结构振型可视化的实现方法、装置、存储介质及电子设备

1.本发明属于结构振动分析技术领域，特别是一种结构振型可视化的实现方法、装置、存储介质及电子设备。


背景技术：

2.结构模态参数包含模态频率、阻尼比和模态振型，这些特性参数不仅可以帮助分析系统的运动过程，而且对结构的健康监测和系统建模都具有重要的意义。近年来，随着高速成像技术的发展，基于视觉的测量技术已被广泛用作观察结构振动的非接触式测量方法。与接触式传感器相比，基于视觉的非接触式测量设备将每个像素都看成一个视觉传感器，任何一点的振动信号都可以被提取出来，进而实现无接触的全场测量。
3.作为一种将视频中的细微变化可视化的技术，运动放大方法通过操纵平面内像素(拉格朗日视角)或时序像素灰度变化(欧拉视角)来增强视频中的空间振动。基于拉格朗日视角的运动处理方式通过在图像平面上移动像素来实现运动放大，因此这种方法不会出现伪影，并且放大的唯一限制是图像尺寸大小。但是由于对细微运动的不敏感和抗噪性能的限制，基于拉格朗日视角的运动放大很少用于结构模态测试。在欧拉视频放大方法(evm)中，与增加噪声功率的线性方法不同，基于相位的运动处理方法虽然在噪声控制方面表现更好，并且支持更大的放大系数，但是在放大过程中会产生伪影，且算法复杂度高，基于以上两种方法的不足，亟需提出一种新的方法解决上述问题。


技术实现要素：

4.本发明的目的是提供一种结构振型可视化的实现方法、装置、存储介质及电子设备，以解决现有技术中的不足，提高了对视频数据中微小运动的放大倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
5.本技术的一个实施例提供了一种结构振型可视化的实现方法，所述方法包括：
6.获取待测量结构件的初始运动视频数据；
7.对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据；
8.利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场；
9.根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
10.可选的，所述对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，包括：
11.针对所述待测量结构件的初始运动视频数据中的每帧图像，利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值；
12.利用空间高斯模糊算法，滤除所述初始空间权值的高频成分，获得目标空间权值；
13.利用变分模态分解算法，对所述第一振动信号进行解耦，获得第二振动信号；
14.根据所述目标空间权值、所述第二振动信号，对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据。
15.可选的，所述利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值，包括：
16.获取由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵；
17.根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值。
18.可选的，所述根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值，包括：
19.将所述每帧图像的像素灰度变化数据映射到所述矩阵空间中；
20.利用变换关系获得每帧图像中包含的第一振动信号以及对应的初始空间权值，其中，所述d为由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵，所述c为像素坐标的总数，所述l为所述初始运动视频数据中包含的视频帧的数量，所述r为分解后获得的奇异值总数，所述ui(x,y)为左奇异向量，表征初始空间权值，所述si为保留的奇异值，所述vi(t)为右奇异向量，表征时序第一振动信号，且所述左奇异向量与所述右奇异向量正交，所述t表示矩阵转置。
21.可选的，所述根据所述目标空间权值、所述第二振动信号，对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据，包括：
22.根据所述目标空间权值、所述第二振动信号，利用公式根据所述目标空间权值、所述第二振动信号，利用公式对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据，其中，所述为所述目标运动视频数据中每帧的图像灰度，所述gk(x,y)为目标空间权值，所述imf
η,k
(t)为所述第二振动信号，所述f(x,y)为待测量结构件在初始时刻的运动方程。
23.可选的，所述利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场，包括：
24.利用基于块匹配和梯度光流的组合位移提取算法，提取初始帧与任意帧图像间的运动矢量场，并利用空间均值滤波对所述初始帧与任意帧图像间的运动矢量场进行平滑处理，以确定所述目标运动视频数据的运动矢量场。
25.可选的，所述根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，包括：
26.根据所述运动矢量场以及运动补偿算法，确定图像内每个像素的第一运动矢量；
27.基于所述第一运动矢量，并利用预先选择的放大系数，计算每个像素的第二运动矢量；
28.对图像内每个像素施加对应的第二运动矢量，以实现待测量结构件的结构振型可视化。
29.本技术的又一实施例提供了一种结构振型可视化的实现装置，所述装置包括：
30.获取模块，用于获取待测量结构件的初始运动视频数据；
31.处理模块，用于对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据；
32.确定模块，用于利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场；
33.实现模块，用于根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
34.可选的，所述处理模块，包括：
35.获取单元，用于针对所述待测量结构件的初始运动视频数据中的每帧图像，利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值；
36.第一获得单元，用于利用空间高斯模糊算法，滤除所述初始空间权值的高频成分，获得目标空间权值；
37.第二获得单元，用于利用变分模态分解算法，对所述第一振动信号进行解耦，获得第二振动信号；
38.第三获得单元，用于根据所述目标空间权值、所述第二振动信号，对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据。
39.可选的，所述获取单元，包括：
40.第一获取子单元，用于获取由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵；
41.第二获取子单元，用于根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值。
42.可选的，所述第二获取子单元，包括：
43.映射子单元，用于将所述每帧图像的像素灰度变化数据映射到所述矩阵空间中；
44.第三获取子单元，用于利用变换关系获得每帧图像中包含的第一振动信号以及对应的初始空间权值，其中，所述d为由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵，所述c为像素坐标的总数，所述l为所述初始运动视频数据中包含的视频帧的数量，所述r为分解后获得的奇异值总数，所述ui(x,y)为左奇异向量，表征初始空间权值，所述si为保留的奇异值，所述vi(t)为右奇异向量，表征时序第一振动信号，且所述左奇异向量与所述右奇异向量正交，所述t表示矩阵转置。
45.可选的，所述第三获得单元，包括：
46.第四获取子单元，用于根据所述目标空间权值、所述第二振动信号，利用公式对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据，其中，所述为所述目标运动视频数据中每帧的图像灰度，所述gk(x,y)为目标空间权值，所述imf
η,k
(t)为所述第二振动信号，所述f(x,y)为待测量结构件在初始时刻的运动方程。
47.可选的，所述确定模块，包括：
48.第一确定单元，用于利用基于块匹配和梯度光流的组合位移提取算法，提取初始帧与任意帧图像间的运动矢量场，并利用空间均值滤波对所述初始帧与任意帧图像间的运动矢量场进行平滑处理，以确定所述目标运动视频数据的运动矢量场。
49.可选的，所述实现模块，包括：
50.第二确定单元，用于根据所述运动矢量场以及运动补偿算法，确定图像内每个像素的第一运动矢量；
51.计算单元，用于基于所述第一运动矢量，并利用预先选择的放大系数，计算每个像素的第二运动矢量；
52.实现单元，用于对图像内每个像素施加对应的第二运动矢量，以实现待测量结构件的结构振型可视化。
53.本技术的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述所述的方法。
54.本技术的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述所述的方法。
55.与现有技术相比，本发明首先获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
附图说明
56.图1为本发明实施例提供的一种结构振型可视化的实现方法的计算机终端的硬件结构框图；
57.图2为本发明实施例提供的一种结构振型可视化的实现方法的流程示意图；
58.图3为本发明实施例提供的一种通过初始运动视频数据获取的像素块运动矢量场示意图；
59.图4为本发明实施例提供的一种通过目标运动视频数据获取的像素块运动矢量场示意图；
60.图5为本发明实施例提供的一种平滑后的像素块运动矢量场示意图；
61.图6为本发明实施例提供的一种利用不同方法实现的结构振型可视化的对比示意图；
62.图7为本发明实施例提供的一种结构振型可视化的实现装置的结构示意图。
具体实施方式
63.下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
64.本发明实施例提供了一种结构振型可视化的实现方法，该方法可以应用于电子设
备，如计算机终端，具体如普通电脑、平板等。
65.下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种结构振型可视化的实现方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
66.存储器104可用于存储应用软件的软件程序以及模块，如本技术实施例中的结构振型可视化的实现方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
67.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
68.作为一种将视频中的细微变化可视化的技术，运动放大方法通过操纵平面内像素(拉格朗日视角)或时序像素灰度变化(欧拉视角)来增强视频中的空间振动。其中，基于拉格朗日视角的运动处理方式通过在图像平面上移动像素来实现运动放大，因此这种方法不会出现伪影，并且放大的唯一限制是图像尺寸大小，但是由于对细微运动的不敏感和抗噪性能的限制，基于拉格朗日视角的运动放大很少用于结构模态测试。在欧拉视频放大方法(evm)中，与增加噪声功率的线性方法不同，基于相位的运动处理方法虽然在噪声控制方面表现更好，并且支持更大的放大系数，但是在放大过程中会产生伪影，且算法复杂度高。基于以上方法的不足，提出了一种基于混合方法的结构振型可视化方法。
69.参见图2，图2为本发明实施例提供的一种结构振型可视化的实现方法的流程示意图，可以包括如下步骤：
70.s201：获取待测量结构件的初始运动视频数据。
71.具体的，可以通过搭建测量平台，利用相机获取待测量结构件的初始运动视频数据，在实际应用中，待测量结构件可以为梁、柱、剪力墙、桁架、车身等结构件。可以理解的是，本发明实施例并不对结构件的具体形式进行限定，任何用于受力或者起到支撑、连接作用的物理构件均可以作为结构件。
72.在实际应用中，结构振动可以表示为各阶模态响应的线性组合，具体来说，可以使用公式表征结构振动，其中，p(t)为t时刻振动位移，n为模数，φi为第i阶模态振型，qi(t)为t时刻的模态坐标。
73.需要说明的是，基于欧拉视角，时序的像素灰度变化可以表征图像平面内结构的
空间运动，因此可以使用公式i(x，y，t)＝f(x+δ
x
(t)，y+δy(t))，表示观测到的图像灰度与运动的关系，其中，i(x,y,t)为待测量结构件在t时刻处于(x,y)位置上的图像灰度,f为运动方程,δ
x
(t)和δy(t)分别为横方向和纵方向上的位移。
74.s202：对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据。
75.具体的，对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，可以包括：
76.步骤1：针对所述待测量结构件的初始运动视频数据中的每帧图像，利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值。
77.具体的，基于欧拉视角，时序的像素灰度变化可以表征图像平面内的结构空间振动，所以利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值，可以包括：
78.1.获取由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵。
79.2.根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值。
80.具体的，根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值，包括：
81.将所述每帧图像的像素灰度变化数据映射到所述矩阵空间中；
82.利用变换关系获得每帧图像中包含的第一振动信号以及对应的初始空间权值，其中，所述d为由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵，所述c为像素坐标的总数，所述l为所述初始运动视频数据中包含的视频帧的数量，所述r为分解后获得的奇异值总数，所述ui(x,y)为左奇异向量，表征初始空间权值，所述si为保留的奇异值，所述vi(t)为右奇异向量，表征时序第一振动信号，且所述左奇异向量与所述右奇异向量正交，所述t表示矩阵转置。
83.需要说明的是，观测到的图像灰度也可以利用奇异值分解后获得的信号表示，可以利用公式表征，其中，f(x,y)为待测量结构件在初始时刻的运动方程，奇异值分解后获得的分量中既包含与振动相关的信号，同时也包含与振动无关的噪声，通过筛选其中与振动相关的信号保留的奇异值分量可以认为近似等于结构模态响应的线性组合，其中，r为分解后获得的奇异值总数，k为奇异值分解分量中与振动相关的数目,n为激活的模态数目。此时保留的奇异值分量σskuk(x，y)vk(t)t虽然可以表征一个或多个振动模态，但是各奇异值分量中的振动信号vk(t)
t
仍然是耦合的，需要通过合适的解耦方法对信号进行解耦。
84.步骤2：利用空间高斯模糊算法，滤除所述初始空间权值的高频成分，获得目标空间权值。
85.示例性的，初始空间权值skuk(x,y)中的高频成分中包含的是无意义的信息，所以
利用空间高斯模糊算法滤除空间权值skuk(x,y)的高频成分，更新空间权值为gk(x,y)，其中，gk(x，y)＝(skuk(x，y))*g，其中g为高斯核。
86.步骤3：利用变分模态分解算法，对所述第一振动信号进行解耦，获得第二振动信号。
87.具体的，利用变分模态分解算法，对振动相关信号vk进行解耦，振动信号更新为imf
η,k
(t)。
88.示例性的，对耦合的第一振动信号vk(t)
t
利用变分模态分解算法分解成c个信号分量，并且根据公式计算能量比，并保留能量比高的信号分量，其中，imf
k,c
(t)为对耦合信号应用变分模态分解算法所获取的信号分量,c为从同一个耦合振动信号中分解的信号分量数目,e
k,c
为信号分量占据对应耦合信号的能量比。计算保留的全部信号分量imf
k,c
(t)之间的相关系数，相关系数大的信号分量归为一组，共分成η组，每一组的信号重新组合成新的信号imf
η,k
(t),imf
η,k
(t)是对耦合信号vk(t)
t
解耦后获得的信号。
89.步骤4：根据所述目标空间权值、所述第二振动信号，对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据。
90.具体的，根据所述目标空间权值、所述第二振动信号，利用公式具体的，根据所述目标空间权值、所述第二振动信号，利用公式对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据，其中，所述为所述目标运动视频数据中每帧的图像灰度，所述gk(x,y)为目标空间权值，所述imf
η,k
(t)为所述第二振动信号，所述f(x,y)为待测量结构件在初始时刻的运动方程。
91.示例性的，根据解耦后的第二振动信号imf
η,k
(t)以及更新后得到的目标空间权值gk(x,y)，利用公式对初始运动视频数据中的原始运动叠加单一模式的运动，获得目标运动视频数据。
92.s203：利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场。
93.具体的，利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场，包括：
94.利用基于块匹配和梯度光流的组合位移提取算法，提取初始帧与任意帧图像间的运动矢量场，并利用空间均值滤波对所述初始帧与任意帧图像间的运动矢量场进行平滑处理，以确定所述目标运动视频数据的运动矢量场。
95.具体的，基于拉格朗日视角，利用基于块匹配和梯度光流的组合位移提取算法提取初始帧与任意帧图像间的像素块运动矢量场，并利用空间均值滤波平滑运动矢量场。
96.示例性的，因为可以将待测量结构件的局部运动看成是刚性运动，所以基于块匹配和梯度光流的组合位移提取算法提取的是帧间像素块的位移，相较于逐一提取帧间单个像素的位移，减少了大量运算时间，提高了算法运行的效率。
97.将图像内像素划分成独立的m
×
n的像素块，其中m为像素块行像素数，n为像素块列像素数。利用基于块匹配和梯度光流的组合位移提取算法将像素块位移划分为整像素位
移部分和亚像素位移部分。
98.具体的，基于块匹配和梯度光流的组合位移提取算法获取的是像素块在x和y方向的位移，x和y方向的位移合成的矢量构成运动矢量场中的运动矢量。运动矢量场描述的是对应像素块的实际位移量和实际位移的方向，矢量长度对应位移量，矢量方向对应位移方向。像素块的实际位移可以分解为整像素位移和亚像素位移。基于公式：
[0099][0100]
其中，δ
η,x
(t)和δ
η,y
(t)分别为目标运动视频数据中像素块在横方向和纵方向上的位移，和分别为横方向和纵方向上的整像素位移，和分别为横方向和纵方向上的亚像素位移。
[0101]
整像素的位移可以通过三步搜索法来完成，亚像素的位移可以通过一阶泰勒展开来近似估计。
[0102][0103]
其中，f(x+δ
η，x
(t)，y+δ
η，y
(t))为像素位移方程，(t))为像素位移方程，为整像素位移方程，和分别为横方向和纵方向的亚像素位移方程。
[0104]
需要说明的是，为了保证可视化振型的空间连续性，可以利用空间均值滤波对运动矢量场矩阵进行平滑处理。在运动矢量场矩阵中对目标元素o给一个模板，该模板包括了其周围的临近元素(以目标元素为中心的周围h个元素，构成一个滤波模板，其中包括目标元素本身)，再用模板中的全体元素的平均值来代替原目标元素值，其中，为更新后的目标元素，sum为模板中的全体元素之和。对于边缘数据，会出现无法凑够模板大小个数元素的情况，此时根据能凑得的元素形成模板，再用模板中的全体元素的平均值来代替原目标元素值。对运动矢量场矩阵中的每一个元素执行上述平滑操作，获取到平滑后的像素块运动矢量场。
[0105]
参见图3，图3为本发明实施例提供的一种通过初始运动视频数据获取的像素块运动矢量场示意图，图4为本发明实施例提供的一种通过目标运动视频数据获取的像素块运动矢量场示意图，图4中的(a)图、图4中的(b)图、图4中的(c)图、图4中的(d)图分别表示对初始运动视频数据叠加前四阶模态运动所获取的像素块运动矢量场。通过对比图3和图4可以观察到，通过目标运动视频数据获得的像素块运动矢量场相较于通过初始运动视频数据
获取的像素块运动矢量场效果更好，并且有效的分离和提取到了结构的前四阶模态运动。参见图5，图5为本发明实施例提供的一种平滑后的像素块运动矢量场示意图。通过对比图4和图5可以观察到，平滑后的像素块运动矢量场空间连续性更高。
[0106]
s204：根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
[0107]
具体的，根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，可以包括：
[0108]
a.根据所述运动矢量场以及运动补偿算法，确定图像内每个像素的第一运动矢量。
[0109]
b.基于所述第一运动矢量，并利用预先选择的放大系数，计算每个像素的第二运动矢量。
[0110]
c.对图像内每个像素施加对应的第二运动矢量，以实现待测量结构件的结构振型可视化。
[0111]
具体的，运动补偿就是根据已获得的帧间像素块运动矢量场，确定图像平面内每个像素的位移量。首先针对帧间像素块运动矢量场，利用双线性插值获取像素块内每个像素的运动矢量(δx,δy)，再选取合适的放大系数α乘以每个像素的运动矢量获得放大后的运动矢量(αδx,αδy)。对图像平面内的每个像素施加对应的放大后的运动矢量(αδx,αδy)以实现对应振型的运动放大，进而获得可视化振型。
[0112]
需要注意的是，选取α的限制条件是对像素施加对应的放大后的运动矢量后，像素的坐标不能超出图像边界。
[0113]
参见图6，图6为本发明实施例提供的一种利用不同方法实现的结构振型可视化的对比示意图，其中，图6(a)为本发明实施例提供的一种利用欧拉相位放大方法获得的可视化结构振型示意图，图6(b)为本发明实施例提供的利用混合方法获得的可视化结构振型的示意图，图6中的每一行分别表示前四阶的可视化结构振型，可以观察到利用本发明混合方法获得的可视化结构振型伪影更少，质量更高。
[0114]
需要说明的是，直接利用基于欧拉视角的运动处理方式获取可视化结构振型会产生伪影，利用基于拉格朗日视角的运动处理方式获取可视化结构振型虽然不会产生伪影，但是对初始运动视频数据直接利用基于块匹配和梯度光流的组合位移提取算法提取的运动矢量场效果差，难以提取到有效的运动矢量，进而影响到对结构可视化振型的获取。基于欧拉视角的运动处理方式在本技术中起到的是对初始运动视频数据进行预处理的作用，即先通过对初始运动视频数据进行处理，提取到结构各阶模态的振动信号，再对初始运动视频的每一帧叠加各阶模态振动信号，进而获取到目标运动视频数据，最后对目标运动视频数据利用基于块匹配和梯度光流的组合位移提取算法获取运动矢量场，可以观察到基于欧拉视角的运动处理方式有效的分离和提取到了结构的各阶模态运动，进而可以利用运动补偿算法获取高质量的可视化结构振型。
[0115]
可见，本发明首先获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大倍率，同时有
效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
[0116]
本技术的又一实施例提供了一种结构振型可视化的实现装置，如图7所示的一种结构振型可视化的实现装置的结构示意图，所述装置包括：
[0117]
获取模块701，用于获取待测量结构件的初始运动视频数据；
[0118]
处理模块702，用于对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据；
[0119]
确定模块703，用于利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场；
[0120]
实现模块704，用于根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
[0121]
具体的，所述处理模块，包括：
[0122]
获取单元，用于针对所述待测量结构件的初始运动视频数据中的每帧图像，利用奇异值分解算法，获取所述每帧图像中包含的第一振动信号以及对应的初始空间权值；
[0123]
第一获得单元，用于利用空间高斯模糊算法，滤除所述初始空间权值的高频成分，获得目标空间权值；
[0124]
第二获得单元，用于利用变分模态分解算法，对所述第一振动信号进行解耦，获得第二振动信号；
[0125]
第三获得单元，用于根据所述目标空间权值、所述第二振动信号，对所述待测量结构件的初始运动视频数据中的每帧图像进行处理，获得目标运动视频数据。
[0126]
具体的，所述获取单元，包括：
[0127]
第一获取子单元，用于获取由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵；
[0128]
第二获取子单元，用于根据所述矩阵，并利用奇异值分解算法，对所述每帧图像的像素灰度变化数据进行降维和降噪，以获得每帧图像中包含的第一振动信号以及对应的初始空间权值。
[0129]
具体的，所述第二获取子单元，包括：
[0130]
映射子单元，用于将所述每帧图像的像素灰度变化数据映射到所述矩阵空间中；
[0131]
第三获取子单元，用于利用变换关系获得每帧图像中包含的第一振动信号以及对应的初始空间权值，其中，所述d为由所述初始运动视频数据的每帧图像的像素灰度信息生成的矩阵，所述c为像素坐标的总数，所述l为所述初始运动视频数据中包含的视频帧的数量，所述r为分解后获得的奇异值总数，所述ui(x,y)为左奇异向量，表征初始空间权值，所述si为保留的奇异值，所述vi(t)为右奇异向量，表征时序第一振动信号，且所述左奇异向量与所述右奇异向量正交，所述t表示矩阵转置。
[0132]
具体的，所述第三获得单元，包括：
[0133]
第四获取子单元，用于根据所述目标空间权值、所述第二振动信号，利用公式对所述待测量结构件的初始运动视频数
据中的每帧图像进行处理，获得目标运动视频数据，其中，所述为所述目标运动视频数据中每帧的图像灰度，所述gk(x,y)为目标空间权值，所述imf
η,k
(t)为所述第二振动信号，所述f(x,y)为待测量结构件在初始时刻的运动方程。
[0134]
具体的，所述确定模块，包括：
[0135]
第一确定单元，用于利用基于块匹配和梯度光流的组合位移提取算法，提取初始帧与任意帧图像间的运动矢量场，并利用空间均值滤波对所述初始帧与任意帧图像间的运动矢量场进行平滑处理，以确定所述目标运动视频数据的运动矢量场。
[0136]
具体的，所述实现模块，包括：
[0137]
第二确定单元，用于根据所述运动矢量场以及运动补偿算法，确定图像内每个像素的第一运动矢量；
[0138]
计算单元，用于基于所述第一运动矢量，并利用预先选择的放大系数，计算每个像素的第二运动矢量；
[0139]
实现单元，用于对图像内每个像素施加对应的第二运动矢量，以实现待测量结构件的结构振型可视化。
[0140]
与现有技术相比，本发明首先获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
[0141]
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0142]
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0143]
s201：获取待测量结构件的初始运动视频数据；
[0144]
s202：对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据；
[0145]
s203：利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场；
[0146]
s204：根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
[0147]
具体的，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0148]
与现有技术相比，本发明首先获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大
倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
[0149]
本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
[0150]
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0151]
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0152]
s201：获取待测量结构件的初始运动视频数据；
[0153]
s202：对所述待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据；
[0154]
s203：利用基于块匹配和梯度光流的组合位移提取算法，确定所述目标运动视频数据的运动矢量场；
[0155]
s204：根据所述运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化。
[0156]
与现有技术相比，本发明首先获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
[0157]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0158]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0159]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0160]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
[0161]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0162]
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0163]
以上对本发明实施例进行了详细介绍，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。