基于圖像動態(tài)識別技術的地震動參數快速判別方法

劉濟舟， 孟上九,,3， 袁曉銘， 王 淼， 孫義強

(1.中國地震局工程力學研究所 中國地震局地震工程與工程振動重點實驗室，哈爾濱 150080；2.哈爾濱理工大學 建筑工程學院，哈爾濱 150080； 3.黑龍江科技大學，哈爾濱 150022)

地震是一種自然現象，強烈的地震會對城市系統(tǒng)造成巨大影響。地震動參數的快速判別，對地震災害的評估，對地震科學考察的進行都有很大幫助?，F在地震動參數信息的來源，主要是依靠各地區(qū)布設的地震臺網及臺陣。

已有學者研究指出，在目前的狀況下, 實現地震預警的合理臺間距為10～20 km。即使目前運行的測震臺站和強震動臺站都能參與地震預警, 但也只有北京、天津和上海地區(qū)和河北、云南、四川等地的部分臺站密集地區(qū), 能夠滿足地震預警的基本條件，地震臺網的現狀密度并不能滿足地震預警的基本要求[1-2]。

隨著天網監(jiān)控系統(tǒng)的不斷完善，各個中小城市的道路、建筑物側邊都有密集分布的攝像頭，在地震災害發(fā)生的時間點，除了臺網和臺陣的記錄，這些攝像頭也能實時記錄地震災害的全過程，里面的視頻資料包含著大量地震的相關信息，這些信息要比從臺網得到的資料要豐富得多。

同時隨著5G時代的到來，傳輸數據速率快、網絡延遲低、傳輸穩(wěn)定性高的5G網絡[3]，正好滿足了視頻資料的時效性要求，只要能掌握一定的分析處理方法，提取出視頻中的地震相關資料，就能從另一個維度對地震動進行分析。與地震臺網在震后給出的抽象的震級數據不同，公眾對地震的了解，更多的是通過各地攝像頭錄制下的視頻資料對地震產生的直觀印象。因此，對錄制視頻進行地震資料的提取，也是符合大眾群體要求的工作。

近年來，圖像識別技術逐漸應用在地震工程領域。Ham等[4]提出,可以通過搭載高分辨率相機的無人機更新震后實時道路信息，為采取緊急救援提供準確、快速的實時信息；Naser[5]還提出了一種通過攝像機拍攝的室內畫面，利用機器學習方法，對震后的房屋結構進行損傷評估的方法。此外，圖像識別技術還被應用于震后基礎設施健康監(jiān)測與混凝土結構損傷判定[6-9]等工作之中。

以往研究主要通過震后的圖像資料為救援或災害識別提供參考，而沒有對震中的圖像資料進行采集與處理，因此無法提取到震中的地震相關信息。本文擬通過振動臺的地震模擬試驗和圖像識別技術的相關原理，利用處于模擬地震震中的攝像頭錄制下的圖像資料，提取地震動的相關信息，并提出一種基于圖像動態(tài)識別的地震動參數快速判別方法，為災害評價、地震動信息獲取和建筑物地震安全監(jiān)測提供技術支持。

1 原理介紹

本試驗主要目的是利用圖像識別技術得到準確的振動臺加速度。圖像識別技術在振動臺試驗中的應用，主要用于監(jiān)測結構在振動臺模擬地震下的變形和位移[10-12]。本文為了模擬真實地震下的攝像頭情況，需要將攝像頭置于振動臺之上。隨著振動臺的運動，攝像頭也在不斷振動，這就要求我們對攝像頭進行運動補償，即通過對攝像頭進行結構動力學分析的方式，確定其運動軌跡，從而對圖像做出對應修正，達到分析振動臺真實位移時程的目的，提出一種基于地震中的動態(tài)視頻資料識別地震動參數的方法，這也是本文的創(chuàng)新點和立足點。

1.1 單自由度體系振動計算方法

振動臺帶動攝像頭運動的過程中，涉及到結構受迫振動的計算問題。單自由度體系振動是結構動力學的基本問題，在特定的坐標系下，單自由度系統(tǒng)也能表現出與多自由度系統(tǒng)和無限自由度系統(tǒng)的相似性態(tài)[13]。因此，本試驗按照單自由度體系計算結構在振動臺輸入波下的受迫振動。

受迫振動指系統(tǒng)在持續(xù)的外界控制的激勵作用下所發(fā)生的振動。本試驗中，由振動臺提供與振動系統(tǒng)本身無關的外界激勵。受迫振動方程

(1)

由受迫振動方程，在忽略阻尼的情況下，我們只要知道了結構的質量、剛度參數和輸入的外界激勵，就能得知物體的運動狀況。

1.2 動態(tài)圖像識別原理

1.2.1 動態(tài)圖像預處理

通過攝像頭錄制下來的視頻，需要進行一定預處理工作，才能對其進行圖像識別。工作主要包括：

動態(tài)視頻分幀提取。幀是動態(tài)視頻中最小單位的單幅影像畫面。視頻由若干個單幀圖片組成，按照攝像機的幀率，將每一幀的圖像提取出來，再對其進行圖像處理工作。

圖像灰度化處理。分幀得到的視頻圖片都是采用RGB顏色模式，如果直接處理彩色圖像，要分別對RGB三種分量進行處理。灰度值指黑白圖像中點的顏色深度，范圍一般從0～255。將圖像做灰度化處理，就只需處理以灰度值作為參數的圖片，可以大幅提高圖像識別的運算速度。

圖像裁剪。攝像機的分辨率較高的情況下，圖片中包含的信息很多，采用全圖進行分析的話，會拖慢圖像識別的運算速度。在進行圖像處理之前，選擇感興趣的部分對圖像進行裁剪，也可以提高圖像識別的運算速度。

1.2.2 模板匹配

圖像識別要解決的問題，就是用機器代替人去認識圖像和找出一幅圖像中人們感興趣的目標物。利用圖片中的模板子圖像，通過計算模板子圖像的灰度值矩陣在圖片整體灰度矩陣的相關度，在圖片中尋找模板子圖像的中心位置[14]。圖1即為本試驗的模板子圖像選取。

圖1 模板子圖像選取

確定視頻每一幀處模板子圖像(本試驗選取臺面標記點圖像作為模板子圖像)的位置，便可以得到以像素點為單位的攝像頭位移時程。

1.2.3 坐標系轉換

攝像頭以像素點為單位的位移時程，所在的坐標系是像素坐標系[15]。通過量取攝像頭擺放的相關參數，結合相機的性能參數，將以圖片左上角為坐標原點的像素坐標系轉化成以相機所在空間位置為坐標原點的相機坐標系。

像素坐標系和相機坐標系的轉換關系為

(2)

式中：s為單個像素點的寬度(高度)；u，v為計算點在圖片中的像素點位置；f為焦距；Ox,Oy為圖像中心點的像素點位置；Xc,Yc,Zc為計算點在相機坐標系中的坐標值；Mint為攝像頭的內部參數矩陣。

在本試驗中得到模板圖像在相機坐標系中的位置后，利用幾何學知識，計算出以擺動角度為單位的攝像頭運動時程，如圖2所示。

圖2 根據相機坐標系計算攝像頭擺動角度

1.3 結構運動模型

本試驗采用的是如圖3所示的單自由度結構模型，能得到振動臺運動和攝像頭運動的轉換關系

(3)

圖3 攝像頭-振動臺結構的運動模型

通過攝像頭-振動臺運動模型的建立，結合以擺動角度為單位的攝像頭運動時程，就能得到攝像頭在世界坐標系中的運動軌跡，從而實現攝像頭的運動補償，并對模板圖像所在的灰度矩陣做出對應修正。

1.4 濾波

濾波是將信號中特定波段頻率濾除的操作，是抑制和防止干擾的一項重要措施，在信號處理和圖像識別的領域，都有著廣泛的應用。

一般來說，攝像機的幀速率比輸入地震動頻率要高得多，會產生大量高頻段噪聲，在利用位移時程計算加速度時程時，會產生很大誤差，因此，要對處理出圖片素材進行濾波操作。

本試驗采用的濾波方法是低通濾波，用于去除圖像中的高頻成分。其具體操作是，對圖像進行傅里葉變換(FFT)，得到頻譜，再用理想低通濾波器對頻譜濾波，之后對濾波后的頻譜進行反傅里葉變換(IFFT)，得到濾波后圖像，濾波前后的結果對比如圖4所示。

圖4 濾波前后的加速度時程對比

2 模擬試驗

2.1 試驗設備參數

試驗使用攝像機采用的是Logitech c930e高清攝像頭，具體參數如表1所示。

試驗使用的是伺服電機驅動振動臺[16]，其主要性能參數如表2所示。

表2 伺服電機驅動振動臺性能參數

試驗使用數據采集器使用日本TML公司的便攜多功能TMR200采集儀，其采樣頻率為1 Hz～1 kHz，在本試驗中，采樣頻率為1 kHz。

2.2 試驗設備布置

攝像頭通過可伸縮的支架固定在振動臺上，并與放置在振動臺外的電腦進行連接，存儲錄制下的視頻；振動臺上粘貼一標記點，作為圖像識別的模板圖像；在與振動臺相同高度的振動臺外固定一位移傳感器，并與數據采集器連接，用于測量振動臺的位移時程。

具體的試驗設備布置如圖5所示。

圖5 試驗設備布置

2.3 試驗方案

在實際的地震過程中，拍攝點位置以及地震波的各種參數都存在一定差異，為論證圖像識別方法的可靠性，本試驗在不同高度的攝像頭，不同輸入波形的振動臺的條件下，對采集到的視頻資料進行收集、整理、分析。

本試驗的振動臺波形，分別選擇了頻率為1.5 Hz、2.0 Hz、3.0 Hz的正弦波和正弦拍波，共計6種波形；攝像頭高度選擇了80 cm、100 cm、120 cm、140 cm四種高度，試驗組數共24組。

2.4 試驗步驟

(1) 將攝像頭旋轉到臺面標志點的方向，盡量使參照物影像落在圖像中心位置，之后準備開始錄像；

(2) 先啟動攝像頭連接電腦中的視頻錄制軟件，然后開啟振動臺并啟動數據采集器，記錄振動臺的位移時程；

(3) 振動臺震動結束后，結束視頻錄制軟件和振動臺數據采集儀的記錄，作為一組試驗；

(4) 改變攝像頭的高度和振動臺輸入波形，重復上述步驟，進行多組試驗。

3 試驗結果及分析

通過模擬試驗，得到了振動臺加載不同頻率，不同波形下，位于不同高度攝像頭的錄制視頻，通過圖像識別、結構動力學相關原理，得到振動臺計算加速度時程，與通過數據采集器得到的振動臺實測加速度時程進行對比，繪出加速度時程對比曲線并對峰值加速度進行對比。

3.1 實測加速度時程與計算加速度時程對比曲線

3.1.1 振動臺輸入正弦波下的加速度時程分析對比

振動臺輸入波形選擇頻率分別為1.5 Hz、2.0 Hz、3.0 Hz的正弦波時，在不同攝像頭高度下的加速度時程分析對比結果如圖6～圖8所示。

(a) 攝像頭高度80 cm

(b) 攝像頭高度100 cm

(c) 攝像頭高度120 cm

(d) 攝像頭高度140 cm

(a) 攝像頭高度80 cm

(a) 攝像頭高度80 cm

從圖6～8中可以計算得到，振動臺輸入正弦波為1.5 Hz時，實測峰值加速度為3.213 3 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為3.745 7 m/s2、3.620 6 m/s2、5.167 1 m/s2、6.593 1 m/s2，對應的誤差分別為16.57%、12.12%、60.80%、105.18%；

振動臺輸入正弦波為2.0 Hz時，實測峰值加速度為3.156 6 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為2.457 0 m/s2、4.591 2 m/s2、3.256 4 m/s2、3.601 1 m/s2，對應的誤差分別為22.16%、45.45%、3.16%、14.08%；

振動臺輸入正弦波為3.0 Hz時，實測峰值加速度為2.079 5 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為1.677 0 m/s2、1.930 9 m/s2、1.290 4 m/s2、2.001 3 m/s2，對應的誤差分別為19.36%、7.15%、37.95%、3.76%；

可以看出，在振動臺輸入正弦波的12組數據中，計算加速度峰值有9組誤差在40%以內，有2組在40%～80%，只有1組數據在80%以上，圖像識別技術的識別效果和穩(wěn)定性都較好。

3.1.2 振動臺輸入正弦拍波下的加速度時程分析對比

振動臺輸入波形選擇頻率為分別為1.5 Hz、2.0 Hz、3.0 Hz的正弦拍波時，在不同攝像頭高度下的加速度時程分析對比結果如圖9～圖11所示。

(a) 攝像頭高度80 cm

(a) 攝像頭高度80 cm

(a) 攝像頭高度80 cm

從圖9～11中可以計算得到，振動臺輸入正弦拍波為1.5 Hz時，實測峰值加速度為3.083 7 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為2.704 0 m/s2、3.246 2 m/s2、4.586 7 m/s2、5.458 8 m/s2，對應的誤差分別為12.31%、5.27%、48.74%、77.02%；

振動臺輸入正弦拍波為2.0 Hz時，實測峰值加速度為2.662 9 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為1.796 1 m/s2、4.235 0 m/s2、2.689 5 m/s2、1.853 3 m/s2，對應的誤差分別為32.55%、59.04%、1.00%、30.40%；

振動臺輸入正弦拍波為3.0 Hz時，實測峰值加速度為1.830 6 m/s2，當攝像頭高度分別為80 cm、100 cm、120 cm、140 cm時，其計算峰值加速度分別為1.583 1 m/s2、1.434 8 m/s2、1.690 5 m/s2、1.431 5 m/s2，對應的誤差分別為13.52%、21.62%、7.65%、21.80%；

可以看出，在振動臺輸入正弦拍波的12組數據中，計算加速度峰值有9組誤差在40%以內，有3組在40%-80%之內，圖像識別技術的識別效果和穩(wěn)定性都較好。

3.2 計算加速度峰值與實測加速度峰值對比結果匯總

將得到的實測加速度峰值、計算加速度峰值以及誤差數據按不同攝像頭高度匯總成表，如表3所示。

表3 實測加速度峰值與計算加速度峰值對比結果匯總

3.3 攝像頭高度和頻率影響分析

本試驗通過不同輸入波形、不同輸入波頻率、不同攝像頭高度的條件下，利用圖像識別原理對攝像頭所在振動臺的振動參數進行分析計算，根據在不同工況下圖像識別計算結果與實測結果的對比，繪制出相對誤差值隨攝像頭高度分布和隨振動臺輸入波頻率、波形分布的散點圖，如圖12和圖13所示；從圖中得到以下結論：

圖12 相對誤差值隨攝像頭高度分布散點圖

圖13 相對誤差值隨振動臺輸入波頻率、波形分布散點圖

(1) 隨著攝像頭高度的增加，相對誤差呈增大的趨勢，原因是：隨著高度的升高，相同大小的被拍攝物在圖片中占據的像素點數量越少，從而對模板子圖像中心所在的像素點坐標分析產生的誤差增大，導致后續(xù)步驟誤差增大；

(2) 隨著攝像頭的高度增加，誤差值的波動幅度不斷增大，原因是攝像頭支架與振動臺的接合處存在微小晃動，產生了隨機誤差，并且隨著支架高度的升高，將整體的隨機誤差放大；

(3) 減少振動臺的輸入波頻率，振動臺的峰值加速度隨之增加。相機的運動加速度越大，相同曝光時間內的圖像復雜程度越高，導致圖像模糊，降低了圖像識別精度，從而產生誤差。因此，隨著振動臺輸入波頻率增加，相對誤差值呈減小的趨勢；

(4) 在振動臺輸入波頻率不變的情況下，相對誤差值和振動臺的輸入波形并沒有明顯關系。

4 結 論

本文對置于振動臺上的攝像頭錄制的動態(tài)視頻進行分析，能在一定程度上反映真實地震時的攝像頭錄制情況，再通過本文中計算結果與實測結果的對比發(fā)現，利用圖像識別技術這一分析方法，在對攝像頭安裝方式和安裝位置了解較為清楚的情況下，可以在可接受的誤差范圍內對不同頻率的地震動參數進行識別。如果能夠根據攝像頭的高度不同，設置相應的模型剛度修正系數，還可以進一步提高其精度。

現在我國攝像頭的布置遍布大街小巷，而且安裝方式都大致相同。地震發(fā)生時，攝像頭錄制的視頻數據資料豐富，時效性強，覆蓋面廣，如果這一技術能得到應用與推廣，幾乎能夠估算城市中在地震過程中所有位置、所有時間點的地震動參數，這對將來地震災害的預防與評估、地震烈度區(qū)劃的劃分都有著重要意義。如果這一技術的精度能夠進一步提高，就能作為臺網、臺站以外的補充手段對地震動參數進行分析，提供的有效數據量甚至能在臺網、臺站之上，有非常好的應用前景。

近年來，關于城市抗震韌性的研究發(fā)展迅速， 已經成為國內外地震工程研究領域的研究熱點[17]，其中便涉及到抗震韌性城市設計地震動參數等問題，利用城市攝像頭中提供的大量地震相關數據，可以避免計算復雜的場地效應、地震波傳播介質等問題，直接通過曾經發(fā)生過的地震錄像，計算城市中各點的地震動響應，也能為城市抗震韌性的研究提供一種新的思路。