土木工程人体振动测量基于视觉的运动跟踪结构外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

土木工程人体振动测量基于视觉的运动跟踪结构

冯正，凌少C，Vitomir Racic，James Brownjohn d，

一个电子与电气工程学院，谢菲尔德大学，英国

计算机科学系和数字技术，诺森比亚大学，英国

谢菲尔德大学土木与结构工程，学校，英国

埃克塞特大学工程学院，数学与物理科学学院，英国

文章信息

摘要

我们提出了一个新的框架，用于测量多个个体的身体运动跟踪算法基于人群通过视觉，从而使研究humaninduced土木工程结构的振动，如地板和看台。为了克服通常在这种情况下观察到的困难，如光照变化和对象变形，一种在线集成学习算法，适合于非平稳环境，采用。注册成立易于携带和安装硬件，系统可以捕捉位移或加速度的特点在一组不同大小和现实世界中的多个个体。证明建议的系统的疗效，测得的位移和计算加速度比较两个广泛使用的运动获得的同时测量跟踪系统。大量的实验表明，该系统实现作为流行的无线惯性传感器和基于标记的光学等效性能系统，但没有限制通常与这种传统的系统。这个可比的实验也可以用来指导我们提出的系统的应用。

作者。由爱思唯尔出版有限公司，这是一个开放存取下的CC的文章

1、介绍

在土木工程动力学中，出现了许多对地板[ 1 ]的振动问题，天桥[ 2 ]、装配结构（看台，观众的画廊，等，由于人群或群体的人类居住者散步，跑步，跳舞和跳跃。例如，伦敦千年行人天桥[ 3 ]六月10日开业2000近两年几乎立即关闭由于发生意外的动作时大群行人过桥。短短的一年以前，类似的振动适用性问题对新建天桥在巴黎取的观察[ 4 ]。此外，在2000音乐会期间的事件，悬臂加的夫千年球场经历过多由人跳引起的振动幅度音乐会不得不停止。此外，现代结构变得更加灵活和容易人引起的振动。因此，广泛的研究人-结构动力相互作用现象，推出。研究结果被纳入有关人群加载的两个关键设计准则人行桥（法国）[ 5 ]和看台（英国）[ 6 ]民事工程师.人体运动和诱导力已经得到很多来自不同领域研究者的关注年[7,8]。主动个体的几种可靠力模型[9,10]可用。然而，有一个缺乏模型描述结构由于组或人群。如何使用个体加载模型生成多人负载模型仍然是一个挑战。它是未知的人如何互动组各种大小和同步的水平是什么个人在不同情况下各种视觉和触觉刺激。主要困难是同时采集人体运动数据，多人在群体或人群的真实结构。因此，本文的主要目的是开发一个新的基于视觉系统，使强大的集合基本身体数据。虽然基于视觉的人体运动方法分析已经引起了研究人员和从业者参与游戏，安全和其他相关应用中，系统的鲁棒性远从理想。造成这一问题的主要原因是跟踪目标和环境条件。目前，这些挑战可以部分解决使用健壮的对象描述符和自适应外观模型[ 11 - 14 ]。这些方法可以很好地处理数据在受控条件下记录的集合。然而，由于对于环境变化的不可预测性，大多数现有的方法不能直接应用于真实世界情况。此外，他们通常无法应对视频序列中出现的挑战同时。因此，在本文中，实时系统其中包含基于视觉的多目标跟踪算法[ 15 ]和一组精心挑选的硬件组件构造处理弱点当前系统。本文的其余部分组织如下。这个动态负荷测量的背景及贡献在第2节中给出。在第3节中，我们描述了

采用目标跟踪算法的框架。怎么对齐由不同的传感器产生的信号是第4节详述。比较实验

经典传感器在第5节。我们的结论本文将讨论第6节的未来工作。

2。背景和贡献

2.1。测量动态负载

一些研究人员试图采用不同的系统监督个人活动和调查群体或人群的同步现象。早期测量人体负荷的尝试[ 16 - 18 ]是基于直接力识别使用力板和仪表跑步机。然而，他们的尺寸的限制研究加载引起的多人[ 18 ]。另一种方法是测量间接加载。根据[ 19 ]，如果加速度身体运动是已知的或测量的地面反作用力（GRF）F [ 8 ]可以计算间接使用牛顿力学的基本原理，即力等于质量乘以加速度。因此，利用加速度和个体质量，GRF由人群产生的可以计算

F frac14; X i miai g X i mi;

G是重力加速度的静态加速度，MI是身体素质的测试科目和AI是动态的身体运动加速度。一般来说，身体质量被认为是已知的，而加速身体需要实验测量或估计。身体运动的实验表征使用基于光学标记的运动跟踪[ 10 ]，无线惯性传感器[ 20 ]，视频监控[ 21 ]或多通道相互作用模型[ 22 ]。[ 10 ]通过跟踪测量身体段的加速度光学标记（codamotion）粘在表面人体，然后用来生成力信号。然而,由于与日光的相互作用和限制标记数，基于标记的光学跟踪系统通常局限于人工实验室环境。替代无线惯性传感器[ 23 ]可用于户外环境，但价格昂贵通常遭受同步单元在无线网络中。此外，数量的单位在无线网络内是有限的，这反过来限制监视个体的数量人群。克服常规运动的局限性跟踪传感器，可以考虑基于视觉的方法。由摄像机（CCD或CMOS传感器）捕获的视频数据作为一个创新的工具越来越多地讨论测量人类、结构或动物的运动。结合正确的视频分析算法使用在图像空间中检测运动轨迹，基于视觉的方法有可能节省时间和金钱比传统传感器。在基于视觉的研究运动跟踪方法是局部[ 24 ]，具有广泛应用范围，如监视[ 25 ]，增强现实，机器人与人机交互。相比与传统的系统，基于视觉的方法用于测量人体运动的有以下几种优点：（1）可以测量户外的人环境而不是实验室设置。这是因为系统对照明不敏感变化比基于标记的传感器。（2）数目跟踪个人不受限。由于整个场景被捕获，没有特殊的跟踪目标（这样作为一个codamotion标记）是预定义的，很容易在视图中跟踪更多的目标。（3）人不知道被记录。无标记或惯性传感器需要佩戴的参与者。这将节省准备时间，导致更自然捕获身体运动的测试科目，虽然有道德需要考虑的问题。（4）这是一个便宜，远程长期监测系统。现有的商业基于标记或无线惯性系统通常价格昂贵，需要外部电源。数字图像相关（DIC）的若干研究[ 26 ]方法跟踪人群的运动确实存在[ 21 ]。然而，建议的方法是建立在一个强有力的假设，每个人的运动人群与周围人的运动相似，每个人都朝同一个方向移动。事实上，甚至当测试对象遵循相同的音乐，方向它们的运动可以相反。此外，每个测试科目有自己的运动风格或图案，如挥F. Zheng等。/测量83（2016）44 - 56 45手，点头和转身，如此闭塞经常发生的。所有这些问题限制了应用程序

DIC

2.2。贡献

本文的目的是开发一个基于视觉运动跟踪方法同时测量复杂环境中多个个体的身体运动然后使间接测量humaninduced加载[9,10]研究同步在现实世界中的群体或人群之间脚本.因此，高速和分辨率的摄像系统【27】用于采集运动数据。针对应对挑战，放弃顺利运动假设，实时鲁棒目标跟踪算法，学习 [ 28 ]，目的是建立模型每个目标的跟踪器。此外，由于差异系统及其他系统产生的运动信号传统的传感器如codamotion [ 29 ]和[ 30 ]的蛋白石，对准方法，提出了测量差异信号之间。综合比较传统的运动跟踪技术可用于指导我们建议系统的应用。添加本研究的价值在于，它不仅有利于结构工程，但也将受益地区，如测量生物医学中的人类运动，生物力学康复，监测，性能优化和显示体育运动员，安全监控动画与虚拟现实[ 31 ]。

3. 算法

在本节中,应用对象的挑战跟踪是首次引入。然后,我们详细的框架和每个模块采用的方法。的采用算法是由几个模块:图像补丁代表,跟踪培训和跟踪更新。

3.1 挑战和算法的背景

完美的视觉系统是远远不够的建立起来，是因为目标引起的许多挑战本身或环境还没有完全解决。对象追踪对象引起的挑战包括物体变形，面内或平面外旋转，突然移动和移出环境造成的挑战包括照明改变，相机的运动或背景和部分闭塞。在本文中，我们将“目标”定义为一般对象被跟踪。为应对各种挑战，提出了基于不同机器学习的方法。一般来说，根据用于培训的样品类型该模型可以分为在线自适应算法分为两组：生成方法[12]，只能使用积极的样本来推断他们之间的关系，和歧视性方法[15]和负样本来训练分类超平面。我们采用的方法是基于歧视性的在线学习是因为它的分离性和有效性。从而，歧视性在线学习模式简要说明审查。歧视性方法一般考虑对象跟踪作为分类问题。分类器或一组在线训练和更新的分类器用于为每个子图像补丁做出决定。由于对象本身和环境的不可预测性，不同的功能会有不同的能力用于将对象与背景分离。选择最具有歧视性的特征将提高健壮性的对象跟踪方法。一些在线功能选择机制[32,33]被提出改进跟踪性能，通过评估多个功能并调整特征集。两个古典机学习方法支持向量机（SVM）[34]和AdaBoost [35]被引入对象跟踪由Aviden。之后，AdaBoost的在线版本[36]被用于对象跟踪中的特征选择。Yan et al。 [14]设计了一个最佳的集合框架选择检测器和跟踪器做多目标跟踪。 Yoon等人[37]使用跟踪器选择和交互用于多重特征融合。样品是原件整个系统的跟踪信息。加权样本会改变特征空间的结构一个最佳的分类器将被快速搜索所需的特征空间发生扭曲。半监督学习[13]和多重实例学习[38]

用于样品选择。

3.2。 提出的方法概述

我们提出的系统的流程图如图1所示。 1。与大多数跟踪检测方法类似，总的来说，

有三个主要模块：第一个跟踪器启动帧，目标检测在以下帧和跟踪器更新。系统的输入是捕获的图像通过高分辨率和高速摄像系统。输出的系统是多重运动轨迹在第一帧中定义的目标。一旦跟踪器是在第一帧生成和训练，可以使用它们以检测以下帧中的预定义对象。在我们的实现中，一个跟踪器被分配给每个定义对象。因此，为了简单起见，我们将考虑每个对象的跟踪器单独地描述一个跟踪器在以下部分。跟踪器的启动模块包括四个步骤：目标定义，收集样本，参数启动跟踪培训。首先，目标一般是定义的由矩形围绕的一组像素。在本文中，

考虑目标的四个参数：（1）水平和垂直坐标; （2）高度和宽度长方形。其次，确定位置和

目标在第一帧的大小，两组样本将会被收集。阳性样本选自图像补丁充分重叠预定义的矩形（即，正的交点样本和目标除以其联盟超过0.75），而负样本来自其他图像补丁随机选择。第三，每个收集样本将由一个将用于的矢量表示46 F. Zheng et al。 / Measurement 83（2016）44-56检测模块。如何表示图像补丁将在第3.3节中介绍。在培训之前，有些

参数需要初始化。最后，基于收集样本集，将产生一个歧视性的跟踪器并根据收集的样品进行培训。怎么样训练跟踪器将在第3.4节中详细说明。对象检测和模型更新模块是在一个循环中进行处理。起初，一个新的形象将被抓住快速地通过摄像头传输到内存中工作站。接下来，如果图像无效，系统终止此时输出所有运动轨迹由不同科目引起。否则，动议模型peth;atjat1THORN;将用于预测可能的位置在当前帧中，其中at表示状态对象在图像空间中。粒子滤波器[39]或光流[40]可以采用方法来实现这一步骤。根据对于预测，每个位置的概率很高将被跟踪器检查。与模型启动相同模块，图像补丁首先由a表示向量。然后，矢量被认为是输入跟踪器和输出是分类结果图像补丁。子循环中的滑动窗口过程将会不能停止，直到所有图像补丁具有很高的概率已经检查目前的分类结果将是用于更新跟踪器，使其适应当前

环境可以改善。与第一个相同框架，正负样本代表根据检测结果收集载体。因此，可以通过所包含的信息更新跟踪器在代表新环境的新数据中。更新模块的细节介绍

第3.5节．所有框架处理完毕后，位移（运动轨迹），其中包含的图像空间中的一组位置点，可以产生的。接下来，通过二次差分运算，获得运动加速度。从流程图如图1所示。 1，我们可以看到三个模块包括补丁表示，模型训练和模型更新是三个关键步骤，将在此阐述

以下三个小节。

3.3。 图像补丁表示

有效的图像补丁表示是重要的实现强大的对象跟踪的一步。一般来说，矩形补丁可以转换为向量通过补丁表示提取的鉴别信息。最理想的属性是唯一性每个样品Xi; Xi 2 RD，将被视为一个点特征空间，可以通过学习的超平面进行分类f在这个特征空间。通常，基本线索包括强度，颜色，边缘，渐变，纹理和Harr样低级特征用于形成高级别表示。例如，描述补丁的最简单的方法来矫正图像的像素强度值补丁到一个向量或计数的强度。最近，建立一个强大的特征表示，成对像素比较引起了计算机的广泛关注视力研究人员[41]。功能基础的优点像素比较包括对照明的鲁棒性变化小变形。在我们的系统中，使用基于像素比较的功能代表图像补丁。的框架图。我们提出的系统的流程图。红色框表示主要模块。 （为了解释这幅图中的颜色参考，读者参考本文的网页版本。）F. Zheng等/ Measurement 83（2016）44-56 47表示如图1所示。 2.对于每个选定的补丁尺寸为W H，例如图1中的面部区域。 2，一套使用不同尺寸的平滑滤光片。如果大小一个过滤器是w h，那么过滤器的所有条目都是由1定义WH。因此，积分图像[42]可以是通过乘以快速计算卷积值1WH。过滤器尺寸将从11升高到图像补丁大小W H.因此，总的来说，nVfrac14;eth;WHTHORN;为每个产生2个值（V 2 RnV）补丁，其中W H值由一个过滤器生成。然而，遇到维度的诅咒因为超高的尺寸和太多的冗余信息。为了避免维度的诅咒，以下[43]，一组随机投影P 2 RD？nV为定义为将特征嵌入到低维空间中。这个矩阵很容易计算，因为它只需要一个均匀随机数发生器。通过使用稀疏投影，获得低维表示：Xieth;jTHORN;frac14;！eth;Peth;j; ？THORN;ViTHORN;; eth;2THORN;在哪里是指示性功能。因此，Xieth;jTHORN;2f0; 1g和图像补丁已被二进制编码。由于稀疏的投影（少数条目是非零），大多数滤波器不需要计算从而避免了计算的负担。

3.4。 模特训练

一

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141958]，资料为PDF文档或Word文档，PDF文档可免费转换为Word