结果示意图，利用lta算法获取亚像素级的目标拉索的振动位移。
61.步骤s25：对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率。
62.如图10所示的一种具体的目标拉索的固有频率识别结果示意图，通过快速傅里叶变换获取目标拉索的固有频率。此外，在目标拉索上安装接触式加速度传感器对目标拉索的固有频率进行了实测，将拉索固有频率的本实施例识别结果和加速度传感器测量的真实结果进行比较，如下表所示。从表中可以看出利用本实施例识别的拉索固有频率与真实值吻合较好，其最大误差为1.08%。
63.步骤s26：计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。
64.本实施例中，计算出相邻阶数的所述固有频率的差值，频率差值的计算结果可以如下表所示：利用表中本实施例识别的拉索的固有频率计算出本实施例的高阶频率差的均值为0.9192hz，计算该拉索的索力为3391.57kn。利用加速度传感器获取的真实频率计算高阶频率差的均值为0.9102hz，计算得拉索的索力为3325.48kn，两者的误差为1.98%。因此本实施例提出的方法识别的拉索索力的精度较高，可为环境激励下拉索的微小振动测量提供一种简单的测量方法。
65.可见，现有的基于计算机视觉的拉索振动位移识别方法主要包括模板匹配算法和边缘检测算法，主要适用于振动位移较大的长索的振动位移测量，无法准确获取环境激励下短索的微小振动位移，然而，短索在环境激励下的振动位移幅度很微小，现有的目标跟踪算法无法准确获取拉索的振动位移。本技术通过bpvmm算法对短索的在环境激励下的微小振动幅度进行放大处理，再通过放大后的视频跟踪拉索的中心线来获取拉索的振动位移，有效避免了在利用bpvmm算法对拉索的微小振动进行放大处理时，拉索边缘的伪影对振动位移识别的影响，识别的拉索的振动位移精度较高。
66.参见图11所示，本技术实施例公开了一种基于直线跟踪算法的拉索索力确定装置，包括：放大模块11，用于获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；振动位移获取模块12，用于利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；固有频率获取模块13，用于对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；索力确定模块14，用于计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。
67.可见，本技术获取目标拉索的原始视频，并对所述原始视频中目标拉索的振动幅度进行放大处理，以得到放大后视频；利用直线跟踪算法获取所述放大后视频中所述目标拉索的振动位移；对所述振动位移进行快速傅里叶变换以得到所述目标拉索的固有频率；计算出相邻阶数的所述固有频率的差值，以便利用所述差值确定所述目标拉索的索力。由此可见，本技术对原始视频中目标拉索的振动幅度进行放大处理，以便后续可以更加容易的基于放大后视频进行追踪，提高后续确定的索力的精确度；本技术在确定目标拉索索力时，无需确定固有频率的阶数，而是利用了更加容易确定相邻阶数的固有频率的差值，降低了确定目标拉索索力的难度。
68.进一步的，本技术实施例还提供了一种电子设备。图12是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
69.图12为本技术实施例提供的一种电子设备的结构示意图。具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的由电子设备执行的基于直线跟踪算法的拉索索力确定方法中的相关步骤。
70.本实施例中，电源23用于为电子设备上的各硬件设备提供工作电压；通信接口24能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
71.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用dsp(digital signal processing，数字信号处理)、fpga(field－
programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
72.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。
73.其中，操作系统221用于管理与控制电子设备上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备执行的基于直线跟踪算法的拉索索力确定方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。
74.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
75.以上对本发明所提供的一种基于直线跟踪算法的拉索索力确定方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。