一種局部和全局特征相結合的橋梁施工裝置制造方法及圖紙

本發明專利技術公開了一種局部和全局特征相結合的橋梁施工裝置，包括橋梁施工車和安裝在橋梁施工車上的監控裝置，監控裝置具體包括預處理模塊、檢測跟蹤模塊、識別輸出模塊，其中預處理模塊包含圖像轉化、圖像濾波、圖像增強三個子模塊，檢測跟蹤模塊包含構建、丟失判別、更新三個子模塊。本橋梁施工車將視頻圖像技術運用在橋梁施工車上，能有效監控記錄惡意破壞行為，具有實時性好、定位準確、自適應能力強、圖像細節保留完整和魯棒性強等優點。

【技術實現步驟摘要】

本專利技術涉及橋梁施工領域，具體涉及一種局部和全局特征相結合的橋梁施工裝置。
技術介紹
橋梁施工是指按照設計內容，建造橋梁的過程；主要指橋梁施工技術與施工組織、施工管理、施工質量等內容。在橋梁施工領域，橋梁吊車等橋梁施工車是一個非常重的橋梁施工手段。另外，橋梁施工裝置作為一種重要的昂貴設備，其安全性尤為重要，必須能防止和監視惡意破壞行為。
技術實現思路
針對上述問題，本專利技術提供一種局部和全局特征相結合的橋梁施工裝置。本專利技術的目的采用以下技術方案來實現：一種局部和全局特征相結合的橋梁施工裝置，包括橋梁施工車和安裝在橋梁施工車上的監測裝置，監測裝置用于對橋梁施工車附近的活動進行視頻圖像監測，監測裝置包括預處理模塊、檢測跟蹤模塊、識別輸出模塊；(1)預處理模塊,用于對接收到的圖像進行預處理，具體包括圖像轉化子模塊、圖像濾波子模塊和圖像增強子模塊：圖像轉化子模塊,用于將彩色圖像轉化為灰度圖像:H(x,y)=max(R(x,y),G(x,y),B(x,y))+min(R(x,y),G(x,y),B(x,y))2+2(max(R(x,y),G(x,y),B(x,y))-min(R(x,y),G(x,y),B(x,y)))]]>其中，R(x,y)、G(x,y)、B(x,y)分別代表像素(x,y)處的紅綠藍強度值，H(x,y)代表坐標(x,y)處的像素灰度值；圖像大小為m×n；圖像濾波子模塊，用于對灰度圖像進行濾波：采用維納濾波來進行一級濾除后，定義svlm圖像，記為Msvlm(x,y)，具體定義公式為：Msvlm(x,y)＝a1J1(x,y)+a2J2(x,y)+a3J3(x,y)+a4J4(x,y)，其中a1、a2、a3、a4為可變權值，ai=JiJ1+J2+J3+J4,i=1,2,3,4;]]>J(x,y)為經濾波后的圖像；圖像增強子模塊：當|128-m|>|ω-50|3]]>時，L(x,y)=255×(H(x,y)255)ψ(x,y),]]>其中，L(x,y)為增強后的灰度值；ψ(x,y)是包含有局部信息的伽馬校正系數，此時α是范圍為0到1的可變參數，當|128-m|≤|ω-50|3]]>且ω＞50時，L(x,y)=255×(H(x,y)255)ψ(x,y)×(1-ω-50ω2),]]>其中ψ(x,y)=ψα(Msvlm(x,y)),α=1-|128-min(mL,mH)128|,]]>mH是圖像中灰度值高于128的所有像素的均值，mL是灰度值低于128的所有像素的均值，且此時m＝min(mH，mL)，在α值已知的情況下，計算出256個ψ校正系數作為查找表，記為其中i為索引值，利用Msvlm(x,y)的灰度值作為索引，根據ψ(x,y)＝ψα(Msvlm(x,y))快速獲得圖像中每個像素的伽馬校正系數ψ(x,y)；為模板修正系數；(2)檢測跟蹤模塊，具體包括構建子模塊、丟失判別子模塊和更新子模塊：構建子模塊，用于視覺字典的構建：在初始幀獲取跟蹤目標的位置和尺度，在其周圍選取正負樣本訓練跟蹤器，將跟蹤結果作為訓練集X＝{x1,x2,……xN本文檔來自技高網...

【技術保護點】
一種局部和全局特征相結合的橋梁施工裝置，包括橋梁施工車和安裝在橋梁施工車上的監測裝置，監測裝置用于對橋梁施工車附近的活動進行視頻圖像監測，其特征是，監測裝置包括預處理模塊、檢測跟蹤模塊、識別輸出模塊；(1)預處理模塊,用于對接收到的圖像進行預處理，具體包括圖像轉化子模塊、圖像濾波子模塊和圖像增強子模塊：圖像轉化子模塊,用于將彩色圖像轉化為灰度圖像:H(x,y)=max(R(x,y),G(x,y),B(x,y))+min(R(x,y),G(x,y)B,(x,y))2+2(max(R(x,y),G(x,y),B(x,y))-min(R(x,y),G(x,y),B(x,y)))]]>其中，R(x,y)、G(x,y)、B(x,y)分別代表像素(x,y)處的紅綠藍強度值，H(x,y)代表坐標(x,y)處的像素灰度值；圖像大小為m×n；圖像濾波子模塊，用于對灰度圖像進行濾波：采用維納濾波來進行一級濾除后，定義svlm圖像，記為Msvlm(x,y)，具體定義公式為：Msvlm(x,y)＝a1J1(x,y)+a2J2(x,y)+a3J3(x,y)+a4J4(x,y)，其中a1、a2、a3、a4為可變權值，i＝1，2，3，4；J(x,y)為經濾波后的圖像；圖像增強子模塊：當|128-m|>|ω-50|3]]>時，L(x,y)=255×(H(x,y)255)Ψ(x,y),]]>其中，L(x,y)為增強后的灰度值；ψ(x,y)是包含有局部信息的伽馬校正系數，此時α是范圍為0到1的可變參數，ω為模板尺度大小參量，尺度越大則模板中包含的鄰域像素信息就越多，輸入圖像經過不同尺度ωi的模板，得到的圖像Ji將會包含不同范圍的鄰域信息；當|128-m|≤|ω-50|3]]>且ω＞50時，L(x,y)=255×(H(x,y)255)ψ(x,y)×(1-ω-50ω2),]]>其中ψ(x,y)＝ψα(Msvlm(x,y))，mH是圖像中灰度值高于128的所有像素的均值，mL是灰度值低于128的所有像素的均值，且此時m＝min(mH，mL)，在α值已知的情況下，計算出256個ψ校正系數作為查找表，記為其中i為索引值，利用Msvlm(x,y)的灰度值作為索引，根據ψ(x，y)＝ψα(Msvlm(x,y))快速獲得圖像中每個像素的伽馬校正系數ψ(x,y)；為模板修正系數；(2)檢測跟蹤模塊，具體包括構建子模塊、丟失判別子模塊和更新子模塊：構建子模塊，用于視覺字典的構建：在初始幀獲取跟蹤目標的位置和尺度，在其周圍選取正負樣本訓練跟蹤器，將跟蹤結果作為訓練集X＝{x1,x2,……xN}T；并對訓練集中的每幅目標圖像提取128維的SIFT特征其中St表示訓練集中第t幅目標圖像中SIFT特征的個數；跟蹤N幀以后，通過聚類算法將這些特征劃分為K個簇，每個簇的中心構成特征單詞，記為能夠提取到的特征總量其中K＜＜FN，且視覺字典構建好以后，每幅訓練圖像表示為特征包的形式，用于表示視覺字典中特征單詞出現的頻率，用直方圖h(xt)表示，h(xt)通過以下方式獲取：將一幅訓練圖像Xt中的每一個特征fs(t)向視覺字典投影，用投影距離最短的特征單詞表示該特征，對所有特征投影完畢后，統計每個特征單詞的出現頻率，并歸一化得到訓練圖像Xt的特征直方圖h(xt)；丟失判別子模塊，用于判別目標的丟失與否：當新一幀圖像到來時，從K個直方圖柱中隨機選取Z<K個直方圖柱，且Z＝4，形成新的大小為Z的子直方圖h(z)(xt)，子直方圖的個數最多為個；計算候選目標區域和訓練集中某個目標區域對應子直方圖的相似性Фt_z，其中t＝1,2,…,N，z＝1,2,…,Ns，然后計算總體相似性Фt＝1?∏z(1?Фt_z)；候選目標區域與目標的相似性用Ф＝max{Фt，t}表示，則目標丟失判斷式為：u=sign(Φ)=1Φ≥gs0Φ<gs,]]>其中gs為人為設定的判失閥值；當u＝1時目標被穩定跟蹤，當u＝0時，目標丟失；當目標丟失時，定義仿射變換模型：xtyt=s.cos(μ1×θ)s.sin(μ1×θ)-s.sin(μ1×θ)s.cos(μ1×θ)xt-1yt-1+μ2ef,]]>其中(xt，yt)和(xt?1,yt?1)分別為當前幀目標中某個SITF特征點的位置坐標和前一個幀目標中對應匹配特征點的位置坐標，兩者均為已知量；s為尺度系數，θ為旋轉系數，e和f代表了平移系數，μ1=1-|T-T0|1000T0T&Great...

【技術特征摘要】
1.一種局部和全局特征相結合的橋梁施工裝置，包括橋梁施工車和安裝在橋梁施工車
上的監測裝置，監測裝置用于對橋梁施工車附近的活動進行視頻圖像監測，其特征是，監測
裝置包括預處理模塊、檢測跟蹤模塊、識別輸出模塊；
(1)預處理模塊,用于對接收到的圖像進行預處理，具體包括圖像轉化子模塊、圖像濾
波子模塊和圖像增強子模塊：
圖像轉化子模塊,用于將彩色圖像轉化為灰度圖像:
H(x,y)=max(R(x,y),G(x,y),B(x,y))+min(R(x,y),G(x,y)B,(x,y))2+2(max(R(x,y),G(x,y),B(x,y))-min(R(x,y),G(x,y),B(x,y)))]]>其中，R(x,y)、G(x,y)、B(x,y)分別代表像素(x,y)處的紅綠藍強度值，H(x,y)代表坐標
(x,y)處的像素灰度值；圖像大小為m×n；
圖像濾波子模塊，用于對灰度圖像進行濾波：
采用維納濾波來進行一級濾除后，定義svlm圖像，記為Msvlm(x,y)，具體定義公式為：
Msvlm(x,y)＝a1J1(x,y)+a2J2(x,y)+a3J3(x,y)+a4J4(x,y)，其中a1、a2、a3、a4為可變權值，
i＝1，2，3，4；J(x,y)為經濾波后的圖像；
圖像增強子模塊：
當|128-m|>|ω-50|3]]>時，L(x,y)=...

【專利技術屬性】
技術研發人員：張健敏，
申請(專利權)人：張健敏，
類型：發明
國別省市：浙江;33